,, ,

(1.上海交通大學(xué),上海市北斗導(dǎo)航與位置服務(wù)重點實驗室,上海200240;2.上海華測導(dǎo)航技術(shù)股份有限公司,上海201702)

智能移動平臺融合定位技術(shù)綜述

裴凌1,劉東輝1,龔正1,趙毅2

(1.上海交通大學(xué),上海市北斗導(dǎo)航與位置服務(wù)重點實驗室,上海200240;2.上海華測導(dǎo)航技術(shù)股份有限公司,上海201702)

近年來,隨著基于位置服務(wù)需求的日益增大，產(chǎn)生了多種針對不同場景的定位方案。但由于定位場景多樣且復(fù)雜,單一定位手段無法滿足多種場景的不同定位需求。同時隨著硬件技術(shù)的進(jìn)步,出現(xiàn)了多種不同形式的智能移動平臺,可以搭載更多不同類型的傳感器，使得基于智能移動平臺的多傳感器融合定位成為了可能。首先對目前的智能移動平臺及其相關(guān)的定位技術(shù)進(jìn)行詳細(xì)介紹,然后對目前主流的融合定位方案進(jìn)行對比和分析,最后對融合定位技術(shù)進(jìn)行總結(jié)。

基于位置服務(wù);智能移動平臺;融合定位

0 引言

近幾年室內(nèi)定位技術(shù)發(fā)展迅速,但仍然沒有一種像星基導(dǎo)航系統(tǒng)提供室外定位一樣能夠用單一技術(shù)解決復(fù)雜場景定位問題的整體方案。而全球衛(wèi)星定位系統(tǒng)在室內(nèi)環(huán)境中又無法精確定位。實際上,大多數(shù)技術(shù)至少在理論上可以在室內(nèi)外應(yīng)用。但由于不同環(huán)境有很多實質(zhì)的差異,單一技術(shù)的實際可用性并不十分理想。于是,基于信息融合技術(shù)的多源融合定位技術(shù)成為解決復(fù)雜場景高可用、高可信定位問題的可行方案。

相對于傳統(tǒng)的單一定位技術(shù),融合定位可以充分利用每一個定位源的優(yōu)勢,從而提供最好的定位與導(dǎo)航結(jié)果。2011年11月,美國國防部高級研究計劃局(Defense Advanced Research Projects Agency, DARPA)首次提出全源導(dǎo)航(All Source Positioning and Navigation, ASPN)的概念[1]。美國的全源導(dǎo)航是針對美軍在地下、水下、室內(nèi)、城市、高山峽谷、GPS受阻等復(fù)雜場景下的導(dǎo)航定位問題而提出的。在我國,上海交通大學(xué)、國防科技大學(xué)等團(tuán)隊也開展了全源融合定位導(dǎo)航終端技術(shù)的研究。而隨著移動平臺制造工藝的發(fā)展,移動平臺變得越來越強(qiáng)大,可以搭載多種多樣的傳感器,計算能力也突飛猛進(jìn)。因此,充分利用智能移動平臺的傳感器資源與計算能力,實現(xiàn)基于移動平臺的融合定位也成為目前定位研究的主流方向。

本文首先介紹了目前主流的智能移動平臺的軟件和硬件基礎(chǔ),并對可在智能移動平臺應(yīng)用的定位技術(shù)進(jìn)行闡述。然后對目前的融合定位方式進(jìn)行分類介紹,最后對融合定位技術(shù)進(jìn)行性能評估和簡要總結(jié)。

1 智能移動平臺介紹

智能移動平臺(以下簡稱為移動平臺),也可稱為移動終端,即小型可計算設(shè)備,通?？稍谑种胁僮鞑⑶覔碛胁僮飨到y(tǒng),可以運(yùn)行移動應(yīng)用并實現(xiàn)多種功能,例如現(xiàn)在幾乎人手一部的智能手機(jī)、移動平板等。智能移動平臺通常具備四大特征:一是高速接入網(wǎng)絡(luò)的能力;二是開放可擴(kuò)展的操作系統(tǒng)平臺;三是較強(qiáng)的計算處理能力;四是豐富的人機(jī)交互方式。本節(jié)主要對目前主流的移動平臺形式進(jìn)行介紹。

1.1 操作系統(tǒng)介紹

智能移動平臺均搭載操作系統(tǒng),以運(yùn)行對應(yīng)形式的移動應(yīng)用程序,并完成相應(yīng)的功能。下面將對目前主要的移動操作系統(tǒng)進(jìn)行介紹。

1.1.1 Android

Android是一種基于Linux的自由及開放源代碼的操作系統(tǒng),主要適用于移動設(shè)備,如智能手機(jī)和平板電腦。Android操作系統(tǒng)最初由Andy Rubin開發(fā),主要支持手機(jī),在2005年8月被Google收購后逐漸發(fā)展壯大。得益于其開放性,Android操作系統(tǒng)被諸多移動終端制造商采用并推廣。在2017年4月3日互聯(lián)網(wǎng)分析公司Stat Counter發(fā)布的報告中,Android已超越Windows成為消費(fèi)者接入互聯(lián)網(wǎng)使用最廣泛的操作系統(tǒng)[2]。

在優(yōu)勢方面,Android平臺的開放性允許任何移動終端制造商加入到Android聯(lián)盟中來,繼而可以適配多種各具特色的功能模塊,也易于開發(fā)者進(jìn)行開發(fā)改進(jìn)。

其他以Linux為基礎(chǔ)的操作系統(tǒng)因為普及不足且與Android類似,本文從略。

1.1.2 iOS

iOS是由美國蘋果公司開發(fā)的移動操作系統(tǒng)。蘋果公司最早于2007年1月9日的Macworld大會上公布這個系統(tǒng),屬于類Unix的商業(yè)操作系統(tǒng)。最初是設(shè)計給iPhone使用的,后來陸續(xù)套用到iPod touch、iPad以及AppleTV等產(chǎn)品上。由于蘋果公司同時制造iPad、iPhone、iPod touch的硬件和軟件系統(tǒng),這種高度整合使應(yīng)用程序得以充分利用硬件資源。iOS系統(tǒng)的高安全性和易用性使得其迅速占領(lǐng)移動終端市場,并與Android一起拿下智能手機(jī)市場99.6%的份額[3]。

1.1.3 Windows

Windows Mobile(WM) 是微軟公司針對移動設(shè)備而開發(fā)的操作系統(tǒng)。該操作系統(tǒng)的設(shè)計初衷是盡量接近于桌面版本的Windows。微軟按照電腦操作系統(tǒng)的模式來設(shè)計WM,以便實現(xiàn)Windows跨平臺操作的效果。WM的應(yīng)用軟件以MicrosoftWin32API為基礎(chǔ)。

