论文部分内容阅读
【摘要】本文对WLAN定位技术进行了简单介绍，着重介绍了位置指纹定位法，同时对现有的WLAN定位方法提出了几点改进的建议。
【关键词】WLAN;定位;位置指纹;AP;噪声
1.引言
目前市场的定位技术很多，主要分为室外定位技术和室内定位技术。对于室外定位技术，主要包括GPS卫星定位、北斗卫星定位、移动通信技术定位等，这些定位技术定位精度在10米左右，而且只能在室外使用，一旦用户进入到室内，由于信号的大幅度衰减，定位系统根本无法工作。在这种情况下，室内定位技术就应运而生。目前室内定位技术包括：无线局域网（WLAN），射频标签（RFID），Zigbee，蓝牙，超宽带无线电等。其中，由于wifi的普及率非常高，基本上不需要重新在终端上安装信号接收设备，所以WLAN定位技术就显得非常具有商用前景。
2.WLAN定位技术
WLAN定位模型如图1所示，其主要由数据采集模块、位置估算模块、结果显示模块三部分构成。数据采集模块指用户终端接收设备内的无线网卡，完成对AP信号的接收，获得信号指标，包括：信号到达移动终端的时间（TOA）、到达的角度（AOA）、终端接收到的AP信号强度（RSS）。位置估算模块利用收集到的信息，根据相应的定位算法计算用户的具体位置，定位精度与所采用算法有关。用户的具体位置最终被显示在结果显示模块上。
图1 WLAN定位系统功能结构图
WLAN定位算法主要包括以下几种：几何定位法、附近定位法、位置指纹定位法。几何定位法利用AP与移动终端的距离，AP信号到达移动终端的角度，根据几何学原理来实现定位。附近定位法以该终端所接入的信号强度最大的AP的位置作为该终端的定位。这两种定位方法由于对硬件设备要求较高，成本太高，不适合大规模使用。而位置指纹定位法可利用已有的设备进行AP信号参数的测定，具有成本低，使用方便，能更好的保护隐私等优点。
3.位置指纹定位法
基于位置指纹的无线局域网室内定位大致分为两个阶段：离线采样阶段和在线定位阶段。
3.1 离线采样阶段
离线采样阶段的目标是构建一个关于信号强度与采样点位置间关系的数据库，即位置指纹数据库。
第一阶段，操作员需要在被定位环境里确定若干采样点，然后手持设备记录下在每个采样点测量的无线信号特征，包括来自所有AP的信号强度，最后将它们以某种方式保存在数据库中。确定采样点时，一般以网格形式对被定位环境进行划分，网格越小，定位精度越高，一般以网格的中心位置作为终端用户的位置。由于wifi信号存在衰落和其它干扰，采样点上接收到的信号强度会随时间变化，所以可以对每个采样点进行多次定时测量，减小误差。当环境发生变化时也需要立刻进行测量，比如AP位置的改变，网格大小的改变。
除此之外，由于传统的指纹数据库的建立是直接采集样本，没有考虑到RSS空间的相关特性，导致离线采样工作量太大。唐文胜等人利用对传神经网络空间插值算法构建指纹数据库，大大减少了采样样本数量。
3.2 实时定位阶段
第二阶段：当终端用户需要定位时，根据它目前所接收到的各个AP的信号强度，形成一组数据，利用定位算法在第一阶段所形成的位置指纹数据库里去匹配，计算出该用户的具体位置。定位的过程就是如何使用位置指纹数据库的过程。WLAN定位系统一般采用两类定位算法：第一类为确定的定位方法;第二类为基于概率的定位方法。
3.2.1 确定的定位方法
位置指纹用来自每个AP的信号强度的平均值表示，如：
然后采用确定性的推理算法来确定用户的位置。实时阶段，采用距离测量公式对每个样本计算测量值与位置指纹间的距离，选取取得最小距离的位置作为移动用户的位置。距离测量公式包括Manhattan距离、Euclidean距离等，其中Euclidean距离计算公式如下：
其中，n为实时测量阶段用户所感知到的AP数量，为用户实时测量到的第i个AP的实时信号强度，为第j个样本接收到的各个AP的信号强度的平均值，m为位置指纹数据库中的样本数。此方法又叫做信号空间最近邻法（NNSS）。考虑到可能存在多个与测量点距离相同的邻点，又提出了一种信号空间k最近邻法（k-NNSS），在位置指纹数据库里找出与实时信号强度样本最接近的一个或多个样本，将它们对应的采样点或多个采样点的平均作为估计得用户位置。
