基于奇异值分解的室内定位技术：利用小型群体感知数据

《IEEE Journal of Microwaves》：Singular Value Decomposition Based Indoor Localization Using Small Scale Crowd Sensing Data

室内定位通过融合小规模众包数据构建无线电地图，采用SVD分解直接计算轨迹间旋转矩阵和位移向量，结合双向贝叶斯滤波器（前向集成DBSCAN优化地图，反向融合PDR实现跟踪），无需预训练或基础设施支持即可实现高精度定位。

　　

摘要：

传统的基于人群感知的室内定位方法依赖于大规模的预收集指纹数据来构建无线电地图，这需要繁琐的准备工作。然而，当缺乏楼层平面图信息或仅有少量数据可供使用时，定位精度会显著下降。在本文中，我们提出了一种基于奇异值分解（SVD）的跟踪匹配方案，该方案利用小规模的人群感知数据来生成有效的无线电地图，属于非学习型系统（SVD-CSP）。SVD-CSP结合接收信号强度指示器（RSSI）、惯性测量单元（IMU）和磁场强度来标记周围的WiFi接入点作为标记点。所提出的方案使用SVD方法直接计算人群感知轨迹之间的旋转矩阵和位移向量，从而获得可靠的跟踪结果。无线电地图的构建以及用户的跟踪是通过我们开发的双向贝叶斯滤波器来实现的，该滤波器包含正向滤波器和反向滤波器。在前向滤波器中嵌入了基于密度的空间聚类算法（DBSCAN）以提升无线电地图的质量。同时，反向滤波器结合了行人航位推算（PDR）和基于无线电地图的定位技术来跟踪用户。实验结果表明，SVD-CSP能够在数据极其稀疏的情况下实现稳健的定位（例如，在648平方米的区域内仅使用4条轨迹，或在2856平方米的区域内使用30条轨迹），且无需深度学习训练或基础设施知识。

引言

随着移动互联网和位置服务的快速发展，室内定位技术已可用于商业应用。在众多室内定位技术中，WiFi指纹识别因其高精度和广泛适用性而受到青睐[1]。该方法需要通过移动设备（如智能手机）在目标区域内的不同位置收集WiFi接收信号强度指示器（RSSI）数据。然后，将收集到的RSSI数据与地理位置关联起来，形成无线电地图。之后，通过K最近邻（KNN）等匹配算法将用户的当前查询信号与预存储的RSSI值进行比较，以确定用户的位置。然而，构建这些无线电地图是一个耗时且费力的过程，尤其是在大型复杂建筑中需要在不同位置进行充分的数据收集。通过步行调查或构建稀疏的指纹数据，可以在一定程度上减少初步的映射工作[2]、[3]。不过，这仍然需要专业人员进行现场调查，从而限制了基于位置的服务的可扩展性和覆盖范围[4]、[5]。