Windows Phone(WP)是微軟于2010年10月發(fā)布的手機(jī)操作系統(tǒng),同時停止對WM的技術(shù)支持。至2015年初,因為諸多原因,WP的市場份額遠(yuǎn)遠(yuǎn)不及Android和iOS。因此微軟在Windows10發(fā)布會上提出將Windows 10打造成一個跨平臺的系統(tǒng),WP正式終結(jié),被統(tǒng)一命名的Windows10所取代。

Windows10Mobile即為微軟最新Windows10手機(jī)操作系統(tǒng)的名稱。硬件方面,處理器可以兼容包括高通驍龍210、410、615、808以及810在內(nèi)的處理器,也能兼容IntelX3SofiaLTE這樣的x86架構(gòu)處理器。對不同平臺的低端移動終端具有良好的兼容性,也更具發(fā)展優(yōu)勢。

Windows10Holographic是為微軟發(fā)布的增強(qiáng)現(xiàn)實(Augmented Reality, AR)頭戴式顯示器設(shè)備HoloLens定制的操作系統(tǒng)。下一節(jié)會對頭戴式顯示器作介紹。

1.2 移動平臺形式

隨著硬件制造工藝的發(fā)展進(jìn)步,移動平臺的形式也多種多樣,下面將對目前常見的移動平臺形式分別進(jìn)行介紹。

1.2.1 智能手機(jī)

智能手機(jī),是指像個人電腦一樣,具有獨立的操作系統(tǒng),獨立的運(yùn)行空間,可以由用戶自行安裝第三方服務(wù)商提供的程序,并可以通過移動通信網(wǎng)絡(luò)來實現(xiàn)無線網(wǎng)絡(luò)接入的手機(jī)類型總稱。

隨著技術(shù)的進(jìn)步,手機(jī)已經(jīng)不再是一個簡單的通信工具,而是具有綜合功能的便攜式電子設(shè)備。手機(jī)與現(xiàn)實結(jié)合的功能,如拍照、重力感應(yīng)游戲、健康監(jiān)測等,都是通過傳感器來實現(xiàn)。如今智能手機(jī)幾乎人手一部,而主流的傳感器如光線傳感器、加速度計、陀螺儀、磁場傳感器、全球衛(wèi)星定位系統(tǒng)、氣壓計等都成為了智能手機(jī)的標(biāo)配,使得智能手機(jī)成為實現(xiàn)普適定位最便捷的平臺。

1.2.2 平板電腦

平板電腦也叫便攜式電腦,是一種小型、方便攜帶的個人電腦,以觸摸屏作為基本的輸入設(shè)備。平板電腦分為ARM架構(gòu)(代表產(chǎn)品為iPad)和x86架構(gòu)(代表產(chǎn)品為Surface Pro)。后者一般采用Intel處理器及Windows操作系統(tǒng),具有完整的電腦及平板功能,支持.exe應(yīng)用程序。平板電腦比筆記本電腦更小更輕便,可以隨時轉(zhuǎn)移它的使用場所。同時基于ARM架構(gòu)的平板電腦可以搭載Android操作系統(tǒng),開放平臺使其可以搭載如智能手機(jī)一樣的傳感器。平板電腦已經(jīng)越來越多地進(jìn)入普通家庭,使用平板電腦進(jìn)行融合定位也成為一種可行選項。

1.2.3 智能手表/智能手環(huán)

智能手表和智能手環(huán)形態(tài)、功能類似,且都佩戴在手腕處,因此在本小節(jié)作統(tǒng)一介紹。

智能手表是具有信息處理能力,符合手表基本技術(shù)要求的手表。除指示時間外,還具有提醒、導(dǎo)航、校準(zhǔn)、監(jiān)測、交互等其中一種或多種功能。

智能手環(huán)是一種穿戴式智能設(shè)備。用戶將智能手環(huán)戴在手腕處,以完成一些特定功能如記錄日常生活中的鍛煉、睡眠等實時生活數(shù)據(jù)。

兩者都搭載了基本的傳感器如加速度計、陀螺儀以完成人機(jī)交互,并且多數(shù)智能手環(huán)內(nèi)置低功耗藍(lán)牙模塊,可以與手機(jī)、平板電腦、個人電腦進(jìn)行連接和通信。同時隨著制造工藝的進(jìn)步,未來會有更多更先進(jìn)的傳感器加入到智能手表和智能手環(huán)中。因此兩者均可以成為融合定位的實現(xiàn)平臺。

1.2.4 頭戴式顯示器

隨著虛擬現(xiàn)實(Virtual Reality，VR)、AR和混合現(xiàn)實(Mixed Reality，MR)的興起,多種頭戴式顯示設(shè)備得以出現(xiàn)。通過各種頭戴式顯示設(shè)備,用不同方法向眼睛發(fā)送光學(xué)信號,以完成相應(yīng)的功能。

VR頭顯利用電腦技術(shù)模擬出一個立體、高度逼真的三維空間,代表設(shè)備有HTCVive、Oculus Rift、PlayStationVR。因為要模擬真實三維場景,所以VR頭顯都搭載了加速度計、陀螺儀和磁力計來完成頭部運(yùn)動追蹤功能。而在上述三種代表設(shè)備上還安有LED或是激光傳感器以降低信號延遲。

AR頭顯是將虛擬的信息應(yīng)用到真實世界,真實的環(huán)境與虛擬的物體實時地疊加到同一個畫面或時空同時存在。代表設(shè)備有Google Project Glass。它是Google公司于2012年4月發(fā)布的一款智能眼鏡,具有和智能手機(jī)一樣的功能,可以通過聲音控制拍照、視頻通話,也可以根據(jù)環(huán)境聲音在屏幕上顯示距離和方向,在兩塊目鏡上分別顯示地圖和導(dǎo)航信息。

MR頭顯是通過電腦技術(shù),將現(xiàn)實世界與虛擬世界合并在一起,從而建立一個新環(huán)境,以及符合一般視覺上所認(rèn)知的虛擬影像,在這之中現(xiàn)實世界的物體可以與虛擬世界中的物體共存并即時產(chǎn)生互動。代表設(shè)備有微軟的HoloLens，包括4個環(huán)境傳感器、Kinect微型深度相機(jī)以及慣性測量單元(Inertial Measurement Unit, IMU),用于追蹤頭部動作以及控制顯示器的手勢。

1.2.5 其他穿戴式設(shè)備

除去以上介紹的智能移動平臺,目前還有許多不同形式的穿戴式設(shè)備,例如美國蘋果公司新推出的AirPods無線耳機(jī)，裝有射頻識別(Radio Frequency Identification,RFID)、藍(lán)牙模塊的公司員工證等。這些設(shè)備搭載的傳感器可能并沒有上述介紹的移動平臺多,但也可以用于單一定位方案的實現(xiàn)。在科技進(jìn)步的未來,相信可以實現(xiàn)基于更多穿戴式設(shè)備的定位方案。

