面向狭小封闭战场环境的群智感知定位算法研究

李耀宇 陈杰 魏勇

摘 要：为解决在狭小封闭的战场环境，如敌方指挥中心、船舱、地下建筑物中，如何快速准确地获取自组织网络或目标对象的位置信息的问题，基于单兵智能终端设备提供的通信模块，利用可见光传感器等硬件设备的支持，通过研究群智感知式的通信信号指纹，结合图像匹配算法，提出了一种定位算法。该算法利用通信指纹数据实现了初步定位，结合融合图像和姿态传感器的加权平均算法，并采用群智感知方式补充与更新定位数据，通过调整图像匹配策略，在保持准确率的前提下，相比单一图像匹配定位算法，降低了算力的需求，在通信条件复杂的战场环境中提高了实时性能。对比标准的WKNN（Weighted K-Nearest Neighbors）算法，提高了在复杂环境下定位的稳定性，且定位误差平均值低于1.72 m，误差降低约50%。

关键词：狭小战场；群智感知；定位算法

中图分类号：E917 文献标志码：A DOI：10.3969/j.issn.1673-3819.2023.06.006

Research on crowd-sourced localization algorithm for narrow and closed battlefield environment

LI Yaoyu¹， CHEN Jie¹， WEI Yong²

（1. Science and Technology on Information Systems Engineering Laboratory， National University of Defense Technology，

Changsha 410073， China; 2. Unit 31015 of PLA，Beijing 100091， China）

Abstract：In order to solve the problem of how to quickly and accurately obtain the location information of self-organizing networks or target objects in the narrow and closed battlefield environment， such as the enemy command center， cabins， and underground buildings， this paper proposes a positioning algorithm based on the communication module provided by individual intelligent terminal equipment， we use the support of hardware devices such as visible light sensors， and study the communication signal fingerprint of swarm intelligence perception， combined with image matching algorithm. This algorithm mainly communicates with fingerprint data to achieve preliminary positioning， combines a weighted average algorithm of fused images and attitude sensors， and uses swarm intelligence perception to supplement and update positioning data. By adjusting the image matching strategy， while maintaining accuracy， compared to a single image matching positioning algorithm， it reduces computational power requirements and improves real-time performance in battlefield environments with complex communication conditions. Compared with the standard WKNN （Weighted K-Nearest Neighbors） algorithm， it improves the stability of localization in complex environments， and the average localization error is less than 1.72 m， reducing the error by about 50%.

Key words：narrow battlefield environment; crowd-sourced; localization algorithm

收稿日期：2023-03-17

修回日期：2023-04-11

作者簡介：

李耀宇（1984—），男，副教授，研究方向为军事运筹、任务规划、建模与仿真。

陈 杰（1985—），男，副教授。

现代战争中，位置信息的重要性不言而喻。准确的位置信息是指挥和决策的基础。室外环境中，定位可以采用卫星定位等多项技术，但是在狭小封闭的战场环境，例如特种作战所面对的地方指挥所、地下大型掩体设施、舰船内部等区域，位置信息的获得极为困难。首先，无法预先获得准确的先验信息，因为室内的情况不稳定，变化大，也没有公开的地理环境信息供参考；其次，电磁通信信号衰减，通风采光条件差，遮蔽物遮蔽等，导致一般室外的定位技术无法获得良好的效果，必须采用合适的室内定位技术。随着光学传感和图像识别技术的发展以及单兵智能终端设备算力的提高，基于单兵智能终端设备的图像匹配定位开始受到青睐。单兵智能终端设备通常包括通信模块、图像采集模块、姿势和加速度等传感器，为室内定位算法提供了必要的硬件支持。单纯基于图像匹配的定位方案需要构建庞大的图像数据库，图像匹配过程对算力需求高，难以保证实时性。单纯基于通信信号指纹的定位技术，实时性能有保障，但通讯信号可能受到环境干扰影响，仅利用算法难以克服精度下降问题。要想提高室内定位的综合性能，通常需要综合以上方案的特点，同时结合单兵智能终端设备提供的各类传感器支持。

