基于多接入点的Wi-Fi室内定位精度及测试点分析研究报告
本文旨在向研究者介绍由Shuyu Li, Sherif Welsen, Vladimir Brusic共同完成，并于2022年5月12日发表在学术期刊《Sensors》上的一项原创性研究工作。该论文题为“Multi-AP and Test Point Accuracy of the Results in WiFi Indoor Localization”，聚焦于Wi-Fi信道状态信息（Channel State Information, CSI）室内定位领域，深入探讨了影响定位精度的关键因素，并提出了一种新的自适应多接入点（Access Point, AP）联合定位算法。
一、 研究背景与目的
随着无线通信技术的飞速发展和移动设备的普及，基于位置的服务（Location-Based Services, LBS）需求日益增长。全球导航卫星系统（Global Navigation Satellite System, GNSS）在室外环境下表现优异，但在室内环境中，由于信号遮挡、多径效应、非视距传播（Non-Line-of-Sight, NLOS）等挑战，其性能严重下降。因此，开发高精度、低成本、可扩展的室内定位系统（Indoor Positioning Systems, IPS）成为研究热点。其中，基于Wi-Fi的IPS因其基础设施普及、成本低廉和易于部署而极具竞争力。特别是IEEE 802.11a/n标准提供的CSI信息，包含了丰富的信道特征，可用于估计信号的到达角（Angle-of-Arrival, AOA），进而实现定位。
尽管先进的算法（如著名的SpotFi）已能将中值定位精度提升至分米级，但研究人员对影响室内特定位置点（测试点，Test Point, TP）定位精度的因素理解尚不充分。现有研究通常以中值精度作为整体性能评估指标，缺乏对定位误差空间分布（即不同位置点的精度差异）的详细分析。存在“定位盲点”（即某些位置精度极差）的可能性及其成因亟待探究。此外，大多数已知方法并未针对多AP联合定位进行优化，计算效率有待提高。
为此，本研究设定了三个主要目标：第一，开发并实现一种新的自适应多AP联合定位算法，以提升系统性能；第二，对单个TP的定位精度进行全面的统计分析；第三，深入分析测试点在房间布局中的位置对定位精度的影响，识别并描述关键影响因素。本研究旨在弥补现有研究的不足，为理解及优化Wi-Fi室内定位性能提供新的视角和方法。
二、 详细研究流程与方法
本研究遵循一个系统化的实验与分析流程，主要包括硬件平台搭建、数据采集、算法开发与优化、多AP联合定位实现以及详尽的误差因素分析。
1. 实验平台与数据采集： 研究在一个290平方米、包含三个房间的复杂会议室环境中进行。研究团队部署了三个作为AP的工业控制计算机，每个计算机配备英特尔5300网络接口卡和三根天线（构成间距为2.8厘米的均匀线性阵列，Uniform Linear Array, ULA），分别放置在会议室内的三个不同位置。在整个空间内共设置了38个测试点。实验时，在每个TP上发送数据包，三个AP同时监听并收集CSI和接收信号强度指示（Received Signal Strength Indication, RSSI）数据。为确保数据的可靠性和分析时间变化，实验分两天进行，每天在三个固定时间段（上午、中午、晚上）各测量一次，总计对每个TP进行了六轮测量。每轮测量中，以100毫秒的间隔发送300个数据包。研究使用激光测距仪获取TP和AP的精确坐标，并计算视距（Line-of-Sight, LOS）路径下的真实AOA作为地面真值。