1.3 內(nèi)嵌傳感器介紹

因為微機(jī)電系統(tǒng)制造工藝的突飛猛進(jìn),傳感器的體積從一個行李箱大小縮小到不足一個硬幣,也使得移動平臺能夠搭載多種多樣的傳感器。下面將對目前主流搭載的傳感器分別進(jìn)行簡要介紹。

1.3.1 加速度計

加速度計是利用壓電效應(yīng),通過三個維度確定加速度方向,主要用于步態(tài)監(jiān)測、手機(jī)擺放位置朝向角度計算。移動平臺常用的加速度計有BOSCH的BMC系列[4]、InvenSense的ICM系列[5]和ST的LIS3X系列[6]。這些傳感器一般提供±2～±16G的加速度測量范圍,采用I2C或SPI接口和MCU相連,數(shù)據(jù)精度小于16bit。

1.3.2 陀螺儀

目前的陀螺儀主要分為激光陀螺儀和微機(jī)電陀螺儀。激光陀螺儀通過光傳播的特性,測量光程差計算出旋轉(zhuǎn)的角速度以完成陀螺儀的功能;微機(jī)電陀螺儀則是利用科里奧利力,在內(nèi)部產(chǎn)生微小的電容變化,然后計算得到角速度。因為微機(jī)電發(fā)展迅速且成本越來越低,目前普及的移動平臺所采用的均是微機(jī)電陀螺儀。主要用于檢測手機(jī)姿態(tài)、與加速度計結(jié)合實現(xiàn)慣性導(dǎo)航。

1.3.3 磁力計

磁力計由各向異性的磁質(zhì)電阻材料組成,感受到磁場變化后會導(dǎo)致自身電阻產(chǎn)生變化,從而檢測地磁場強(qiáng)度。主要用于導(dǎo)航定位的航向估計。

1.3.4 氣壓計

氣壓計分為變?nèi)菔交蜃冏枋綒鈮簜鞲衅?將薄膜與變阻器或電容連接起來,氣壓變化導(dǎo)致電阻或電容的數(shù)值發(fā)生變化,從而計算得到氣壓數(shù)據(jù)。因為GPS計算海拔會有10m左右的誤差,氣壓計主要用于修正海拔誤差,當(dāng)然也能用來輔助GPS定位立交橋或樓層位置。

1.3.5 圖像傳感器

圖像傳感器是數(shù)字?jǐn)z像頭的重要組成部分。根據(jù)元件不同,可以分為電荷耦合元件(Charge Coupled Device, CCD)和金屬氧化物半導(dǎo)體元件(Complementary Metal-Oxide Semiconductor，CMOS)兩大類。相比采用CCD圖像傳感器的相機(jī),采用CMOS圖像傳感器的相機(jī)體積更小,功耗更低,速度更快。此外CMOS也可以實現(xiàn)一些高級功能,如硬件集成的圖像處理功能。隨著CMOS傳感器不斷改進(jìn),CCD傳感器已經(jīng)不再具有優(yōu)勢,而目前的智能手機(jī)和平板電腦幾乎全部使用CMOS傳感器。使用移動終端搭載的圖像傳感器,可以便捷地實現(xiàn)基于圖像識別的定位技術(shù)。

1.3.6 光線傳感器

在幾十年前,人們就開始利用光敏電阻和光電二極管來實現(xiàn)對環(huán)境光的檢測。隨著人們對產(chǎn)品智能化的關(guān)注,光線傳感器得到了越來越多的運(yùn)用。目前光線傳感器在移動終端上的應(yīng)用主要是輔助調(diào)節(jié)液晶顯示器的亮度。在定位中可以用于室內(nèi)外環(huán)境的識別。

1.3.7 其他傳感器

嚴(yán)格地講,GNSS接收器、藍(lán)牙模塊、WLAN模塊應(yīng)該算作通信模塊,但也符合“傳感”的定義,此處為文章行文統(tǒng)一放在一起。

GNSS接收器是用于接收不同衛(wèi)星定位信號的模塊。藍(lán)牙模塊采用藍(lán)牙4.0標(biāo)準(zhǔn)中的低功耗藍(lán)牙(Bluetooth Low Energy, BLE),可以實現(xiàn)超低的平均功耗,使用標(biāo)準(zhǔn)紐扣電池可運(yùn)行一年乃至數(shù)年。得益于低功耗藍(lán)牙技術(shù),基于藍(lán)牙的室內(nèi)定位方案得到發(fā)展。WLAN模塊是掃描WiFi基站信號,通過射頻技術(shù)進(jìn)行通信。目前主流推廣的室內(nèi)定位方案多是基于WLAN的指紋定位或基于接收信號強(qiáng)度的鄰近檢測定位。

移動平臺還搭載了很多實現(xiàn)不同功能的傳感器如溫度傳感器、指紋傳感器、心率傳感器等,但因與本文內(nèi)容關(guān)系不大,限于篇幅限制,此處從略。

2 移動平臺的定位技術(shù)

根據(jù)上文介紹的傳感器進(jìn)行分類,對應(yīng)的定位技術(shù)主要有:GNSS定位、WLAN定位、基站定位、RFID、藍(lán)牙定位、視覺定位等。下面對其中主流的適合在移動端應(yīng)用的定位技術(shù)作詳細(xì)介紹。

2.1 GNSS定位

GNSS定位也稱為衛(wèi)星定位,就是使用衛(wèi)星對指定物體進(jìn)行準(zhǔn)確定位的技術(shù)?？梢员ＷC在任意時刻,地球上任意一點同時觀測到至少4顆衛(wèi)星,以實現(xiàn)導(dǎo)航、定位、授時等功能,可在絕大多數(shù)場景下實現(xiàn)全天候全天時的定位。目前移動設(shè)備如智能手機(jī)、平板電腦絕大多數(shù)裝有GNSS信號接收機(jī),均可利用衛(wèi)星定位滿足一般場景下的定位需求。但因為衛(wèi)星信號在一些復(fù)雜場景如室內(nèi)、城市峽谷等會受到干擾,定位精度下降,因此需要其他定位技術(shù)進(jìn)行輔助。

2.2 WLAN定位

基于IEEE802.11b標(biāo)準(zhǔn)的無線局域網(wǎng)已在人們的生活場所大量部署,使用WLAN信號定位的優(yōu)勢在于不需要部署額外設(shè)備,定位成本低,信號覆蓋范圍大,適用性強(qiáng),利于普及推廣[7]。

