来源 | 上海北斗导航创新研究院
近年来，随着基于位置服务日益增大的需求，同时基于卫星定位的全球导航卫星系统无法在室内定位，针对复杂室内场景的室内定位技术发展迅速，逐步在各行各业中发挥作用，从各个方面影响着人们的日常生活。本文首先对目前主流的室内定位技术分类体系、定位原理和方法进行了详细介绍，然后对国内外室内定位技术的研究现状进行了分析和对比，最后对室内定位技术的应用和难点进行了总结。
室内定位技术
室内定位是指在室内环境中实现位置定位，主要采用无线通信、基站定位、惯导定位等多种技术集成形成一套室内位置定位体系，从而实现人员、物体等在室内空间中的位置监控。
随着通信技术和电子制造工艺的不断发展和普及，室内定位技术层出不穷，定位精度从几米到几十米都有，并在一些行业中得到了应用。
视觉定位系统可以分为两类，一类是通过移动的传感器（如摄像头）采集图像确定该传感器的位置，另一类是固定位置的传感器确定图像中待测目标的位置。根据参考点选择不同又可以分为参考三维建筑模型、图像、预部署目标、投影目标、他传感器和无参考[18]。参考3D建筑模型和图像分别是以已有建筑结构数据库和预先标定图像进行比对。而为提高鲁棒性，参考预部署目标使用布置好的特定图像标志（如二维码）作为参考点；投影目标则是在参考预部署目标的基础上在室内环境投影参考点。参考其他传感器则可以融合其他传感器数据以提高精度、覆盖范围或鲁棒性。
Hile和Borriello使用照相手机比对图像和楼层平面图，达到了30cm的定位精度[19]。Sjö使用一个低分辨率相机基于参考图像实现SLAM(Simultaneous LocalizationAnd Mapping)算法，达到了亚米级的定位精度[20]。Mulloni使用条形码作为参考点标记，实现了厘米到分米级的定位精度[21]。Tilch和Mautz使用一个移动相机和激光仪作投影，定位精度可达到亚毫米级[22]。LiuT.使用一个6自由度惯性测量单元(Inertial Measurement Unit, IMU)和两个激光扫描器获取位置，平均定位精度达到行走距离的1%[23]。
红外线是一种波长在无线电波和可见光波之间的电磁波。基于红外线的定位系统可以主要分为两类：有源信标、红外成像[4]。
有源信标是在室内放置若干红外接收机，同时待测物携带一个装有红外发射机的电子标签。该标签周期发送该待测物的ID，接收机接收到信号后将数据发送到数据库进行定位。该方法具有代表性的是AT&T实验室和剑桥在1992年联合发布的Active Badge系统。该系统可以达到6米的平均定位精度[24]。
红外成像则是通过传感器采集环境中自然红外辐射生成图像实现检测行人或其他待测目标。2011年德国Ambiplex提供基于自然环境热辐射的“IR.Loc”定位系统，基于AOA确定热源的位置，可实现10m范围内20cm至30cm的定位精度[25]。
Polar Systems
极点定位
该系统通过仪器测量到达角或者到达时间进行定位，仪器通常有激光跟踪仪、全站仪和经纬仪。全站仪的可覆盖范围通常为2km到10km，但其设备高成本、大体积以及对可视距的要求使其不适用于在室内定位中推广。
NikonMetrology 2011年发布的iGPS(indoor Global Positioning System)实现了基于激光的室内工业级高精度三维定位。其原理与GPS不同，包括不少于两个固定位置的发射器发射扇形激光束和参考红外脉冲，基于TDOA原理实现对接收机的定位。NikonMetrology宣称该系统可实现在布设4至8个发射器的1200平方米的典型测试环境中实现0.2mm的三维定位精度[26]。但其造价十分昂贵，可用于工业级定位需求，不适合于大众市场研究和推广。
超声波定位主要采用反射式测距法，通过多边定位等方法确定物体位置，系统由一个主测距器和若干接收器组成，主测距仪可放置在待测目标上，接收器固定于室内环境中。定位时，向接收器发射同频率的信号，接收器接收后又反射传输给主测距器，根据回波和发射波的时间差计算出距离，从而确定位置[27]。
Ward于1997年建立的ActiveBat是超声定位的先驱，通过大量部署接收设备(720个标签)，达到3cm的定位精度[28]。超声波定位整体定位精度较高，结构简单，但超声波受多径效应和非视距传播影响很大，且超声波频率受多普勒效应和温度影响，同时也需要大量基础硬件设施，成本较高。
基于IEEE802.11b标准的无线局域网已在人们的生活场所大量部署，使用WLAN信号定位的优势在于不需要部署额外设备，定位成本低，信号覆盖范围大，适用性强，利于普及推广[9]。
