Computer Networks 2022
1 背景
- 本地化或定位
- 使用某些固定节点和移动计算设备来识别可移动/固定设备（智能手机、无人机、手表、信标和车辆）的位置
- 户外定位【GPS、北斗。。。】
- 在城市地区和室内环境中存在一些局限性
- 室内环境更复杂，周围有许多物体
- 信号干扰
- 建筑物内的反射高度依赖于环境，如物体位置和人类活动
- 室内通信信道不可靠
- 在城市地区和室内环境中存在一些局限性
- 室内定位
- 频率调制（FM）
- 超宽带（UWB）
- 无线电频率识别（RFID）
- Wi-Fi
- 蓝牙
- 蜂窝网络（包括LTE和5G）
- 定位中几种常见的技术基于接收信号强度指示器（RSSI）和飞行时间（TOF）测量
2 主要贡献
- 全面的调查，涉及物联网时代（特别是从2019年到2021年）在学术和商业领域提出的不同定位解决方案
- 调研如何在不同环境（包括室内、城市、郊区和户外）中采用物联网支持的点开定位技术
- 提出了可以用来评估定位解决方案的新的定位指标，包括实时可能性、能源消耗、复杂性和安全性
- 展示了几种物联网应用，要求定位的准确性和精度，如：医疗系统、健身/运动、自动化运输系统和兴趣点（POI）服务中的应用
3 定位技术
3.1 临近方法
- 评估目标设备相对于预定义位置或区域的位置
- 需要在已知位置部署特定数量的探测器
- 当探测器探测到一个被追踪的目标设备时，目标的位置被认为是在由探测器定义的临近区域内
- A1、A2和A3是被追踪的目标移动设备
- 探测器设备的临近区域被定义，由浅绿色圆圈表示
- 探测器可以是蜂窝塔、基站（BS）或无线接入点（WAP）
- 通过观察A1、A2和A3是否在附近，可以定位它们
- 目标设备A1和A2在探测器的区域内，但A3不在
- 临近性是一种简单且常用的方法，但精确度仅限于基站无线电覆盖范围
- 平均精度为76到216米，这对应于GSM小区的大小
- 蜂窝区域可以被划分为多个扇区，以更精确地确定移动设备的位置。
- 图3-b演示了蜂窝区域被划分为三个扇区。
3.2 基于接收信号强度
3.2.1 基于指纹的技术
- 从视频、虚拟图像或电磁信号中获取场景特征，然后通过将在线测量值与最近的指纹位置信息进行比较来估计目标设备位置
- 最典型的就是基于RSSI指纹的位置估算
- RSSI测量可以通过集成了Wi-Fi的智能手机轻松收集，无需任何额外的硬件设备
- 信号功率与目标设备之间创建一对一的联系
- 每当发射器与接收器之间的距离减小时，RSSI水平将会增加
- 由于多径效应，RSSI距离比率并不总是线性的，特别是在室内空间
- 此外，折射、反射和散射可能影响室内传播环境中的信号强度
- ——>在短距离上表现更好，但在长距离上精度较低
- 这种定位方法以其简单性而闻名；
- 然而，需要收集足够的数据集，环境的变化也可能导致可用特征的变化
- ——>需要定期更新数据集
- 两个阶段：离线（训练）阶段和在线阶段
- 离线阶段——收集现场数据，然后将其存储在数据库中
- 收集的测量值通常包括收集点的坐标和来自附近固定站的RSSI读数
- 在线阶段——使用当前的信号强度测量值，并将其与离线阶段收集的测量值进行比较，以估算现有位置
3.2.2 基于RSSI的定位系统
- 通过测量目标移动设备与多个不同基站（BS）/无线接入点（WAP）之间的信号强度，然后将该数据与建模技术结合起来，计算目标设备与BS/WAP之间的距离
- 为了计算与固定站（BS/WAP）已知位置相关的预测目标设备的位置，可以采用三边测量技术
- 确定目标设备与BS/WAP之间的距离：
-
、 - di是目标设备与BS/WAP之间的距离
- d0是基准点的校准距离
- RSSi0——d0的RSSI值
- RSSIi——目标设备的RSSI值
- ηi——接收到的BS/WAP信号的计算/校准路径损失指数
-
3.3 基于视觉
- 从视频和图像中获取场景特征，而不考虑电磁信号