2.3 RFID定位

RFID是一種操控簡易,適用于自動控制領(lǐng)域的技術(shù),利用電感和電磁耦合的傳輸特性,實現(xiàn)對被識別物體的自動識別。RFID定位系統(tǒng)通常由電子標(biāo)簽、射頻讀寫器以及計算機(jī)數(shù)據(jù)庫構(gòu)組成。最常應(yīng)用的定位方法是鄰近檢測法。利用RSSI實現(xiàn)多邊定位算法也可以在一定程度上實現(xiàn)范圍估計。根據(jù)電子標(biāo)簽是否有源可以分為有源RFID和無源RFID。

2.4 蜂窩網(wǎng)絡(luò)定位

蜂窩網(wǎng)絡(luò)技術(shù)是一種成熟的通信技術(shù),主要用于對移動手機(jī)的定位。蜂窩網(wǎng)絡(luò)通過檢測移動臺和多個基站之間傳播信號的特征參數(shù)(RSSI、傳播時間或時間差、入射角等)[10],可采用鄰近探測法、AOA、TOA和觀測到達(dá)時間差(Observed Time Difference Of Arrival,OTDOA)[11]實現(xiàn)定位,可作為普適化的定位方案。目前Cell-ID加上RTT解決方案精度為20～60m。采用智能天線MIMO+TDOA/AOA技術(shù),精度可以達(dá)到5～10m。未來基于5G的移動通信網(wǎng)絡(luò)定位有望實現(xiàn)1m以內(nèi)的定位精度。

2.5 慣性導(dǎo)航

慣性導(dǎo)航系統(tǒng)(Inertial Navigation System, INS)廣泛應(yīng)用于制導(dǎo)武器、艦艇、火箭、飛機(jī)和車輛等的導(dǎo)航與跟蹤,其核心組件為IMU。隨著微機(jī)電技術(shù)的發(fā)展,傳感器尺寸變小,成本降低,同時加入磁力計,被廣泛應(yīng)用于行人導(dǎo)航[12-13]。其優(yōu)勢在于不依賴外部環(huán)境,可獨立解算位置,同時其設(shè)備體積小便于攜帶。該技術(shù)的缺陷是存在累積誤差。隨著智能手機(jī)的普及和微機(jī)電器件的發(fā)展,基于智能手機(jī)的慣性導(dǎo)航成為研究熱點[14-17]。

2.6 地磁定位

地磁定位,是指利用地磁場特征的特異性獲取位置信息的技術(shù)方案[18],在移動平臺上可使用搭載的磁力計進(jìn)行數(shù)據(jù)采集。定位方法主要采用指紋定位的方法。由于原有磁場信息,故成本相比其他定位技術(shù)更低,但仍需要人工建立數(shù)據(jù)庫。IndoorAtlas的地磁定位方案是其中代表,定位精度已能達(dá)到1～2m[19]。但因地磁定位需要事先采集地磁特征信息,不適用于未知環(huán)境的定位,且因磁場測量易受環(huán)境影響,穩(wěn)定性較差。

2.7 藍(lán)牙定位

藍(lán)牙定位技術(shù)主要使用藍(lán)牙4.0規(guī)范,基于低功耗藍(lán)牙技術(shù),具有近距離、低功耗、低成本的特點[20-21],可以實現(xiàn)基于鄰近探測、多邊定位和指紋定位的定位系統(tǒng)[22-23]。定位精度主要取決于基礎(chǔ)設(shè)施的部署密度,而基礎(chǔ)設(shè)施體積很小,方便部署。但因其設(shè)備為降低功耗考慮,信號傳輸距離短、信號穩(wěn)定性較差,需要在算法上考慮修正誤差。

2.8 視覺定位

移動平臺的視覺定位屬于移動傳感器采集圖像確定傳感器位置的定位,適用于智能眼鏡、智能手機(jī)等搭載圖像傳感器的移動平臺。目前基于同時定位與地圖構(gòu)建(Simultaneous Localization And Mapping，SLAM)技術(shù)的視覺定位得到了進(jìn)一步發(fā)展[24]。2016年6月Google公司與聯(lián)想公司發(fā)布了第一款使用ProjectTango技術(shù)的AndroidAR手機(jī),配備一系列攝像頭(800萬像素前置攝像頭、1600萬像素后置攝像頭,一個景深攝像頭和一個用于廣角拍攝的魚眼攝像頭)、傳感器和芯片,能實時為用戶周圍的環(huán)境進(jìn)行三維建模和室內(nèi)定位導(dǎo)航。

3 融合定位技術(shù)

可以發(fā)現(xiàn),上文介紹的各種定位方式,均存在不同的缺陷或短板,因此綜合以上各種定位技術(shù)的長處,進(jìn)行融合定位是目前的主流發(fā)展方向。

融合定位主要是對來自單個或多個不同傳感器的信息進(jìn)行相關(guān)和綜合,以獲得更精確的目標(biāo)信息和身份估計的處理過程[25]。融合處理的對象不局限于接收到的初級數(shù)據(jù),還包括對多源數(shù)據(jù)進(jìn)行不同層次抽象處理后的信息。在多傳感器信息融合中,各傳感器提供的信息都具有一定的不確定性和不準(zhǔn)確性。因此,對這些信息的融合過程是一個不確定性信息的推理和決策過程。

3.1 融合方式的分類

根據(jù)融合處理的方式不同,可以將融合分為集中式、分布式和混合式三種[26]。

集中式是指各傳感器獲取的信息不經(jīng)處理直接傳送到信息融合中心,進(jìn)行組合和推理,完成最終融合處理。

分布式是指在各傳感器處完成一定量的計算和處理任務(wù)后,將壓縮后的傳感器數(shù)據(jù)傳送到融合中心,在融合中心將接收到的多位信息進(jìn)行組合和推理,完成融合。

混合式是兼有集中式和分布式的特點,送到融合中心的數(shù)據(jù)既有處理后的也有未經(jīng)處理的。

從表1可以看出,三種方式均有各自的特點,但是分布式具有造價低、可靠性高、生成能力強(qiáng),且對傳感器間通信帶寬要求不高等優(yōu)點。因此在許多應(yīng)用結(jié)構(gòu)中,分布式具有相當(dāng)?shù)奈26]。

表1 三種融合結(jié)構(gòu)的特點[26]

信息融合按其在多傳感器信息處理層次中的抽象程度,可以分為像素級、特征級和決策級融合[27]。

像素級融合是指在融合算法中,要求進(jìn)行融合的傳感器數(shù)據(jù)間具有精確到一個像素的匹配精度的任何抽象層次的融合。融合結(jié)果具有最好的精度,但數(shù)據(jù)處理量大,實時性差。

特征級融合是指從各個傳感器提供的原始數(shù)據(jù)中進(jìn)行特征提取,然后融合這些特征。因此在融合前實現(xiàn)了一定的信息壓縮,有利于實時處理。