基于RSSI的指纹定位法是目前主流的WLAN定位方法[29]，定位精度取决于校准点的密度，从2m到10m不等。同时基于TOA测距的定位方法由于多径效应和时钟分辨率低定位效果较差[30]，而基于RSSI测距的定位方法由于信号衰减与距离的关系在不同环境和设备条件下都有改变，定位结果也不理想。
射频识别(RFID)是一种操控简易，适用于自动控制领域的技术，它利用电感和电磁耦合的传输特性，实现对被识别物体的自动识别。RFID定位系统通常由电子标签、射频读写器以及计算机数据库构组成。最常应用的定位方法是邻近检测法。利用RSSI实现多边定位算法也可一定程度上实现范围估计。根据电子标签是否有源可以分为有源RFID和无源RFID。
1) 有源RFID
有源RFID的电子标签包含电池，因此信号传输范围相比于无源RFID更大，达到30米以上。同时可以实现基于RSSI测量的指纹定位[31]。Seco使用高斯过程描述RSSI在室内的传播结合指纹定位的方法，在1600平方米的实验环境中采用71个RFID标签实现50%定位误差1.5m[32]。
2) 无源RFID
无源RFID系统只依赖电感耦合，因此没有电池。相比有源RFID，体积更小，耐用性更高，成本更低。无源RFID定位系统多使用邻近探测法实现定位。
超宽带定位系统通常包括UWB接收器、参考标签和其他标签。超宽带技术通过发送纳秒级及其以下的超窄脉冲来传输数据，可以获得GHz级的数据带宽，发射功率较低，无载波[33]。因为其高带宽，理论上基于TOA或TDOA方法实现厘米级的定位。Ubisense是发布于2011年采用TDOA和AOA的室内定位系统，定位精度可达15cm，测距范围达到50m[34]。但UWB系统较高的系统建设成本阻碍了其普及推广。
惯性导航系统(Inertial Navigation System, INS)广泛应用于制导武器、舰艇、火箭、飞机和车辆等的导航与跟踪，其核心组件IMU，由三个正交的单轴加速度计和三个正交的陀螺仪组成。随着微机电技术的发展，传感器尺寸变小，成本降低，同时加入磁力计，被广泛应用于行人导航[35]。
惯性导航基于航位推算方法实现，因此随着时间会产生累积误差，其定位精度取决于传感器质量和传感器安放位置[36]。绑在脚上的惯性导航可采用零速校正限制漂移实现定位误差小于行走距离的1%，而安放在其他位置则定位误差常常大于1%。随着智能手机的普及和微机电器件的发展，基于智能手机的惯性导航成为研究热点[37][38][39][40]。
现代建筑物基本都具有钢筋混凝土结构，这些建筑物墙体内部的金属结构会对室内的地磁场产生很大影响，而室内的电气设备也会对磁场产生影响。同时室内磁场具有较强的稳定性[41]。故室内地磁场是一种可运用于室内定位导航的有效信息源。地磁定位，是指利用地磁场特征的特异性获取位置信息的技术方案[42]。定位方法主要采用指纹定位的方法。由于原有磁场信息，故成本相比其他定位技术更低，但仍需要人工建立数据库。IndoorAtlas的地磁定位方案是其中代表，定位精度已能达到1~2米[43]。
卫星是一种基于地面的能传播类似GNSS信号的发生器，最简单的组成是GNSS信号发生器和发射装置[44]。采用与GNSS信号体制不同的伪卫星，可避免对正常卫星信号的干扰，可达到厘米级定位精度，但设备复杂，成本很高。Locata在2010年发布的系统可实现50平方千米内2厘米的定位精度[45]。
蓝牙和ZigBee技术类似，有部分重合频段，且两者定位技术均基于短距离低功耗通信协议：ZigBee是基于IEEE802.15.4标准的低功耗局域网协议；目前蓝牙定位主要使用蓝牙4.0规范，是基于低功耗蓝牙技术(Bluetooth Low Energy, BLE)。两者都具有近距离、低功耗、低成本的特点[46][47]。ZigBee（蓝牙）的定位均通过在室内环境中布置静态参考点(蓝牙beacon)，可以实现基于邻近探测法、质心法[48]、多边定位和指纹定位的定位系统[49][50]。定位精度主要取决于基础设施的部署密度。2016年发布的蓝牙5.0协议支持BLE Direction Finding的 Angle of Arrival（AoA）和Angle of Departure（AoD）参数估计，这些参数将为1m以内的室内定位提供技术支撑。
