南京邮电大学硕士研究生学位论文
基站2 第二章 相关背景知识介绍
待测点 基站1
基站3
图 2.3 TDOA 原理图
(3)到达角度法（AOA）
AOA（ Angle of Arrival）[26][27]利用待测点接收到位置已知的基站发送的信号的传播角度 来实现定位，如图 2.4 所示。每个基站向移动设备传送信号，信号以直线传播。以两个基站 的位置为起点，根据两个参考点测得的信号角度分别画直线，两条直线的交点即为待测点位 置。由于这种方法要求信号直线传播，因此当信号受到障碍物干扰发生折射时，定位精度下
降明显，还要求基站具有测量角度的功能，且位置要已知，因此 AOA 方法需要对硬件进行 升级，加大了定位成本，不适合实际应用。
待测点 α1 基站1 α2 基站2
图 2.4 AOA 原理图
2.2.2 临近法
基于临近法的定位系统[28]能提供象征性的相对位置信息。通常需要预先在实验环境中按 网格形状布置一定密度的天线，每个天线的位置都是已知的。当一个移动待测物体只被其中 一个天线探测到时，待测物体的位置就认为是该天线的位置。当有多个天线探测到该待测物
10
南京邮电大学硕士研究生学位论文
第二章 相关背景知识介绍
体时，则待测的物体的位置认为与接收到的信号强度最大的天线的位置一致。近似法能基于 不同类型的物理介质实现，更多的是基于红外线和 RFID（射频识别技术）。蜂窝识别技术 （Cell-ID）使用的也是近似法，原理是移动蜂窝网络通过判断在某一时间段内移动设备在使 用哪个蜂窝来给出该临近的移动设备位置。蜂窝识别技术现如今已经被广泛应用，并且支持 所有类型的移动终端。综上所述，近似法实现起来相对简单，且无需额外的硬件设备，但定 位精度很大程度上取决于布置的天线密度，因此定位精度较低，不适合室内定位。临近法的
原理图如图 2.5 所示。
图 2.5 临近法原理图
2.2.3 行人航位推算法
如今的智能手机大多内置有一系列的传感器，比如加速度传感器、方向传感器、陀螺仪 等等，这些传感器可以采集有关人体活动的一些信息，如步行加速度、步行方向等。加速度 传感器用来测量加速度，陀螺仪用来测量偏转、倾斜时的转动角速度，方向传感器测量移动
方向。行人航位推算法（PDR）[29][30]从已知位置的起点开始，通过加速度传感器进行步伐判 断和步长测算，利用方向传感器和陀螺仪判断行人方向，最终所有的信息整合起来实现对行 人的连续跟踪定位。
行人航位推算（PDR）系统使用的算法如图 2.6 所示，是一种相对定位算法。符号 N 和
E 分别代表正北和正东方向。已知行人的初始位置坐标为(x0, y0), 根据手机与北极的方位夹角 θ1 和行人的步长 d1 ，可以计算出下一步到达的位置坐标(x1, y1)，如此一步步迭代计算，我们 可以计算出行人走到第 k 步时的位置信息如下：
11
南京邮电大学硕士研究生学位论文
di sin? i xk ? x0 ? ?
i?1 k
第二章 相关背景知识介绍
（2.1）
（2.2）
di cos? i yk ? y0 ? ?