決策級融合是指在融合之前,各傳感器數(shù)據(jù)源都經(jīng)過變換并獲得獨立的估計。系統(tǒng)根據(jù)一定的準(zhǔn)則和決策可信度對各自傳感器的屬性決策結(jié)果進(jìn)行融合,最終得到整體一致的決策。

像素級融合能夠提供目標(biāo)的細(xì)微信息,但所要處理的信息量大,處理代價高,通信量大,抗干擾能力差。決策級融合的優(yōu)點是容錯性強(qiáng),通信量小,抗干擾能力強(qiáng),可應(yīng)用于異質(zhì)傳感器,其缺點是預(yù)處理花費(fèi)大。特征級融合則兼顧了像素級融合和決策級融合的優(yōu)缺點。

下面就幾種典型的融合算法進(jìn)行介紹。

3.2 加權(quán)融合算法

加權(quán)算法是一種最簡單直觀的融合算法。在加權(quán)融合算法中,將多個融合源提供的位置信息分別冠以相應(yīng)的權(quán)重,從而獲取最后的融合結(jié)果[28]。其基本原理如圖1所示。

圖1 加權(quán)融合算法原理Fig.1 Principle of weighted fusion algorithm

融合結(jié)果F(x)可以表示為

F(x)=w1f1(x)+w2f2(x)+…+wnfn(x)

(1)

其中，f1(x),f2(x),…,fn(x)代表定位源,w1,w2,…,wn表示權(quán)重因子,且需要滿足所有權(quán)重因子的和為1。

加權(quán)融合具有算法簡單、實現(xiàn)方便的特點,但是當(dāng)權(quán)重因子選取不當(dāng)時,并不能獲得較佳的融合結(jié)果。

3.3 因子圖融合導(dǎo)航

因子圖(Factor Graph)作為一種較為新穎的方法,最初被用于SLAM問題中。由于其具有增長平滑的特性以及全局優(yōu)化的特點,也逐漸被用于傳感器融合領(lǐng)域。

因子圖將一個導(dǎo)航方位估計問題抽象為一個雙射圖G=(F,Θ,Σ),其中含有兩種節(jié)點類型:因子節(jié)點fi∈F與狀態(tài)節(jié)點θi=Θ。當(dāng)因子fi與狀態(tài)θi有聯(lián)系時,一個邊eij∈Σ便存在于該狀態(tài)與因子之間。將導(dǎo)航問題中的測量模型抽象為

zi=hi(Θi)+vi

(2)

其中，zi為傳感器對于狀態(tài)θi利用測量函數(shù)hi(θi)的測量,vi為測量噪聲。假設(shè)vi遵循高斯分布,那么可以得到一個因子化的最優(yōu)化目標(biāo)

(3)

(4)

其中的數(shù)據(jù)由因子圖表示。

定義一個典型的導(dǎo)航狀態(tài)為:x={p,v,b},每個狀態(tài)覆蓋三種節(jié)點:位姿節(jié)點p,包括三維平動以及三維轉(zhuǎn)動;節(jié)點v為速度節(jié)點,包括三維的速度;b為傳感器的偏差節(jié)點。那么一個典型的多傳感器因子圖模型如圖2所示。

圖2 多傳感器因子圖模型Fig.2 Multi-sensor factor graph model

在有了這樣的數(shù)據(jù)結(jié)構(gòu)后,對整體誤差進(jìn)行全局優(yōu)化,便可達(dá)到融合多傳感器濾波的效果。由于因子圖的特性,可將任何傳感器劃分為幾個大類,分別對應(yīng)為不同的因子,便可無阻礙的動態(tài)地插入現(xiàn)存因子圖中,實現(xiàn)即插即用的融合濾波的目的。具體的分類方式如表2所示。

表2 傳感器分類表

表2可根據(jù)新增加傳感器的性質(zhì)隨時擴(kuò)容。需要注意的是簡單的傳感器(或者說數(shù)據(jù)類型可以直接得到的傳感器類型)是可以直接動態(tài)插入已知因子圖的,同時復(fù)雜的傳感器節(jié)點,例如視覺等追蹤方法需要將數(shù)據(jù)處理以后再根據(jù)分類插入因子圖。

3.4 卡爾曼濾波

3.4.1 算法簡介

卡爾曼濾波(Kalman Filtering, KF)算法是指在已知系統(tǒng)數(shù)學(xué)模型的情況下,利用狀態(tài)空間方程和測量模型遞推出在統(tǒng)計意義下最優(yōu)的融合數(shù)據(jù)估計。利用KF可以在出現(xiàn)環(huán)境噪聲和傳感器噪聲時減少有關(guān)環(huán)境中物體位置的不確定性。

圖3給出了KF的五個核心要素:狀態(tài)向量及其協(xié)方差、系統(tǒng)模型、觀測向量及其協(xié)方差、觀測模型及濾波算法。

圖3 卡爾曼濾波器要素Fig.3 Components of Kalman filter

狀態(tài)向量(state vector)是一組描述系統(tǒng)的參數(shù),是KF估計的對象。在大多數(shù)導(dǎo)航應(yīng)用中,狀態(tài)量一般包括位置或者位置誤差、速度、姿態(tài)及導(dǎo)航傳感器的誤差也可作為被估計狀態(tài)。

與狀態(tài)向量相關(guān)聯(lián)的是誤差協(xié)方差矩陣(error covariance matrix)。該矩陣描述了KF狀態(tài)估計的不確定度及估計誤差之間的相關(guān)程度。

系統(tǒng)模型(system model)也稱為過程模型或者時間傳遞模型,描述了KF的狀態(tài)與誤差協(xié)方差矩陣隨時間的變化特性。

觀測向量(measurement vector)是一組針對同一時刻的系統(tǒng)特性的測量值,是狀態(tài)向量的函數(shù)。與觀測向量相對應(yīng)的是觀測噪聲協(xié)方差(measurement noise covariance)矩陣,它描述了觀測噪聲的統(tǒng)計特性。

觀測模型(measurement model)描述了在沒有觀測噪聲的情況下，觀測向量作為真實狀態(tài)向量的函數(shù)是怎樣變化的。觀測模型也是基于已知的系統(tǒng)特性建立的,是確定的。

3.4.2 算法步驟

如圖4所示,KF使用觀測向量、觀測模型和系統(tǒng)模型來獲得狀態(tài)向量的最優(yōu)估計。每次迭代中的步驟多達(dá)10個,步驟1～4為系統(tǒng)傳遞流程,步驟5～10為測量更新流程。

