来源：《计算机工程》期刊
编辑：陈萍萍的公主@一点人工一点智能
原文：http://www.ecice06.com/CN/rich_html/10.19678/j.issn.1000-3428.0067775
摘要：室内导航定位作为城市数字化转型的重要基石和关键技术之一，在智慧城市发展建设的过程中起到至关重要的作用。然而，受复杂多变的室内环境、空间结构布局及室内行人活动等影响，实现准确可靠、普适泛在的室内定位，满足大众化的定位需求，有效助力智慧城市发展仍面临很大的挑战。其中，基于微惯性测量单元(MIMU）的航位推算定位方法具有体积小、成本低、自主性强及实时性高等特点，且现有无线保真(Wi-Fi）信号覆盖广泛，无需额外布设设备，使得基于MIMU与Wi-Fi的室内定位技术因具有广泛的研究价值和意义而受到广泛关注。本文主要围绕基于MIMU与Wi-Fi的室内定位方法进行综述。首先，分类阐述了基于MIMU的室内定位方法原理，并概括了其存在的问题及研究现状；其次，分析了基于Wi-Fi的室内定位方法研究的局限性与面临的挑战，重点总结了基于机器学习的Wi-Fi指纹室内定位方法研究现状；再次，系统对比分析了现有的基于MIMU与Wi-Fi的融合定位方法，考虑了其优缺点及各自的适用性；最后，对基于MIMU与Wi-Fi的定位方法未来的发展趋势进行了展望。综合定位、导航与授时(PNT）体系是我国数字化经济社会运行发展的重要支撑[1]，随着城市的智慧化转型加快，位置信息显得越来越重要。目前，基于全球卫星导航系统(GNSS）的室外位置服务已经能够较好地满足人们的应用需求，然而在室内卫星信号受到遮挡和多径效应等干扰，导致GNSS无法实现精准定位，从而无法提供可靠的位置服务。据分析，全球城镇人口占比将从56%(2021年）增长到68%(2050年），人类约70%~90%的时间都在室内度过[2]。随着大型复杂室内建筑的增加及大型地下空间的挖掘，基于室内位置的服务需求也变得更加强烈[3]。室内定位技术在零售、餐饮、物流、制造、化工、电力及医疗等行业领域均展现出了广阔的市场前景。不同的应用场景对室内位置服务的精度要求存在差异。在国防军事、工业制造等领域对室内定位技术精度要求较高，而一些大众化的位置服务则对精度要求相对较低，更注重成本和便捷。因此，针对不同的应用需求选择合适的室内定位技术就显得尤为重要。为满足人们对室内定位的不同需求并推动其持续发展，中国一直在大力推动室内定位技术的研发和创新。在此期间，多种室内定位技术得到了广泛的研究和应用，包括惯性导航系统(INS）[4]、无线保真(Wi-Fi）[5]、5G[6-7]、蓝牙[8]、超宽带(UWB）[9]、地磁[10]、计算机视觉[11]、地标[12]、射频识别(RFID）[13]、远距离无线电(Lo-Ra）[14]、伪卫星(PL）[15]、音频[16]、可见光定位(VLP）[17]和激光雷达[18]等，出现了百家争鸣的局面[2，19-20]。表1围绕定位精度、实现难度、优缺点以及代表系统等方面对各种室内定位技术进行了比较[21-22]。从表1可以看出，不同的室内定位技术应用的布设复杂度和定位终端成本等各不相同。UWB、PL、超声波和红外线等定位技术需要专有定位终端。蓝牙、RFID和ZigBee等需要布设设备。基站和地磁定位虽然不需要额外设备，但是定位精度低、受外界环境影响大、稳定性差。
而基于微惯性测量单元(MIMU）的室内定位受外界环境干扰少，无需专门布设定位设备，使导航更加具有自主性，并且已经应用在智能手机等智能移动终端以及智能手表、智能手环等穿戴设备上[23]；Wi-Fi技术深入千家万户，公共场合覆盖率高， 基于Wi-Fi的室内定位技术更适合大众应用[24]。然而，单一的室内定位技术普遍存在一定的局限性，MIMU定位导航过程中存在定位误差的累积；Wi-Fi在信号传播过程中存在遮挡、多路径效应及衰减等现象，导致信号存在波动，定位误差较大。因此，优势互补的室内融合定位技术与方法可以提供更为稳定和普适的室内位置服务，更能满足大众生活的需要。