蜂窝网络技术是一种成熟的通信技术，主要用于对移动手机的定位。蜂窝网络通过检测移动台和多个基站之间传播信号的特征参数（RSSI，传播时间或时间差，入射角等）[51]，可采用邻近探测法、AOA、TOA和OTDOA (Observed Time Difference Of Arrival, 观测到达时间差)[52]实现定位，可作为普适化的定位方案。目前Cell-ID加上RTT解决方案精度为20-60m。采用智能天线MIMO+TDOA/AOA技术，精度可以达到5-10m。未来的5G网络具有大带宽、多天线、密集组网等优势，可以实现1m以内的定位精度。
融合定位是指融合多种定位技术、多传感器的信息进行综合定位，以达到优势互补，提高定位精度、鲁棒性，降低定位成本。定位技术的选择则主要视场景需求而定，多为绝对定位技术与相对定位技术的结合，如浙江大学郭伟龙实现了地磁与惯导结合的室内定位系统[41]，平稳步行时90%定位误差小于4.5m；上海交通大学钱久超将惯导定位与地图结合实现手机端的室内定位，正常持握手机姿态下95%误差为0.8m[36]；同时也有很多研究将WiFi与惯导结合[53][54]取得了较好的效果。针对行人复杂的运动行为，[55][56]提出了运动识别辅助的行人定位方法，提高了室内定位的鲁棒性。
协同定位是指在一个定位场景中存在已知节点和未知节点，未知节点之间可以进行信息交互，也可以相互之间进行测距、测向或邻近探测，并且可以利用过去时刻的定位信息，从而实现对未知节点当前时刻的定位。协同定位的具体方式可根据具体定位技术调整，目标在于通过节点之间的协同合作提升单个节点及整个系统的定位性能[57]。协同定位在多机器人定位、无线网络定位、水下自主航行器及卫星定位等研究中正受到越来越多的关注。文献[58]对无线传感网络关于协同定位的研究进行了综述。意大利都灵理工大学的R. Garello团队进行了协同定位对卫星定位终端辅助捕获的研究，并比较了几种常见的定位算法的性能[59]。文献[60]对水下自主航行器的协同定位进行了综述。
Crowdsensing
群智感知
群智感知是将普通用户的移动设备作为基本感知单元，通过网络通讯形成群智感知网络，从而实现感知任务分发与感知数据收集，完成大规模、复杂的社会感知任务。在计算机科学领域，与群智感知相关的概念有：群体计算(Crowd computing)、社群感知(Social sensing)、众包(Crowdsourcing)等等。在室内定位领域，群智感知也得到广泛的研究和应用。文献[61]分析了利用Crowd Sensing进行机会信号获取，并应用于室内定位方法。清华大学的吴陈沭利用移动群智感知机制，提出了无人工现场勘测的无线信号指纹地图构建技术[62]。上海交通大学的张敏将用户的运动信息与无线信号结合，通过无线虚拟地标和GraphSLAM图优化方法，利用群智感知建立无线定位指纹库[63]。上海交通大学的高文政同样基于群智感知，提出了指纹信号的衰减生命周期描述方法，实现了对无线定位网络指纹库的自适应更新[64]。
室内定位技术的应用
室内定位技术作为定位技术在室内环境中的延续，弥补了传统定位技术的不足，目前已经在特定的行业内投入实际应用，并取得了一定的应用成果，有着良好的应用前景。
室内定位的难点及发展趋势
尽管室内定位技术的精度不断提高，但仍没有在各行各业中得到普及推广，主要存在以下难点：
随着室内定位技术的不断发展，高精度、低成本、普适的室内定位技术是未来的目标。综合利用各种定位技术及信息的融合定位将是解决目前室内定位难点的可行方案。快速发展的计算机视觉、5G移动通信网络、NB-IOT物联网等技术将为室内定位技术提供更多的技术途径。未来，像室外GNSS一样大规模广泛应用的室内定位方案必然会出现，结合室外定位技术实现全空间无缝定位。
结束语
室内定位的需求已经体现在人们生活的方方面面，如何实现高精度低成本普适的室内定位已经是定位领域正在解决的问题。本文介绍了目前主要的室内定位方法、定位技术、应用场景和发展难点。可供参考。
[2] 维基百科 Global Positioning System[DB/OL].(2016-02-17)https://en.wikipedia.org/wiki/Global_Positioning_System
[3] Wang S S, Green M,Malkawa M. E-911 location standards and location commercial services[C] //merging Technologies Symposium: Broadband, Wireless Internet Access. IEEE Xplore, 2000:5 pp.
[4] Mautz R. Indoor positioning technologies[J]. 2012.