圖4 卡爾曼濾波算法步驟Fig.4 Process of Kalman filtering algorithm

系統(tǒng)傳遞的目的是根據(jù)已知的系統(tǒng)特性,從上一組觀測量修正后的時刻推進(jìn)到當(dāng)前一組觀測量的時刻,前向預(yù)測狀態(tài)向量估計與誤差協(xié)方差矩陣。在沒有最新觀測信息的情況下,系統(tǒng)傳遞提供了狀態(tài)向量當(dāng)前時刻的KF最優(yōu)估計。在測量更新流程里,用最新觀測信息更新狀態(tài)估計和誤差協(xié)方差矩陣。

3.4.3 融合定位中的應(yīng)用

基于KF的估計技術(shù)在導(dǎo)航中應(yīng)用廣泛,包括INS的精校準(zhǔn)和標(biāo)校、GNSS導(dǎo)航、GNSS的信號監(jiān)測、INS/GNSS組合導(dǎo)航以及多傳感器組合導(dǎo)航等[27]。如圖5所示,不同于傳統(tǒng)的集中式卡爾曼濾波器,聯(lián)邦濾波是一種分散化卡爾曼濾波[39]。分散化濾波一般用于大系統(tǒng)中,解決了大系統(tǒng)的狀態(tài)估計問題,避免了過大的高階運(yùn)算量,同時具有容錯性能好、設(shè)計靈活等特點,非常適合融合定位中的信息融合處理。

圖5 聯(lián)邦濾波器原理[38]Fig.5 Principles of Federal filter

3.5 粒子濾波

3.5.1 算法簡介

粒子濾波是指通過尋找一組在狀態(tài)空間中傳播的隨機(jī)樣本對概率密度函數(shù)進(jìn)行近似,以樣本均值代替積分運(yùn)算,從而獲得狀態(tài)最小方差估計的過程,這些樣本即稱為粒子。隨著對粒子的篩選,粒子的概率密度函數(shù)逐漸逼近狀態(tài)的概率密度函數(shù),粒子濾波估計即達(dá)到了最優(yōu)貝葉斯估計的效果。

3.5.2 算法步驟

粒子濾波的思想基于蒙特卡羅方法,其核心思想是通過從后驗概率中抽取的隨機(jī)狀態(tài)粒子來表達(dá)其分布,是一種順序重要性采樣(Sequential Importance Sampling,SIS)算法。

基于隨機(jī)采樣運(yùn)算的蒙特卡羅方法可將積分運(yùn)算轉(zhuǎn)化為有限樣本點的求和運(yùn)算,即狀態(tài)概率密度分布可用如下經(jīng)驗概率分布近似表述

(5)

(6)

更新概率密度函數(shù)為

(7)

其中

(8)

SIS方法的實現(xiàn)步驟如下[29]:

2)逐點計算對應(yīng)的p(xk,xk-1)和p(zk,xk);

3)利用式(8)計算對應(yīng)樣本的重要性權(quán)系數(shù);

4)對權(quán)進(jìn)行歸一化處理,即

(9)

5)利用式(8)對p(xk,z1:k)進(jìn)行估計。

粒子濾波算法擺脫了解決非線性濾波問題時隨機(jī)量必須滿足高斯分布的制約條件, 并在一定程度上解決了粒子數(shù)樣本匱乏的問題, 因此近年來該算法在許多領(lǐng)域得到成功應(yīng)用。

與其他次優(yōu)貝葉斯濾波算法相比,粒子濾波的突出優(yōu)勢就在于對復(fù)雜問題的求解上, 例如高維的非線性、非高斯動態(tài)系統(tǒng)的狀態(tài)遞推估計或概率推理問題;因為粒子濾波的算法性能在理論上對這些都不敏感[30]。

3.6 人工神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network, ANN)是基于生物學(xué)中神經(jīng)網(wǎng)絡(luò)的基本原理,在理解和抽象了人腦結(jié)構(gòu)和外界刺激響應(yīng)機(jī)制后,以網(wǎng)絡(luò)拓?fù)渲R為理論基礎(chǔ),模擬人腦的神經(jīng)系統(tǒng)對復(fù)雜信息的處理機(jī)制的一種數(shù)學(xué)模型。該模型以并行分布的處理能力、高容錯性、智能化和自學(xué)習(xí)等能力為特征。它實際上是一個由大量簡單元件相互連接而成的復(fù)雜網(wǎng)絡(luò),具有高度的非線性,能夠進(jìn)行復(fù)雜的邏輯操作和非線性關(guān)系實現(xiàn)的系統(tǒng)[31]。

人工神經(jīng)網(wǎng)絡(luò)的工作過程包括離線學(xué)習(xí)和在線判斷兩部分。學(xué)習(xí)過程中各神經(jīng)元進(jìn)行規(guī)則學(xué)習(xí),權(quán)參數(shù)調(diào)整,非線性映射關(guān)系擬合以達(dá)到訓(xùn)練精度;判斷階段則是訓(xùn)練好的穩(wěn)定的網(wǎng)絡(luò)讀取輸入信息,通過計算得到輸出結(jié)果。

人工神經(jīng)網(wǎng)絡(luò)一般包含輸入層、隱含層與輸出層這三層結(jié)構(gòu),其中隱含層可包括多層,如圖6所示的二層隱藏層神經(jīng)網(wǎng)絡(luò)。

圖6 人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)[31]Fig.6 Structure of artificial neural network

單個節(jié)點結(jié)構(gòu)與圖1加權(quán)融合算法相似。相同層之間的節(jié)點無連接,層與層之間的節(jié)點采用全連接結(jié)構(gòu),輸入層對于輸入的元素不作任何處理,即經(jīng)輸入層節(jié)點的輸入與該節(jié)點輸出相同,除了輸入層的節(jié)點外的節(jié)點都有一個激活函數(shù),這些節(jié)點的每個節(jié)點都對輸入矢量的各個元素進(jìn)行相應(yīng)的加權(quán)求和,然后使用激活函數(shù)作用于上面作為輸出。

近年開始受到廣泛關(guān)注的深度學(xué)習(xí),本質(zhì)上構(gòu)建含有多隱層的機(jī)器學(xué)習(xí)架構(gòu)模型,打破了傳統(tǒng)神經(jīng)網(wǎng)絡(luò)對層數(shù)的限制,可根據(jù)設(shè)計者需要選擇網(wǎng)絡(luò)層數(shù)[32]。

多傳感器融合即是建立起多源不確定冗余信息與融合結(jié)果之間的映射關(guān)系,人工神經(jīng)網(wǎng)絡(luò)顯著的特點是以任意精度實現(xiàn)網(wǎng)絡(luò)輸入和輸出之間復(fù)雜的線性或非線性映射關(guān)系;人工神經(jīng)網(wǎng)絡(luò)通過網(wǎng)絡(luò)變換和動力學(xué)行為得到了并行分布式的信息處理功能,決定了其結(jié)合的多傳感器融合系統(tǒng)具有很強(qiáng)的實時性和容錯性。