由于样本空间很大，匹配的过程有较大时延，孙善武等人采用边界盒算法和改进的二分范围搜索算法减小了查找空间，提高了实时定位的效率和精度。而邢培基等人在NNSS算法的基础上，考虑了电波传输信道的特性，对参与定位的AP数量的灵敏度降低，保障了更高精度的定位的稳定性。
由于确定的定位方法只采用接收信号强度的均值来计算信号空间距离，而忽视了样本方差，概率分布等信息，故该方法未能充分利用原始样本的信息。
3.2.2 基于概率的定位方法
概率定位方法中位置指纹存储的是信号强度的概率分布信息。Nibble采用概率性位置指纹，根据贝叶斯推理机制来估计用户的位置。其定位过程如下：假设定位区域产生m个指纹，记作，每个位置指纹与一个位置有一一对应的关系。在实时定位阶段，终端所接收到的n个AP的平均信号强度为。则贝叶斯算法就是要得到实时指纹样例S在定位区域的每个位置处的后验概率，即，根据贝叶斯定理，得：
最后，采用最大后验假设得到估计的用户位置：
概率分布法是目前WLAN定位算法中基于位置指纹定位技术的研究热点。
4.总结
要提高目前WLAN室内定位的精度，同时获得较好的用户体验度，以下几方面的问题值得考虑：
（1）终端用户会选择信号最强的AP进行接入，必然导致此AP所连接的终端用户数远远大于其它AP，造成此AP带宽紧张，而其它AP的利用率又过于低下。可以考虑采用一种负载均衡的算法来实现用户分流。
（2）由于受室内不确定性的噪声干扰，各个AP所提供的数据对定位的贡献程度是不同的，这样就需要一种方法能够为不同的AP赋予不同的信任度，选取最优的AP集合来进行定位信息的提取，尽可能的减小信息的冗余度。
（3）当定位精度越高，算法必定越来越复杂，这就对终端的处理能力提出了较高的要求，可以考虑结合云计算，使得复杂的计算在云端完成，终端只接收最终定位结果，大大降低了用户终端资源的消耗，但用户的隐私问题又得不到很好的保障。
总之，随着用户位置需求业务的不断增大，WLAN室内定位技术必定会有很大的用武之地。各种定位手段需要在实践中不断改进完善，最终实现大规模商用。
【关键词】WLAN;定位;位置指纹;AP;噪声
1.引言
目前市场的定位技术很多，主要分为室外定位技术和室内定位技术。对于室外定位技术，主要包括GPS卫星定位、北斗卫星定位、移动通信技术定位等，这些定位技术定位精度在10米左右，而且只能在室外使用，一旦用户进入到室内，由于信号的大幅度衰减，定位系统根本无法工作。在这种情况下，室内定位技术就应运而生。目前室内定位技术包括：无线局域网（WLAN），射频标签（RFID），Zigbee，蓝牙，超宽带无线电等。其中，由于wifi的普及率非常高，基本上不需要重新在终端上安装信号接收设备，所以WLAN定位技术就显得非常具有商用前景。
2.WLAN定位技术
WLAN定位模型如图1所示，其主要由数据采集模块、位置估算模块、结果显示模块三部分构成。数据采集模块指用户终端接收设备内的无线网卡，完成对AP信号的接收，获得信号指标，包括：信号到达移动终端的时间（TOA）、到达的角度（AOA）、终端接收到的AP信号强度（RSS）。位置估算模块利用收集到的信息，根据相应的定位算法计算用户的具体位置，定位精度与所采用算法有关。用户的具体位置最终被显示在结果显示模块上。
图1 WLAN定位系统功能结构图
WLAN定位算法主要包括以下几种：几何定位法、附近定位法、位置指纹定位法。几何定位法利用AP与移动终端的距离，AP信号到达移动终端的角度，根据几何学原理来实现定位。附近定位法以该终端所接入的信号强度最大的AP的位置作为该终端的定位。这两种定位方法由于对硬件设备要求较高，成本太高，不适合大规模使用。而位置指纹定位法可利用已有的设备进行AP信号参数的测定，具有成本低，使用方便，能更好的保护隐私等优点。
3.位置指纹定位法
基于位置指纹的无线局域网室内定位大致分为两个阶段：离线采样阶段和在线定位阶段。
3.1 离线采样阶段
离线采样阶段的目标是构建一个关于信号强度与采样点位置间关系的数据库，即位置指纹数据库。