2. 核心算法——MOLA的设计与优化： 本研究的基础是作者团队先前开发的多步优化定位算法（Multi-step Optimization Localization Algorithm, MOLA）。在本工作中，MOLA得到了扩展和增强，形成了包含以下关键步骤的完整流程： * CSI预处理与相位校准： 由于硬件不完善，原始CSI相位存在由分组检测延迟、采样频率偏移等因素引起的误差。研究采用了基于线性回归的校准算法来消除这些非线性相位偏移，从而得到校准后的CSI矩阵，为后续高精度AOA估计奠定基础。 * 改进的AOA估计： 使用校准后的CSI，MOLA采用空间平滑算法和I-MUSIC算法来估计可能的AOA。与常规MUSIC算法不同，I-MUSIC通过对自相关矩阵进行变换来处理相干信号（多径效应）。为了更准确地划分子空间，MOLA引入了最小描述长度（Minimum Description Length, MDL）准则来自适应地估计不相干信号的数量，而不是使用固定阈值。 * 视距路径识别： 在对多个数据包进行AOA估计后，会得到一系列可能的AOA值。MOLA使用基于密度的聚类算法（如DBSCAN）对这些AOA进行聚类。为了从多个簇中准确识别出代表直射路径的LOS簇，作者开发了一个全新的LOS估计器。该估计器综合考虑了每个簇中的点数、簇的紧凑性以及簇内信号的平均传输延迟，通过一个加权指数函数计算出每个簇的“得分”，选择得分最高的簇作为LOS路径。 * 单AP目标定位： 在获得LOS路径的AOA估计值后，结合RSSI信息，通过最小化观测与估计RSSI值之间的误差来估计目标与AP之间的距离。最后，利用几何计算（AOA和距离）得出目标的估计坐标。
3. 创新的多AP自适应联合定位算法： 本研究的主要贡献之一是提出了一种新颖的低计算成本多AP自适应联合定位算法。该算法的核心思想是利用RSSI方差作为衡量信号质量（受环境变化、NLOS影响程度）的指标。 * RSSI方差分析： 研究首先发现，在不同位置，OFDM各个子载波的RSSI方差存在显著差异。特别是在NLOS严重或环境复杂的位置，RSSI方差通常较大。这表明RSSI方差与环境变化高度相关。 * 自适应权重计算： 基于上述观察，新算法为每个AP分配一个权重。权重计算基于从目标位置收集到的、来自该AP的所有子载波的RSSI方差的中值。方差越小（意味着信号越稳定，可能LOS成分越好），则该AP获得的权重越大；反之，方差越大（意味着信号受多径或障碍影响严重），权重则越小。 * 联合定位： 最终的联合定位坐标通过加权求和每个AP的独立定位结果得出。这种方法自适应地结合了多个AP的信息，让信号质量好的AP在最终定位中发挥更大作用，从而在整体上提升了定位精度和鲁棒性。
4. 对照方法与性能基准： 为了评估性能，研究将MOLA与领域内著名的开源算法SpotFi进行了全面对比。此外，为了评估多AP联合定位的优势，研究还将结果与基于RSSI的传统三边定位法结合卡尔曼滤波（Kalman Filter, KF）的方法进行了比较。研究者通过调整路径损耗指数等参数，优化了传统三边定位法的性能，以作为公平的比较基准。
三、 主要研究结果
实验评估从多个维度展开，得出了丰富且具有洞察力的结果。
1. 单AP定位精度对比： 在单个AP（AP1）场景下，MOLA展现出了显著优于SpotFi的性能。MOLA在整个测试空间的中值定位误差为0.9米，而SpotFi为1.9米，精度提升了约50%。在区分LOS和NLOS场景后，优势更加明显：在LOS场景下，MOLA中值误差为0.7米（SpotFi为1.5米）；在NLOS场景下，MOLA中值误差为1.7米（SpotFi为3.3米）。此外，在AOA估计误差方面，MOLA同样表现更优（LOS中值误差6度 vs. SpotFi的10度；NLOS中误差13度 vs. 24度），验证了其相位校准、MDL准则和LOS估计器的有效性。
