概述

移动设备（用户）的实时定位是当下许多基于位置的服务（Location Based Service， LBS）的技术基础，也是导航等功能的基础。因此，实现尽量精确且成本消耗低的定位是当下很多学者与公司的研究目标。室外定位使用GPS已经能够达到较高的定位精度，而且在许多平台中已经集成了关于GPS的成熟用法（如Android平台中有专门关于室外定位的库函数）。而室内定位由于室内GPS信号弱、室内空间结构复杂等，无法使用GPS定位，但存在着许多其他的室内定位方法。本文总结了常见的各种室内定位方法。

常见室内定位方法

三角测量法（测距法）

具体包括基于信号到达时间（Time of Arrival， TOA）、基于到达时间差（Time Difference of Arrival， TDOA）、基于到达角（Angle of Arrival， AOA）等，基本原理是先测量多个设备之间的距离，然后通过欧几里得公式测算用户位置（如通过构建三角形，以三角形质心为测定的设备位置等）。
设备间测距的方式多种多样，如基于WiFi或BLE信号强度衰减的方法，因为信号强度的衰减与距离呈现正相关；但是目前信号强度与距离的映射关系还是基于“离线阶段”的巨量数据采集，这需要消耗大量的部署成本。
由于三角测量法往往能得到多组数据，因此许多定位方法中还结合了贪婪算法（寻找近似最优解）、KNN算法（最邻近算法）等，赋给多组数据不同的权重，以加权后所得的数据为最终测量值。

临近法

基本原理是在定位场景内预先安置许多有特定内置信息（指纹信息）的信标，如iBeacon；当用户进入某信标的信号范围内时，即视为用户位于该信标所在的位置。缺点是误差较大，改进的算法有基于信标的三角定位，能提高定位精度。
值得一提的是，这一类定位方法中可以附加一些用户内容层面的服务，如商场内店铺信息的推送：当用户进入商场范围内时，商场内的信标检测到了用户的存在，并主动推送商场的相关信息。

场景分析法

WiFi指纹定位法是典型例子。这类定位方法的基本原理如下：
1.事先采集定位场景的某些特定信息（如WiFi Fingerprinter），存储于云端数据库，这一般称为离线阶段；
2.用户发出定位请求时，先由移动设备采集当下场景的WiFi指纹数据，传输到服务器，服务器根据数据库进行检索匹配，找到WiFi指纹相似度最大的地点后，返回位置信息，这一般称为在线阶段。
这种定位方法的缺点是离线阶段需要采集巨量的信息，采用MCS（Mobile Crowdsensing，移动群智感知）可以缓解这个问题，但还是消耗了很大的部署成本。

行人航位推算（Pedestrian Dead Reckoning, PDR）

其基本原理是通过移动设备丰富的内置传感器，基于用户最后获取到的准确定位（如在进入室内之前，最后一次使用GPS在室外进行定位时获取到的位置），根据数学公式，不断计算出用户的位移，进而推导出用户的实时位置，
定位时主要测量用户的位移及用户方向与指定坐标之间的方向角（航向）。PDR的缺点是存在累积误差且较为明显。
位移方面，误差主要来自用户行动的判断，即如何判断用户“前进了一步”，以及用户步长的预测，即用户“一步走了多长”。
方向角（航向）方面，主要误差是不同移动设备内置传感器精度不同，容易造成误差，另一方面，用户不同的拿设备的方式、角度也会导致测量偏差。
现在关于PDR的研究则主要集中在上述两类误差的消除上。

室内定位进一步发展

室内定位最开始采集到的都是一些初始数据，如经纬度、海拔等。而对这些数据的进一步利用也是当下的研究热点之一，室内可视化地图就是一个典型的方向。

室内可视化地图

基本原理是通过大量用户上传的活动信息，来近似判断室内的结构，如判断哪里是墙、哪里是电梯、哪里是走廊等。
常见的方法有基于用户的活动轨迹，如用户不可能穿墙而过，所以用户没到达过的地方可以推测为存在一堵墙；再比如用户在坐电梯的时候，自身运动的加速度与正常走路活动存在差距，因此可以通过测量加速度判断某个地方是不是“电梯”。
还有一类方法是使用用户设备的摄像头不断进行拍照，将照片上传至云端服务器后，通过图像处理重建（模拟）出用户所处的室内环境。
个人认为室内可视化地图的难点是需要采集大量的基础数据。