1 研究现状

目前有很多方法可用来实现辅助室内定位，    LEE^[1]提出了一种基于射频 （RF，Radio Frequency） 指纹识别的最大似然估计（MLE，Maximum Likelihood Estimation）初始化，制定了结合 RF 指纹识别的目标定位的最大似然问题。在开放空间、城市和室内三种测试环境中，与使用 SDP（Semi-Definite Programming）初始化的 MLE 算法相比，所提出的射频指纹辅助目标定位方法表现出高达 63.31% 和平均 39.13% 的性能提升。WiFi指纹也是一种常用的方法，乐燕芬^[2]提出了一种指纹子空间匹配结合密度峰值聚类的定位算法，有效避免了大误差点。首先通过在线阶段目标接收信号强度 （RSS，Received Signal Strength）的接入点覆盖向量，确定有效的参考位置点；然后划分多个指纹子空间，利用改进的WKNN（Weighted K-Nearest Neighbors）算法估计目标在每个子空间内的位置；最后选取决策值最大的选定个数估计位置确定目标。聂大惟^[3]提出了一种基于信号强度指示器RSSI（Received Signal Strength Indicator）概率分布与贝叶斯估计的加权定位方法。该方法在研究RSSI的平稳性、分布特性的基础上，通过贝叶斯估计将先验的RSSI概率分布引入权重的计算，给异常值赋予较低的权重，降低了环境噪声和外界不确定因素对定位精度造成的影响。

KNN（K-Nearest Neighbors） 依然是常用的一种方法^[4]，Razavi提出了一种室内定位场景，该场景应用度量学习和流形对齐，使用具有单个RSS 样本的低分辨率无线电地图实现直接映射定位 （DML，direct mapping localization），将指纹识别工作量减少了 87%。对比之前的定位方法，DML 和基于重建射电图的K最近邻 （reKNN，K-Nearest Neighbors Based on Reconstructed Radio Map）在面積约为170 m²的典型办公环境中分别实现了小于4.3 m和3.7 m的平均定位误差。

不同智能手机设备硬件性能有差异，RSSI信号特征的变化率也会有差异。在实际操作中，传统的室内定位解决方案可能无法应对硬件差异引起的信号差异^[5]。Tiku提出了一种基于多头注意神经网络的室内定位框架，该框架对设备异质性具有弹性。对各种室内环境中提出的框架的深入分析表明，与当时最先进的室内定位技术相比，准确度提高了35%。Hoang^[6]针对轨迹定位，考虑轨迹中接收RSSI 测量值之间的关系，对输入RSSI数据和顺序输出位置提出了加权平均滤波器，提高了RSSI时间波动之间的准确性。

2 算法总体设计

2.1 算法总体方案

算法目标是用户使用单兵智能终端设备的通信芯片与摄像头实现高精度室内定位，无需其他硬件辅助，坐标系采用二维坐标系，不考虑高程。

算法主要包括两个阶段：离线阶段与在线阶段。离线阶段构建数据库时，在不同参考点依次记录RP（Reference Point）的坐标值、AP（Access Point）数量与对应的MAC地址（Media Access Control Address）、RSSI值、该RP正前方图像，同时采集该时刻单兵智能终端设备所处姿态（即单兵智能终端设备方向传感器的倾斜角、旋转角和方位角），将上述信息上传至服务器后进行预处理，将特征向量编码为F={f₀，f₁，f₂，…，f_N}存储，其中，f₀～f_N代表特征分量。

在线阶段，根据设备采集的特征进行定位，用户单兵智能终端设备实时扫描可接收到MAC地址作为指纹标识的AP和对应RSSI值，首先使用WKNN算法初步定位。本算法支持用户获取更高精度，即采用SIFT（Scale-Invariant Feature Transform）图像和单兵智能终端设备姿态匹配算法提高定位精度。用户可将定位结果以及对应信号指纹和图像特征上传，即采用群智感知的方式补充和更新定位数据库^[7]，以辅助他人定位。在线阶段，算法总体方案如图1所示。

2.2 加权K邻近无线通讯网络通信指纹定位算法

加权K邻近算法在指纹定位中通过引入距离权重因子对AP点选择进行约束，离实测RSSI值距离越近的点权重越大。距离定义^[8]如下：

式中 ，i表示实测扫描到的RP点序号，n 表示移动节点和RP之间的AP点数量，最后选择K个“距离”最小值作为最近邻居，并根据这K个“距离”值归一化得各自权重，归一化公式^[9]为

