面向室内移动定位低复杂度楼层估计的 K-Means 指纹聚类

多层建筑中的室内定位是一个重要的研究问题。在购物中心或陌生的大学建筑中，以快速高效的方式找到正确楼层，可以节省用户的搜索时间，并能在未来催生大量基于位置的服务。多层建筑楼层估计中应用最广泛的技术之一，是利用来自室内网络（如 WLAN 和 BLE）的接收信号强度（RSS）测量值进行基于指纹的定位。基于 RSS 的楼层估计的明显优势在于，其易于在众多移动设备上通过应用程序编程接口（API）层面实现，因为 RSS 值可直接通过 API 接口获取。然而，指纹识别方法的一个缺点，尤其是在大规模楼层估计和定位解决方案中，是需要存储和传输海量的指纹数据。当定位需要在内存、电量和计算资源有限的移动设备上完成时，这个问题就变得更加严重。一种替代的楼层估计方法是加权质心定位（WCL）法，其复杂度更低且速度比指纹识别更快。然而，其代价是精度低于使用最近邻（NN）估计的传统指纹识别方法。本文提出了一种新颖的基于 K-means 的方法，通过对 WiFi 和各种其他定位传感器输出进行指纹聚类来实现楼层估计。我们的方法达到了接近 NN 指纹识别的楼层估计精度，同时显著改善了楼层检测算法的复杂度和速度。数据库规模的减小是通过仅存储和传输簇头（CH）及其对应的楼层标签来实现的。