EKF-Based Fusion of Wi-Fi/LiDAR/IMU for Indoor Localization and Navigation

📄 arXiv: 2509.23118v1 📥 PDF

作者: Zeyi Li, Zhe Tang, Kyeong Soo Kim, Sihao Li, Jeremy S. Smith

分类: cs.RO, cs.LG, cs.NI

发布日期: 2025-09-27

备注: 8 pages, 7 figures, 3 tables, and submitted for presentation at a conference

💡 一句话要点

提出一种基于EKF的Wi-Fi/LiDAR/IMU融合室内定位导航框架，提升定位精度和鲁棒性。

🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics)

关键词: 室内定位 多传感器融合 扩展卡尔曼滤波 Wi-Fi指纹定位 LiDAR SLAM IMU导航 深度学习 机器人导航

📋 核心要点

  1. 传统Wi-Fi RSSI指纹定位精度较低，难以满足日益增长的室内定位导航需求，而基于LiDAR的方案部署成本和复杂度较高。
  2. 该论文提出了一种基于扩展卡尔曼滤波器(EKF)的多传感器融合框架，结合Wi-Fi、LiDAR和IMU的优势，实现更精确和鲁棒的室内定位。
  3. 实验结果表明，该框架在真实环境中取得了显著的定位精度提升，平均2D误差在0.2449米至0.3781米之间，优于单独使用Wi-Fi或LiDAR/IMU。

📝 摘要（中文）

本文提出了一种新颖的室内定位导航框架，该框架集成了Wi-Fi RSSI指纹定位、基于LiDAR的同步定位与地图构建(SLAM)以及基于惯性测量单元(IMU)的导航，并采用扩展卡尔曼滤波器(EKF)进行融合。具体而言，首先利用基于深度神经网络(DNN)的Wi-Fi RSSI指纹定位进行粗略定位，然后通过基于IMU的动态定位进行优化，并使用Gmapping-based SLAM生成占据栅格地图并输出高频姿态估计。最后，EKF预测-更新步骤集成了传感器信息，同时有效抑制了Wi-Fi引起的噪声和IMU漂移误差。在西安交通大学的IR大楼进行的多组真实实验表明，所提出的多传感器融合框架抑制了单个方法引起的不稳定性，从而在所有路径配置中提供稳定的精度，平均二维(2D)误差范围为0.2449米至0.3781米。相比之下，Wi-Fi RSSI指纹定位在信号干扰严重的区域的平均2D误差高达1.3404米，而LiDAR/IMU定位由于累积漂移，误差在0.6233米至2.8803米之间。

🔬 方法详解

问题定义：室内定位与导航面临精度和成本的挑战。Wi-Fi RSSI指纹定位精度有限，易受环境干扰；LiDAR SLAM虽然精度较高，但部署成本和复杂度较高；单独使用IMU存在累积漂移误差。因此，需要一种低成本、高精度的室内定位方案。

核心思路：论文的核心思路是将Wi-Fi、LiDAR和IMU三种传感器信息进行融合，利用各自的优势互补。Wi-Fi提供粗略定位，LiDAR SLAM提供高精度地图和姿态估计，IMU提供高频动态信息，通过EKF进行融合，抑制噪声和漂移误差。

技术框架：整体框架包含三个主要阶段：1) 基于DNN的Wi-Fi RSSI指纹粗略定位；2) 基于IMU的动态定位，并使用Gmapping SLAM生成占据栅格地图；3) 基于EKF的传感器信息融合，包括预测和更新两个步骤。EKF利用IMU数据进行状态预测，然后利用Wi-Fi和LiDAR数据进行状态更新，从而实现高精度定位。

关键创新：该论文的关键创新在于提出了一种基于EKF的多传感器融合框架，能够有效地融合Wi-Fi、LiDAR和IMU三种传感器信息，并抑制各自的缺点。与传统的基于单一传感器的定位方法相比，该方法具有更高的精度和鲁棒性。

关键设计：EKF的状态向量包括位置、姿态和速度等信息。预测步骤使用IMU数据进行状态更新，更新步骤使用Wi-Fi和LiDAR数据进行状态校正。Wi-Fi RSSI指纹定位使用DNN进行训练，LiDAR SLAM使用Gmapping算法生成地图。EKF的噪声协方差矩阵需要根据实际情况进行调整，以达到最佳的融合效果。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，所提出的多传感器融合框架在真实环境中取得了显著的定位精度提升。在西安交通大学IR大楼进行的实验中，该框架的平均2D误差范围为0.2449米至0.3781米，而Wi-Fi RSSI指纹定位的平均2D误差高达1.3404米，LiDAR/IMU定位的平均2D误差在0.6233米至2.8803米之间。该框架能够有效抑制由单个传感器引起的不稳定性，提供稳定的定位精度。

🎯 应用场景

该研究成果可应用于各种室内定位导航场景，例如：商场、医院、办公楼等大型建筑内的导航；仓库、工厂等环境中的机器人定位；以及增强现实(AR)和虚拟现实(VR)应用中的精确位置追踪。该方法能够有效降低部署成本，提高定位精度和鲁棒性，具有广阔的应用前景。

📄 摘要（原文）

Conventional Wi-Fi received signal strength indicator (RSSI) fingerprinting cannot meet the growing demand for accurate indoor localization and navigation due to its lower accuracy, while solutions based on light detection and ranging (LiDAR) can provide better localization performance but is limited by their higher deployment cost and complexity. To address these issues, we propose a novel indoor localization and navigation framework integrating Wi-Fi RSSI fingerprinting, LiDAR-based simultaneous localization and mapping (SLAM), and inertial measurement unit (IMU) navigation based on an extended Kalman filter (EKF). Specifically, coarse localization by deep neural network (DNN)-based Wi-Fi RSSI fingerprinting is refined by IMU-based dynamic positioning using a Gmapping-based SLAM to generate an occupancy grid map and output high-frequency attitude estimates, which is followed by EKF prediction-update integrating sensor information while effectively suppressing Wi-Fi-induced noise and IMU drift errors. Multi-group real-world experiments conducted on the IR building at Xi'an Jiaotong-Liverpool University demonstrates that the proposed multi-sensor fusion framework suppresses the instability caused by individual approaches and thereby provides stable accuracy across all path configurations with mean two-dimensional (2D) errors ranging from 0.2449 m to 0.3781 m. In contrast, the mean 2D errors of Wi-Fi RSSI fingerprinting reach up to 1.3404 m in areas with severe signal interference, and those of LiDAR/IMU localization are between 0.6233 m and 2.8803 m due to cumulative drift.