孫鳳池，宋萌，劉光

(南開(kāi)大學(xué) 軟件學(xué)院，天津300071)

移動(dòng)機(jī)器人具有可移動(dòng)性，能夠代替人到各種復(fù)雜或危險(xiǎn)的環(huán)境中執(zhí)行偵查、勘探、救援、搜索等任務(wù)，從而在星球探測(cè)、海洋開(kāi)發(fā)、軍事反恐、災(zāi)難救助、危險(xiǎn)品處理等領(lǐng)域逐漸顯示出重要作用.為了完成各種作業(yè)任務(wù)，機(jī)器人必須能夠在所處環(huán)境中自主導(dǎo)航，而可靠的定位是移動(dòng)機(jī)器人導(dǎo)航的基礎(chǔ)［1］.機(jī)器人依靠各種傳感器從環(huán)境中提取路標(biāo)特征實(shí)現(xiàn)定位和導(dǎo)航，超聲、激光、紅外等測(cè)距傳感器以及視覺(jué)傳感器被普遍應(yīng)用于移動(dòng)機(jī)器人定位和導(dǎo)航［2-5］.

近年來(lái)，射頻識(shí)別(radio frequency identification，RFID)技術(shù)被引入到機(jī)器人定位研究中，如文獻(xiàn)［6］使用裝備了RFID天線閱讀器的移動(dòng)機(jī)器人，建立了描述RFID信號(hào)強(qiáng)度特性的概率模型，從而可以確定環(huán)境中某些物體上的標(biāo)簽的位置，然后通過(guò)融合RFID信息和激光信息實(shí)現(xiàn)全局定位.文獻(xiàn)［7］綜合射頻通信和超聲波測(cè)距技術(shù)實(shí)現(xiàn)了一個(gè)用于室內(nèi)環(huán)境的移動(dòng)機(jī)器人定位系統(tǒng)，通過(guò)事先在地面或者天花板上安放多個(gè)測(cè)距節(jié)點(diǎn)，實(shí)現(xiàn)對(duì)機(jī)器人的跟蹤.文獻(xiàn)［8］針對(duì)在某些未知環(huán)境中難以可靠提取自然路標(biāo)的情況，基于RFID通信和超聲測(cè)距提出了一種可以根據(jù)定位需要進(jìn)行動(dòng)態(tài)配置的路標(biāo)系統(tǒng).

室內(nèi)環(huán)境中機(jī)器人的精確定位是以精確的測(cè)距為基礎(chǔ)的，對(duì)于RFID定位傳感器，可以采用基于信號(hào)接收強(qiáng)度(received signal strength，RSS)的測(cè)距，也就是通過(guò)測(cè)量信號(hào)在傳播過(guò)程中的衰減實(shí)現(xiàn)距離的測(cè)定.與基于信號(hào)到達(dá)時(shí)間和信號(hào)到達(dá)角度的測(cè)距相比，該方法不需要額外的硬件設(shè)備來(lái)進(jìn)行精確的時(shí)間同步和角度測(cè)量，成本較低，且可以兼用于室外和室內(nèi).這方面已有的方法主要是依據(jù)射頻信號(hào)能量衰減的物理原理，在大量人工測(cè)量數(shù)據(jù)的基礎(chǔ)上，采用最小二乘法之類的方法擬合物理衰減模型的參數(shù).但這種建模方法沒(méi)有考慮RFID傳感器的個(gè)體差異，而且所建立的模型不能適應(yīng)環(huán)境變化，因此一旦定位裝置進(jìn)入新環(huán)境，就必須重新測(cè)量采集數(shù)據(jù)并擬合模型以適應(yīng)環(huán)境變化對(duì)射頻傳播造成的影響.為了克服上述缺點(diǎn)，本文提出了基于在線自學(xué)習(xí)方式，獲得對(duì)應(yīng)無(wú)線傳感器射頻信號(hào)能量衰減的自適應(yīng)測(cè)距模型，這種模型可以自動(dòng)適應(yīng)外部環(huán)境的變化，兼顧無(wú)線傳感器個(gè)體之間的差異，并可以在線自我調(diào)整，以適用于規(guī)模較大、組成介質(zhì)多變的環(huán)境.

