基于WiFi信道状态信息的室内定位原型系统文献综述

1. 文献综述（或调研报告）：

目前国内外基于RSS和CSI进行定位的研究很多，许多研究机构都先后提出了具有不同特点的无线室内指纹定位系统。

部分无线指纹定位技术主要以RSS为特征指标进行位置的估算，如Cam等人[1]提出了一种称为MLRefine的新方法，通过重新定义RSS测量数据来获得更准确的值来抵消其他影响，从而提高测距和定位精度。 MLRefine使用机器学习方法来模拟从计算机RSS值中提取的准确值和特征之间的关系，将训练的模型应用于从真实RSS测量值中提取的特征，以返回预测的一组重新定义的RSS值。 通过计算机模拟和真实实验显示重新定义的RSS值，以提高定位精度。

在刻画基于RSS的室内定位系统的指标方面，Xiaohua Tian等人[2] [12]提出了用户可以在具有特定大小的区域中进行本地化的概率的概念。提出了本地化过程中准确性，可靠性和测量数量之间的相互作用和最佳的指纹报告策略，可以在给定的可靠性和测量数量的情况下实现最佳的定位精度，这就为基于RSS指纹的室内定位系统提供了设计指导。Filip Lemic等[3]也做了类似工作，在学习阶段使用了kNN，并比较了数种方案。此外被称作UCMA的方式[4]使用无监督学习方式而无需学习样本。

但是使用RSS就必须排除噪声干扰消除多径的影响，而由于CSI的细粒度和更为丰富的信息含量，因此有许多基于CSI的定位研究。然而，细粒度意味着处理数据多且庞杂，在处理时间上延迟更高，基于这点，有许多改进方案。

Alexandra等[5]指出由于许多基于指纹的定位需要大量精细的指纹图和庞大的指纹库，则需要更大的系统开销和延迟，由此提出一种新颖的低成本方法，它使用重构的指纹数据库来精确计算用户的位置，同时比较由用户提供的数据库以及数据条目的数据集来降低系统成本。结果表明，如果设置了允许的指纹比较数，则所提出的方法仅产生比简化数据库的传统方法低34％的定位误差。

其他人则考虑通过改进模型获得更多特征信息，在学习阶段降低成本。Qiyue LI等[6]使用复数小波变换将获取的CSI数据转换为特征图，然后通过所提出的小波变换特征深度卷积生成对抗网络模型扩展指纹数据库。 这样就加速训练阶段的收敛过程，并且可以显着增加生成的特征图的多样性。 通过这种方案可提高效率。

Kaishun Wu 等[7]尝试利用物理层的信道状态信息（CSI）来减少在室内应用传统的信号传播模型的误差，并基于 CSI 提出了一种新的测距模型，命名为FILA，并通过三边定位确定目标的最终位置。然而，FILA 所采用的测距模型对环境变化敏感，需要针对特定的室内场景训练得到合适的参数值才能准确测距；另外，FILA 需要3个 AP 设备以进行三边定位，对设备数量有要求，且在 WiFi 场景下无法满足实时性，因为目标与3个 AP 的距离无法并行测得。

而Ronald等[8]仅使用一个AP点和一个固定位置接收器设计出基于深度神经网络DNN的分类模型用Wi-Fi CSI指纹训练，用于在没有任何设备附加的情况下定位目标。