基于位置的服務可以為用戶提供周邊環(huán)境信息查詢、定位或者跟蹤特殊目標、路徑導航等服務，具有很好的實用價值和應用前景。GPS是當前使用最廣泛的室外定位系統(tǒng)，但是由于遮擋等原因，不能在建筑物內或地下空間使用，因此在室內環(huán)境中需要由其他定位系統(tǒng)來獲取目標位置信息。
    在目前的室內定位系統(tǒng)中，大多是基于無線信號的定位，包括基于RSS(Receive Signal Strength)、AOA(Angle-Of-Arrival）、TOA(Time-Of-Arrival)、TDOA(Time-Difference-Of-Arrival)[1-2]等定位技術,其中基于RSS的定位具有方法簡單、成本低等優(yōu)點。通過接收到的錨節(jié)點信號強度信息，以電波傳播經(jīng)驗公式反演出距離信息，再利用數(shù)值的或擬合的方法即可得出被測目標的位置信息。但是由于室內環(huán)境的復雜性，室內電波傳播具有較強的時變特性，指紋法定位[3-6]較傳統(tǒng)的基于電波傳播模型的定位能更準確地獲取目標的空間位置，因而被廣泛應用于室內定位系統(tǒng)中。指紋法的定位精度受離線階段建立的指紋庫的精細程度影響很大，高精細度指紋庫的建立耗時費力，阻礙了指紋法的實際應用。利用加速度計、磁強計、陀螺儀等運動傳感器能夠精確地測得物體的運動信息[7]，通過這些信息可以得到載體的航向和距離，再根據(jù)初始位置信息推算其位置，以實現(xiàn)載體的慣性導航。在嵌入式設備中通常使用MEMS傳感器來獲取相應的數(shù)據(jù)，但這些傳感器存在較大的固有誤差和隨機測量誤差等，長時間的誤差積累會導致導航精度的下降，因此不適于長期單獨工作。
    本文將基于RSS指紋的無線定位方法與基于運動傳感器的航跡推算方法相結合，融合兩種方法的定位信息，提高了系統(tǒng)整體定位精度；同時減少了指紋法中離線階段的指紋庫采集量，也解決了單純慣導累計誤差大的問題；設計并實現(xiàn)了具有一定實用價值的室內定位系統(tǒng)。
1 指紋法無線定位
    指紋法的實施主要有兩個階段：離線指紋庫建立階段和在線定位階段。指紋法定位原理如圖1所示。在離線階段，對一些標定位置進行RSS信息的采集，建立樣本點RSS指紋數(shù)據(jù)庫。在線實時定位階段，根據(jù)目標節(jié)點獲取到的RSS信息，通過一定的算法與指紋庫中的指紋信息進行匹配，匹配成功后即可獲得目標節(jié)點的位置估計。指紋庫的匹配算法有很多類型，其中直接計算指紋距離的方法簡單且易于實現(xiàn)。將獲取的目標節(jié)點RSS信息與指紋庫中的各樣本點信息進行比對，計算其與每個樣本點的歐式距離，直接選取距離最小的樣本點位置即可作為對目標節(jié)點位置的估計。但由于指紋庫中樣本點的數(shù)量通常比較稀少，各樣本點之間的距離很大，所以這種簡單的匹配方法得出的結果精度較差。為提高定位的精度，可以選取匹配距離最小的3個樣本點坐標，以目標節(jié)點RSS信息與樣本點RSS信息的歐式距離作為權值進行加權質心計算，將其結果作為估計的目標位置坐標。