1 問(wèn)題描述

1.1 RFID定位路標(biāo)傳感器

圖1是采用的RFID無(wú)線傳感器的電路結(jié)構(gòu)與原理框圖，在設(shè)計(jì)上集成了射頻通信和超聲測(cè)距的功能，原理類似于文獻(xiàn)［9］中的系統(tǒng);但是在串口通信、超聲發(fā)射與接收等方面因應(yīng)用模式的差異而有較大的區(qū)別，并且射頻的發(fā)射和接收是可以控制切換的［8］.

圖1 無(wú)線傳感器路標(biāo)電路結(jié)構(gòu)與原理Fig.1 The circuit schematic diagram of wireless sensors

RFID定位路標(biāo)被安放好以后，以射頻信號(hào)的形式周期性地發(fā)射自己的身份信息，同時(shí)發(fā)送超聲波脈沖.機(jī)器人車載路標(biāo)觀測(cè)節(jié)點(diǎn)能夠接聽(tīng)路標(biāo)發(fā)出的組合信息，并利用射頻信號(hào)和超聲波信號(hào)的到達(dá)時(shí)間差測(cè)量出自己和路標(biāo)之間的距離，然后根據(jù)這些測(cè)距數(shù)據(jù)及多個(gè)節(jié)點(diǎn)之間的相對(duì)位置實(shí)現(xiàn)機(jī)器人定位［8］，但這種基于超聲波到達(dá)時(shí)間差的測(cè)距方法的適用范圍和角度受限于超聲波器件的物理特性.因此在本文中，超聲測(cè)距僅用來(lái)為在線學(xué)習(xí)射頻衰減測(cè)距模型自適應(yīng)參數(shù)修正，在機(jī)器人進(jìn)行正常定位時(shí)，依據(jù)的是射頻衰減測(cè)距模型輸出的測(cè)距結(jié)果.在設(shè)計(jì)過(guò)程中，路標(biāo)微控制器內(nèi)部的Flash存儲(chǔ)器內(nèi)存放了表示路標(biāo)身份的編號(hào)信息.

1.2 射頻傳播能量衰減模型

無(wú)線電波傳播有許多不同的機(jī)理，傳播方式主要有視距傳播和非視距傳播.視距傳播就是自由空間傳播，而非視距傳播主要包括反射傳播、繞射傳播和散射傳播等方式.在環(huán)境中還存在障礙物及電磁波傳播多徑效應(yīng)的影響，在大多數(shù)情況下，電磁波的能量衰減和距離的n次方冪成反比，假設(shè)發(fā)射功率為Pt，對(duì)于傳播距離為d處的功率為Pr，則有如式(1)所示的經(jīng)驗(yàn)?zāi)Ｐ完P(guān)系式:

式中:P0表示在參考距離處接收到的功率，與Pt的關(guān)系恒定;n為無(wú)線信號(hào)傳播的衰減因子，取值通常為［0，6］，其中在自由空間中n的取值為2，在室內(nèi)環(huán)境中距離和功率的關(guān)系取決于建筑物的材料、密度和高度，在走廊或室內(nèi)開(kāi)闊空間的n值小于2，而在金屬建筑物中n值可以達(dá)到6［10］.

對(duì)式(1)2邊同時(shí)做10log分貝運(yùn)算，可得

式(2)只有2個(gè)參數(shù)P0和n，在測(cè)定一些數(shù)據(jù)之后，P0和n的取值可以通過(guò)最大似然估計(jì)等方法擬合曲線來(lái)確定.這種基于測(cè)量數(shù)據(jù)擬合無(wú)線信號(hào)衰減模型參數(shù)的方法，具有簡(jiǎn)單、方便的優(yōu)點(diǎn);但是在實(shí)際應(yīng)用中與激光、超聲及紅外相比，它的測(cè)距誤差大，易受環(huán)境、自身工作條件干擾.基于以上模型存在的問(wèn)題，本文通過(guò)在線學(xué)習(xí)獲得自適應(yīng)射頻衰減測(cè)距模型，在線學(xué)習(xí)的結(jié)果是一個(gè)從接收到的能量值和無(wú)線傳感器的身份編號(hào)映射到接收距離的神經(jīng)網(wǎng)絡(luò)模型，這種模型具有以下優(yōu)點(diǎn).

1)具有在線學(xué)習(xí)能力，即可根據(jù)實(shí)際應(yīng)用的需要在線完成模型的學(xué)習(xí)，而以往的模型無(wú)論是經(jīng)驗(yàn)?zāi)Ｐ?、多?xiàng)式擬合模型還是概率模型，基本上都是離線模型［11］，即模型的參數(shù)確定都是離線完成的，然后才將此模型付諸于應(yīng)用.

