劉 宇，惠鴻飛，路永樂，鄒新海，楊銀川，曹加昇

（1.重慶郵電大學(xué) 智能傳感技術(shù)與微系統(tǒng)重慶市高校工程研究中心，重慶 400065；2.貴州航天控制技術(shù)有限公司，貴州 550009）

隨著室內(nèi)環(huán)境中基于相對(duì)位置的導(dǎo)航定位需求越來越多，針對(duì)室內(nèi)場(chǎng)景的人員定位已經(jīng)成為了當(dāng)前的研究熱點(diǎn)。全球定位系統(tǒng)在室內(nèi)易受到建筑物對(duì)衛(wèi)星信號(hào)的遮擋，使得定位精度難以保證。于是，利用各種無線信號(hào)進(jìn)行室內(nèi)定位受到了人們的關(guān)注，如WiFi定位、射頻識(shí)別、磁場(chǎng)匹配、超寬帶、行人航跡推算（Pedestrian Dead Reckoning，PDR）、ZigBee。其中，WiFi定位、磁場(chǎng)匹配以及PDR無需增加額外基礎(chǔ)設(shè)施，可實(shí)現(xiàn)自主定位。但PDR定位結(jié)果存在累計(jì)誤差，磁場(chǎng)匹配技術(shù)易受到誤匹配影響，WiFi定位信號(hào)易受干擾不穩(wěn)定。針對(duì)單一定位源存在誤差的現(xiàn)象，多源信息融合定位應(yīng)運(yùn)而生。

目前，國內(nèi)外在多源信息融合定位方面研究較多。美國高通公司Chen Y等人[1]將FM和WiFi信號(hào)相融合進(jìn)行定位，需部署信號(hào)收發(fā)設(shè)備，設(shè)計(jì)專有定位系統(tǒng)及平臺(tái)，且信號(hào)丟失時(shí)無法繼續(xù)定位；微軟印度研究中心Rai A等人[2]利用粒子濾波將WiFi信息、手機(jī)慣導(dǎo)信息和電子地圖幾何信息進(jìn)行有效融合，未充分考慮原始融合數(shù)據(jù)誤差處理；Belakbir A[3]等人將GPS和UWB定位技術(shù)進(jìn)行融合，設(shè)計(jì)和實(shí)現(xiàn)了一種室內(nèi)外定位系統(tǒng)，對(duì)外界信息依賴嚴(yán)重，不易于推廣。

針對(duì)上述問題，本文提出一種基于WiFi、地磁、PDR多源信息融合的室內(nèi)定位方法，將這三種定位方式進(jìn)行優(yōu)勢(shì)互補(bǔ)，并在智能手機(jī)終端實(shí)現(xiàn)定位，提高室內(nèi)人員定位精度。

1 定位算法整體方案

本文研究的基于遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的多源信息融合室內(nèi)定位方法，整體方案如下：首先，針對(duì)PDR定位，通過建立步長(zhǎng)模型、解算方位角信息以及設(shè)計(jì)航跡推算算法，得到準(zhǔn)確的PDR定位數(shù)據(jù)；針對(duì)WiFi和地磁定位，對(duì)采集到的指紋數(shù)據(jù)進(jìn)行預(yù)處理，并建立指紋庫，利用指紋匹配算法獲得準(zhǔn)確的WiFi和地磁定位數(shù)據(jù)。其次，針對(duì)地磁定位波動(dòng)較小，但是有更高的誤匹配風(fēng)險(xiǎn)，而WiFi定位正好相反[4]這一互補(bǔ)性，先使用WiFi定位結(jié)果來限定地磁匹配搜索范圍，然后在搜索范圍內(nèi)進(jìn)行地磁匹配定位。最后，使用基于遺傳算法優(yōu)化后的神經(jīng)網(wǎng)絡(luò)對(duì)WiFi/地磁組合定位結(jié)果與PDR定位結(jié)果進(jìn)行融合定位，穩(wěn)定WiFi/地磁定位波動(dòng)性的同時(shí)，降低PDR定位的累計(jì)誤差，提升單一定位方式定位精度。