    由于指紋庫樣本點數(shù)量有限，且在現(xiàn)實場景中無線電波的傳播受環(huán)境變化影響很大，測得的RSS值會有較大的波動，因此通過指紋法作加權質心估計的目標位置仍然不會有太高的精度。
2 基于運動傳感器的慣性導航和定位
　利用MEMS運動傳感器提供的地磁方向、旋轉速率、加速度等傳感數(shù)據(jù)，通過航跡推算算法可以估計運動的方向和距離，從而估計出目標的實時位置。
　測量磁傳感器的磁場強度，通過與地磁方向的比較計算，可以得出目標的運動航偏角，但單純的磁傳感器存在高頻抖動和測量誤差等問題，會導致航偏角出現(xiàn)偏差；利用陀螺儀測得的角速度數(shù)據(jù)通過積分也可以得到航偏角，但陀螺儀存在低頻的指向漂移等問題，也會導致航偏角指向不準。因此為減小磁傳感器的抖動誤差以及陀螺儀指向漂移的問題，通常采用卡爾曼濾波或互補濾波器[8-9]的方法對傳感數(shù)據(jù)進行處理。這兩種方法中，前者收斂速度慢，對處理器的性能有較高的要求，并且實現(xiàn)復雜度高，而后者結構簡單，相對更易于實現(xiàn)，因此本文采用互補濾波器融合兩種方法測得的數(shù)據(jù)，減小了航偏角的最終誤差?；パa濾波器的結構如圖2所示。首先，磁力傳感器的數(shù)據(jù)通過低通濾波器濾除高頻的抖動噪聲，然后通過計算得到估計的航偏角；陀螺儀的數(shù)據(jù)經(jīng)過積分，并通過高通濾波器濾除低頻的漂移噪聲，得到估計的航偏角。最后將得到的這兩組數(shù)據(jù)加權求和得到最終的航偏角。

    獲得載體的運動方向后，再通過加速度傳感器可以測得系統(tǒng)的總體加速度，由于加速度傳感器容易受運動影響產生高頻抖動，故在應用前需對數(shù)據(jù)進行低通濾波。將總體加速度在運動方向上進行投影即可得到載體實際運動的加速度。最后將加速度信息對時間進行二次積分即可得到載體在運動方向上的距離。由于常用的MEMS傳感器存在較大的固有誤差和隨機測量誤差等，因此長時間積分會導致較大的累積位置誤差。
3 兩種方法融合的定位系統(tǒng)設計
    為解決單純的指紋法或慣性導航精度偏低的問題，可以將無線定位和慣性導航的信息進行融合，以更小的代價獲取更高的定位性能，其定位原理如圖3所示。利用運動傳感器獲得的地磁方向、旋轉速率、加速度等傳感數(shù)據(jù)，通過航跡推算算法可以估計運動的方向和距離?；赗SS指紋的定位方法利用與錨節(jié)點通信的RSS信息，在指紋庫中進行匹配，匹配成功后可以估計目標的位置信息。以室內二維平面定位為例，由預先設定的初始位置對航跡推算系統(tǒng)的起始位置進行初始化，在載體運動過程中，當獲取到兩種方式的定位估計值之后，利用信賴度對其結果進行加權融合，得到最終的聯(lián)合定位位置。

    在實際應用中，設指紋法RSS采集周期為T1，運動傳感器采集周期為T2，通常情況下T1>T2，即在一個RSS采集周期內會有連續(xù)多個運動傳感信息。因此，僅在每個T1周期時刻上由式(3)進行定位信息的融合，并將融合的位置作為每輪的初始位置，在T1時間間隔內由慣性導航推算載體運動位置。采用以上方法得到的運動軌跡由于多種測量誤差的影響會表現(xiàn)出位置的波動，可以通過滑動平均等簡單的方法對位置信息進行濾波，得到最終的運動軌跡。
4 系統(tǒng)搭建及測試驗證
    在測試中采用由TI公司CC2430芯片構成的滿足ZigBee標準的無線傳感器網(wǎng)絡節(jié)點，該節(jié)點具備自組織網(wǎng)絡功能，并能實時獲取與其余節(jié)點通信的接收信號強度值，可以實現(xiàn)指紋法的無線定位。通過在擴展接口上連接多種MEMS運動傳感器模塊，可以實時測得載體的運動方向和加速度信息。對于這些信息的處理既可以采用集中式的處理也可以由各個節(jié)點進行分布式處理。由于自組織網(wǎng)絡具有一定的通信能力，且RSS信息和運動傳感器信息的數(shù)據(jù)量通常較小，所以在本文的測試驗證中將這些信息發(fā)送至上位機進行集中演算處理，以避免節(jié)點自身計算資源不夠、計算速度較慢的問題。
    在指紋法無線定位中，首先需要布置固定位置的錨節(jié)點，并建立可以通信的無線傳感器網(wǎng)絡，然后在測試區(qū)域內多個樣本點測量RSS值，以收集指紋信息建立標準指紋庫，該指紋庫存放于上位機中。在物體定位跟蹤過程中，將帶有MEMS運動傳感器的節(jié)點附帶于物體之上，與載體一同運動。在運動中，節(jié)點將實時測得的RSS值和傳感器信息傳送至上位機，由上位機使用基于信賴度的聯(lián)合定位算法完成各類信息的計算和融合，最終獲得載體的位置信息。
    測試工作在一間7 m×7.5 m的房間中進行，測試場景如圖4所示。其中小圓圈表示錨節(jié)點，星號表示用于構造指紋庫的樣本點采集位置，實線表示被測目標的實際運動軌跡。測試載體為一平板小車，帶有MEMS傳感器的節(jié)點固定于小車之上，從位置(0.9 m,2.1 m)開始沿實線箭頭方向運動，最終停止于位置(0.9 m,2.5 m)處。

