室内空间环境情况复杂，机器人/无人机的姿态位置变化非常之快，室内实时定位一直是室内机器人领域研究热点和关键技术。一般来说满足实时导航和控制的要求需要厘米级以上的定位精度。一些主要室内定位方案按精度和成本，有地磁定位、超声波定位、视觉定位、蓝牙定位、Zigbee定位、WIFI定位、LED定位、RFID定位以及激光和超宽带定位（详情请参考下图）。
这些室内定位方法的背后的技术原理都有哪些呢？
A．接收信号强度指示器（RSSI）
基于RSS（接收信号强度）的方法是室内定位中最简单和最广泛使用的方法之一。RSS是接收器接收的实际信号功率强度，通常以分贝毫瓦（dBm）或毫瓦（mW）为单位。RSS可以被用来估计发射机（Tx）和接收机（Rx）设备之间的距离 ——RSS值越高，发射机和接收机之间的距离越小。已知传输功率或参考点处的功率，可以使用多个不同的信号传播模型来估计绝对距离。RSSI是RSS的指标（经常与RSS混淆），作为具有任意单位的RSS相对测量值，主要由各个芯片供应商定义。例如，Atheros WiFi芯片组使用0到60之间的数表示RSSI值，而Cisco使用的数值范围在0到100之间。使用RSSI和简单的路径损耗传播模型，Tx和Rx之间的距离d可估计为：
其中n是路径损耗指数（从自由空间中的2变化到室内环境中的4），A是距离接收器的参考距离处的RSSI值。
在DBL（基于设备的定位）的情况下，基于RSS的定位需要三边测量或N点最小二乘法，即设备处的RSS可以用来估计用户设备与至少三个参考点之间的绝对距离，然后通过应用基本几何/三角学的知识，可以获得用户设备相对于参考点的位置（如图1所示）。
以类似的方式，在MBL（基于监控/移动设备的定位）的情况下，也可以用参考点处的RSS来获得用户设备的位置。这时需要中心控制器或目标点之间的点对点通信来进行整个RSS的收集和处理过程。另外，基于RSS的邻近服务（例如在零售店附近向用户发送营销提醒），需要用单个参考节点来创建地理围栏，即围绕任何兴趣点的虚拟围栏，并使用从参考点的路径损耗估计距离来估算用户与目标节点的接近程度。
尽管基于RSS的方法简单且成本低，但由于透过墙壁和其他大障碍物的传输导致的额外信号衰减，以及由于多径衰落和室内噪声导致的严重RSS波动，这种定位方法的精度较差（尤其是在非线性视线条件下）。不同的滤波器或平均机制可以用于来减轻这些影响，但需要使用复杂的算法才有可能获得高精度的定位。
B．信道状态信息（CSI）
在许多无线系统中，诸如IEEE 802.11和UWB（超宽带），无线信道的相干带宽比使得信道具有频率选择性的信号的带宽小（具有频率选择性即不同的频率表现出不同的振幅和相位特性）。此外，在多天线收发器中，根据天线距离和信号波长，每个天线对的信道频率响应可能有显著变化。虽然RSS由于其简单性和低硬件要求而被广泛使用，但它仅能提供一个关于整个信号带宽和所有天线上累积信号的平均幅度的估计值。这些使得RSS容易受到多径效应和干扰的影响，并且随着时间的推移可导致高度可变性。
而信道脉冲响应（CIR），或其傅立叶变换对，即通道频率响应（CFR），通常作为信道状态信息（CSI）传递到上层。因为它可以捕获不同频率中的信道幅度和相位响应以及独立的发射器 - 接收器天线对之间的幅度和相位响应，CIR具有比RSS更高的间隔粒度。总体来说，CSI是一个复杂的量，可以用极坐标形式写成
其中，|H(fi)|是振幅（或幅度）响应，∠H(fi)是信道频率fi的相位响应。如今许多IEEE 802.11网卡可以为正交频分复用（OFDM）系统提供子载波级信道测量，这可以转译为更丰富的多径信息，更稳定的测量和更高的定位精度。
C．指纹识别/场景分析
基于场景分析的定位技术通常需要调查环境以获得使用定位系统环境的指纹或特征。首先，在离线阶段收集不同的RSSI测量值。一旦系统部署好，用户的估计位置将通过把在线测量（实时获得）与脱机测量的结果进行比较来获取。通常指纹或特征以RSSI或CSI的形式收集。有许多算法可以将离线测量与在线测量相匹配，如概率法、人工神经网络、k-最邻近算法、支持向量算法等。
a）概率法：概率法依赖于用户处于“x”位置的可能性，前提是在在线阶段获得的RSSI值为“y”。假设该位置候选集合L={L1,L2,L3…LM}，对于任何观察到的在线RSSI值向量O，如果满足下列条件，用户/设备位置将是Lj
上式显示出如果用户所处在Lj中的可能性高于任何其他位置，则将在位置Lj中对其进行分类。如果对于j，k = 1,2,3，...... m，P(Lj)=P(Lk)，那么使用贝叶斯定理，在用户位于位置Lj的情况下，我们可以获得观测信号矢量为O的似然概率为P(O | Lj)。在数学上，如果满足下列条件，用户将被分类在位置Lj中，
似然值可以通过使用直方图和核函数方法来计算。对于空间中的独立参考节点，可以使用所有参考节点的似然性的乘积来计算用户位置的可能性。
如上所述，指纹识别方法使用在线RSSI或CSI的测量值来在离散网格上映射出用户/设备的位置。该网格上的每个点对应于空间中的位置即为相应的离线测量值（指纹）。因此，指纹识别提供了用户/设备位置的离散估计而非连续估计。理论上，可以通过增加网格的密度来增加位置估计的颗粒度。但在这种情况下，由于信道统计和测量噪声，两个相邻点之间的信号强度的差异将变得远小于典型的室内信号变化，使得准确估算变得几乎不可能。因此，在选择指纹位置时，需要考虑指纹位置粒度与成功位置估计概率之间的权衡。另外值得一提的是，虽然指纹和场景分析技术可以提供准确的定位估计，但因为它们依赖于不同时刻的离线和在线测量，它们非常容易受到时间变化的影响。
b）ANN（人工神经网络）：ANN用于许多分类和预测场景。对于定位，必须使用RSSI值和在离线相位期间获得的相应坐标来训练NN（神经网络）。一旦ANN被训练，它就可以获取基于在线RSSI测量的用户位置。具有一个隐藏节点层的MLP（多层感知器）网络是常用的用于本地化的ANN之一。在基于MLP的定位中，以选择偏差为条件，RSSI测量的输入矢量与输入权重相乘添加到输入层偏差中。然后将获得的结果放入隐藏层的传递函数中。传递函数的输出和训练过的隐藏层权重的乘积再加到隐藏层偏差中（如果是选择偏差）。此时获得的输出结果就是估算出的用户位置。
c）kNN（k-最邻近）：kNN算法依赖于在线RSSI，通过使用均方根误差（RMSE）获得已知位置的最近匹配（基于存储在数据库中的RSSI测量）。然后对最近匹配取平均来获得设备/用户的估计位置。如果在信号空间中采用距离作为权重，则使用加权kNN，否则用非加权kNN。
d）SVM（支持向量机）：SVM是一种用于对数据进行分类和复原的有效算法。SVM主要用于机器学习（ML）和统计分析，精度高，且可用于离线和在线的RSSI测量。
欲知后续'室内定位方法的技术原理”请待下回分解
联系客服
