前言
什么是LBS?大家想必对室外定位的GPS和北斗有一定程度的了解，LBS基于室内定位技术，融合了移动通讯、互联网络、空间定位、位置信息、大数据等多种信息技术，利用移动互联网络服务平台进行数据更新和交互，使用户可以通过空间定位来获取相应的服务。曾经有人问过我，为啥要发展室内定位技术呢，室外定位技术它不香吗？其实，第一就是市场，人们无论生活、工作还是娱乐、学习，约有80%的时间会处于室内环境之中，所以说室内定位市场规模比较庞大，而且还在一直扩大。第二就是移动设备的迅猛发展（21世纪谁不会用手机呢），移动设备特别是手机会内嵌WiFi和蓝牙传感器，使得定位设备的使用变得普遍且便利，既然使用这么方便，我还能获得服务，那何乐而不为呢。第三，就是室外定位鞭长莫及，城市高楼林立，地下空间四通八达，GNSS信号容易被遮挡甚至屏蔽。下面介绍比较主流的室内定位技术及未来展望。
一、常见的定位技术
1、超宽带 （UWB）室内定位技术
优点：基于极窄脉冲，无载波，传输速率高，穿透力强，功耗低、抗干扰能力强、安全性高、系统较为简单、定位精度高
缺点：成本高、技术研发难度高、UWB系统频谱利用率较低、传输数据率低
定位精度：6cm-10cm
适用场景：多层建筑施工、智慧仓库、机器人运动跟踪
工作原理：三角定位法、多边定位法等
《lmproving Indoor Localization Using Mobile UWB Sensor and Deep Neural Networks》该文就提出了一种基于建筑外移动UWB传感器传输信号及其接收信号的基于改进的瓦伦祖拉(SV)信道模型的新型定位框架。用无人机去定位还是挺稀奇的，大家感兴趣的可以去了解一下。
2、射频识别（RFID）技术
优点：耗时短，传输范围大，标签成本较低、非接触、非视距
缺点：作用距离短，易受干扰，安全隐私难保障，不便整合兼容其他系统，标准化不够完善
定位精度：5cm-5m
适用场景：仓库、工厂、商场广泛使用在货物、商品流转定位上、博物馆藏品出入库管理
工作原理：邻近探测法、多边定位法等
RFID类似于条码扫描，与条形码不同的是，射频标签不需要处在识别器视线之内，也可以嵌入被追踪物体之内。像身份证件和门禁控制，快递出入库追踪、车子进入地下车库的时候都离不开它的身影，就不过多介绍。最近几年，关于RFID室内定位好像不怎么多，本人关注的也少。
3、WiFi定位技术
优点：覆盖广，应用成熟、可利用已有的普及基础，成本低廉，便于扩展
缺点：易受周围环境影响，定位精度较低，Wi-Fi 基站质量不稳定
定位精度：2m-50m
适用场景：景区公园、医疗机构、考勤签到、工厂、商场
工作原理：邻近探测法、三角定位法、指纹（特征）定位法等
WiFi和蓝牙在室内定位领域是老大哥的存在了，研究的比较早又比较多，网上期刊一搜一大把。比如：《Analysis and Visualization of Deep Neural Networks in Device-Free Wi-Fi Indoor Localization》，在文章中，作者为DNN(深度神经网络)的学习过程提供了定量和视觉的解释，以及介绍了DNN在学习过程中学习到的关键特征。《基于Wi-Vi指纹的智能手机室内定位方法》创新性地提出以室内广泛存在、均匀分布的消防安全出口标志为路标 (Landmark)，提出以 Wi-Vi 指纹 —WiFi 与视觉 (Vision) 信息相融合的指纹，为位置表征的多尺度定位方法。下图是WiFi与其它技术的融合：
4、蓝牙定位技术
优点：结构简单，设备体积小，易集成、易推广，省电、功耗低，成本低
缺点：传输距离有限、节点较少
定位精度：2m-10m
适用场景：蓝牙的终端以蓝牙手环比较多，主要是用于商城定位、医院定位、物品防丢、娱乐场所定位、微信摇一摇等地方，目前还有基于蓝牙，安装app，通过相对定位，实现疫情接触跟踪