3.7 模糊邏輯推理

模糊邏輯推理使用論域、隸屬度函數(shù)等手段建立起多傳感器信息的不確定性描述,然后通過合成運(yùn)算模糊推理出相應(yīng)的融合結(jié)果[33]。其本質(zhì)上就是將一個給定輸入空間通過模糊邏輯的方法映射到一個特定的輸出空間的計算過程，多傳感器在融合過程中。因為融合信息點不確定性,不可能將信息直接進(jìn)行歸類或采用某種明確的規(guī)則,因此,模糊邏輯推理方法被廣泛采納。

實際上推理過程中將已知規(guī)則歸納為前因與結(jié)果兩論域間的模糊關(guān)系,再將前因論域的現(xiàn)有知識與歸納得到的模糊關(guān)系進(jìn)行合成運(yùn)算,推出當(dāng)前知識下的結(jié)論。這種模糊關(guān)系不僅實現(xiàn)了多傳感器輸出數(shù)據(jù)空間與目的空間之間較為復(fù)雜的非線性映射關(guān)系,并且具有較強(qiáng)的魯棒性和容錯性[34]。與KF算法不同,模糊邏輯推理方法不用建立精確的數(shù)學(xué)模型,也就避免了因為系統(tǒng)模型不準(zhǔn)確而產(chǎn)生的誤差。但其算法邏輯的復(fù)雜性阻礙了其廣泛推廣[35]。

3.8 證據(jù)推理

室內(nèi)D-S證據(jù)推理是一種廣義的貝葉斯推理方法,通常處理因不確定信息所引起的不確定性。證據(jù)推理首先由Dempster提出構(gòu)造不確定推理模型的一般框架,將命題的不確定問題轉(zhuǎn)化為幾何的不確定問題,之后Shafer對該理論進(jìn)行了補(bǔ)充,從而形成了處理不確定信息的D-S證據(jù)[36]。D-S證據(jù)推理利用概率分配函數(shù)、信任函數(shù)、似然函數(shù)來描述客觀證據(jù)對命題的支持程度,用它們之間的推理與運(yùn)算來進(jìn)行目標(biāo)識別。其最大的特點是對不確定信息采用區(qū)間估計來描述,而不是用點估計的方法。具體理論可以參考文獻(xiàn)[40]。

D-S證據(jù)理論可以不需要先驗概率和條件概率密度,但是它存在潛在的指數(shù)復(fù)雜度和要求證據(jù)是獨立的問題[37]。證據(jù)理論的判決規(guī)則常常有很大的主觀性。

運(yùn)用證據(jù)推理理論,多傳感器信息融合的一般過程如下[40]:

1)分別計算各傳感器的概率分配函數(shù)、信任函數(shù)和似然函數(shù);

2)利用Dempster合并規(guī)則,求得所有傳感器聯(lián)合作用下的概率分配函數(shù)、信任函數(shù)和似然函數(shù);

3)在一定決策規(guī)則下,選擇具有最大支持度的目標(biāo)。

3.9 融合定位算法對比

融合定位算法結(jié)果如表3所示。

表3 七種融合算法的對比

4 結(jié)束語

融合定位由于其精度上優(yōu)于單一定位源,并且具備更好的魯棒性以及可靠性,再加上智能移動平臺的普及和發(fā)展,基于智能移動平臺的融合定位技術(shù)在未來將會得到更多的研究、發(fā)展和應(yīng)用。

本文首先對目前主流的智能移動平臺的操作系統(tǒng)和內(nèi)嵌傳感器進(jìn)行分類介紹,并對可在移動平臺應(yīng)用的定位技術(shù)進(jìn)行分別詳細(xì)闡述。然后對目前的多種融合定位方式進(jìn)行分類介紹,并闡述了算法的基本原理。最后對融合定位技術(shù)進(jìn)行簡要的對比分析。

[1] Zhou Y B, Lai J, Guo X Y, et al.A research on all source navigation and positioning and its critical technology[C]//2015 Proceedings of China Satellite Navigation Conference (CSNC) : Volume III.Springer, Berlin, Heidelberg, 2015: 801-808.

[2] Stat Counter Global Stats.Operating system market share worldwide[DB/OL].(2017-04-05).http://gs.statcounter.com/os-market-share.

[3] Strategy Analytics.[DB/OL].(2017-04-05).https://www.strategyanalytics.com.

[4] BOSCH.Bosch Sensortec BMC150 [DB/OL].(2017-04-05).https://www.bosch-sensortec.com/bst/products/all_products/homepage_1_ohne_marginalspalte_52.

[5] TDK InvenSense.InvenSense 6-Axis [DB/OL].(2017-04-05).https://www.invensense.com/products/motion- tracking/6-axis/.

[6] STMicroelectronics LIS2DE12.MEMS digital output motion sensor: ultra low-power high performance 3-axes femto accelerometer[DB/OL].(2017-04-05).http://www.st.com/content/st_com/en/products/mems-and-sensors/accelerometers/lis2de12.html.

[7] 趙永翔.基于無線局域網(wǎng)的室內(nèi)定位系統(tǒng)研究[D].武漢: 武漢大學(xué), 2010.

[8] Yuan Y, Pei L, Xu C, et al.Efficient WiFi fingerprint training using semi-supervised learning[C]//Ubiquitous Positioning Indoor Navigation and Location Based Service (UPINLBS).IEEE, 2014: 148-155.

[9] Reddy H, Chandra M G, Balamuralidhar P, et al.An improved time-of-arrival estimation for WLAN-based local positioning[C]//International Conference on Communication Systems Software and Middleware.COMSWARE 2007.IEEE Xplore, 2007:1-5.

[10] 鄧平.蜂窩網(wǎng)絡(luò)移動臺定位技術(shù)研究[D].成都: 西南交通大學(xué), 2002.

[11] Wang C, Xu J.Enhanced OTDOA technology in 3G location service[J].Telecommunications Science, 2005(8): 5.

[12] 陳偉.基于GPS和自包含傳感器的行人室內(nèi)外無縫定位算法研究[D].合肥: 中國科學(xué)技術(shù)大學(xué), 2010.

[13] Qian J, Pei L, Ma J, et al.Vector graph assisted pedestrian dead reckoning using an unconstrained smartphone[J].Sensors, 2015, 15(3): 5032-5057.

[14] Qian J, Pei L, Ying R, et al.Continuous motion recognition for natural pedestrian dead reckoning using smartphone sensors[C]//Proceedings of the 27thInternational Technical Meeting of the ION Satellite Division.ION GNSS, 2014.

[15] Wang L, Dong Z, Pei L, et al.A robust context-based heading estimation algorithm for pedestrian using a smartphone[C]//Proceedings of the 28thInternational Technical Meeting of the Satellite Division of the Institute of Navigation (ION GNSS 2015).Tampa, SEP, 2015: 14-18.

