第一章：無線定位概述

單跳定位：WiFi，GPS，NBIOT等單跳網路結構的定位

多跳定位：感測網、物聯網等無線自組織網路的網路定位（多跳定位）

無論何種定位技術，都離不開以下3個主要環節：

（1）物理測量。

對物理世界的測量手段包括WiFi，GNSS，BlueTooth，Qcell，NBIoT，UWB，紅外，光波，聲波，超聲波。測量結果的表示包括：距離、時間、方向、區域、連線關係和訊號指紋。只要訊號具有位置區分性，都可以用來定位。

（2）位置計算。

測量結果不同，定位的計算方法也不同。測距方法通常使用最小二乘法，指紋方法通常使用最相似匹配估計位置。

（3）資料處理。

資料處理貫穿定位每個環節。例如，如何應對環境因素造成的隨機誤差？如何剔除明顯的錯誤資料？這些都是誤差控制。從最簡單的取平均值到複雜的魯棒統計，都是處理誤差和發現異常的有效手段。感測網中，節點過少如何量化，這是網路定位的可定位性問題，需要利用圖剛性理論進行分析。節點間距離資訊過多？需要優化演算法儘量滿足所有的觀測值，也需要統計方法估算定位計算所能達到的精度。

好的定位方法不單單追求定位精度，而是以滿足應用需求，適應環境特點為追求目標。

第2章 物理測量

物理測量方法按照測量精度從高到低排列：

目標的精確位置、目標與參考點之間的距離、目標與參考點之間的距離、目標所在區域、目標與參考點之間的網路跳數、目標鄰居節點資訊

2.1 距離測量

很多物理測量都直接或者間接包含著距離約束。例如，訊號強度隨距離增加而衰減，訊號的傳播時間隨距離的增加而延長。

2.1.1 基於訊號強度的測距模型（RSS）

Received Signal Strength

在自由空間中，訊號強度已被證明與傳播距離的平方線性負相關。然而，在真實環境中，訊號的反射、散射、遮蔽等通常會對接收者採集的訊號強度產生干擾。

人們普遍認為更精確的訊號衰減模型會極大地提高測距方法的精度，然而至今沒有實質性突破。特別對於室內環境，上述傳播模型不能精確描述訊號在小尺度空間中的多徑傳播特性。

研究者將目光轉向更細粒度的通道模型---通道衝激響應（CIR

2.1.2 基於訊號到達時間的測量模型（ToA）

Time of Arrival

對於已知傳播速度的訊號來說（聲波、電磁波），只要知道訊號傳輸時間，便可計算傳輸距離。該方法的核心是如何精確測量訊號的傳播時間。有訊號單程和雙程傳播時間的測距。

該方法通常要求測距雙方之間存在訊號傳播的直接路徑。多徑效應可以利用基礎的展頻技術來消除。

2.1.3 基於訊號的到達時間差的測距模型（TDoA）

Time Difference of Arrival

測量精度依賴兩個條件：一、接收者可以精確地測量訊號的到達時間；二、接收者之間需要嚴格的時鐘同步。

2.2 角度測量(AoA)

Arrival of Angle

通過訊號到達天線陣列的相位差或時間差來算出訊號的到達角度。在實際環境中通常充分利用多天線提供的冗餘資訊，採用基於訊號子空間的分析方法如MUSIC演算法進一步提高到達角的估計精度。

2.3 區域測量

覆蓋區域的交區域。圓環的交，扇形的交等。

2.4 跳數測量

2.5 鄰居測量

第3章 單跳位置估計

3.1 基於距離的定位方法

多邊測量是一種根據距離定位物理的過程。問題等同於求解超定線性方程的數值解。

3.2 基於到達時間差的定位方法

與一般計算最小方差解的方法不同。研究者設計了多種方法來處理TDoA定位中的非線性方程組。例如，準確而魯棒的泰勒級數法；Chan提出使用兩次最小方差估計的封閉非迭代演算法。

3.3 基於到達角的定位方法

求解與各參考節點角度誤差方差最小。極大似然估計求解。

3.4 基於訊號指紋的定位方法

基於訊號指紋的定位方法直接使用接收訊號強度來進行位置估計。在室內環境中，RSS容易受陰影衰落和多徑效應的影響，直接將RSS對映為訊號傳播距離可能引入較大誤差。

基於指紋方法的合理性在於無線訊號強度在空間中的分佈相對穩定，因此在同一個位置上的RSS測量值相對穩定且與其他位置上的RSS測量值有所區別。

3.4.1 離線測量方案

就是先人工採集好指紋，然後交付一個區域的定位功能。

缺點是容易受動態環境影響。環境的變化使得資料庫建立階段收集的訊號和指紋的位置關聯關係失效。

3.4.2 線上測量方案

投入一些位置已知的硬體裝置，後期持續更新資料庫。

第4章 室內定位

4.1 室內定位的特點

基礎服務框架不同。不同與GPS，BDS，GLONASS，Galileo全球定位系統。室內無線基礎設施如WLAN，BlueTooth，Qcell，ZigBee，RFID等多種多樣。

好在移動規範標準化了Qcell定位的介面。這樣基於運營商室內定位介面至少統一了。

環境變化程度不同。更換了一個AP或者Qcell的PRRU換了插口，如果基於指紋定位，那麼之前的位置關聯資訊就需要變化來適應。

定位精度要求不同。室內5米以內的精度才有更多的應用場景。太差了也沒有必要定位了，除非安防或者資料統計作用。

4.2 室內定位技術

基於專用裝置的定位：紅外、超聲波、VHF、UWB、RFID等不同的技術或裝置。

基於WiFi訊號測距的定位：根據無線訊號傳播模型計算接收機與參考點之間的距離。首先需要確定傳播模型的引數，可以通過AP之間相互測試來完成引數的確定。

基於WiFi訊號指紋的定位：

現場勘測指紋：

RSS作為指紋的問題是精度有限，主要原因來自兩個方面。

（1）室內環境對無線訊號傳播造成的多徑、衰減等干擾，以及室內環境變化導致的RSS的時變性。

（2）RSS是發射訊號在接收端能量的體現，在空間上的區分能力有限，通常在1m以上。

更為底層的物理層資訊來提取RSS進行室內定位。例如CIR剝離多徑資訊。

無需現場勘測生成指紋：

WILL充分結合智慧手機使用者的移動性和無線訊號自身的穿牆衰減效應，實現了無需人工勘測的房間級定位。

LiFS通過資料探勘使用者的移動性來實現室內絕對定位。LiFS自動收集無線訊號指紋，以及伴隨使用者的移動資料。根據同一位置上的指紋相似性，LiFS將不同的使用者或者同一使用者在不同時間收集的位置資料拼接在一起，得到目標區域中兩兩位置之間的距離。將這些距離作為輸入，利用Multi-Dimensional Scaling演算法生成指紋空間。接下來，LiFS對室內平面地圖進行均勻取樣，並設計任意兩點之間的步行距離，同樣通過MDS演算法得到無壓力平面圖。利用相關圖論理論，通過資料探勘指紋空間和無壓力平面圖在空間相似性，LiFS將指紋空間和無壓力圖匹配到一起。

結語：

在圖書館找書時看到這本書，裡面的內容恰好包含了自己這三年工作的內容。只不過，現實中自己編寫實現的程式沒有這本書中的公式複雜，但該書從理論角度闡述了可定位背後的理論根據。所以，本小結也算讀這本書引起的共鳴吧。