工作原理：三角定位法、邻近探测法、指纹（特征）定位法等
蓝牙定位也是研究的热点之一，特别是iBeacon一问世，其低功耗、低成本的特性便得到人们的追捧。像之前本人所写的《基于低功耗蓝牙的博物馆室内定位系统设计》通过在博物馆内部署蓝牙采集标签，接收游客位置信息，数据由蓝牙LoRa基站传至云服务器，利用高斯滤波过滤iBeacon采集的RSSI异常值，最后通过多边定位算法，定位出游客的精确位置（在现在看来还是有点捞）。
《Channel Diversity for Indoor Localization Using Bluetooth Low Energy and Extended Advertisements》文章分析了信道的多样性对基于ble的室内定位精度的影响。与之前的工作相比，作者使用了来自所有40个信道的信号强度测量，并表明信道分集可以显著提高定位精度。
5、超声波室内定位技术
优点：定位精度较高，结构简单，总体把握数据、抗干扰性强，可以解决室内机器人迷路问题
缺点：受多径效应和非视距传播影响大，需大量基础硬件，在传输过程中衰减明显从而影响其定位有效范围
定位精度：可达厘米级
适用场景：移动机器人、无人车间场所
工作原理：多边定位法
6、LED可见光
优点：无需额外部署基础设施、定位精度高、终端数量的扩大对性能没有任何的影响
缺点：新兴技术尚未成熟稳定
定位精度：可达厘米级
适用场景：大型商场、智慧货架，目前，可见光技术在北美有很多商场已经在部署，用户下载应用后，到达商场里的某一个货架，通过检测货架周围的灯光即可知晓位置，商家在通过这样的方法向消费者推动商品的折扣等信息
工作原理：图像处理
《High-Speed Indoor Navigation System based on Visible Light and Mobile Phone》文章提出了一种新的VLP（可见光定位）解决方案，通过设计一个复杂的无闪烁线编码方案和一个轻量级的图像处理算法，提供精确和高速的室内导航。
7、惯性导航（PDR）
优点：不依赖外部信息的自主式导航，隐蔽性好，抗干扰性强，导航信息连续性好，短期精度高
缺点：随着时间增加，存在误差累积、需及时矫正，需要外界更高精度的数据源对其进行校准
定位精度：可达0.3%（走1公里误差不到3米）
适用场景：军事高精尖领域、扫地机器人、巡检机器人
工作原理：航位推算法
8、红外线
优点：在空旷的室内易实现较高精度、可实现对红外辐射源的被动定位、隐蔽性强
缺点：直线视距，很容易被障碍物遮挡，传输距离较短，易受热源、灯光等干扰，造成定位精度和准确性下降，需要大量密集部署传感器，造成较高的硬件和施工成本
定位精度：5m-10m
适用场景：军事、高等级安防领域、此外也用于室内自走机器人的位置定位
工作原理：邻近探测法、图像处理
9、ZigBee
优点：功耗低，通信效率高
缺点：信号传输受多径效应和移动的影响很大，而且定位精度取决于信道物理品质、信号源密度、环境和算法的准确性，造成定位软件的成本较高，提高空间还很大
定位精度：1m-2m
适用场景：工厂、车间人员在岗管理与定位
工作原理：邻近探测法、多边定位法
10、地磁定位
优点：不依赖额外设备、成本低
缺点：需要前期采集，稳定性差，导航过程稍显麻烦
定位精度：1m-5m
适用场景：地下停车场的车辆检测、车型识别
工作原理：指纹定位法
《智慧博物馆视阈下室内定位的技术方法探析》，用了蓝牙信标 + 地磁 +PDR的多模态融合定位技术，满足了博物馆室内对人、物定位，以及定位数据的运用。
11、其他定位技术
