定位算法初探

一、指纹定位算法介绍

指纹定位(finger-printing localization)算法，是基于室内环境复杂，信号反射折射所形成的在不同位置形成的不同的信号强度信息而提出的一套算法。

指纹算法能很好的利用了反射折射所形成的信号信息，离线首先生成指纹信号强度数据库，在线定位中再通过实际测量的一组RSSI值（Received Signal Strength Indication，接收信号强度）来计算位置距离。

二、指纹算法的关键技术

1、数据库技术

通过一定的数据组织保存数据，数据记录包括不同点位置的不同信标的RSSI值，位置 $（x，y）$ ，让后续空间匹配算法更加高效。

2、匹配算法

匹配算法是通过实际采集的数据与数组库中保存的位置指纹进行匹配，算出距离，比较常用的算法有 k阶类聚算法，加权k阶类聚算法，神经网络算法。

3、信号滤波算法

因采集到的信号还是会收到各种干扰，人的走动，环境信号噪声等，需要对此采集到的信号进行滤波，离线数据 采集是可以采集比较多的点采用平均滤波，高斯滤波等。在线实时 定位时不可能采集很多点再滤波，只能采用输入输出为 $1:1$ 的滤波算法，滑动加权滤波，卡尔曼滤波 比较常用。

4、融合其他传感器进行定位

可以融合手机的加速度传感器，陀螺仪，方向传感器等实现惯性导航定位。

三、指纹定位的原理

Wi-Fi 指纹定位：室内定位中的位置指纹法，就是事先把各个位置上的信号特征（各Wi-Fi的信号强度）测量一遍，存入指纹数据库。定位的时候，将当前的信号特征与指纹库中的进行匹配，从而确定位置。
示意图（AP就是WiFi，RP是离线采集选取的参考点）：

离线阶段：记录下每个RP处测到的信号强度，每组数据（指纹）包含4个信号强度和对应的位置。
在线阶段：使用当前的扫描到的4个信号强度，与数据库中的指纹进行匹配。

最常见的算法为 kNN，也可以使用概率方法进行计算，实验定位精度大概3米左右（与WiFi热点个数有关），实际应用的话由于各种因素（人对信号的遮挡、环境的变化、指纹数据库的老化等）会使得精度有所降低。

四、蜂窝基站定位

预备知识：GSM蜂窝网络基础结构
我们知道，GSM网络的基础结构是由一系列的蜂窝基站构成的，这些蜂窝基站把整个通信区域划分成如图所示的一个个蜂窝小区（当然实际上，一个基站往往不并不只是对应一个小区，不做深究）。这些小区小则几十米，大则几千米。

如下图所示，我们用移动设备在GSM网络中通信，实际上就是通过某一个蜂窝基站接入GSM网络，然后通过GSM网络进行数据（语音数据、文本数据、多媒体数据等）传输的。也就是说我们在GSM中通信时，总是需要和某一个蜂窝基站连接的，或者说是处于某一个蜂窝小区中的。那么GSM定位，就是借助这些蜂窝基站进行定位。

AOA定位 ：Angle of Arrival，到达角度。定位是一种两基站定位方法，基于信号的入射角度进行定位。

如上图所示，知道了基站1到设备之间连线与基准方向的夹角 $α_1$ ，就可以画出一条射线 $L_1$ ；同样知道了基站2到设备之间连线与基准方向的夹角 $α_2$ ，就可以画出一条射线 $L_2$ 。那么 $L_1$ 、 $L_2$ 的交点就是设备的位置。这就是AOA定位的基本数学原理。用函数调用表达如下：

$L o c a t i o n = G e t L o c a t i o n ([P i s i t i o n 1, α 1], [P o s i t i o n 2, α 2])$ $Location=GetLocation([Pisition_1,α_1],[Position_2,α_2])$

AOA定位通过两直线相交确定位置，不可能有多个交点，避免了定位的模糊性。但是为了测量电磁波的入射角度，接收机必须配备方向性强的天线阵列。