Vi=[vi,1,vi,2,..., vi,n,..., vi,n] ，其中 vi,j(1 £ j £ n) 表示 在 li 点接收到来自第 j 个 WiFi 信号发射点（Access
Point，AP）的信号强度。利用 K-means 聚类算法 对所有采样点进行聚类处理生成最终的 WiFi 信号 指纹库；在线定位阶段是将实时测得的 WiFi 信号 采用匹配算法与数据库中的信息比较得到最终的
题，用 K-means 聚类算法对 WiFi 指纹库进行聚类 处理，降低指纹匹配算法的计算量，提高算法的实 时性。最终在智能手机平台进行算法测试，结果表 明该方法的实时性和定位精度满足一般室内人员 定位的应用。
2 WiFi 信号指纹定位
WiFi 信号指纹定位方法分为离线勘测和在线
定位两个阶段。离线勘测阶段是在待定位区域按照
51%，其中最大降幅达到 64%，最小的也达到了 36%；在定位精度上,当室内人员为行走状态时 WiFi 定位
平均误差为 7.76m，PDR 定位平均误差为 4.57m，UKF 滤波融合后平均定位误差下降到 1.24m。
关键词：室内定位；手机传感器；WiFi；PDR；K-means；无迹卡尔曼滤波
中图分类号：P228
文献标识码：A
基金项目：国家高技术研究发展计划项目（863 项目）(2013AA12A201); 国家自然科学基金项目
(41371423)； 江苏高校优势学科建设工程（SZBF2011-6-B35）
1引言
随着基于位置的服务（location-based services, LBS[1]）的兴起，人们对室内位置服务的需求日益 强烈，如大型商场、地铁、飞机场等。各个领域的 研究者越来越关注基于无线传感器网络（wireless sensing networks，WSN[2]）和无线局域网（wireless local area networks，WLAN[3]）等面向室内场所环 境的定位技术，研究成果包括红外线[4]、超声波[5]、 射频识别（radio frequency identification, RFID[6]）、 蓝牙[7]、超宽带（ultra wide band, UWB[8]）、无线 保真（wireless fidelity,WiFi[9]）、ZigBee[10]、地磁 定位[11]等典型的室内定位方法，设计出了多个具有 代表性的室内定位系统。由于单一信号无法覆盖全 部室内空间，这就需要多种定位技术的结合使用。 文献[12]将 GPS、RFID、WiFi 和计步器四种定位 技术融合，组成一个定位平台，有效弥补了各种定 位技术的缺点，提高了定位精度和稳定性。文献 [13,14]利用行人航迹推算（PDR）和 UWB 定位互 补技术，采用约束滤波器使得位置估计精度可以达 到亚米级。文献[15]采用 UKF 滤波融合惯导定位 结果和 WiFi 定位结果来对室内车辆进行定位，取 得很好的效果。文献[16,17]开展了多源泛在无线信 号辅助的室内外无缝定位方法研究，提出了一种泛 在无线信号辅助的无缝定位新方法，并对无缝定位 技术的原理、特点和发展趋势进行了讨论。上述这 些定位系统往往需要添加额外的硬件设施，系统实 现复杂，部署成本高，因此，采用各种辅助的方式 来增强系统定位的实时性和适用性，降低部署成本 成为当前室内定位的关键。随着智能手机越来越受 到人们的青睐，它们除了可以提供更好的软件功能 之外，还包含很多先进的硬件设施，如 WiFi 模块， 蓝牙模块和各种惯性传感器等，研究人员可以直接 使用这些硬件设施开发出室内定位系统。文献[18] 将智能手机作为系统平台利用粒子滤波融合手机 惯导信息、WiFi 信息和地图信息在室内环境下得 到一个很好的定位结果。基于移动端惯性传感器的 PDR 算法具有短时间内定位精度高，但定位误差 随时间积累逐渐增大，而利用 WiFi 定位时单点定 位误差大但没有误差积累，因此将这两种定位手段 结合起来，构成 WiFi/PDR 组合定位系统，既能达 到较高的定位精度又能提高定位结果的可靠性。本 文基于智能手机平台实现了一种通过 UKF 滤波算 法融合 WiFi 无线信号和行人航迹推算 PDR 的室内 定位方法。针对融合算法中的 WiFi 计算量大的问
位精度低和 PDR 存在累计误差的问题。针对融合算法中 WiFi 指纹匹配计算量大的问题，用 K-means 聚类
算法对 WiFi 指纹库进行聚类处理，降低指纹匹配算法的计算量提高算法的实时性。通过在华为 P6-U06
智能手机平台上实际测试，在时间效率上经过聚类处理后系统定位耗时有很大程度的改善，平均降幅为
定位结果。 2.1 WiFi 指纹匹配算法
WiFi 指纹匹配算法最常用的是由文献[19]中 采用的信号空间 K 最近邻法（K Nearest Neighbor in Signal Space, k-NNSS）。定位时首先扫描 WiFi 信
号得到扫描信号强度向量 SV=[v1,v2,...,vi,...,vn] 其中 vi(1 £ i £ n) 表示接收到来自第 i 个 WiFi 信号
Unscented Kalman Filter Algorithm for WiFi/PDR Integrated Indoor Positioning
CHEN GuoLiang1,2, ZHANG Yanzhe1,2, WANG Yunjia1,2, MENG Xiaolin3