近年来，基于室内定位的研究领域已有一些综述类论文[3，21，25]，尽管这些论文对现有的室内定位技术系统、定位原理和方法进行了较全面的介绍、分析和总结，但对基于Wi-Fi或者MIMU的室内定位技术的分析内容仍然较浅，未能全面统计分析当前基于Wi-Fi以及MIMU的室内定位技术研究现状和存在的问题。而基于Wi-Fi[26-28]和基于MIMU的室内定位技术[29-30]的一些相关综述仅对单一定位技术的具体方面进行了综述，缺乏融合定位技术的综述。目前单一的室内定位技术缺陷明显，对于实现大众普适的室内定位，融合技术是必由之路，也是众多学者研究的重点。本文聚焦于基于MIMU与Wi-Fi的室内定位技术。首先，对整体技术情况进行简介；其次，基于MIMU定位、Wi-Fi定位及融合定位的分类对其定位技术的原理、研究的局限性与面临的挑战进行基本阐述，并对不同的室内定位方法的研究现状进行总体分析与归纳；最后，对未来的发展趋势进行展望。随着微机电系统(MEMS）的日趋成熟[31]，基于MEMS惯性传感器的行业市场规模不断扩大。基于MIMU的室内定位技术正被广泛应用于穿戴式设备和智能移动终端上。MIMU主要由三轴加速度计、三轴陀螺仪和三轴磁力计组成，在给定的运动初始状态条件下，通过测量载体相对于惯性空间的运动参数，经过转换处理即可获取载体的姿态和航向等信息[29]。MIMU传感器具有尺寸小、质量小、成本低、自主性强和实时性高等优势。基于MIMU的室内定位技术无需额外的基础设施，且定位过程中受外界干扰较少。目前，基于MIMU传感器的室内定位方法主要可以分为两类：一是基于MIMU传感器设备的传统航位推算；二是基于大众智能手机的MIMU行人航位推算(PDR）(简称MIMU-PDR）。1）基于MIMU传感器设备的传统航位推算。该方法通过在移动设备上装载惯性传感器，并将其穿戴在用户的脚上、手腕和腿上等部位，实现室内定位与导航。该技术主要利用三轴加速度、陀螺仪和角速度数据获取姿态和航向信息，基于航位推算原理，运用惯性积分方法连续计算行人行走的相对距离和航向，再利用初始位置和航向计算当前行人的位置信息。然而，在行进的过程中，由于多次积分的影响，惯性误差会逐渐累积。为了校正这种误差，零速修正(ZUPT）方法被广泛应用。常用的ZUPT方法主要包括基于固定阈值、方差、差分和广义似然比检验的方法。此外，为了减少定位过程中的计算负载，Bai等[32]提出了一种用于封闭形式的IMU预积分的异步绝对/相对量测融合的即插即用因子图方法，实现了较好的动态适应性。2）基于大众智能手机的MIMU-PDR。该方法利用智能手机内置陀螺仪、加速度计和磁力计等惯性传感器对步态进行探测，并估计步长，结合航向输出，推算当前位置信息。原理如图1所示，PDR方法无需任何预先部署的基础设施，确定已知初始位置(x0，y0），结合测算的航向角θk和步长l计算出相对位置(xk，yk），提供实时、连续的位置估计。上述两类基于MIMU的室内定位方法各有优劣，但基于大众智能手机的MIMU-PDR依赖于智能手机设备，这类设备更加普及且灵活，无需固定在身体部位上，多适用于二维平面的位置估计。因此，基于大众智能手机的MIMU-PDR方法具有更好的普适性，本文将重点围绕该行人自主定位方法进行综述。3）基于大众智能手机的MIMU-PDR实现过程。基于大众智能手机的MIMU-PDR方法是一种旨在满足大众需求，利用手机内置传感器，实现轻量化和自主导航能力的相对室内定位方法[33]。PDR定位过程中，利用行人行走时三轴加速度波峰和波谷的周期性变化规律，识别波峰与波谷标志Peak和Valley，从而获取步态信息，如图2(a）所示(为清晰展示波峰波谷曲线，该图仅选取了部分加速度值进行绘制）；接着，构建步长参数模型以计算实时步长，如图2(b）所示；随后，利用陀螺仪和磁力计等传感器数据进行航向角计算，如图2(c）所示；最后，结合实时步态、步长和航向数据，计算出行人的位置信息，进而得到行人的运动轨迹。