室内被动定位一、市场需求案例1：系统的基本设想是利用AP检测周围的打开wifi的wifi设备（主要是智能手机）的信号，从而得到这些设备的MAC地址和wifi信号强度等信息。统计这些信息，并根据信号强度可以计算出粗略的用户位置。这些信息对于线下商场等商务场合统计用户信息，挖掘潜力用户是很有价值的；另一类是马路边统计车流。案例2：二、主流技术手段及已有项目积累对于室内定位而言，确定性定位算法和概率性定位算法是两个主要的室内定位算法。确定性定位算法一般是基于TOA、TDOA、角度类信息来计算目标位置，这类方法多用于UWB（抗多径能力强）、超声波系统（时间要求精度低）。概率性算法一般基于RSSI构建的指纹库搜索定位或RSSI反推传播距离，这类算法定位精度低，多用于wifi、蓝牙等系统。三、解决方案及系统架构考虑到本项目的应用目的，建议采用基于wifi/蓝牙的指纹定位方法，一方面不需要定制终端，直接利用手机自带的wifi模块或蓝牙模块即可完成定位；另一方面考虑到被动定位的需求，可以不再终端上安装任何软件，只在网络侧完成定位。下面对该定位方案及系统处理流程详述。6.1基于地理指纹的室内被动定位所有的WiFi终端有两种方式可以获取周围的无线网络：一种是被动扫描，移动终端通过监听周围AP发送的Beacon（信标帧），该帧提供了AP及RSS信息；另一种是主动扫描，移动终端主动发送一个探测请求帧（ProbeRequest帧），通过收到探测响应帧（ProbeResponse）获取网络信号。本方案利用移动终端主动扫描接入AP时，AP被动接受其RSS来完成被动定位。研究发现，移动终端发出的探测请求帧里面包含有MAC地址，监听由移动终端发出的探测请求帧（ProbeRequest帧），提取其中的MAC地址、时间戳、RSS。基于以上分析，本方案提供一种被动定位数据采集方法，移动终端MT（mobileterminal）具有WiFi模块，利用移动端在WiFi打开时，会发出扫描信号，通过室内部署的AP检测扫描信号，捕获移动终端MT的信号强度RSS，交由服务器在已经体现训练好的指纹数据库中进行匹配搜索，完成室内被动定位。方案示意图：本方案提供一种新型的获取RSS技术来监督无线终端。在获取RSS值时，移动终端并未和接入点设备链接，在移动终端仅仅打开WiFi功能，即可实现移动终端的RSS捕获。6.2被动定位系统处理流程：1）构建地理指纹数据库：离线阶段在室内各个参考点处，检测移动终端的RSS离散值，每个AP获取的RSS组成一个向量，同时计算在一段时间内每个AP上RSS值对应的先验概率。这些概率值和RSS组成一个矩阵——离线地图（地理指纹数据库）。预先标定每个参考点位置坐标，建立各AP端捕获移动终端接收信号强度矩阵（），一段时间内，每个AP共获取n个RSS值，并在统计后获得各个RSS值对应的先验概率矩阵（）；表1某参考点RSS矩阵AP1AP2⋯APm时间点1RSS11RSS21RSSm12RSS12RSS22RSSm2⋯n-1nRSS1nRSSmn表2某参考点RSS先验概率矩阵RSSj1RSSj2⋯RSSjnAP1P11P12P1n2⋯m-1mPmn注：构建以上两个矩阵时进行向量预处理，将不满足阈值的值剔除阈值：接收信号强度：901dBmRSSdBm；先验概率：3%2）在线定位：通过“先验概率最近邻”算法与指纹库里每个参考点的RSS值做匹配运算，取出差别最小的前K个参考点，利用选出的参考点的坐标取平均值，得到最终定位结果。KNN算法：根据移动终端在测试点处RSS值、参考点RSS值和先验概率，计算测试点与参考点的欧氏距离（公式(1)），提取欧氏距离最短的前K个参考点，求其坐标的平均值作为测试点的定位坐标2mjtjjDsRSSRSS(1)其中，jtRSS表示移动终端在测试点处第j个AP接收的信号强度，共m个AP；jRSS表示第j个AP的RSS平均值。四、定位算法之前简单起见，以KNN算法为例，介绍了整个定位流程，此处重点介绍P-KNN算法。RSS统计分布并不是服从高斯分布，大部分是偏左，这是因为室内条件下移动终端与AP间的视距条件，在恶劣情况下，甚至产生严重的2峰值。P-KNN：将离线阶段每个RSS值得先验概率运用到计算欧氏距离中（如公式(2)）mnjijtjijiDsPRSSRSS(2)提取欧氏距离最短的前K个参考点，作为地理指纹数据库中的参考点与测试点差别最小的K个参考点。五、被动定位系统建设6.1手机与AP建立连接的过程：移...