    在測試過程中，設定RSS采集周期T1=2 s，運動傳感器采集周期T2=0.1 s，根據(jù)實驗經(jīng)驗，設定指紋法信賴度閾值θ=20，設定慣性導航信賴度時間x=20 s，閾值ω=0.4。測試結果如圖5所示。其中實線表示被測目標的實際運動軌跡,點劃線表示單純指紋法估計的軌跡，點線表示單純慣性導航估計的軌跡，虛線表示基于信賴度的聯(lián)合定位算法融合定位的最終軌跡。

    從測試結果可以看出，單純的指紋法定位由于受電磁波傳播環(huán)境變化的影響，所以軌跡跳動很頻繁，而單純的慣性導航由于測量誤差的累積導致位置偏移越來越大，而融合后的定位軌跡精度最高，且隨機波動也較小。通過對所有測試點進行的數(shù)值統(tǒng)計，指紋法的平均定位誤差為1.34 m,慣性導航的平均定位誤差為1.89 m，基于信賴度的聯(lián)合定位算法的平均定位誤差為0.81 m，驗證了該方法對定位精度提高的有效性。
參考文獻
[1] GUSTAFSSOR F,GUNNARSSON F.Mobile positioning using wireless networks: Possibilities and fundamental limitations based on available wireless network measurements[J]. IEEE Signal Process.Magazine, 2005,22(4):41-53.
[2] GOLDEN S A, BATEMAN S S. Sensor measurements for WiFi location with emphasis on time-of-arrival ranging[J]. IEEE Transactions on Mobile Computing, 2007,6(10):1185-1198.
[3] YAO Q M, WANG F Y, GAO H, et al. Location estimation in ZigBee network based on fingerprinting[C]. IEEE International Conference on Vehicular Electronics and Safety, ICVES, 2007.
[4] KUSHKI A,PLATANIOTIS K N,VENETSANOPOULOS A N. Kernel-based positioning in wireless local area networks[J].IEEE Transactions on Mobile Computing, 2007,6(6):689-705.
[5] OUTEMZABET S, NERGUIZIAN C. Accuracy enhancement of an indoor ANN-based fingerprinting location system using particle filtering and a low-cost sensor[C].IEEE Vehicular Technology Conference, 2008: 2750-2754.
[6] JI Y M, BIAZ S, PANDEY S, et al. Ariadne: a dynamic indoor signal map construction and localization system[C]. MobiSys 2006-Fourth International Conference on Mobile Systems, Applications and Services, 2006:151-164.
[7] 李澤民,段鳳陽,李贊平. 基于MEMS傳感器的數(shù)字式航姿系統(tǒng)設計[J]. 傳感器與微系統(tǒng), 2012,31(6):94-100.
[8] 梁延德, 程敏, 何福本,等. 基于互補濾波器的四旋翼飛行器姿態(tài)解算[J]. 傳感器與微系統(tǒng), 2011,30(11):56-61.
[9] 郭曉鴻,楊忠,陳喆,等. EKF和互補濾波器在飛行姿態(tài)確定中的應用[J]. 傳感器與微系統(tǒng), 2011,30(11):149-152.