2)具有自適應(yīng)的能力，在實(shí)際應(yīng)用過(guò)程中，此模型可以根據(jù)無(wú)線信號(hào)傳播環(huán)境的變化，進(jìn)行參數(shù)調(diào)整，本文稱這種能力為自適應(yīng)能力;以往的模型一旦模型學(xué)習(xí)結(jié)束，在整個(gè)定位應(yīng)用過(guò)程中，模型的參數(shù)都不會(huì)發(fā)生變化.

3)能夠消除無(wú)線傳感器個(gè)體差異引起的誤差，已有的方法在建模過(guò)程中，很少考慮無(wú)線傳感器之間的差異，本文在建立模型的過(guò)程中，將無(wú)線傳感器的差異作為模型的一個(gè)輸入?yún)?shù)進(jìn)行學(xué)習(xí)，這樣可以從根本上消除無(wú)線傳感器個(gè)體差異對(duì)建模的影響.

信號(hào)衰減自適應(yīng)測(cè)距模型在線學(xué)習(xí)流程如圖2所示，其中能量和距離數(shù)據(jù)的讀入階段主要負(fù)責(zé)無(wú)線傳感信號(hào)功率數(shù)據(jù)和超聲測(cè)距數(shù)據(jù)的讀入;能量和距離數(shù)據(jù)的處理階段，主要負(fù)責(zé)將讀入的功率數(shù)據(jù)和距離數(shù)據(jù)根據(jù)實(shí)際物理原理進(jìn)行相應(yīng)的篩選操作;模型在線學(xué)習(xí)階段通過(guò)前饋神經(jīng)網(wǎng)路進(jìn)行模型學(xué)習(xí);判斷模型是否要自適應(yīng)調(diào)整時(shí)，在實(shí)際應(yīng)用過(guò)程中模型參數(shù)可以隨著無(wú)線信號(hào)傳播環(huán)境的變化而更新.

圖2 自適應(yīng)測(cè)距模型學(xué)習(xí)流程Fig.2 The learning process of the adaptive range model

2 射頻衰減自適應(yīng)測(cè)距模型的學(xué)習(xí)

2.1 能量和距離數(shù)據(jù)讀取

無(wú)線電信號(hào)在傳播的過(guò)程中，有2種調(diào)制方式，一種是頻率調(diào)制(FM)，另一種是幅值調(diào)制(AM).在頻率調(diào)制的整個(gè)過(guò)程中，待調(diào)制信號(hào)的能量與傳播的二進(jìn)制數(shù)據(jù)無(wú)關(guān)，其特點(diǎn)是抗干擾能力比較強(qiáng);而在幅值調(diào)制的整個(gè)過(guò)程中，帶調(diào)制信號(hào)的能量與傳播的二進(jìn)制數(shù)據(jù)有關(guān)，其特點(diǎn)是可以傳播很遠(yuǎn)的距離.本文的無(wú)線電數(shù)據(jù)采用AM調(diào)制，為了實(shí)現(xiàn)對(duì)能量數(shù)據(jù)的精確讀取，首先對(duì)傳輸數(shù)據(jù)進(jìn)行歸一化處理(即增加冗余數(shù)據(jù)保證每次傳輸數(shù)據(jù)0和1的比例相同)，然后進(jìn)行序列均值平滑處理.圖3為采用上述方法讀取的能量直方圖，這2個(gè)圖都是在某一距離下讀取一定數(shù)量的能量數(shù)據(jù)，通過(guò)統(tǒng)計(jì)得到的能量直方圖.

圖3 接收能量數(shù)據(jù)直方圖Fig.3 The histogram of energy receiving

2.2 能量和距離數(shù)據(jù)處理

從圖3可以看出，當(dāng)距離一定時(shí)接收信號(hào)的能量基本上滿足正態(tài)分布.因此可以引入如下數(shù)據(jù)處理方法，當(dāng)能量測(cè)取無(wú)線傳感器在某一固定位置時(shí)，讀取某一未知發(fā)射無(wú)線傳感器的所有RSS數(shù)據(jù)，并將其存儲(chǔ)到數(shù)組A中，根據(jù)高斯分布特點(diǎn)，在A中肯定有些統(tǒng)計(jì)數(shù)據(jù)的概率特別低，為使模型學(xué)習(xí)更精確，通過(guò)高斯模型將這些小概率點(diǎn)消除.由于讀取的能量服從高斯分布，可以建立高斯分布函數(shù)如式(3):