2 PDR定位技術(shù)原理

PDR定位技術(shù)原理[5]如圖1所示，E、N分別表示方位東向、北向，假設(shè)初始位置為(x0,y0)，當(dāng)行人每走一步，慣性傳感器實(shí)時(shí)解算出當(dāng)前的航向θ和步長(zhǎng)d，然后通過式(1)求解得出下一位置為(x1,y1)，依次類推，最終可得行人當(dāng)前位置(xi,yi)。

圖1 PDR定位技術(shù)原理圖Fig.1 Schematic diagram of PDR positioning technology

其中，di為第i步的步長(zhǎng)，θi為第i步的航向角，Xi-1和Yi-1為第i- 1步的坐標(biāo)，Xi和Yi為第i步的坐標(biāo)。

步長(zhǎng)估算最常用的模型如式(2)所示，該模型精度相對(duì)較高，充分借助了加速度計(jì)模值和步長(zhǎng)的經(jīng)驗(yàn)關(guān)系。

其中，K為校準(zhǔn)系數(shù)，Amax、Amin分別為每一步加速度模值的最大值和最小值，這兩個(gè)值均可以通過步態(tài)判別條件得到。

方位角的解算也是PDR技術(shù)中的關(guān)鍵。本文使用經(jīng)典的陀螺儀四元數(shù)姿態(tài)解算算法進(jìn)行航向角解算?？紤]到大多數(shù)建筑都是規(guī)則的矩形，其走廊都與建筑本身的朝向平行或垂直，因此利用文獻(xiàn)[6-7]中基于室內(nèi)環(huán)境特征的航向修正算法對(duì)解算的航向角進(jìn)行修正，從而抑制航向角因陀螺儀漂移產(chǎn)生的累積誤差。

3 WiFi/地磁組合定位方法

3.1 構(gòu)建指紋庫

本文選用位置指紋法進(jìn)行WiFi和地磁定位，采用指紋序列構(gòu)建指紋庫。

1.WiFi數(shù)據(jù)

采集方案為將定位場(chǎng)景劃分成n個(gè)0.5 m * 0.5 m的網(wǎng)格，針對(duì)每個(gè)網(wǎng)格，對(duì)布置的多個(gè)AP（Wireless Access Point，無線訪問接入點(diǎn)）分別采集100組以上WiFi強(qiáng)度數(shù)據(jù)，并求均值，構(gòu)成一組指紋序列?？紤]到WiFi信號(hào)不穩(wěn)定的問題，需設(shè)置約束條件進(jìn)行離群點(diǎn)檢測(cè)：待選定WiFi信號(hào)強(qiáng)度與被測(cè)點(diǎn)信號(hào)強(qiáng)度的真實(shí)值之差應(yīng)小于一定閾值，如式(3)所示。

其中，Mi為第i個(gè)網(wǎng)格節(jié)點(diǎn)待選定WiFi信號(hào)強(qiáng)度；Ri為第i個(gè)網(wǎng)格節(jié)點(diǎn)真實(shí)WiFi信號(hào)強(qiáng)度，由測(cè)得10個(gè)無異常WiFi信號(hào)強(qiáng)度數(shù)據(jù)求均值得到；Sth為強(qiáng)度閾值，為確保數(shù)據(jù)采集精度，本文取5 dBm。

采集一組WiFi指紋數(shù)據(jù)如圖2所示，其真實(shí)WiFi信號(hào)強(qiáng)度均值為- 46.32 dBm，在約束條件下，其中箭頭處數(shù)據(jù)點(diǎn)被作為離群點(diǎn)被檢測(cè)并剔除，有效提升了WiFi指紋數(shù)據(jù)的準(zhǔn)確性。

圖2 WiFi指紋離群點(diǎn)檢測(cè)Fig.2 WiFi fingerprint outlier detection

將預(yù)處理得到的WiFi指紋序列與當(dāng)前網(wǎng)格節(jié)點(diǎn)坐標(biāo)組合構(gòu)成一個(gè)WiFi指紋。第i個(gè)網(wǎng)格節(jié)點(diǎn)上的WiFi指紋表示如式(4)。

式中，posi為第i個(gè)網(wǎng)格節(jié)點(diǎn)的真實(shí)坐標(biāo)；RSSi為第i個(gè)網(wǎng)格節(jié)點(diǎn)預(yù)處理之后的WiFi指紋序列。

2.地磁數(shù)據(jù)

