基于MATLAB的室内定位算法仿真与轨迹跟踪系统

资 源 简 介

本项目在MATLAB开发环境中构建了一套用于室内定位的算法仿真与实现系统。核心功能旨在通过模拟室内无线信号传播特性，解决在GPS信号缺失环境下的高精度定位问题。具体实现包括：1. 构建基于RSSI（接收信号强度指示）的对数正态阴影衰落模型，用于模拟真实的信号传播与路径损耗；2. 实现了多种经典与现代定位算法的对比，重点包括基于几何距离的三边测量法（Trilateration）、基于非线性最小二乘优化的多边定位、以及基于场景分析的位置指纹法（Fingerprinting）；3. 在指纹定位模块中，涵盖了离线阶段的Radio Map构建和在线阶段基于k-最近邻（k-NN）及加权k-NN（WKNN）的匹配算法；4. 为了应对信号波动，通过卡尔曼滤波（Kalman Filter）对定位轨迹进行平滑处理和预测；5. 提供全面的评估模块，能够输出均方根误差（RMSE）、累积分布函数（CDF）图表，并直观地展示基站布局、真实轨迹与估计轨迹的动态对比视图，适用于算法研究与教学演示。

详 情 说 明

IB-Indoor Positioning Algorithm MATLAB Sim

项目简介

本项目是一个基于MATLAB开发的室内定位算法仿真系统。它旨在模拟室内无线网络环境下的信号传播特性，并实现了一套完整的定位系统流程，包括轨迹生成、信号采集、离线指纹库构建、在线定位解算以及误差分析。

该仿真平台集成了多种主流的室内定位算法，重点解决了GPS信号缺失环境下的高精度定位问题，通过对比几何测量法、位置指纹法以及结合卡尔曼滤波的融合算法，直观展示了不同技术方案的性能差异。

核心功能特性

• 环境与信号建模：模拟30m x 30m的室内环境，配置5个基站（AP），实现了对数正态阴影衰落（Log-Normal Shadowing）模型来生成带有随机噪声的RSSI信号。
• 动态轨迹仿真：生成并可视化“8字形”移动轨迹，模拟行人的动态移动过程。
• 多算法集成对比：

* 几何三边测量法 (Trilateration)：基于RSSI转距离模型，利用线性化最小二乘法求解坐标。 * 非线性最小二乘优化 (NLS)：使用三边测量结果作为初值，通过fminsearch进行迭代优化，以最小化距离残差。 * 加权K-最近邻算法 (WKNN)：基于位置指纹（Fingerprinting）技术，实现离线Radio Map构建与在线特征匹配。 * 卡尔曼滤波 (Kalman Filter)：建立常速运动模型（CV），对WKNN的定位结果进行轨迹平滑与预测，降低随机波动影响。

• 全面评估体系：自动计算各类算法的均方根误差（RMSE），绘制累积分布函数（CDF）曲线，并通过可视化界面展示真实轨迹与估计轨迹的动态对比。

系统要求

• MATLAB R2016b 或更高版本
• Optimization Toolbox（用于NLS算法中的fminsearch函数）

使用方法

直接在MATLAB环境中运行主脚本即可启动仿真。程序将自动执行环境初始化、数据生成、算法解算及绘图，并在控制台输出各算法的RMSE统计指标。

算法实现细节与逻辑分析

本项目的主程序严格按照以下逻辑流程执行，涵盖了从数据模拟到结果分析的全过程：

1. 系统参数配置

系统初始化定义了房间尺寸（30x30m）、无线传播参数（路径损耗指数 $n=2.5$，参考强度 $A_0=-40$dBm，阴影标准差 $sigma=2.0$dB）以及基站的坐标分布。随机数种子被固定，确保证仿真结果的可复现性。

2. 轨迹生成 (Simulation)

通过正弦函数合成参数方程，生成一个连续的“8字形”闭合轨迹，包含100个采样点，用于模拟行人在室内的真实移动路径。

3. 指纹库构建 (Offline Phase)

在指纹定位的离线阶段，系统以1.0米为分辨率将房间划分为网格。针对每一个网格节点（参考点 RP），计算该点到所有基站的理想RSSI值（基于对数距离路径损耗模型），构建 Radio Map（信号特征库）。

4. 卡尔曼滤波初始化

构建线性卡尔曼滤波器，状态向量包含位置和速度 $[x, y, v_x, v_y]^T$。定义了状态转移矩阵 $F$（基于匀速运动模型）、观测矩阵 $H$（观测位置坐标）、过程噪声协方差 $Q$ 和测量噪声协方差 $R$。

5. 在线仿真循环 (Online Phase)

系统对轨迹上的每一个点进行逐点仿真：

• 信号生成：根据当前真实坐标，计算到各AP的欧氏距离，并通过添加高斯随机噪声模拟环境阴影衰落，生成实时观测的RSSI向量。
• 距离反演：将观测到的RSSI通过路径损耗模型反算为物理距离。
• 算法一：三边测量法：构建线性方程组 $Ax=b$（通过减去最后一个基站的方程消除二次项），利用最小二乘法求解目标坐标。
• 算法二：NLS优化：以三边测量的结果为初始猜测值，通过非线性优化算法最小化测距误差的平方和，精细化定位结果。
• 算法三：WKNN指纹法：计算实时RSSI向量与Radio Map中所有参考点RSSI向量的欧氏距离（信号空间距离）。选取距离最近的 $k=4$ 个参考点，利用距离倒数作为权重进行加权求和，得到估计位置。
• 算法四：平滑处理：将 WKNN 的输出作为卡尔曼滤波器的观测输入（Measurement $Z$），经过“预测-更新”步骤，输出平滑后的坐标。

6. 误差分析与可视化

仿真结束后，系统计算各算法轨迹与真实轨迹之间的欧氏距离，统计均方根误差（RMSE）。最后生成综合图表：

• 2D轨迹对比图：在同一坐标系下展示真实轨迹、基站位置、Radio Map分布以及四种算法的估计路径。
• CDF曲线：展示各算法误差的累积概率分布，用于评估定位的稳定性。
• 时序误差图：专门对比WKNN原始误差与经过卡尔曼滤波平滑后的误差，展示滤波对抖动的抑制效果。

关键代码函数说明

• calc_rssi: 实现对数正态阴影模型，输入距离返回带有噪声的RSSI值。
• rssi_to_dist: 信号传播模型的逆函数，用于将RSSI转换为几何距离。
• alg_trilateration: 执行矩阵运算，求解线性化的三边测量方程组。
• alg_nls_optimization: 封装非线性最小二乘逻辑，定义损失函数并调用优化器。
• alg_wknn: 执行指纹匹配逻辑，包含信号空间距离排序、K值截取及加权质心计算。
• draw_cdf: 辅助绘图函数，用于生成累积分布函数曲线。