i?1
k
式中 θi 和 di (i = 1,…, k) 分别代表第 i 步的方向和步长。
N
?k (xk,yk) dk (x2,y2)
?2
d2
(x1,y1) ?1
d1 O (x0,y0) E 图 2.6 PDR 算法基本模型
2.2.4 WiFi 指纹法
所谓 WiFi 指纹，是指对于每个特定的位置，移动终端检测到的 WiFi 信号强度特征都是唯 一特定的，这种无线信号特征即为 WiFi 指纹。基于 WiFi 指纹的定位法[31]分为采样阶段和定 位阶段，如图 2.7 所示。
12
南京邮电大学硕士研究生学位论文
AP1
第二章 相关背景知识介绍
AP2
存储
数据库
AP3
(x1,y1) (x2,y2) … (xi,yi) (rssi1,rssi2 … rssin) (rssi1,rssi2 … rssin) … (rssi1,rssi2 … rssin) 采样阶段
? (rssi1,rssi2 …rssin) 匹配算法 得出位置 定位阶段 图 2.7 WiFi 指纹定位
(1)采样阶段
采样阶段是在待定位区域预先按网格布置一定数量的采样点，利用移动设备在每个采样 点采集接收到的来自不同 AP 热点的 WiFi 信号强度，连同该采样点的物理位置一起存入数据 库，最终建立一个 WiFi 信号强度与物理位置映射的指纹数据库。
(2)定位阶段
在定位阶段，用户持有的移动终端设备检测到待测点的 WiFi 信号后，与采样阶段创建的
指纹数据库中的 WiFi 指纹进行匹配，依据一定的匹配算法，找出其中与待测点接收的 WiFi 信号强度指纹相似度最大的参考点，将该指纹参考点位置作为待测点位置的估计值。
四种室内定位算法的性能比较如表2.2所示：
表2.2 四种室内定位算法的对比分析
室内定位算法 三角测量法 临近法 行人航位推算法 WiFi 指纹法 实现复杂度 高 低 一般 低 AP 位置 需要知道 需要知道 不需要知道 不需要知道 成本 高 低 一般 低 定位精度 较低 较低 一般 较高 13
南京邮电大学硕士研究生学位论文
第二章 相关背景知识介绍
总之，从实际应用角度考虑，三角测量法不易获得信号，对信号直线传播的要求非常严 格，且环境变化会导致定位精度迅速下降；临近法由于其定位精度很大程度上取决于布设的 天线密度，因此定位精度较低，不适合室内定位；而航位推算法由于使用的传感器灵敏度尚
不够高,其在计算过程中存在较大的累积误差,因此不适合连续室内定位。因此这三种方法并没 有被广泛应用于室内定位中。WiFi 指纹定位法相对其他三种方法的优点包括：第一，它所需 要的基础设施，就是目前应用最广泛的 WiFi 无线网络，定位对象就是常见的智能手机终端， 不需要任何额外的硬件参与，因此部署难度小、成本低廉；第二，获取 WiFi 信号比获取 AOA、
TOA、TDOA 的信息特征要相对容易，因此实现复杂度小。第三，相比行人航位推算法，WiFi 指纹法没有累计误差，因而其定位精度相对较高。综上所述，基于 WiFi 指纹的定位技术是目 前室内定位发展前景最大的一种定位方法。
2.3 室内定位评价标准
在定位系统输出结果后，我们需要一些指标来判断定位系统的好坏，通常评价的标准[32] 包括: 定位误差、误差累计概率等，具体介绍如下: (1)定位误差
定位误差是评估各种定位算法定位性能的最重要标准，通常用估计位置和真实位置之间 的欧式距离来表示，如式（2.3）：
E ? (xt ? x0 )2 ? ( yt ? y0 )2 式中，（xt, yt）表示手机的真实位置坐标，（x0, y0）表示估计位置坐标。 (2)误差的累积概率
（2.3）
定位误差的累积概率表示定位误差分布在在某个值范围内的概率，如式（2.4）：
p ? p(x ? x0 )
（2.4）
其中 p 表示定位误差的累积概率。误差累积概率曲线收敛到 100%的速度越快,说明误差 越小，反之，定位误差越大。 (3)定位方差
定位方差表示在某个点多次定位测试得到的多个定位结果数据分别与均值坐标之差的平 方和的平均数，表示的是该定位数据集与均值坐标之间的偏离程度，也即反映了该系统定位 结果的稳定性。定位方差越小，代表定位系统越稳定。定位方差表示为
14
基于WiFi指纹的室内定位系统中采样和匹配算法研究--毕业论文
