0 引言

    在智能移动设备广泛普及和应用场景多元化的大背景下，基于位置的服务[1]逐渐成为研究热点。传统的室内定位方法包括蓝牙[2]、红外线[3]、超宽带[4]、射频识别[5]和WiFi[6]等，这些方法通常存在精度差、成本高和电磁干扰严重等问题。为了解决上述问题，研究人员提出了应用于室内的可见光定位（VLP）系统，主要运用在机场、商超和地下矿井等场所。

    VLP技术是在可见光通信（VLC）的基础上建立的，目前主要用于室内环境的定位。室内VLP技术通过建立室内光源网络，将室内环境信息加载到光信号上，由发光二极管（LED）信号源发射，经室内空间被待检测设备的传感器接收，再采用不同算法分析计算得出待检测设备在室内的位置。VLP方法包括几何测

法[7]、接近法、指纹定位法[8]和图像定位法[9]。文献[10]提出了一种基于近似完美三角点测试（APIT）算法多LED照明节点的室内VLP方法，该方法属于几何测量法，利用信号传输时间作为节点间距大小的判断凭证，并结合APIT定位算法完成APIT与测试前后的合法筛选，得出定位最小多边形区域后，再对该区域不断优化，最终得出被定位节点的估计坐标。在5 m×

5 m×3 m的立体空间环境中，室内信噪比（SNR）分布均值为12 dB左右的情况下，定位误差保持在0.24 m左右，该VLP方法的定位精度较差。文献[11]提出了将确定型算法与概率分布算法融合的室内定位改进算法，属于接近法。首先，采用K近邻（KNN）算法选取几个与接收机位置相近的参考点，对接收信号进行高斯滤波后采用贝叶斯算法计算其后验概率，后验概率最大的点即为估计位置。这一改进算法不仅降低了贝叶斯算法的复杂度，且不需要假设每个位置的先验概率相等，更加贴合实际情况，同时大大提高了KNN算法的定位精度，平均误差为0.17 m，但该算法实现过程较为复杂。文献[12]提出了一种基于卷积神经网络（CNN）的可见光指纹定位方法。该方法利用参考节点LED的光强信号作为特征，构建指纹数据库，引入一维CNN学习模型进行训练。将测量的接收信号强度（RSS）数据输入到CNN模型定位中，实现高精度位置估计，平均定位误差为4.44 cm。虽然CNN的应用，较好地解决了全连接前馈神经网络定位精度低、稳定性差的问题，但CNN的训练层数取决于实际应用场景，普适性较差。

    相较于其它VLP方法，指纹定位法成本和系统复杂程度低且定位精度高。为了满足适用于室内定位的需求，且进一步提高定位性能，本文提出一种基于随机森林（RF）算法的室内可见光指纹定位方法。

4 结束语

    本文提出了一种基于RF算法的室内可见光指纹定位方法。首先，该方法使用PD检测来自发射端不同LED的RSS，在离线阶段通过在接收平面随机选取多个采样点的RSS构建指纹数据库，实现基于光强指纹的定位模型；然后，根据不同的特征训练出若干个决策树构成RF，再将待定位数据输入到RF的每颗决策树进行回归输出，取所有决策树的输出做算术平均，得出

的结果就是对移动的待测定位目标做出大概的位置估计；最后，对位置估计进行卡尔曼滤波优化处理，使得定位误差进一步缩小，从而得到更加准确的结果。仿真结果表明：在5 m×5 m×3 m的室内场景下，所提方法大部分采样点误差分布在4 cm之内，能够满足大多数室内动态目标定位服务的需求，并且定位性能优于传统KNN算法。本文所提方法较好地解决了指纹定位匹配算法效率及定位精度低的问题。