[5] Drane C R. Mobile location without network-based synchronization or how to do E-OTD without LMUs[J]. Proceedings of SPIE - The International Society for Optical Engineering, 2003, 5084:59-66.
[6] Dwiyasa F, Lim M H. A survey of problems and approaches in wireless-based indoor positioning[C]// International Conference on Indoor Positioning and Indoor Navigation. 2016:1-7.
[7] Kemppi P, Rautiainen T, Ranki V, et al. Hybrid positioning system combining angle-based localization, pedestrian dead reckoning and map filtering[C]// International Conference on Indoor Positioning and Indoor Navigation. IEEE, 2010:1-7.
[8] Qian J, Ma J, Xu L, et al. Investigating the use of MEMS based wrist-worn IMU for pedestrian navigation application[C]//Proceedings of the 26th International Technical Meeting of the ION Satellite Division, ION GNSS. 2013.
[9] 赵永翔. 基于无线局域网的室内定位系统研究[D]. 武汉大学, 2010.
[10] Hightower J, Borriello G. Location systems for ubiquitous computing[J]. Computer, 2001, 34(8):57-66.
[11] 刘长征, 李纬, 丁辰,等. 多种定位技术融合构建LBS体系[J]. 地理信息世界, 2003, 1(3):24-27.
[12] 房秉毅. 基于超宽带技术的室内定位系统[J]. 电子技术应用, 2006, 32(7):124-127.
[13] 李泳. 基于ZigBee技术的室内定位系统设计[D]. 上海师范大学, 2008.
[14] 梁元诚. 基于无线局域网的室内定位技术研究与实现[D]. 电子科技大学, 2009.
[15] Seco F, Jimenez A R, Prieto C, et al. A survey of mathematical methods for indoor localization[C]// IEEE International Symposium on Intelligent Signal Processing. IEEE, 2009:9-14.
[16] 邓中亮, 余彦培, 袁协,等. 室内定位现状与发展趋势研究[J]. 中国通信(英文版), 2013, 10(3):50-63.
[17] 刘祺, 朱秋月, 冯莎. 室内定位技术的研究综述[J]. 计算机时代, 2016(8):13-15.
[18] Mautz R, Tilch S. Survey of optical indoor positioning systems[C]// International Conference on Indoor Positioning and Indoor Navigation. 2011:1-7.
[19] Hile H, Borriello G. Positioning and orientation in indoor environments using camera phones[J]. IEEE Computer Graphics and Applications, 2008, 28(4).
[20] Kragic D. Object Search and Localization for an Indoor Mobile Robot.[J]. Journal of Computing & Information Technology, 2009, 17(1):67-80.
