摘要
位置是一种关键的基础信息，在人们日常生活和工作中发挥着重要的作用。近年来，随着大型公共建筑的不断涌现以及人们在室内空间中活动频率的不断增加，人们对于精确室内位置信息的需求日益增长，因此急需设计精确、稳定、可靠的室内定位方案来满足不同室内场景中的多样化位置服务需求。由于非视距(Non-Line-of-Sight,NLOS)传输的限制，传统卫星定位技术难以在室内场景提供可用的位置服务，这使得室内定位成为定位导航领域的研究热点，并出现了WiFi、UWB、RFID、蓝牙(Bluetooth)等各种各样的定位技术。其中，WiFi指纹定位技术由于具有定位精度较高、部署成本低、覆盖范围广等优点，成为最有前途的室内定位解决方案之一。 然而，当前WiFi指纹定位仍然面临诸多挑战:指纹数据库(RadioMap)无法反映环境的动态变化，导致指纹定位精度下降，即指纹数据库的环境适应能力弱;指纹数据库构建过程中由采集设备、人员操作、模型预测等引入的不可控误差不可避免地降低了定位精度，即指纹数据库的指纹噪声高;目标空间边界区域指纹分布不均衡(边界外没有指纹)导致定位结果失准，即边界区域定位精度低;无线信号的固有噪声及传播过程的动态性导致指纹定位结果产生波动，即指纹定位稳定性差。为此，本文利用低成本众包指纹，提出了一系列的WiFi指纹定位优化方法，实现了低部署成本、高普适性、低维护成本、高精度的WiFi室内定位。具体研究内容和创新成果概括如下: 第一，针对指纹数据库环境适应能力弱的问题，本文面向两种不同类型的指纹数据库，即接收信号强度(ReceivedSignalStrength,RSS)向量形式和概率密度函数形式的指纹数据库，提出了基于指纹特征融合的指纹数据库在线更新方案。具体来说，为了提高众包指纹位置标记的准确性，提出了一种基于行人航迹推算(PedestrianDeadReckoning,PDR)的位置标记校准算法来校准位置标记，从而为指纹数据库的有效更新奠定基础;然后，考虑到现有指纹数据库中仍然存在可用的指纹特征，分别提出了一种边缘化粒子扩展高斯方法和一种增量的多变量核密度估计方法，通过在线融合众包指纹与现有指纹数据库实现了两种不同类型的指纹数据库更新，从而改善了指纹数据库的环境适应能力和泛化能力。真实场景中的实验结果表明，所提出的方案有效实现了指纹数据库的更新与精炼，保证了长期部署中指纹定位的有效性。 第二，针对指纹数据库指纹噪声高和边界区域定位精度低的问题，本文提出了一种结合指纹空间结构校准和边界感知的定位方案。具体来说，为了缓解指纹数据库中指纹的噪声，提出了采用有监督的统一流形逼近和投影(UniformManifoldApproximationandProjection,UMAP)方法投影指纹的信号空间到低维空间以优化指纹的空间结构;此外，考虑到传统K最近邻(K-NearestNeighbor,KNN)算法在边界区域定位精度低的问题，提出了一种边界感知定位算法来自适应地处理内部区域和边界区域的指纹匹配。真实场景中的实验结果表明，所提出的方案能够进一步提升指纹数据库的质量，并改善边界区域的定位精度。 第三，针对指纹定位稳定性差的问题，本文提出了一种基于时空特征学习的指纹定位方案。具体来说，由于众包指纹的位置标记噪声严重影响定位模型的精度，因此设计了一个Co-teaching网络有效地过滤带有严重标记噪声的众包指纹以构建精确的定位模型;此外，为了缓解指纹定位稳定性差导致的定位精度下降问题，提出了以BiLSTM(Bi-directionalLongShort-TermMemory)结构在特征层面学习序列RSS数据的时空关系，同时设计了一个基于惯性测量单元(InertialMeasurementUnit,IMU)信息的空间惩罚损失函数从模型输出层面来优化位置预测，从而在整体上提高指纹定位精度。真实场景中的实验结果表明，所提出的方案能够利用带有严重标记噪声的众包指纹构建精确的定位模型,显著提高了指纹定位的稳定性和精度，同时维持了指纹定位的简单性和普适性。
NETL