1．School of Environment Science and Spatial Informatics, China University of Mining and Technology, Xuzhou 221116, China；2．Key Laboratory for Land Environment and Disaster Monitoring of SBSM，China University of Mining and Technology, Xuzhou 221116, China；3. The University of Nottingham, Nottingham, NG7 2TU, UK
发射点的信号强度，然后计算与指纹库中每个采样
点的相似度 Length i 。考虑到定位区域过大时采样 点上不能接收到所有 AP 发射的信号，使得空间距 离相近的采样点搜索到的相同 AP 数目多，空间距 离相距较远的采样点搜索到的相同 AP 数目则少。 因此，相同 AP 的数目在一定程度上可以反映样本
WiFi/PDR 室内组合定位的无迹卡尔曼滤波算法
陈国良 1,2，张言哲 1,2，汪云甲 1,2，孟晓林 3 1.中国矿业大学环境与测绘学院，江苏 徐州 221116；2.中国矿业大学 国土环境与灾害监测国家测绘地 理信息局重点实验室 江苏 徐州 221116；3.诺丁汉大学，英国 诺丁汉 NG7 2TU
一定的间隔距离确定若干采样点，形成一个采样点
集 合 L = {l1,l2,...,lm} 。 每 一 个 L 中 的 元 素 li(1 £ i £ m) 记录两部分数据，一部分是该采样点 的地理坐标 Pi=(xi,yi) ，另一部分是在该采样点收
到 的 WiFi 信 号 强 度 （ RSSI ） 向 量
在线定位阶段搜寻到的 AP 与 WiFi 指纹库中第 i 个
指纹点相同 AP 的数目。图 1 所示为 WiFi 信号示
意图，图中 L1、L2 为指纹点，L1 接收到 AP1、AP2、
Abstract:Indoor positioning still faces lots of fundamental technical problems although it has been widely applied. A novel indoor positioning technology by using the smart phone with the assisting of the widely available and economically signals of WiFi is proposed. It also includes the principles and characteristics in indoor positioning. First, improving the system’s accuracy by fusing the WiFi fingerprinting positioning and PDR (Pedestrian Dead Reckoning) positioning with UKF(Unscented Kalman Filter). Second, improving the real-time performance by clustering the WiFi fingerprinting with k-means clustering algorithm. An investigation test was conducted at the indoor environment to learn about its performance on a HUAWEI P6-U06 smart phone. The result shows that compared to the pattern-matching system without clustering, a average reduction of 51% in the time cost can be obtained without degrading the positioning accuracy. When the state of personnel is walking, the average positioning error of WiFi is 7.76m, the average positioning error of PDR is 4.57m. After UKF fusing, the system’s average positioning error is down to 1.24m. It shows that the algorithm greatly improves the system’s real-time and positioning accuracy. Keywords: Indoor positioning; Smart Phone Sensors ; WiFi; PDR; K-means; UKF Foundation support:The National High-tech Research and Development Program of China (863 Program) (No.2013AA12A201);The National Natural Science Foundation of China (No.41371423)；Engineering construction of Jiangsu Universities (No.SZBF2011-6-B35)