[21] Mulloni A, Wagner D, Barakonyi I, et al. Indoor Positioning and Navigation with Camera Phones[J]. IEEE Pervasive Computing, 2009, 8(2):22-31.
[22] Tilch S, Mautz R. Development of a new laser-based, optical indoor positioning system[J]. International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences Commission, 2010, 1501: 575-580.
[23] Liu T, Carlberg M, Chen G, et al. Indoor localization and visualization using a human-operated backpack system[C]//Indoor Positioning and Indoor Navigation (IPIN), 2010 International Conference on. IEEE, 2010: 1-10.
[24] Want R. The active badge location system[J]. Acm Transactions on Information Systems, 2000, 10(1):91-102.
[25] Ambiplex[EB/OL].(2016-02-17) http://www.ambiplex.com/
[26] iGPS. Nikon Metrology[EB/OL]. (2016-02-17) http://www.nikonmetrology.com/en_EU/Products/Large-Volume-Applications/iGPS/iGPS/(key_features)
[27] 吴雨航, 吴才聪, 陈秀万,等. 几种室内无线定位技术简介[J]. 中国测绘报, 2008.
[28] Ward A, Jones A, Hopper A. A new location technique for the active office[J]. IEEE Personal communications, 1997, 4(5): 42-47.
[29] Yuan Y, Pei L, Xu C, et al. Efficient WiFi fingerprint training using semi-supervised learning[C]//Ubiquitous Positioning Indoor Navigation and Location Based Service (UPINLBS), 2014. IEEE, 2014: 148-155.
[30] Reddy H, Girish Chandra M, Balamuralidhar P, et al. An Improved Time-of-Arrival Estimation for WLAN-Based Local Positioning[C]// International Conference on Communication Systems Software and Middleware, 2007. Comsware. IEEE Xplore, 2007:1-5.
[31] Gikas V, Dimitratos A, Perakis H, et al. Full-scale testing and performance evaluation of an active RFID system for positioning and personal mobility[C]// International Conference on Indoor Positioning and Indoor Navigation. 2016:1-8.
[32] Seco F, Plagemann C, Jimenez A R, et al. Improving RFID-based indoor positioning accuracy using Gaussian processes[C]// International Conference on Indoor Positioning and Indoor Navigation. IEEE Xplore, 2010:1-8.
[33] 阮陵, 张翎, 许越,等. 室内定位:分类、方法与应用综述[J]. 地理信息世界, 2015(2):8-14.
[34] Ubisense[EB/OL].(2016-02-17) https://ubisense.net/en
[35] 陈伟. 基于GPS和自包含传感器的行人室内外无缝定位算法研究[D]. 中国科学技术大学, 2010.
[36] Qian J, Pei L, Ma J, et al. Vector graph assisted pedestrian dead reckoning using an unconstrained smartphone[J]. Sensors, 2015, 15(3): 5032-5057.
[37] Qian J, Pei L, Ying R, et al. Continuous motion recognition for natural pedestrian dead reckoning using smartphone sensors[C]//Proceedings of the 27th International Technical Meeting of the ION Satellite Division, ION GNSS. 2014.
[38] Wang L, Dong Z, Pei L, et al. A robust context-based heading estimation algorithm for pedestrian using a smartphone[C]//Proceedings of the 28th international technical meeting of the satellite division of the institute of navigation (ION GNSS 2015). Tampa, FL USA, SEP. 2015: 14-18.
[39] Qian J, Pei L, Ying R, et al. Continuous motion recognition for natural pedestrian dead reckoning using smartphone sensors[C]//Proceedings of the 27th International Technical Meeting of the ION Satellite Division, ION GNSS. 2014.
[40] Liu D, Pei L, Qian J, et al. A novel heading estimation algorithm for pedestrian using a smartphone without attitude constraints[C]//Ubiquitous Positioning, Indoor Navigation and Location Based Services (UPINLBS), 2016 Fourth International Conference on. IEEE, 2016: 29-37.
[41] 郭伟龙. 融合多源信息的室内定位算法研究[D]. 浙江大学, 2016.