4）基于大众智能手机的MIMU-PDR的研究进展。在PDR定位的过程中，步长估计、步态探测及航向估计是定位关键。为了提高PDR定位精度，一些学者从步长模型、步态模型以及航向估计展开研究[34-36]。另外，针对基于大众智能手机的MIMU-PDR方法，用户的运动状态及智能手机姿态也是影响PDR定位精度的关键因素。随着研究的不断深入，考虑的手机姿态越来越丰富，李静等[37]不仅考虑了正常步行、慢走和跑等步行状态，还考虑了打电话、发消息、随手摆动和放上衣口袋等手机姿态；步态周期也不断改进完善，从平稳、峰值和谷值3个步行状态[38]到平稳(起始）、上坡、波峰、下坡、波谷、上坡和平稳(结束）7个状态(考虑波峰与波谷间从脚后跟着地到整个脚掌着地的过程[39]），进一步细化了步态检测过程。此外，针对不同的运动状态及手机姿态，提高姿态的识别准确率具有重要的研究意义，高丽丽等[40]利用长短期记忆网络(LSTM）方法不断提高姿态识别的准确性、鲁棒性；邹一凡等[41]基于改进的扩展互补滤波算法，结合ZUPT算法与姿态快速收敛算法，以较低的运算量实现了对行人的定位；Woyano等[42]基于卷积神经网络(CNN）-LSTM的混合PDR模型方法，捕获局部空间和时间特征，通过端到端的方法模拟和减轻与MEMS相关的误差，实现了均方根误差(RMSE）为0.52m的定位精度。目前，公共场所的Wi-Fi信号大面积覆盖，分布范围广泛、布设密度大，使基于Wi-Fi的室内定位方法因其显著优势而备受关注。同时，基于Wi-Fi的室内定位方法不需要部署额外设备，还具有定位成本低、适用性强及不受光影响等特点[43]，更利于普及推广。目前，根据不同的接收信号，该方法一般可分为基于接收信号强度指示(RSSI）的室内定位方法和基于信道状态信息(CSI）的室内定位方法。基于RSSI的室内定位方法，从原理上来说，可分为基于测距和非测距定位方法，如表2所示。测距的定位方法主要包含基于到达角(AOA）[44]、离去角(AOD）[45]、往返时间(RTT）[46]、到达时间(TOA）[47]和到达时间差(TDOA）[48]等几何定位方法。而非测距的定位方法主要有邻近探测法[49]、质心法[50]和指纹匹配法[51]等。其中，基于RSSI的指纹匹配定位方法由于不需要时间同步，并且可以在非视距条件下实现定位，是常用的Wi-Fi室内定位方法。指纹匹配定位流程如图3所示，其定位过程主要包含离线阶段和在线阶段。离线阶段，建立RSSI指纹数据库。在线阶段，通过指纹匹配算法，将待测点上接收的各接入点(AP）与各参考节点(RP）之间的接收信号强度(RSS）值与指纹数据库中的数据进行匹配，计算测试点(TP）位置。目前，Wi-Fi指纹定位过程中仍存在一些技术发展与应用的瓶颈。1）指纹数据的采集与更新。由于室内环境复杂，合理部署和选择AP可以提升指纹匹配定位的Wi-Fi定位精度、减少成本并提升计算效率[52]。确定参与室内定位的AP后，离线阶段需要采集实验区域的RSSI数据，以获得蓝色信号点处指纹数据，如图4所示。为减少离线人工建库所需的时间和人力成本，并降低指纹库维护成本，可采用插值虚拟指纹和众包采集的方法[53]，而分级符号动态滤波对噪声和多径效应具有很好的鲁棒性[54]。 动态变化的室内环境数据使得AP的更新和维护困难。指纹数据的更新方法主要分为以下3类：固定点更新方法尝试在已知固定位置点上部署特定设备以动态更新数据，但成本高；半自动更新方法通过构建模型，可避免对特定设备的过度依赖，利用拟合少量最新数据与原始数据更新整个数据库，但模型的通用性差；自动更新方法[55-56]得益于多智能感知和高效算力，完全无需额外的特定设备与人工参与，充分利用原有未充分利用的信息，实现数据的自动更新。因此，提高对定位环境的自学习与适应能力，实现定位指纹库自动更新，是室内定位领域亟需解决的问题。2）指纹匹配算法进展。针对基于RSSI指纹匹配的室内定位方法，指纹匹配算法的构建和选择是最关键的一步，它直接决定了指纹匹配定位方法的定位性能。