根據(jù)實(shí)際經(jīng)驗(yàn)，選0.7為數(shù)據(jù)篩選的關(guān)鍵點(diǎn)，當(dāng)高斯分布函數(shù)值F(x)≥0.7時(shí)，判定對(duì)應(yīng)的RSS值為大概率事件;當(dāng)F(x)＜0.7時(shí)，判定對(duì)應(yīng)的RSS值為小概率事件.具體處理過(guò)程如下:

1)通過(guò)式(4)、(5)，計(jì)算出均值u和方差σ2;

2)通過(guò)式(6)，計(jì)算出RSS值大概率事件的取值范圍;

3)根據(jù)第2)步計(jì)算出的大概率事件的取值范圍，可以從A中選擇大概率事件的RSS值，并保存到AG中，從而將小概率事件從A中去掉.

2.3 模型在線學(xué)習(xí)

能量和距離的關(guān)系模型可看作是一個(gè)簡(jiǎn)單的非線性函數(shù)，已有研究表明，只要網(wǎng)絡(luò)的結(jié)構(gòu)充分大，通過(guò)選擇網(wǎng)絡(luò)的參數(shù)，3層神經(jīng)網(wǎng)絡(luò)能以任意精度逼近任何連續(xù)的函數(shù)，因此能量和距離的關(guān)系模型可以用3層前饋神經(jīng)網(wǎng)絡(luò)來(lái)逼近.本文稱要建立的3層神經(jīng)網(wǎng)絡(luò)為能量距離神經(jīng)網(wǎng)絡(luò)，此神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)為3層的前饋神經(jīng)網(wǎng)絡(luò)，包括輸入層、隱含層和輸出層.

2.3.1 能量距離神經(jīng)網(wǎng)絡(luò)的建立

在能量距離神經(jīng)網(wǎng)絡(luò)中，輸入層用于輸入測(cè)量到的數(shù)據(jù)，包括能量值P和傳感器編號(hào)I，輸出層輸出距離映射值D，與輸入數(shù)據(jù)相對(duì)應(yīng)，中間的隱含層接收所有輸入單元傳來(lái)的信號(hào)，并把處理后的結(jié)果傳給每個(gè)輸出單元.神經(jīng)網(wǎng)絡(luò)的輸入層和輸出層的神經(jīng)元個(gè)數(shù)由數(shù)據(jù)的表達(dá)方式和需要逼近的問(wèn)題共同確定.本文所建立的神經(jīng)網(wǎng)絡(luò)，輸入層神經(jīng)元個(gè)數(shù)為2個(gè)，輸出層神經(jīng)元個(gè)數(shù)為1個(gè)，綜合考慮擬合精度和學(xué)習(xí)收斂速度的需要，設(shè)計(jì)隱含層神經(jīng)元個(gè)數(shù)為8.

輸入層到隱含層的權(quán)重為wij，即表示輸入層第j個(gè)單元到隱含層第i個(gè)單元的權(quán)重，隱含層到輸出層的權(quán)重為wi，即表示隱含層第i個(gè)單元到輸出層的權(quán)重.如果{wij，wi}給定，網(wǎng)絡(luò)中單元的取值與輸入向量X的關(guān)系可以描述如下.

對(duì)于輸出層單元，其輸入信號(hào)為

網(wǎng)絡(luò)的最終輸出如式(7):

2.3 .2 能量距離神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)

神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過(guò)程可以歸結(jié)為一個(gè)最優(yōu)化問(wèn)題，就是確定適當(dāng)?shù)臋?quán)重{wij，wi}，使得網(wǎng)絡(luò)映射輸出和真實(shí)值誤差最小，即使式(8)的值達(dá)到極小，其中N為樣本數(shù).

然后，通過(guò)LM-BP學(xué)習(xí)算法實(shí)現(xiàn)權(quán)重學(xué)習(xí)，LMBP學(xué)習(xí)算法的優(yōu)點(diǎn)是計(jì)算量較小，可以保證有較快的收斂速度.