[16] Qian J, Pei L, Ying R, et al.Continuous motion recognition for natural pedestrian dead reckoning using smartphone sensors[C]//Proceedings of the 27thInternational Technical Meeting of the ION Satellite Division.ION GNSS, 2014.

[17] Liu D, Pei L, Qian J, et al.A novel heading estimation algorithm for pedestrian using a smartphone without attitude constraints[C]//2016 4thInternational Conference on Ubiquitous Positioning, Indoor Navigation and Location Based Services (UPINLBS).IEEE, 2016: 29-37.

[18] Haverinen J, Kemppainen A.A geomagnetic field based positioning technique for underground mines[C]//IEEE International Symposium on Robotic and Sensors Environments(ROSE).IEEE, 2011:7-12.

[19] Indoor Atlas.How-it-works[EB/OL].(2016-02-17).http://www.indooratlas.com/how-it-works/.

[20] 汪苑, 林錦國.幾種常用室內(nèi)定位技術(shù)的探討[J].中國儀器儀表, 2011(2):54-57.

[21] 劉明偉, 劉太君, 葉焱,等.基于低功耗藍(lán)牙技術(shù)的室內(nèi)定位應(yīng)用研究[J].無線通信技術(shù), 2015, 24(3):19-23.

[22] Dahlgren E, Mahmood H.Evaluation of indoor positioning based on Bluetooth Smart technology[D].Gothenburg: Chalmers University of Technology, 2014.

[23] Pei L, Chen R, Liu J, et al.Using inquiry-based Bluetooth RSSI probability distributions for indoor positioning[J].Journal of Global Positioning Systems, 2010, 9(2): 122-130.

[24] Zhou H, Zou D, Pei L, et al.StructSLAM: Visual SLAM with building structure lines[J].IEEE Transactions on Vehicular Technology, 2015, 64(4):1364-1375.

[25] 周芳, 韓立巖.多傳感器信息融合技術(shù)綜述[J].遙測遙控, 2006, 27(3): 1-7.

[26] 何友.多傳感器信息融合及應(yīng)用[M].北京: 電子工業(yè)出版社, 2000.

[27] 格羅夫斯.GNSS與慣性及多傳感器組合導(dǎo)航系統(tǒng)原理[M].北京: 國防工業(yè)出版社, 2011.

[28] Dong Z, Wu Y, Sun D.Data fusion of the real time positioning system based on RSSI and TOF[C]//2013 5thInternational Conference on Intelligent Human-Machine Systems and Cybernetics(IHMSC).IEEE, 2013: 503-506.

[29] 胡士強(qiáng), 敬忠良.粒子濾波算法綜述[J].控制與決策, 2005, 20(4): 361-365.

[30] 程水英, 張劍云.粒子濾波評述[J].宇航學(xué)報, 2008, 29(4): 1099-1111.

[31] 田景文, 高美娟.人工神經(jīng)網(wǎng)絡(luò)算法研究及應(yīng)用[M].北京: 北京理工大學(xué)出版社, 2006.

[32] Lecun Y, Bengio Y, Hinton G.Deep learning[J].Nature, 2015, 521(7553):436-444.

[33] 郭富強(qiáng).模糊推理發(fā)展綜述[J].陜西廣播電視大學(xué)學(xué)報, 2007, 9(4): 71-74.

[34] 李偉, 王彥昕.基于模糊邏輯推理的室外移動機(jī)器人視覺導(dǎo)航方法[J].電子學(xué)報, 1996(11): 99-101.

[35] 裴道武.關(guān)于模糊邏輯與模糊推理邏輯基礎(chǔ)問題的十年研究綜述[J].工程數(shù)學(xué)學(xué)報, 2004, 21(2): 249-258.

[36] 徐從富, 耿衛(wèi)東, 潘云鶴.Dempster-Shafer證據(jù)推理方法理論與應(yīng)用的綜述[J].模式識別與人工智能, 1999, 12(4): 424-430.

[37] 宋維堂, 張鸰.基于智能車輛的多傳感器數(shù)據(jù)融合算法研究與分析綜述[J].現(xiàn)代交通技術(shù), 2012, 9(3): 82-85.

[38] 趙萬龍, 孟維曉, 韓帥.多源融合導(dǎo)航技術(shù)綜述[J].遙測遙控, 2016, 37(6): 54-60.

[39] Xu Y, Liang X.Information fusion for radar/infrared compound seeker based on federated filter[J].International Journal of Digital Content Technology & Its Applications, 2011, 5(4): 218-229.

[40] 馬國清, 趙亮, 李鵬.基于Dempster-Shafer證據(jù)推理的多傳感器信息融合技術(shù)及應(yīng)用[J].現(xiàn)代電子技術(shù), 2003, 26(19): 41-44.

ASurveyofFusionPositioningTechnologiesforSmartMobilePlatform

PEILing1,LIUDong-hui1,GONGZheng1,ZHAOYi2

(1.ShanghaiJiaoTongUniversity,ShanghaiKeyLaboratoryofNavigationandLocation-basedServices,Shanghai200240，China;2.ShanghaiCHCNavigationLtd.,Shanghai201702，China)

In recent years, with the increasing demand for location-based services, a variety of positioning technologies for different scenarios have been researched.However, due to diversity and complexity of positioning scenarios, the need of different scenes cannot be met by single positioning method.Meanwhile, with the development of hardware technologies, there are many forms of mobile platforms carrying more sensors.Therefore, it is possible to achieve a fused positioning scheme based on smart mobile platform.This paper makes detailed introductions of the current smart mobile platforms and related positioning technologies in the first place.Then the analysis and comparison of the research work of fusion positioning technologies are introduced.Finally, this paper makes a brief description of the analysis and summary of fusion positioning technologies.

Location-based services; Smart mobile platform; Fusion positioning

Signal Strength Indicator,RSSI)的指紋定位法是目前主流的WLAN定位方法[8],定位精度取決于校準(zhǔn)點的密度,從2～10m不等。同時基于TOA測距的定位方法由于多徑效應(yīng)和時鐘精度低，定位效果較差[9],而基于RSSI測距的定位方法由于信號衰減與距離的關(guān)系在不同環(huán)境和設(shè)備條件下都有改變,定位結(jié)果也不理想。

2017-03-28；

：2017-04-21

：上海市科委項目(14XD1421800, 15511105100);中國第二代衛(wèi)星導(dǎo)航系統(tǒng)重大專項(GFZX0301010708)

：裴凌(1977-),男,江西南昌,博士,副教授,研究方向為室內(nèi)定位與融合導(dǎo)航。E-mail:ling.pei@sjtu.edu.cn

10.19306/j.cnki.2095-8110.2017.05.002

U666.12

：A

：2095-8110(2017)05-0008-11