- 然后通过将提取的特征与其他特征进行比较来估计目标设备位置
- 为了提取有关室内设置的信息/特征，基于视觉的定位技术使用全向相机、三维相机或集成的智能手机相机
3.4 测角法
- 到达角(AOA)方法
- 通过计算与北极的多个固定站点的角度来定位目标设备的技术
- 测角法中使用具有方向特性的天线
3.5 三边测量法
- 基于时间的技术通过测量信号的传播时间来估计移动目标设备与各个固定站之间的距离，这被称为飞行时间（TOF）
- 测距的常用方法包括到达时间（TOA）、往返时间（RTT）和到达时间差（TDOA）
3.5.1 TOA
- 基于发射机和接收机之间的信号传播时间
- 光速乘以时间等于距离
- 对于位置计算，需要发射时间和接受时间
- 传播时间等于到达时间减去发射时间
3.5.2 TDOA
- 不同APs（BS/WAPs）到目标的TOA之间的差异被称为TDOA
- 为了准确估计目标设备的位置，通常需要三个或四个已知位置的固定站。
- 固定站向移动节点发送同步信号
- 这些时间测量将被存储为单独的时间标记
- 在信号被固定站接收后，使用目标设备与两个或更多固定站之间的TOA差异来确定目标设备与两个固定站之间的范围
- 这个方程可以使用非线性回归变换成双曲线。计算足够多的双曲线后，交点可用于确定目标的位置(x, y)
3.5.3 RTT
- ti1和ti4是在目标移动发射和接收信号的时间；ti2和ti3分别是BS/WAP接收和发射信号的时间；
Δt是目标设备的处理时延
3.5 死亡推算（DR）
- 使用先前计算的位置，然后结合估计的速度、航向方向和时间推算出移动物体的当前位置
- 通过使用包括陀螺仪、加速度计、速度脉冲和磁力计传感器在内的多个传感器的数据来计算当前位置
3.6 地图匹配技术
- 使用地理特征的先验知识来通过将目标的真实2D或3D坐标定位在移动区域内
- 同时定位和制图（SLAM）是包括无人机递送和自动驾驶在内的智能机器人的关键特性。它旨在使用来自传感器（包括激光检测和测距（LiDAR）和摄像机）的数据来预测机器人的姿态，并同时创建未知环境的地图
3.7 混合定位技术
3.8 总结
4 衡量标准
4.1 距离
真实位置与估计位置之间的差异
4.2 精确度
- 测量重复性的一个指标；如果结果非常可重复，则测量是精确的
4.3 低延迟
4.4 复杂性
4.5 可扩展性
- 随着接收器正确位置的变化，接收器的大致位置随时间的变化
- 如果可扩展性非常小，即使接收方位置的最小移动也会被检测到
4.6 稳定性
- 在信号变化或缺乏信号测量的情况下正常运作
4.7 安全性
4.8 成本
5 实现技术层面
6 其他一些图
文章来源：https://www.toymoban.com/news/detail-776152.html
文章来源地址https://www.toymoban.com/news/detail-776152.html
到了这里，关于论文笔记：A Comprehensive Review of Indoor/Outdoor Localization Solutions in IoT era: Research Challenges的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！
![[论文阅读笔记25]A Comprehensive Survey on Graph Neural Networks](https://imgs.yssmx.com/Uploads/2024/02/674898-1.png)
![[论文阅读笔记] TRACE: A Comprehensive Benchmark for Continual Learning In Large Language Models](https://imgs.yssmx.com/Uploads/2024/01/801421-1.png)
