基于WIFI与移动智能终端的室内定位技术研究

发布时间：2017-07-28 08:43

第 1 章 绪论

1.1 课题研究的背景

所谓定位，即获取目标空间位置，早在古代，我们的先人就已经发明了类似观看星象进行定位的牵星板、利用地球磁极确定方位的司南等一系列的定位体系。这些定位方式精度相对较低，且易受到外界例如气候等变化的影响。直到步入 20 世纪，人类文明得到极大发展，无线电的运用也进入人们的生活，以无线电波为载体，通过对无线电波的传播时间、携带能量以及传播方向等参数对被测物体进行位置推算的无线定位技术应运而生。

..............

1.2 课题的研究意义

近年随着智能终端的普及以及移动互联网的发展，人们对封闭环境的定位需求也在逐步提高。因为平时的日常生活中，大部分人都是在室内活动，加上社会城市化的高度发展，室内活动空间日益增大，且室内环境也越来越复杂，例如机场、火车站、地下室和矿井等复杂的封闭环境中，人们对人员或者设备的定位有着迫切需求，这体现了室内定位技术在当下生活的重要性。

..............

第 2 章 基于 WIFI 的室内定位技术概述

2.1 WIFI 无线通讯技术

WiFi 中文名又叫无线保真[23]。它是一种可以使智能终端设备在数百米的范围 内 接 入 到 无 线 局 域 网 （ WLAN ） 的 传 输 技 术 ， 最 初 它 仅 是 特 指IEEE802.11b[24]这个标准，而 WiFi 也成了这些标准的一个统称。WiFi 技术在当下生活可谓随处可见，在各种公共场合类似机场、图书馆、大学校园、餐厅、办公室等等都设置有供接入 WiFi 的热点，即 AP（Access Point）[25]。WiFi 的射频频段一般是在 2.4G 赫兹，人们可以使用手上的智能设备如智能手机、平板电脑等进行 WiFi 的连接，通常情况下，无线局域网都设置有连接密码，这主要依赖于该网络提供者的意愿，而大部分公共场合都提供免费的 WiFi 接入，也就意味着不需要密码也能够进行连接，当然，无论是否有密码，都可以被人们手中的智能设备检测到。

..............

2.2 基于测距的室内无线定位技术

室内定位技术种类繁多，，没有一个统一的分类方式，其中有一种基于测量技术的不同进行分类的方式比较流行。下面介绍一下基于测距方式进行定位的技术：1．基于到达时间的定位技术 WiFi 信号即电磁波的传播速度是已知的，其与光速相等均为c，如果测量得到基站的电磁波信号到达待测目标的接收设备的传播时间t ，那么电磁波速度与传播时间相乘即可获得信号源与接受设备它们两者的距离。

..............

第 3 章 高斯过程回归在位置指纹库中的应用..............15

3.1 高斯过程回归模型概述..............15

3.2 RSSI 的高斯过程回归模型..............22

第 4 章 PDR 的基本原理与实现..............32

4.1 PDR 的算法原理..............32

4.2 步态分析..............35

第 5 章 位置指纹与 PDR 融合定位..............45

5.1 PDR 与位置指纹定位算法的融合..............45

5.2 实验结果分析..............50

第 5 章 位置指纹与 PDR 融合定位

5.1 PDR 与位置指纹定位算法的融合

PDR 技术的定位算法需要的关键参数之一就是行人的初始位置坐标，而这个数据如果由用户进行输入显然不可取。所以通过 WIFI 位置指纹方法的方法来获取行人的初始位置坐标成为首选，那么算法的整体精度可能就会受到初次定位的影响了。

..............

5.2 实验结果分析

实验场地是位于哈尔滨理工大学主楼 E 区 15 楼，主要测试区域是该楼层的走廊部分，以西北侧的电梯口为出发点进行定位结果的记录。测试设备是一台联想 E40 笔记本和一台 Sony Lt26ii 智能手机，利用安卓手机的调试模式与电脑相连接，对测试的坐标进行实时的记录。

..............

结论

关于室内定位技术的研究目前已经有了许多解决方案，因为定位精度以及铺设成本的原因，目前并没有能够成熟运用于大众的室内定位系统。而 WIFI技术普及度高，在许多的室内场合都已提供了免费的 WIFI 接入服务，并且智能手机在生活中的广泛运用，对此，本文对结合两者的特性在室内定位中的应用进行了研究，具体的研究内容如下：1. 对基于 WiFi 技术的定位技术进行了探讨和原理分析，在对基于位置指纹算法的定位技术中，由于离线训练的成本较高，遂提出了基于高斯过程回归模型对待测位置指纹进行预测，以减少指纹密度的采集，从而降低人工成本，得到的预测指纹库有较好的精度和可用性。但是也存在不足之处，对于不同的应用场景和选择的机器学习的方法不同，离线训练的样本密度不明确，同时根据方法不同，离线训练的运算时间也不能得到控制，虽然降低了人工的成本，但是时间成本的控制则时好时坏。

参考文献（略）

本文编号：583117