目前，常用的指纹匹配算法主要包括确定性方法、概率性方法和机器学习方法。确定性指纹定位方法是最早提出的指纹匹配算法，主要包含K最近邻(KNN）和加权KNN(WKNN）等[57]。然而，基于确定性的匹配定位方法未能很好地反映Wi-Fi信号特性，而基于概率的指纹匹配算法能更好地反映出信号变化特征。随着人工智能时代的到来，基于深度学习的指纹匹配算法成为研究热点。人工神经网络(ANN）算法因其非线性适应性的信息处理能力而得到广泛应用。深度学习将信号特征提取和多分类相结合，包括改进的后向传播神经网络(BPNN）算法[58]和在线顺序极限学习机(OS-ELM）算法[59]等。ANN算法结合ELM自动编码器(ELM-AE）与二维CNN以降低输入维度与噪声[60]，利用多层感知机(MLP）改进隐藏层，结合对数距离路径损耗模型(LDPL）微调学习参数[61]，从而优化深度神经网络，以提高鲁棒性和定位效率[62]。此外，Dong等[63]利用深度邻域学习(DNL）降低平均绝对定位误差10%~50%。Wang等[64]利用时间卷积网络(TCN）拟合非线性映射关系的三维坐标。基于神经网络的深度学习[65]和边缘计算下的指纹室内定位差分私有联邦学习模型[66]提升了隐私性、安全性、可靠性及公信度。3）基于人工智能的指纹匹配优化算法。为了进一步提升收敛精度与室内定位效率，机器学习、深度学习常与优化算法融合，如表3所示。常用的优化算法包括基于权重的优化(WBO）算法[67]、遗传算法(GA）[46]、烟花算法(FWA）[68]、萤火虫算法(FA）[69]、粒子群优化(PSO）[69]算法及概率数据关联/有限脉冲响应(PDA/FIR）混合滤波器(HPFF）算法[70]等。融合方法包括FWA-PSO算法[68]、FA支持向量机(FA-SVM）算法[69]及PSO-SVM算法[71]等很好地进行优劣互补、优势增强的结合方法。例如，Bi等[72-73]提出的PSOSVRPos方法在1511个样本、154个特征的开源数据集上实现了1.040m的平均误差、0.863m的RMSE及1m以内误差占比59.8%的室RMSE。Scavino等[61]结合PSO算法与改进的MLP框架，在合适的信号权重下将定位误差降低了20%。随着Wi-Fi技术的发展，无线局域网协议出现了正交频分复用(OFDM）和多入多出(MIMO）技术，使得Wi-Fi收发设备之间的信道特征可以在物理层进行估计，并以CSI的形式存储下来。作为信道频率响应的量化表征，CSI包含振幅和相位两类信息，可以反映物理环境中的散射、环境衰减及功率衰减等状态，感知能力强于RSSI。与传统的RSSI相比，CSI是无线信号在空间中传播过程的本质描述，具备更大的应用潜力。近年来，商用Wi-Fi设备逐渐开放了物理层信息，使得直接获取CSI成为可能。相比于传统用于定位的RSSI值，CSI提供了更精细的信道频率响应信息，包含更丰富的特征量。基于这些丰富的物理量，定位精度得到有效提升，多径等问题也有望得到解决[26，75]。因此，基于CSI的室内定位技术得到了越来越多的关注。1）基于CSI的指纹定位过程。基于CSI的室内定位方法有着与RSSI相似的室内定位方法，但目前应用最广泛的也是指纹定位方法。CSI指纹匹配系统通常需要至少一个发射端(基站）和一个接收端，接收端每收到一个数据包，即可输出一个对应基站与接收端之间信道特性的CSI矩阵。指纹法通常包含离线构建指纹库和在线匹配两个阶段，指纹库构建时，根据设置的数据包间隔，每个指纹点短时间内可得到多个CSI矩阵。与基于RSSI的指纹库构建方法类似，一次采集多组数据，随后将这些数据与相应的位置信息关联，并记录在数据库中，从而建立指纹数据库。在线匹配时，根据性能需求，可直接利用单个数据包得到的CSI值，或者一段时间内的CSI数据与指纹库进行匹配，获得用户位置[26]。2）基于CSI的指纹定位方法研究进展。在指纹定位的过程中，为充分利用CSI中的局部信息和全局信息，Zhang等[76]利用注意力增强残差CNN，学习历史CSI以减少定位误差。