1.4.4 室内定位技术

随着建筑业的蓬勃发展, 人们对室内定位与导航的需求日益增大, 复杂的室内环境, 如机场大厅、展厅、仓库、超市、图书馆、地下停车场、矿井、超大体量办公建筑等, 经常需要确定人员、设备及物品等的位置信息。在室内定位技术中, Wi - Fi、 RFID、 UWB、Bluetooth、 ZigBee等由于采用无线传输, 具有较高的兼容性、更高的精度、低电磁辐射等优点, 因此得到了较为广泛的应用[59] 。Tesoriero等开发基于无源RFID 的室内定位系统, 与超声系统相比,该系统可以在降低成本的情况下达到相当的精度[60] 。 Lee等针对大学室内活动提出本体语义查询的位置服务, 使用3D网络拓扑数据模型计算目标位置的最短路径[61] 。 Yang等提出基于空间特征区域划分的WKNN ( Weighted K-Nearest Neighbor) 室内定位算法, 有效地提高了基于Wi-Fi的室内定位算法的估算精度[62] 。 Mendes等通过操作iBeacon和Wi-Fi信号等室内空间定位设备, 使用不同分类器, 确定了效果最佳的分类算法[63] 。 Alawami等提供的室内定位系统可以根据周围无线网络节点的读数来确定目标可信区域内存在的用户, 以提供身份验证服务, 摆脱了室内定位的烦琐身份验证协议[64] 。 Kwon等提出基于距离的室内定位算法, 利用超低功耗的无线网络设备进行信号的增强, 并验证了其在2.4GHz的超低功耗无线网络的实际室内环境中的有效性[65] 。在提高无线传感器网络的定位精度方面, Simões等基于冗余融合和互补融合, 实现了Wi-Fi传感器与惯性传感器在室内位置的数据融合[66] 。在无设备的室内定位方法开发中, Fei等开发了基于菲涅尔区域模型的室内静态定位, 并在不同场景进行了实验[67] 。

指纹算法和机器学习在室内定位系统场景中得到了较广泛的应用。 Carrasco等通过机器设备中的低成本蓝牙信标收集位置信息, 找到离用户最近的机器, 完成室内设备定位的任务[68] 。 Zhao等利用森林和贝叶斯压缩感知等方法, 对现有指纹定位算法的准确性、成本和实时性进行了改进[69] 。 Yoo等使用PCA特征提取、机器学习和KL发散等技术, 对未标记的数据进行了指纹算法的开发和验证[73] 。Hernandez等利用无锚点蒙特卡洛算法开发了一种相对定位系统, 减少了设备中对GPS模块的需求, 降低了定位成本[71] 。 Wei等采用机器学习方法开发室内设备定位算法, 通过定位设施组件将其与信息存储库中的数字孪生关联起来, 从而支持设施位置管理[72] 。 Van等采用机器学习开发了室内患者定位方法, 用于虚拟患者位置的识别, 实现高精度室内人员定位[73] 。 Pu等使用低功耗蓝牙设备的有效位置指纹识别算法, 减少了室内信号干扰、降低了定位误差[74] 。 Ahmed等针对室内定位中的信号检测问题, 开发了支持机器学习的低功耗无线网络定位, 可以有效地预测室内位置, 准确性超过98% [75] 。 Rashid等通过基于UWB的实时位置跟踪系统和基于BIM的虚拟环境, 改善了智能家居中人员与设备的互动问题[76] 。 Acharya等结合BIM和视觉跟踪, 开发了一种基于模型的室内跟踪方法, 可以实现10cm的定位精度, 且误差不会积累, 该方法适用于长时间的室内定位[80] 。