取p = 2，根据数据库中RP点的已存坐标和归一化“距离”权重因子，得到移动节点的初始位置：

K值对定位结果有直接影响，图2通过仿真实验对比不同K值下的定位效果，从图中看出，K=3时定位平均误差最小，因此本文选择最近邻居数K为3。

在线定位阶段利用用户获取的图像和方向传感器输出值，计算与K个参考点对应的数据库特征数据，得到图像匹配因子和方向因子，对已有参考点权重进行校正，提高定位精度。

2.3 图像匹配定位算法

2.3.1 图像匹配策略

目前存在多种图像定位算法，例如Niu^[10]用SURF（Speeded Up Robust Feature）进行图像匹配定位，SURF处理速度较快，但处理尺度缩放和旋转变化不是最优。本文选择SIFT算法^[11]，该算法对于图像平移、旋转、尺度缩放、亮度变化等具有很好的不变性，能够更好适应用户拍摄图像时发生的平移、旋转、缩放变化^[12]。SIFT算法处理图像在服务器中进行，生成图像描述子，表示为N×128维特征向量，并存储在数据库中，其中N为一张图像的特征点总数，用户实时拍摄的图像在单兵智能终端设备上经过SIFT算法得到同样维数的特征向量后，计算两组特征向量间的欧氏距离作为图像关键特征点的相似性度量^[13]。据文献[14]，在大量存在尺度缩放、旋转和亮度变化的两幅图像之间进行匹配时，度量阈值ratio取值在0.4～0.6之间最佳，经过仿真试验，ratio取值为0.55时，定位平均误差最小，如图3所示。

经WiFi初步定位，假设得到的3张图片表示为I_（DB，i）（i =1，2，3），各自提取特征总数F_（DB，i），用户实际拍摄图像表示I_s，提取特征总数为F_s，分别计算拍摄图像和数据库图像之间的共同特征数F_c：

求得F_c后再求解匹配因子，同时用图像匹配因子校正WiFi定位得归一化“距离”权重因子，图像匹配因子定义为

由定义可知，η的取值范围为[0.0， 2.0]，值越大，表示两张图像越相似。本文对根据WKNN算法选择的3张图像进行求解图像匹配因子后，选择最大的图像作为配对图像。用户所拍摄的图像压缩后的大小为1 034×731，特征提取F_s=714，对表1中样本a～c分别提取特征，并求得图像匹配因子。

2.3.2 传感器限制图像方向随机性

用户在同一位置拍照方向存在随机性，故经过无线通信网络通信指纹初步定位，不能确定数据库中所存图像所表示的方向和用户当前拍照方向的一致性，因此，本算法采用单兵智能终端设备方向传感器输出三维方向参数匹配单兵智能终端设备姿态来解决这一约束。假设用户拍照时刻记录单兵智能终端设备传感器输出的倾斜角、旋转角和方位角三维向量可表示为{θ_x，θ_y，θ_z}，经初步定位找到的3个RP对应方向向量值表示{θx_i，θy_i，θz_i}，则方向向量值之间角度差为

方向因子ζ是每一组值所占的归一化权重，根据角度差的倒数来计算：

式中，K表示最近邻居数。

2.3.3 基于圖像和姿态匹配定位算法

在上述过程中，通过SIFT算法，已经求得每张图像的匹配因子和方向匹配因子，为了校正初步定位，采用加权平均法来融合上述的3个因子，如图1所示，得到校正因子，定义校正因子ξ为

最后校正定位用户的位置计算式为

上两式中，K =3表示最近邻居数，i =1，2，3表示匹配得到的图像序号。

2.4 群智感知方式更新数据库

随着室内布局以及环境变化，室内信号指纹分布会发生改变，本文支持用户将实时测量到的信号指纹与图像上传至数据库，增加可用的参考点数量。采用群智感知更新数据库可以降低构建数据库的复杂性，维持数据库数据的实时性；在某些没有离线采集数据的区域，用户上传数据后，可辅助他人下次定位使用。在群智感知中，感知设备的多样性会造成无线通信网络通信指纹和方向向量的差异，本文采用同一款单兵智能终端设备，简化了设备多样性的影响，同时，对于错误感知数据的筛选，本文提出使用位置估计值P和RSSI两个值之间的相关系数因子作为数据剔除的依据，该因子的计算式为

