面向蜂窝网络的大规模无线指纹定位关键技术研究

The main purpose of cellular network localization is to estimate the location of emergency callers, such as E911 in North America and E112 in Europe. The international standards for cellular network localization support fusing multiple localization mechanisms, among which crowdsourcing based fingerprinting approach has drawn much attention due to its synergism with the network infrastructure. However, the wireless fingerprints collected with crowdsourcing mechanism have different qualities for localization, and can not guarantee the full coverage of the service area; moreover, the fingerprinting localization performance is limited due to the coarse granularity of the wireless signal features. To deal with those issues, we propose the following studies in this research project: 1) Quality-aware fingerprints selection mechanism based on online learning framework; 2) large-scale fingerprints predication mechanism based on subspace identification approach; 3) optimization of fingerprinting localization leveraging temporal correlation of wireless fingerprints. We expect the cellular localization system with such schemes can achieve the performance at least as good as the mandatory accuracy and reliability regulated in the E911 specifications. We have obtained more than 20 million user measured data records collected from 4 cities around the world, and we have access to a campus cellular network testbed jointly constructed with Huawei Corporation, which can provide foundations for us to achieve the goal.

蜂窝网络定位的主要目的是对紧急呼救的移动终端用户进行位置估计，如北美的E911和欧洲的E112。蜂窝网络国际标准支持融合多种定位方法，其中基于群智感知的无线指纹定位机制由于其与网络基础设施的协同放大效应在业界备受关注；然而，利用群智机制采集的无线指纹数据质量参差不齐、覆盖不均匀，信号特征粒度粗，使得指纹定位机制在实际的蜂窝网络定位场景中面临巨大挑战。为此，本项目提出以下三方面研究：1）基于在线学习的异质群采无线指纹数据质量评价机制；2）基于子空间识别的大规模无线指纹数据预测机制；3）基于无线指纹时域相关性的定位优化机制，以实现对群采指纹数据的可评价，城域指纹地图的可覆盖以及定位精度相对于传统方法的可提高，在城市级别的广阔区域内，系统定位性能至少能达到E911的强制标准。项目组已获得海内外4个城市的2000多万条无线指纹测量数据，并拥有校园蜂窝网络测试平台，可为项目提供有力保障。

蜂窝网络定位的主要目的是对紧急呼救的移动终端用户进行位置估计，如北美的E911和欧洲的E112。蜂窝网络国际标准支持融合多种定位方法，其中基于群智感知的无线指纹定位机制由于其与网络基础设施的协同放大效应在业界备受关注；然而，利用群智机制采集的无线指纹数据质量参差不齐、覆盖不均匀，信号特征粒度粗，使得指纹定位机制在实际的蜂窝网络定位场景中面临巨大挑战。为此，本项目完成了以下三方面研究：1）基于在线学习的异质群采无线指纹数据质量评价机制；2）基于子空间识别的大规模无线指纹数据预测机制；3）基于无线指纹时域相关性的定位优化机制，以实现对群采指纹数据的可评价，城域指纹地图的可覆盖以及定位精度相对于传统方法的可提高，在城市级别的广阔区域内，系统定位性能满足E911的强制标准。.具体而言，本项目通过解决蜂窝网络群采指纹数据异质性、覆盖性与粗粒度这三个关键问题，实现蜂窝网络大规模无线指纹定位技术的性能提升。揭示了群采指纹数据质量评价的数学原理，设计了异质群采无线指纹数据质量在线评价机制，用于筛选较高质量的指纹数据来构建指纹地图。本项目利用基于子空间识别方法进行大规模的RF指纹预测机制，将该问题建模为在Stiefel流形上寻找最佳子空间的问题，并重新设计了一种Stiefel流形优化方法，大幅度提升了算法的收敛速度。本项目基于无线指纹时域相关性，分析了无线指纹样本空间到物理空间的映射机理，提出了一种基于无线指纹时域相关性的优化定位机制，提高了定位的准确性和时间效率。.本项目的研究成果，对基于无线信号的大规模定位场景具有一定的价值和意义。除了传统的针对特定人物和设备的侦察定位之外，对于在失去卫星支持的极端情况下，构建重点区域的电磁空间地图，并基于该地图进行定位导航，都具有一定的参考价值。