[42] Haverinen J, Kemppainen A. A geomagnetic field based positioning technique for underground mines[C]// IEEE International Symposium on Robotic and Sensors Environments. IEEE, 2011:7-12.
[43] IndoorAtlas[EB/OL].(2016-02-17) http://www.indooratlas.com/how-it-works/
[44] 黄声享,刘贤三, 刘文建,等. 伪卫星技术及其应用[J]. 测绘地理信息, 2006, 31(2):49-51.
[45] Locata[EB/OL].(2016-02-17) http://www.locata.com/
[46] 汪苑, 林锦国. 几种常用室内定位技术的探讨[J]. 中国仪器仪表, 2011(2):54-57.
[47] 刘明伟, 刘太君, 叶焱,等. 基于低功耗蓝牙技术的室内定位应用研究[J]. 无线通信技术, 2015, 24(3):19-23.
[48] Subedi S, Kwon G R, Shin S, et al. Beacon based indoor positioning system using weighted centroid localization approach[C]//Ubiquitous and Future Networks (ICUFN), 2016 Eighth International Conference on. IEEE, 2016: 1016-1019.
[49] Dahlgren E, Mahmood H. Evaluation of indoor positioning based on Bluetooth Smart technology[J]. Master's thesis, Chalmers, 2014.
[50] Pei L, Chen R, Liu J, et al. Using Inquiry-Based Bluetooth RSSI Probability Distributions for Indoor Positioning[J]. 2010, 9:122-130122.
[51] 邓平. 蜂窝网络移动台定位技术研究[D]. 西南交通大学, 2002.
[52] Wang C, Xu J. Enhanced OTDOA Technology in 3G Location Service[J]. Telecommunications Science, 2005.
[53] Chen G, Meng X, Wang Y, et al. Integrated WiFi/PDR/Smartphone Using an Unscented Kalman Filter Algorithm for 3D Indoor Localization[J]. Sensors, 2015, 15(9):24595-24614.
[54] Liu J, Chen R, Pei L, et al. A Hybrid Smartphone Indoor Positioning Solution for Mobile LBS[J]. Sensors, 2012, 12(12):17208-17233.
[55] Pei L, Liu J, Guinness R, et al. Using LS-SVM Based Motion Recognition for Smartphone Indoor Wireless Positioning[J]. Sensors, 2012, 12(12):6155-6175.
[56] Pei L, Guinness R, Chen R, et al. Human Behavior Cognition Using Smartphone Sensors[J]. Sensors, 2013, 13(2):1402-1424.
[57] 田世伟, 戴卫恒,李广侠,等. 协同定位研究综述[C]// 中国卫星导航学术年会. 2013.
[58] Patwari N, Ash J N, Kyperountas S, et al. Locating the nodes: cooperative localization in wireless sensor networks[J]. Signal Processing Magazine IEEE, 2005, 22(4):54-69.
[59] Garello R, Presti L L, Corazza G, et al. Peer-to-Peer Cooperative Positioning: Part I: GNSS Aided Acquisition[J]. Inside Gnss, 2012.
[60] 张立川, 许少峰, 刘明雍,等. 多无人水下航行器协同导航定位研究进展[J]. 高技术通讯, 2016, 26(5):475-482.
[61] Pei L, Zhang M, Zou D, et al. A Survey of Crowd Sensing Opportunistic Signals for Indoor Localization[J]. Mobile Information Systems, 2016, 2016(3):1-16.
[62] 吴陈沭. 基于群智感知的无线室内定位[D]. 清华大学, 2015.
[63] Zhang M, Pei L, Deng X. GraphSLAM-based Crowdsourcing framework for indoor Wi-Fi fingerprinting[C]// Fourth International Conference on Ubiquitous Positioning, Indoor Navigation and Location Based Services. 2016:61-67.
[64] Gao W, Pei L, Xu C, et al. Crowdsensing-based organic fingerprint for Wi-Fi localization[C]// Fourth International Conference on Ubiquitous Positioning, Indoor Navigation and Location Based Services. 2016:79-88.
全 文 终
中国北斗产业技术创新西虹桥基地
▼
北斗产业集群高地
长按识别二维码，加关注
更多精彩等着您~