2.3 .3 模型的自適應(yīng)調(diào)整

模型的自適應(yīng)調(diào)整就是根據(jù)實(shí)際應(yīng)用的問(wèn)題或者傳播環(huán)境的變化，適當(dāng)調(diào)整自身參數(shù)以減小測(cè)距誤差.模型的自適應(yīng)調(diào)整發(fā)生在以下幾種情況:1)測(cè)距模型的測(cè)距誤差太大，無(wú)法應(yīng)用于實(shí)際，可以通過(guò)判斷學(xué)習(xí)距離的方差來(lái)實(shí)現(xiàn)，若學(xué)習(xí)距離的方差大于某一閾值，則判定模型參數(shù)不準(zhǔn)確，需要進(jìn)行參數(shù)調(diào)整;2)在測(cè)距應(yīng)用過(guò)程中，如果發(fā)現(xiàn)多個(gè)無(wú)線傳感器的編號(hào)未出現(xiàn)在學(xué)習(xí)數(shù)據(jù)中，則認(rèn)為需要進(jìn)行參數(shù)調(diào)整;3)當(dāng)無(wú)線傳感器的應(yīng)用環(huán)境發(fā)生了很大的變化時(shí)，則應(yīng)調(diào)整模型參數(shù)以適應(yīng)外部環(huán)境.

3 實(shí)驗(yàn)結(jié)果及分析

為了驗(yàn)證所提出的自適應(yīng)測(cè)距模型，使用前述無(wú)線傳感器節(jié)點(diǎn)進(jìn)行實(shí)驗(yàn)，這種無(wú)線傳感器含有CC1000通信模塊，CC1000內(nèi)含RSS檢測(cè)單元，檢測(cè)信號(hào)的強(qiáng)度可以通過(guò)電壓的形式來(lái)指示.在室內(nèi)隨機(jī)安裝4個(gè)無(wú)線傳感器發(fā)射節(jié)點(diǎn)和1個(gè)無(wú)線傳感器接收節(jié)點(diǎn)，在此分別給出傳統(tǒng)經(jīng)驗(yàn)?zāi)Ｐ秃捅疚乃崮Ｐ偷膶?shí)驗(yàn)結(jié)果.

3.1 基于傳統(tǒng)經(jīng)驗(yàn)?zāi)Ｐ偷哪芰繙y(cè)距

傳統(tǒng)經(jīng)驗(yàn)?zāi)Ｐ偷膶?shí)驗(yàn)結(jié)果如圖4、5所示.

圖4 1.2 m位置處傳統(tǒng)模型的測(cè)距結(jié)果Fig.4 The distance measurement results of the traditional ranging model at 1.2 m

圖5 2.7 m位置處傳統(tǒng)模型的測(cè)距結(jié)果Fig.5 The distance measurement results of the traditional ranging model at 2.7 m

圖4是距離大約1.2 m處的實(shí)驗(yàn)結(jié)果，誤差均值為0.60 m，相對(duì)誤差是0.5 m;圖5是距離2.7 m左右的實(shí)驗(yàn)結(jié)果，誤差均值為0.65 m，相對(duì)誤差是0.3 m.從圖中可以看出，采用傳統(tǒng)經(jīng)驗(yàn)?zāi)Ｐ驮诓煌嚯x處進(jìn)行測(cè)距時(shí)平均誤差差別很大.傳統(tǒng)模型對(duì)環(huán)境的適應(yīng)性不是很強(qiáng)，隨著測(cè)量距離的不同，測(cè)量誤差變化很大.

3.2 基于自適應(yīng)無(wú)線信號(hào)衰減模型的測(cè)距

圖6是本文提出的自適應(yīng)測(cè)距模型的實(shí)驗(yàn)結(jié)果，平均測(cè)距誤差為0.2 m.圖7是加入數(shù)據(jù)濾波的實(shí)驗(yàn)結(jié)果，平均誤差為0.05 m.可以看出，采用加入數(shù)據(jù)濾波的自適應(yīng)測(cè)距模型在更大的測(cè)量范圍內(nèi)取得了更優(yōu)的測(cè)距效果.

圖6 自適應(yīng)測(cè)距模型的測(cè)距結(jié)果Fig.6 The distance measurement results of the adaptive range model without data filtering

圖7 加入數(shù)據(jù)濾波的自適應(yīng)測(cè)距模型的測(cè)距結(jié)果Fig.7 The distance measurement results of the adaptive range model with data filtering

4 結(jié)束語(yǔ)