式中，i = 1，2，…，K，P_i为第i个RP坐标，为定位估计坐标和K个RP坐标的平均值，RSSI_i为第i个RP点的RSSI均值，RSSI为用户扫描RSSI值和K个RP的RSSI值。其中，ρ值与位置估计值和值呈正相关关系，据此可以控制数据质量。

3 实验与数据分析

3.1 实验设置

为方便计算，本文用手机替代单兵智能终端设备进行测试，同时用WiFi替代专用通信网络，在覆盖面积1 250 m²的室内环境中开展实验，验证本文的算法。利用室内环境已有的WiFi热点进行定位模拟专有通信网络的定位。实验离线阶段，采集WiFi信号指纹构建数据库，采集的相应图像和三维方向向量作为特征向量在数据库中存储。离线阶段共随机采集150个RP点指纹和图像数据。

3.2 数据分析

图4为实测阶段WKNN算法定位和图像定位的累计分布函数CDF对比图，每组实验定位50次。从图中可以看出，新算法能够有效地提高定位精度，WKNN算法定位误差在2 m以内的概率约为31.9%，但经过图像匹配定位校正的概率约为69.1%；当CDF为80%时，新算法为3 m，WKNN算法定位约为4 m，提高了25%。实测结果证明，算法能够提高定位精度。

图5和图6是随着用户上传数据的增加，不同算法定位误差和方差对比曲线。从图5可以看出，随着用户参与，参考点数目从10增加到400，WKNN算法定位误差从5.61 m降低到3.50 m，降低了37.6%。

与此同时，新算法定位误差从5.67 m降低到1.71 m，降低了69.8%。两算法纵向对比，当参考点为10时，两算法定位误差接近。随着参考点数量的增加，新算法逐渐好于原算法，当参考点数量为400时，新算法比原算法定位误差降低了50%。

从图6可以看出，随着参考点数量增加，两种算法定位误差方差呈下降趋势，但新算法定位方差低于原算法，表明新算法定位稳定性较好。

群智感知方式用于定位时，整个图像数据库数据量随时间推进而增加，而检索整个数据库寻找目标图像所需时间与图像数量呈正比，因此，本文采用WKNN算法邻居数K值限制图像检索范围，有效控制图像检索消耗的时间，在图像处理完成后，本文采用的结合WKNN和图像匹配的定位算法耗时如图7所示。

实验设定位置更新频率为1 Hz，图7中，ImageMatch表示算法的定位耗时，由于两张图像在匹配时存在多个共同点，每个特征点为1×128 维向量，计算耗时较大，但是均在1 s以内，能够保证软件在自动刷新时的定位实时解算要求。

3.3 实验局限性分析

实验数据表明，本文所提算法集成单兵智能终端设备后，大部分条件下，既改进了定位解算精度，又提高了实时性和稳定性，且降低了算力需求。

本實验也存在两点局限性。一是采用单一设备进行实验，忽略了设备差异性带来的特征数据偏差问题，例如不同设备在相同位置，RSSI值如果差异过大，可能会影响定位精度。同时，设备之间的相互影响以及相互影响可能导致的不良后果，还需要进一步的研究和实验来证明。二是环境干扰对算法的影响考虑不足，特别是群智感知的控制策略方面，信号干扰容易造成

数据

明显错误，下一步研究会考虑引入过滤机制，防止错误的数据污染整个数据库。

4 结束语

本文针对无线通信网络通信指纹和图像匹配定位存在的问题，采用通信信号指纹辅助图像匹配定位思路，通过算法研究和实验融入了群智感知机制并进行了改进，对于解决狭小封闭的战场环境中的定位问题，具备积极的参考价值。

当前，机器学习技术已经广泛地应用于很多领域，相关的研究也越来越多。未来可以考虑结合深度学习网络，特别是循环神经网络，引入状态转移控制机制，进一步提高定位的准确性和实时性。

参考文献：

[1] LEE H， KANG T， JEONG S， et al. Evaluation of RF fingerprinting-aided RSS-based target localization for emergency response[C].2022 IEEE 95th Vehicular Technology Conference： （VTC2022-Spring）， Helsinki， 2022： 1-7.