Wang等[77]使用深度学习算法训练CSI幅值指纹库，并结合基于径向基函数的概率方法实现在线定位，所提方法实现了0.95m的平均定位误差。Wu等[78]通过采集2条天线链路的CSI振幅信息进行指纹定位，在定位过程中，利用置信度信息增强朴素贝叶斯分类器，实现了86%的分类准确率，其效果优于朴素贝叶斯分类器至少15%。邵小强等[79]提出了一种基于改进WKNN算法的CSI被动室内定位方法，该算法约81%的测试位置定位误差控制在1m以内，有效地提高了定位性能。李芬芳等[80]提出了一种基于CSI的加权混合回归(WMR）室内定位算法，在离线阶段单独训练支持向量回归(SVR）和K近邻回归(KNR）模型，并获得最优的权重分配；在线阶段通过建立的WMR模型实时预测目标的位置，有效提高了室内定位技术的性能。目前，基于MIMU的室内定位方法存在误差累积现象，基于Wi-Fi的室内定位技术受环境影响较大，定位稳定性不足。为弥补单一定位算法存在的不足和局限性，基于MIMU与Wi-Fi的融合室内定位方法作为一种常用的方法用于提升室内定位性能。融合定位方法主要分为松耦合与紧耦合两种形式[81]。其中基于松耦合的融合方法仅仅是定位结果(如坐标）的融合；而基于紧耦合的方法是融合观测量(如RSSI），通过滤波算法估计得到最终融合定位结果。融合室内定位方法流程如图5所示。大量的学者对基于MIMU与Wi-Fi的融合室内定位方法进行了研究，提出了一系列的融合定位方法，主要包含卡尔曼滤波(KF）系列、蒙特卡罗系列和ANN系列的融合方法。KF系列的融合方法是对基于贝叶斯滤波方法不断进行改进，从KF到扩展卡尔曼滤波(EKF）、无迹卡尔曼滤波(UKF）、自适应卡尔曼滤波(AKF），再到强跟踪滤波(STF）、自适应反馈EKF(AFEKF）。蒙特卡罗系列的融合方法是从蒙特卡罗到粒子滤波(PF），方法性能进一步优化。随着人工智能的发展，LSTM、双向LSTM(Bi-LSTM）和CNN等ANN系列的融合方法性能更加完善。表4对各类不同融合定位方法的优劣进行了对比分析和归纳。1）KF系列。KF是基于MIMU与Wi-Fi的融合室内定位中使用最广泛的方法。KF是一种线性模型，且噪声和初始状态均为独立高斯分布的贝叶斯滤波。在非线性观测和状态转换模型中，EKF算法在KF的基础上考虑了发散风险。考虑到EKF在泰勒展开中忽略高阶项会引入误差，采用UKF算法的无迹变换进行线性近似。当路径复杂且变化迅速时，EKF和UKF的融合性能受到限制。若系统过程噪声和量测噪声未知且受时变环境影响时，常规KF算法的估计精度依赖于参数设置。为克服这一缺点，AFEKF[85]将距离测量与深度上的估计位置融合，能自适应地调整下一时刻的位置估计。STF[86]是由EKF改造而来的，是一种用于非线性系统的新型滤波器，具有较好的关于模型参数失配的鲁棒性，并且对于状态与参数突变有很强的实时跟踪能力，从而避免非视距偏差对最终定位结果的影响。在实际应用过程中，考虑到室内环境复杂多变导致的噪声参数变化的问题，STF算法根据室内融合定位系统的状态方程和观测方程估计当前位置，并为后续的卡方检验(CST）和PF提供经验信息。例如，Yu等[35]采用EKF算法融合MIMU与Wi-Fi这两种技术，实现了1.18m的平均定位误差、2m以内误差占比73%的定位精度。宋宇等[83]通过UKF算法将Wi-Fi与PDR定位的结果进行融合，使定位误差低至1.41m。罗日等[84]利用UKF算法融合Wi-Fi定位结果与PDR定位结果，减少了PDR的累积定位误差，与单一的PDR定位算法相比，平均定位误差降低了65.2%。2）蒙特卡罗系列。PF源于蒙特卡罗方法，利用粒子集表示概率，可用于任何形式的状态空间模型上，其核心思想是通过从后验概率中抽取的随机状态粒子表达其分布。由于非参数化的特点，PF摆脱了在解决非线性滤波问题时随机量必须满足高斯分布的制约，具有更强的非线性建模能力，常作为基于MIMU与Wi-Fi的融合室内定位方法。