1 室内高精度定位技术总结与展望
[4]柳景斌,赵智博,胡宁松等.室内高精度定位技术总结与展望[J].武汉大学学报(信息科学
版),2022,47(07):997-1008.DOI:10.13203/j.whugis20220029.
1.1.1 WiFi‐RTT定位
2016 年 12 月，随着新版 IEEE802.11 标准的公布，飞行时间测量（flight time measure，FTM）
协议提供了新的WiFi测距功能，其方法为通过用户端与接入点（access point，AP）端往返时间差来计算二者之间的距离，测量原理如图 3所示。首先，用户端发送 FTM测距请求，AP端进行响应
之后返回确认字符（acknowledge character，ACK）信号，之后AP端率先发起 FTM测距信号，多组FTM信号往返于用户端和AP端，图 3中T1、T2、T3、T4 分别为AP端和用户端测得的时间。该测距方法可以同时用于多个发射端和应答端，且由于AP端和用户端的距离是由AP端的时间点和
用户端的时间点差值相减获得的，即两倍飞行时间为(T4-T1 )-(T3 -T2 )，因此该方法直接消去
了时钟误差的影响，不需进行时钟同步。
在应用研究方面，文献［8］提出了一种通过WiFi‐FTM进行改进的专用短距离通信方法，以
执行室外车辆间测距，并讨论了一种时间戳压缩方法，该方法丢弃了每个FTM帧的最高有效位。
文献［9］提出了一种基于机器学习的测距方法，该方法通过精确测量值和室内通道模拟值的训
练模型有效解决了低带宽问题，提高了测距精度。
文献［10］用谷歌Pixel 3a手机和 3个AP点进行定位，结果表明中误差为 1 m，90%定位精度为
6 m。
文献［11］提出了一种基于半参数估计的智能手机WiFi‐RTT定位方法，充分考虑了相关时延所造成的随机性系统误差，将系统误差作为待估参数考虑到位置估计中，对比原始最小二乘实现静态 10%~20%的提升，动态 40%~50%的提升，达到静态0.4 m、动态0.6 m的定位精度。
在硬件层面上，谷歌、Compulab等路由器已支持WiFi‐RTT功能，为其应用推广奠定了基础，
同时国内外只有少部分手机支持WiFi‐RTT 功能，因此也暂未大规模商用。
1.2 基于指纹匹配的高精度室内定位
基于指纹匹配的高精度定位的基本原则是计算测量数据和数据库中参考指纹的差异从而得到最近的匹配结果，定位过程分为离线采集、学习、定位 3个阶段，其定位原理如图 4所示。
其中，AP1、AP2、AP3 为信号接入点，RSS1、RSS2、RSS3为接收信号强度，MAC1、MAC2为AP1、AP2的媒体存取控制（media access control，MAC）位址，RSSn1、RSSn2 分别为第 n 个格网内 AP1、AP2的信号强度。离线采集阶段将重要的区分性特征从原始信号中提取出来，学习阶段对特征进行处理形成数据库，或是形成相应的有规律的数学模型，定位阶段结合实时采集的新特征和前期学习得到的数据库、数据模型获得实时位置。
指纹特征来源于多种传感器，包括磁场特征、蜂窝信号特征、WiFi信号特征、视觉图像特征、雷达点云特征等，本文对基于磁场特征和CSI信道状态信息特征的指纹定位方法进行相关介绍。
1.2.2 基于CSI的定位
传统的 RSS信号强度是信道多径传播的叠加效果，而CSI表达的是信道状态信息，可以刻画信号的多径传播，相较于RSS，CSI具有更丰富的信号特征，一是从时域上的时延和频域上的衰减可以粗略区分传播路径，二是可以获得各个子载波的幅度特性，增加了更多的指纹特征［34］。
CSI自2011年被提出之后［35］便被广泛研究和应用。相关研究主要集中于WiFi和长期演进技术（long term evolution，LTE）等宽带通信系统。对WiFi而言，文献［36］首次将CSI数据用于指纹匹配，实现了室内定位系统，文献［37］基于反馈决策树分析子载波幅度值并建立随机森林，在 4个WiFi AP点的 LOS 和 NLOS 环境中分别实现了优于 0.2 m 和优于 0.4 m 的定位精度。在 LTE
CSI方面，目前还没有消费级的产品，智能手机仅能通过应用程序编程接口（application program‐
ming interface，API）获得周边基站的接收信号强度指示（received signal strength indication，RSSI）、参 考 信 号 接 收 功 率（reference signal receiving power，RSRP）、参考信号接收质量（reference sig‐nal receiving quality，RSRQ），CSI 信息需要专业的通用软件无线电外设（universal software radioperipheral，USRP）设备，文献［38］将 CSI 信道频率响应的峰度、平整度等谱的形状作为描述特征，有效提升了运算效率，在 4个描述子的前提下取得 2.11 m的平均定位误差。随着后续物理层信号特征面向手机等终端设备的逐步放开，基于CSI的定位会有更大的应用前景。
1.4 量子导航
3 高精度室内定位技术的发展趋势
3.2 智能化：与深度学习的学科交叉
2）数据增强。数据增强是一种利用算法让有限的数据产生更多的数据，扩展样本数量及多样性，可通过数据增加约束来提供先验知识，以减少无用信息特征的负面影响对深度学习网络模型性能的影响。
3）误差估计建模。基于KF的数据融合在室内高精度定位中具有十分重要的地位。基于数据驱动的深度学习模型不依赖于系统的物理描述而是统计特征，可从输入及输出数据学习与估计定位系统。因此，将深度学习算法与卡尔曼滤波器相结合，实现对误差的建模及预测。
2 室内信息服务的基础———低成本定位技术研究综述
[3]邵子灏,杨世宇,马国杰.室内信息服务的基础——低成本定位技术研究综述[J].计算机科学,2022,49(09):228-235.