1. 摘要翻译

在本文中，我们提出了一种室内定位系统Lightitude，该系统利用由密集部署的室内光建立的已经存在的，不均匀的室内光强度分布作为媒介。由于普通的室内灯由于缺乏独特的功能（例如，独特的强度或闪烁频率）而无法充当地标，因此，利用接收光强度（RLI）的系统通常会对用户的动作施加强烈的约束，并对室内环境做出理想的假设。与这些方法不同，我们首先提出一个现实的光强度模型，以在给定接收器的任何运动（位置，方向）的情况下重建RLI分布，因此随接收器的每个运动收集的RLI都可以用于定位。然后，我们设计基于粒子过滤器的定位模块，该模块利用用户的自然移动性来消除单个RLI的歧义。实验结果表明，Lightitude在办公室（720m2）和图书馆（960m2）中的平均精度分别为1.93m和1.98m。轻度仍然能够抵御阳光，人体阴影和多种用户行为等干扰。

2. 简单介绍

作者结合了基于WiFi指纹的方法，作者认识基于WiFi常常会出现AP不足的情况。作者在城镇的医院，超级市场做了一些调查，发现363平方米才有一个AP点，这个足以应付平时的连接，但是不够用于定位使用。而光照在很多室内环境中是充足的（包括所有的灯具等），而且作者实验了一下光照随着时间的变化，受影响比WiFi的RSSI和CSI更小。

作者的第一个思想与WiFi指纹定位一样，不同的RLI（接受光照强度）对应不同的位置，将其作为一个分类任务。但是这样做存在一个主要问题：唯一的RLI值可能对应于多个可能的位置和接收者的运动（如下图）。

为了应对这些挑战，作者利用用户的移动性来设计定位模块（PM）。在大型室内环境（例如，超市，学校图书馆）中，用户的移动性很自然，并且它提供连续的RLI（隐式表示位置）和惯性传感器数据（隐式表示方向）。使用这些数据作为输入，PM生成多个候选轨迹。

除了PM模块，作者还设计了一个光照强度模块（LIM）。用于根据给定的位置和方向（偏航，横摇和俯仰）计算候选人的RLI。作者还考虑了很多类似于人的阴影、不可预测的行为等因素

3. 系统

主要包括数据收集，LIM和PM三个模块：

数据收集模块

定位服务提供商在目标环境中进行一次“一次就好”的现场调查。这项调查的目的是获得室内灯光的光强度特征。为实现这一目标，服务提供商将接收器（例如智能手机）放在每个灯的附近几秒钟。为LIM记录光的坐标，接收器的坐标和方向矢量以及RLI。
如果用户打开“光度”应用程序，则配备的接收器从光传感器收集陀螺仪信号，并从陀螺仪，加速度计和方向传感器收集惯性传感器数据。这些数据是Lightitude的输入。 IMU数据的采样率为67Hz，并且光传感器遵循传感器更改规则。

光强度模型（LIM）：

根据输入数据的类型，LIM有两个任务：
•LIM使用服务提供商的数据作为输入，计算所有室内照明灯的光强度特征。
•LIM使用来自用户的数据和灯光特征（坐标，强度特征）作为输入，计算候选位置的RLI。

定位模块（PM）：

PM在室内环境中生成一组候选对象（即，建议的粒子过滤器中的粒子），并将其理论RLI（来自LIM）与ground-truth RLI（来自光传感器）。如果粒子的理论RLI接近ground-truth RLI，则它将获得更大的权重。通过利用用户的移动性，更新粒子的权重，直到触发收敛规则。

4.光强度模型（LIM）：

作者在原有的LIM上做了一些改进，其中主要的改进是考虑了多个光照点和接受端能够接收到的比例c。具体的见原文。

5.定位模块（PM）

该部分数学公式太多，读者可参考原文，大致意思是PM在室内环境中生成一组候选对象（即，建议的粒子过滤器中的粒子），并将其理论RLI（来自LIM）与ground-truth RLI（来自光传感器）。如果粒子的理论RLI接近ground-truth RLI，则它将获得更大的权重。通过利用用户的移动性，更新粒子的权重，直到触发收敛规则。并且考虑了阳光的干扰，人体阴影，不可预测的活动。