例如，宋世铭等[87]利用PF方法对Wi-Fi定位及PDR定位的结果进行融合，融合方法的平均定位精度相较于单一定位方法均有所提高，定位误差为1.989m。关维国等[88]提出了基于自适应PF的Wi-Fi与PDR融合定位算法，定位RMSE为0.95m，有效改善了室内环境下定位系统的定位精度和鲁棒性。3）ANN系列。ANN系列以其强大的非线性映射能力融入室内融合算法中，包括BPNN、LSTM、残差神经网络(ResNet）及Bi-LSTM等算法。例如，Yu等[35]结合BPNN的非线性映射能力以校正EKF融合定位过程中的非线性近似误差，利用LSTM训练历史运动状态融合PDR与Wi-Fi数据，以提升室内定位整体性能。Zhang等[76]使用注意力增强残差CNN，以充分获取CSI中的局部信息和全局信息并融合MIMU数据。Wu等[82]利用基于ResNet的惯性ANN和基于Bi-LSTM的Wi-Fi指纹ANN在构建的导航数据库上进行训练，结合深度学习框架和KF算法融合Wi-Fi与PDR定位数据，以提供准确和稳健的三维定位性能。![]()
基于MIMU与Wi-Fi的室内定位技术逐步发展并日趋成熟，未来需充分挖掘大众化用户需求，利用“MIMU+Wi-Fi+(地磁/视觉/雷达/…）”多源融合模式优势，不断打造并完善更具普适性、人性化的室内位置服务，具体包含以下3个方面。1）大众化：更为广泛的用户需求。目前，大众市场对室内定位精度和覆盖范围的需求各不相同，但均要求定位的高可用性和低成本。大量的设备部署和较高的维护成本导致现有的室内定位技术难以被大规模的消费者所认可推广。为改善这一局面，应考虑提供自主普适的室内定位技术，并根据用户需求提供多样化的位置服务，以获得市场广泛的认可和推广。2）多源化：“MIMU+Wi-Fi+(地磁/视觉/雷达/…）”模式。MIMU因具备自主导航能力而广泛应用于室内定位中。但随着定位时长的增加，MIMU存在误差累积的现象，影响了定位精度及可靠性。针对这种情况，通常采用融合视觉与雷达的实时定位与建图(SLAM）技术修正MIMU误差，提高定位的精度[89]。然而，SLAM等技术对设备要求高，存在定位时间较长等问题，不能很好地适应大众需求。对此，一方面，可以考虑提升手机软硬件性能以满足SLAM技术需要；另一方面，考虑到诸多室内定位技术现状，其中Wi-Fi技术覆盖广泛，是现有辅助MIMU室内定位技术的理想融合技术。与此同时，地磁由于可用区域广泛、无误差累积及无源等特性，也是一种很好的融合室内定位技术手段。3）智能化：更具人性化的室内场景定位服务。智能时代，物联网、5G、大数据和人工智能等技术的支持会更好地满足人们对室内位置信息服务的需求[90-91]。针对不同的应用场景，进行二次开发，关联位置信息，适时切换场景与智能导航，提供室内三维空间地图浏览与查询、定位导航、信息交互及用户管理等智慧可视化位置服务[92]。考虑到用户隐私问题，对有必要进行保密的数据进行分级加密。为了给用户提供更为贴切的位置信息服务，可以融入虚拟现实(VR）技术、增强现实(AR）技术及智能语音交互技术以增强用户的感知体验，利用深度神经网络自动提取用户行为特征，实现更高的识别准确率，进一步展开室内实景三维智能定位技术的研究。目前，室内定位技术呈现百家争鸣的局面，但是基于MIMU与Wi-Fi的室内定位技术或许是实现大众普适的室内定位的主要突破口。本文首先分别阐述了基于MIMU和Wi-Fi的室内定位方法原理，概括了其存在的问题及研究现状；然后对MIMU与Wi-Fi的融合室内定位方法进行了分类对比，考虑了其优缺点及各自的适用性；最后，分析了现阶段室内定位技术的发展趋势，为后续基于普适性大众化的室内定位技术的发展提供了思路。在建设智慧城市的过程中，面向更具普适性的室内服务，基于MIMU与Wi-Fi的普适室内定位仍然面临诸多挑战。融合地磁、视觉及雷达等多源传感器数据，借助机器学习等方法，优化室内定位融合算法与模型，形成泛在普适的大众化室内定位方案，是普适室内定位发展的必由之路。
