基于粒子、遗传和网格滤波结合RSSI异常值检测的WiFi RTT室内定位技术研究

《The Journal of Navigation》：WiFi-RTT indoor positioning using Particle, Genetic and Grid filters with RSSI-based outlier detection

本刊推荐：针对复杂室内环境中非视距(NLOS)传播和多径干扰导致的WiFi往返时间(RTT)定位精度下降问题，研究团队创新性地将粒子滤波(PF)、遗传滤波(GrF)和网格滤波(GF)三种滤波算法与基于接收信号强度指示(RSSI)的异常检测模型相结合。实验表明，在静态场景下遗传滤波配合异常检测可实现48%的定位精度提升，动态测试中粒子滤波方案使均方根误差(RMSE)降低53%。该研究为智能手机室内导航提供了无需环境先验知识的实用解决方案。

　　

在智能手机普及的今天，室内定位技术已成为商场导航、紧急救援等应用的核心需求。然而，全球卫星导航系统(GNSS)在室内环境中信号严重衰减，难以满足精度要求。虽然WiFi接入点(AP)基础设施广泛分布，但传统的基于接收信号强度指示(RSSI)的指纹定位法存在环境适应性差、需大量线下采集工作等局限。2018年谷歌推出的WiFi精细时间测量(FTM)协议，即往返时间(RTT)技术，通过测量信号飞行时间(ToF)实现测距，为高精度室内定位带来了新希望。但复杂室内环境中的非视距(NLOS)传播和多径效应仍是影响精度的关键挑战。

为攻克这一难题，伦敦大学学院的Khalil Jibran Raja和Paul D. Groves在《The Journal of Navigation》发表了创新性研究，系统比较了粒子滤波(PF)、遗传滤波(GrF)和网格滤波(GF)三种算法在WiFi RTT定位中的性能。研究团队设计了一种与环境无关的RSSI异常检测模型，通过分析RTT测距值与RSSI之间的不一致性识别NLOS信号。实验涵盖静态与动态场景，在视距(LOS)条件下达到95.2%的亚米级精度，即使在NLOS环境下仍实现38%的亚米级定位成功率。

关键技术方法包括：①基于Mikov模型的步长动态估计方程q=max(αt_step?(f_z,max-f_z,min), q_max)，结合Android Orientation Sensor实现行人航迹推算(PDR)；②提出步滞后平滑处理技术，解决WiFi测量与步频不同步问题；③遗传滤波采用算术交叉运算ω_k^off,n=βω_k^l,n+(1-β)ω_k^h,0增强粒子多样性；④网格滤波通过直接卷积处理传感器噪声；⑤RSSI异常检测模型基于修正的Bensky路径损耗模型设定动态阈值。

4.1 粒子滤波性能

在静态测试中，粒子滤波在LOS环境B、C、D均实现0.4-0.46米定位精度。但环境F的NLOS场景下出现精度倒挂（RMSE 1.20米），表明传统序列重要性重采样(SIR)在复杂环境中易受粒子退化影响。动态试验1F中，粒子滤波配合异常检测将平均RMSE从0.65米降至0.50米，证明其对于连续定位的适应性。

4.2 遗传滤波创新

遗传滤波通过分类-交叉-变异机制重构粒子群，在静态NLOS环境E和F分别实现51%和52%的精度提升，显著优于粒子滤波的9%和36%。其核心优势体现在算术交叉系数α₁=w_k^h,n/(w_k^h,n+w_k^h,n+1)的权重自适应设计，有效避免早熟收敛。动态试验3R中，遗传滤波最终定位误差仅0.77米，展现出对PDR误差的强纠偏能力。

4.3 网格滤波特性

网格滤波将搜索空间离散化为50毫米格网，在简单LOS环境B创下0.28米最佳精度。但其在动态复杂路径（如试验3F）表现不稳定，最终定位误差达2.51米，暴露出固定格网对突发方向偏差的适应性不足。研究发现当初始定位误差超过3米时，网格滤波收敛速度慢于粒子类算法。

5. RSSI异常检测效能

提出的阈值模型R_i,k^threshold=-(51.4+20log₁₀(d?))（d?<8米）和R_i,k^threshold=-(65.5+33log₁₀(d?)/8)（d?>8米），通过标准差缩放因子σ_iⁿ=σ×(1+ε_iⁿ)动态调整测量噪声。静态NLOS场景平均提升精度41.3%，但动态试验中改善幅度降至14%，反映出移动状态下RSSI波动对阈值判定的干扰。

研究结论表明：遗传滤波在静态场景以0.57米平均精度（48%提升率）成为最优算法，而粒子滤波在动态测试中以1.31米精度（53%提升率）表现最佳。网格滤波虽在简单环境中精度惊人，但适用场景受限。特别值得注意的是，在33组动态试验中，滤波算法使最终定位精度较初始值平均提升287%，验证了WiFi RTT与PDR融合方案的可行性。该研究的核心意义在于首次系统比较了三类滤波算法在WiFi RTT定位中的性能边界，为不同应用场景的算法选择提供了实证依据。提出的环境无关异常检测模型突破传统指纹法局限，使亚米级室内定位具备大规模部署潜力。未来工作可聚焦于毫米波频段RTT测量、异构AP偏差在线标定等方向，进一步推动技术实用化进程。