第一阶段，操作员需要在被定位环境里确定若干采样点，然后手持设备记录下在每个采样点测量的无线信号特征，包括来自所有AP的信号强度，最后将它们以某种方式保存在数据库中。确定采样点时，一般以网格形式对被定位环境进行划分，网格越小，定位精度越高，一般以网格的中心位置作为终端用户的位置。由于wifi信号存在衰落和其它干扰，采样点上接收到的信号强度会随时间变化，所以可以对每个采样点进行多次定时测量，减小误差。当环境发生变化时也需要立刻进行测量，比如AP位置的改变，网格大小的改变。
除此之外，由于传统的指纹数据库的建立是直接采集样本，没有考虑到RSS空间的相关特性，导致离线采样工作量太大。唐文胜等人利用对传神经网络空间插值算法构建指纹数据库，大大减少了采样样本数量。
3.2 实时定位阶段
第二阶段：当终端用户需要定位时，根据它目前所接收到的各个AP的信号强度，形成一组数据，利用定位算法在第一阶段所形成的位置指纹数据库里去匹配，计算出该用户的具体位置。定位的过程就是如何使用位置指纹数据库的过程。WLAN定位系统一般采用两类定位算法：第一类为确定的定位方法;第二类为基于概率的定位方法。
3.2.1 确定的定位方法
位置指纹用来自每个AP的信号强度的平均值表示，如：
然后采用确定性的推理算法来确定用户的位置。实时阶段，采用距离测量公式对每个样本计算测量值与位置指纹间的距离，选取取得最小距离的位置作为移动用户的位置。距离测量公式包括Manhattan距离、Euclidean距离等，其中Euclidean距离计算公式如下：
其中，n为实时测量阶段用户所感知到的AP数量，为用户实时测量到的第i个AP的实时信号强度，为第j个样本接收到的各个AP的信号强度的平均值，m为位置指纹数据库中的样本数。此方法又叫做信号空间最近邻法（NNSS）。考虑到可能存在多个与测量点距离相同的邻点，又提出了一种信号空间k最近邻法（k-NNSS），在位置指纹数据库里找出与实时信号强度样本最接近的一个或多个样本，将它们对应的采样点或多个采样点的平均作为估计得用户位置。
由于样本空间很大，匹配的过程有较大时延，孙善武等人采用边界盒算法和改进的二分范围搜索算法减小了查找空间，提高了实时定位的效率和精度。而邢培基等人在NNSS算法的基础上，考虑了电波传输信道的特性，对参与定位的AP数量的灵敏度降低，保障了更高精度的定位的稳定性。
由于确定的定位方法只采用接收信号强度的均值来计算信号空间距离，而忽视了样本方差，概率分布等信息，故该方法未能充分利用原始样本的信息。
3.2.2 基于概率的定位方法
概率定位方法中位置指纹存储的是信号强度的概率分布信息。Nibble采用概率性位置指纹，根据贝叶斯推理机制来估计用户的位置。其定位过程如下：假设定位区域产生m个指纹，记作，每个位置指纹与一个位置有一一对应的关系。在实时定位阶段，终端所接收到的n个AP的平均信号强度为。则贝叶斯算法就是要得到实时指纹样例S在定位区域的每个位置处的后验概率，即，根据贝叶斯定理，得：
最后，采用最大后验假设得到估计的用户位置：
概率分布法是目前WLAN定位算法中基于位置指纹定位技术的研究热点。
4.总结
要提高目前WLAN室内定位的精度，同时获得较好的用户体验度，以下几方面的问题值得考虑：
（1）终端用户会选择信号最强的AP进行接入，必然导致此AP所连接的终端用户数远远大于其它AP，造成此AP带宽紧张，而其它AP的利用率又过于低下。可以考虑采用一种负载均衡的算法来实现用户分流。
（2）由于受室内不确定性的噪声干扰，各个AP所提供的数据对定位的贡献程度是不同的，这样就需要一种方法能够为不同的AP赋予不同的信任度，选取最优的AP集合来进行定位信息的提取，尽可能的减小信息的冗余度。
（3）当定位精度越高，算法必定越来越复杂，这就对终端的处理能力提出了较高的要求，可以考虑结合云计算，使得复杂的计算在云端完成，终端只接收最终定位结果，大大降低了用户终端资源的消耗，但用户的隐私问题又得不到很好的保障。
总之，随着用户位置需求业务的不断增大，WLAN室内定位技术必定会有很大的用武之地。各种定位手段需要在实践中不断改进完善，最终实现大规模商用。