利用無(wú)線傳感器作為移動(dòng)機(jī)器人定位與導(dǎo)航的路標(biāo)，能夠解決某些環(huán)境中難以提取自然路標(biāo)的問(wèn)題，并便于實(shí)現(xiàn)特征關(guān)聯(lián).通過(guò)測(cè)量接收信號(hào)強(qiáng)度進(jìn)行測(cè)距，是實(shí)現(xiàn)無(wú)線傳感器定位的關(guān)鍵.本文基于神經(jīng)網(wǎng)絡(luò)的方法為無(wú)線傳感器建立動(dòng)態(tài)的自適應(yīng)射頻衰減測(cè)距模型.由于學(xué)習(xí)過(guò)程是在線進(jìn)行的，環(huán)境因素如反射、折射、多徑效應(yīng)的影響被包含在模型中，提高了模型對(duì)環(huán)境的適應(yīng)能力，并且把路標(biāo)的身份作為神經(jīng)網(wǎng)絡(luò)模型的輸入，從而區(qū)分了傳感器中個(gè)體的差異，實(shí)驗(yàn)結(jié)果證明了這種建模方法在提高無(wú)線傳感器測(cè)距精度方面的有效性，顯示出對(duì)測(cè)距距離的良好適應(yīng)性.如何把這種測(cè)距方法用于無(wú)線傳感器動(dòng)態(tài)配置、移動(dòng)機(jī)器人同時(shí)定位與建圖，這是下一步的研究工作重點(diǎn).

［1］陳衛(wèi)東，張飛.移動(dòng)機(jī)器人的同步自定位與地圖創(chuàng)建研究進(jìn)展［J］.控制理論與應(yīng)用，2005，22(3):455-460.

CHEN Weidong，ZHANG Fei.Review on the achievements in simultaneous localization and map building for mobile robot［J］.Control Theory and Applications，2005，22(3):455-460.

［2］魏芳，董再勵(lì)，孫茂相，等.用于移動(dòng)機(jī)器人的視覺(jué)全局定位系統(tǒng)研究［J］.機(jī)器人，2001，23(5):400-403，420.

WEI Fang，DONG Zaili，SUN Maoxiang，et al.A vision global location system technique for mobile robots［J］.Robot，2001，23(5):400-403，420.

［3］蔡自興，王勇，王璐.基于角點(diǎn)聚類的移動(dòng)機(jī)器人自然路標(biāo)檢測(cè)與識(shí)別［J］.智能系統(tǒng)學(xué)報(bào)，2006，1(1):52-56.

CAI Zixing，WANG Yong，WANG Lu.Corner cluster based detection and recognition of natural landmark for mobile robots［J］.CAAI Transactions on Intelligent Systems，2006，1(1):52-56.

［4］LOPEZ D G，SJO K，PAUL C，et al.Hybrid laser and vision based object search and localization［C］//IEEE International Conference on Robotics and Automation.Pasadena，USA，2008:2636-2643.

［5］陸軍，孫凌麗，穆海軍，等.基于全景視覺(jué)的機(jī)器人相互定位的研究［J］.哈爾濱工程大學(xué)學(xué)報(bào)，2010，31(4):457-464.

LU Jun，SUN Lingli，MU Haijun，et al.Mutual localization of mobile robots using an omnivision system［J］.Journal of Harbin Engineering University，2010，31(4):457-464.

［6］HAHNEL D，BURGARD W，F(xiàn)OX D，et al.Mapping and localization with RFID technology［C］//IEEE International Conference on Robotics and Automation. New Orleans，USA，2004:1015-1020.

［7］CHO K，KANG M S，PARK S，et al.Development of indoor localization system using ultrasonic sensors［C］//International Symposium on Robotics(ISR).Seoul，Korea，2008:211-215.

［8］孫鳳池，苑晶.一種用于未知環(huán)境探索的可動(dòng)態(tài)配置路標(biāo)系統(tǒng)［J］.機(jī)器人，2010，32(1):77-82.

SUN Fengchi，YUAN Jing.A dynamically configurable landmark system for unknown environment exploration［J］.Robot，2010，32(1):77-82.

［9］PRIYANTHA N B，CHAKRABORTY A，BALAKRISHNAN H.The cricket location-support system［C］//Sixth Annual International Conference on Mobile Computing and Networking.New York，USA，2000:32-43.

［10］石鵬，徐鳳燕，王宗欣.基于傳播損耗模型的最大似然估計(jì)室內(nèi)定位算法［J］.信號(hào)處理，2005，21(5):502-504.

SHI Peng，XU Fengyan，WANG Zongxin.A maximumlikelihood indoor location algorithm based on indoor propagation loss model［J］.Signal Processing，2005，21(5):502-504.

［11］VORST P，ZELL A.Semi-autonomous learning of an RFID sensor model for mobile robot self-location［C］//European Robotics Symposium.Prague，Czech Republic，2008:273-282.