[2] 乐燕芬， 许远航， 施伟斌. 基于DPC指纹子空间匹配的室内WiFi定位方法[J].仪器仪表学报，2021，42（11）：106-114.

LE Y F，XU Y H，SHI W B. WiFi fingerprint based indoor positioning with subspace matching and DPC[J]. Chinese Journal of Scientific Instrument， 2021， 42（1）：106-114.

[3] 聂大惟， 朱海， 吴飞，等.基于RSSI概率分布与贝叶斯估计的加权定位方法[J].全球定位系统， 2022，47（2）：52-59.

NIE D W，ZHU H，WU F，et al. Weighted positioning method based on RSSI probability distribution and Bayesian estimation [J]. GNSS World of China， 2022，47（2）：52-59.

[4] RAZAVI A， VALKAMA M， LOHAN E S. K-means fingerprint clustering for low-complexity floor estimation in indoor mobile localization[C].2015 IEEE Globecom Workshops （GC Wkshps）， San Diego， 2016： 1-7.

[5] TIKU S， GUFRAN D， PASRICHA S. Multi-head attention neural network for smartphone invariant indoor localization[C].2022 IEEE 12th International Conference on Indoor Positioning and Indoor Navigation （IPIN）， Beijing， 2022： 1-8.

[6] HOANG M T， YUEN B， DONG X D， et al. Recurrent neural networks for accurate RSSI indoor localization[J]. IEEE Internet of Things Journal， 2019， 6（6）： 10639-10651.

[7] 刘春燕， 王坚. 基于几何聚类指纹库的约束KNN室内定位模型[J]. 武汉大学学报（信息科学版）， 2014， 39（11）： 1287-1292.

LIU C Y， WANG J. Constrained KNN indoor positioning model based on a grometric clustering fingerprinting technique[J]. Geomatics and Information Science of Wuhan University，2014， 39（11）： 1287-1292.

[8] SAHA A， SADHUKHAN P. A novel clustering strategy for fingerprinting-based localization system to reduce the searching time[C].2015 IEEE 2nd International Conference on Recent Trends in Information Systems （ReTIS）， Kolkata， 2015： 538-543.

[9] LEE C W， LIN T N， FANG S H， et al. A novel clustering-based approach of indoor location fingerprinting[C].2013 IEEE 24th Annual International Symposium on Personal， Indoor， and Mobile Radio Communications （PIMRC）， London， 2013： 3191-3196.

[10］NIU J W， RAMANA K V， WANG B W， et al. A robust method for indoor localization using wi-Fi and SURF based image fingerprint registration[C].GUO S， LLORET J， MANZONI P， et al. International Conference on Ad-Hoc Networks and Wireless， Cham： Springer， 2014： 346-359.

[11］KAWAJI H， HATADA K， YAMASAKI T， et al. Image-based indoor positioning system： fast image matching using omnidirectional panoramic images[C].Proceedings of the 1st ACM International Workshop on Multimodal Pervasive Video Analysis， Firenze， 2010：1-4.

[12］常強，Samuel Van de， 王维平， 等.行人航迹推测辅助的Wi-Fi信号指纹定位算法[C].第六届中国卫星导航学术年会， 西安， 2015：729-739.

CHANG Q， SAMUEL V D， WANG W P， et al. Wi-Fi fingerprint positioning updated by pedestrian dead reckoning for mobile phone indoor localization[C].The 6th China Satellite Navigation Conference， Xian， 2015：729-739.

[13］LOWE D G. Distinctive image features from scale-invariant key points[J]. International Journal of Computer Vision， 2004， 60（2）： 91-110.

[14］WANG L Y， ZHANG D Q， WANG Y S， et al. Sparse mobile crowd sensing： challenges and opportunities[J]. IEEE Communications Magazine， 2016， 54（7）： 161-167.

（责任编辑：张培培）