除了上述主流的定位技术外，还有视觉定位以及未来可行的5G定位等技术。当前，数据业务的80%~90%都发生在室内，室内定位场景更多的是面向B端的应用场景，如智能仓储物流、工厂资源互联等，随着5G通信基础设施逐步完善，5G网络的优势一方面在于其具有的更大的带宽和子载波间隔，使得5G室内定位精度提升(3.5GHz频段下定位精度在5米左右，毫米波定位精度可以达到3米或更高)，相对于其他定位技术，已建成5G网络的地方，就具备了高精度定位的能力，不需要再单独建设定位网络，也不需要特定的终端或标签。《Continuous Indoor Visual Localization Using a Spatial Model and Constraint》文章提出了一种基于图像匹配的室内视觉定位方法。这种方法使用智能手机来收集多传感器数据，包括视频帧和惯性读数。为了提高该视觉定位方法的计算效率，作者建立了一个空间模型来优化数据集中地理标记图像的空间组织。并设计了几种基于空间约束的图像搜索策略，进一步减少了计算时间。
图11.1 视觉定位之多约束图像匹配图
图11.2 5G定位架构图
二、未来室内定位的展望
5G定位固然可以打开室内定位的“机遇之门”，但未来应该是多技术融合的定位时代。如《智慧博物馆视阈下室内定位的技术方法探析》，用了蓝牙信标 + 地磁 +PDR的多模态融合定位技术，满足了博物馆室内对人、物定位，以及定位数据的运用，传统场馆里面用的多是WiFi定位，用了单一技术并且只对物进行定位，难以提供人性化的服务。再如《基于多传感器融合的餐厅服务机器人定位技术的研究》，运用了低功耗蓝牙BLE加光电传感器，该研究考虑到来自顾客WiFi、蓝牙等无线信号，人体的遮挡等干扰因素，将蓝牙信标装至天花板，但是单一技术仍难以实现精确定位，所以后面采取在机器人轮子上安装光电传感器作为补充，通过一些算法，实现了机器人避障、精准化送餐等功能。当然融合技术有很多，针对不同情景可以使用不同的融合技术，诸如： WiFi与惯性导航技术融合、超宽带与惯性导航技术融合等。并且5G在室内定位中不仅提供了自身的带内定位能力，还提供了融合定位能力，通过SLAM、蓝牙、UWB等多种技术和定位终端的信息进行综合定位，技术间优势互补，可以降低综合定位成本，是未来定位技术融合应该着重思考的问题。
除了多技术融合外，我们通过阅读大量的研究文献可以了解到，室内定位已经与机器学习、深度学习结合，比如经常会用到机器学习的支持向量机（SVM），它可以解决涉及小样本、非线性及高维模式识别中的问题，并能运用在函数拟合中。再比如室内定位结合深度学习，《CSI-based Fingerprinting for Indoor Localization: A Deep Learning Approach》一文提出了一种新的基于深度学习的室内指纹识别系统DeepFi系统。DeepFi系统架构包括一个离线训练阶段和一个在线定位阶段。在离线训练阶段，文章利用深度学习将深度网络的所有权值训练为指纹。此外，利用贪心学习算法分层训练权值，以降低复杂度。在在线定位阶段，文章使用一种基于径向基函数的概率方法来得到估计的位置。当然很多定位技术，也是一种通信技术，所以也有大量的文章去研究信道状态信息，比如上面那篇文章既结合了深度学习，又研究了信道状态信息的振幅对定位的影响，其前一年提出的《CSI Phase Fingerprinting for Indoor Localization with a Deep Learning Approach》，里面设计的PhaseFi系统，就是研究了信道状态信息的相位对定位精度的影响。包括初步收集的RSSI（接收的信号强度指示）异常值可以用高斯滤波器、卡尔曼滤波器、均值滤波器甚至自定义的滤波器进行过滤。所以未来室内定位应该是多技术融合、多算法融合、多学科融合。
如果对室内定位感兴趣，下列文献可以找来看看：