2. 多AP定位精度提升： 对于其他AP（AP2, AP3），MOLA也 consistently优于SpotFi。综合三个AP，MOLA的平均定位误差比SpotFi降低了46.2%。更重要的是，采用新提出的自适应多AP联合定位算法后，定位精度得到了进一步飞跃。联合定位的中值误差降至0.7米，这比单个AP中表现最好的AP1（0.9米）还要提升约20%。相比之下，经过参数优化的传统三边定位+卡尔曼滤波方法，其最佳中值误差约为2.0米。这充分证明了MOLA多AP联合算法在提升精度方面的卓越性能。
3. 数据包数量与稳定性分析： 研究分析了输入数据包数量对定位结果稳定性的影响。结果表明，对于放置在角落的AP1和AP3，随着数据包数从5增加到300，结果的合并方差逐渐减小，定位趋于稳定。而对于放置在长墙中间的AP2，其方差和定位误差在所有数据包数量下都相对稳定，但定位精度本身较低（约2.5米）。这说明，高稳定性并不等同于高精度，AP的位置本身是影响精度的根本因素之一。总体而言，使用50或100个数据包即可获得较为稳定的定位结果。
4. 基于测试点的误差分布与影响因素分析（核心发现）： 这是本研究的亮点之一。研究者绘制了详细的TP误差分布图，并根据误差阈值将TP分为高精度定位点（HALP）、中精度定位点（MALP）和盲点（BP）。通过分析这些点的空间分布，识别出影响定位精度的五大关键因素： * 距离： 距离AP越远的TP，定位精度通常越低（例如TP36-38相对于AP1）。 * 角落位置： 位于房间角落的TP普遍表现出较高的定位误差（如大房间的TP19、TP20，小房间的TP32、TP35）。 * 障碍物： 存在物理障碍（如钢筋混凝土柱）会显著影响定位。位于障碍物阴影区或附近的TP，由于NLOS和多径效应增强，精度下降。 * AP位置： AP自身的部署位置对全局定位性能有根本性影响。理想的AP位置应能覆盖尽可能多的LOS区域。 * 天线阵列朝向： 研究发现，位于天线阵列正前方约120度“V形扇区”内的TP，其定位精度通常显著高于扇区外的TP。天线朝向定义了高精度定位的优势区域。
研究还通过热力图直观展示了三个独立AP以及多AP联合方法在不同空间区域的定位误差分布，清晰揭示了上述因素的综合作用效果。
四、 研究结论与价值
本研究通过扩展和优化MOLA算法，成功实现了一种高效的自适应多AP Wi-Fi室内定位解决方案。实验表明，该方案能够将中值定位精度在最佳单AP的基础上再提升约20%。更重要的是，研究通过详尽的TP级分析，首次系统地揭示了影响Wi-Fi室内定位精度的关键空间相关因素，包括距离、角落位置、障碍物、AP部署位置和天线朝向。
科学价值： 本研究不仅提出了一个性能优越的算法，更重要的是提供了一套分析和理解室内定位误差空间分布的方法论。TP误差分布图和热力图成为校准定位空间、诊断“盲点”、优化系统设计的强大工具。研究明确了算法性能与环境物理约束之间的关联，将定位问题从单纯的信号处理部分地延伸至空间布局优化问题。
应用价值： 研究成果对实际部署高精度Wi-Fi室内定位系统具有直接指导意义。它提示系统设计者，为了获得最佳定位性能，除了选择先进算法外，还必须精心规划AP的位置和天线朝向，尽可能扩大LOS覆盖范围，并避开障碍物密集区和角落的局限性。这为未来智能建筑、物联网、人员资产跟踪等应用中的IPS部署优化提供了关键见解。
五、 研究亮点
六、 其他有价值的补充
研究还简要讨论了其他可能影响定位性能的因素，如天线配置（数量、孔径）、同信道干扰等，并说明了在实验中为尽量减少这些影响所采取的措施（如使用5GHz频段、多次测量）。这些讨论体现了研究的全面性。最后，论文指出，将IPS集成到以通信为首要目标的现有Wi-Fi网络中，本身就是一个需要权衡通信质量与定位精度的设计优化问题，这为未来跨层优化研究指明了方向。