地磁指紋使用磁力計(jì)采集，但是磁力計(jì)因受到制作技術(shù)的影響存在誤差，因此需要對(duì)其存在的誤差進(jìn)行補(bǔ)償校準(zhǔn)[8]。

圖3 磁力計(jì)原始信號(hào)三維分布圖Fig.3 Magnetometer original signal three-dimensional map

圖3磁力計(jì)數(shù)據(jù)形成的球體的球心并不在坐標(biāo)原點(diǎn)，這是由于磁力計(jì)的零偏存在誤差，本文采取最小二乘法校準(zhǔn)補(bǔ)償磁力計(jì)的誤差。補(bǔ)償后的磁力計(jì)數(shù)據(jù)三維分布圖如圖4所示，球體的圓心在坐標(biāo)原點(diǎn)處。由此可見，磁力計(jì)的零偏被有效補(bǔ)償。

圖4 校準(zhǔn)后磁力計(jì)信號(hào)三維分布圖Fig.4 Three-dimensional distribution of magnetometer signals after calibration

補(bǔ)償后的磁力計(jì)可有效提高指紋采集精度。磁場(chǎng)指紋的采集、構(gòu)建以及存儲(chǔ)形式與WiFi一致。

3.2 指紋匹配算法

動(dòng)態(tài)時(shí)間歸整（Dynamic Time Warping，DTW）算法[9]基于動(dòng)態(tài)規(guī)劃的思想，可有效衡量?jī)蓚€(gè)長(zhǎng)度不同的指紋序列的相似度，充分保留原始指紋序列特征，匹配結(jié)果可信度更高。因此本文選用DTW算法進(jìn)行指紋序列匹配。

假設(shè)原始指紋序列為X，Y，長(zhǎng)度分別為和。對(duì)于規(guī)整路徑w=ω1,ω2…ωk，有：

k表示兩個(gè)序列最終被拉伸的長(zhǎng)度。

規(guī)整路徑須從ω1=(1,1)開始到結(jié)束，以保證X和Y序列的每個(gè)坐標(biāo)點(diǎn)都出現(xiàn)一次。另外，規(guī)整路徑ωk=(i,j)中的i和j必須是單調(diào)遞增的，所謂單調(diào)遞增指的是：

所以對(duì)于路徑規(guī)整距離矩陣D(i,j)有：

其中，Dist(i,j)表示X序列第i個(gè)點(diǎn)與Y序列第j個(gè)點(diǎn)之間的距離。D(i,j)衡量的是X序列前i個(gè)點(diǎn)與Y序列前j個(gè)點(diǎn)的相似性。最終的規(guī)整路徑距離為值越小，兩個(gè)原始指紋序列相似度越高。

3.3 WiFi/地磁組合定位方案

根據(jù)WiFi、地磁定位特點(diǎn)，本文設(shè)計(jì)一種利用WiFi定位誤差約束地磁定位匹配范圍的組合定位方案，不僅可以減少磁場(chǎng)匹配的計(jì)算量，還可大幅降低磁場(chǎng)匹配的誤匹配率。WiFi/地磁組合定位原理示意圖如圖5所示。

圖5 WiFi/地磁組合定位原理圖Fig.5 WiFi / geomagnetic combined positioning principle diagram

由圖5所示，磁場(chǎng)匹配范圍被限制在了以WiFi定位結(jié)果(posWiFi)為圓心，WiFi定位誤差(errWiFi)為半徑的圓形區(qū)域S內(nèi)，即在實(shí)際計(jì)算的時(shí)候只匹配該圓形區(qū)域內(nèi)的地磁指紋，指紋庫中其他指紋不納入匹配范圍，最終得到組合定位結(jié)果。

其中，COMpos表示組合定位結(jié)果，DTW｛FMi∈S｝表示使用DTW算法對(duì)區(qū)域S內(nèi)n個(gè)磁場(chǎng)序列FM進(jìn)行匹配。

綜上可得WiFi/地磁組合定位流程圖如圖6所示。

圖6 WiFi/地磁組合定位流程圖Fig.6 WiFi / geomagnetic combined positioning flow chart

4 遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的融合定位方法

為了優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值，加快網(wǎng)絡(luò)收斂并獲得全局最優(yōu)解[10]，提出一種基于遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的融合定位算法，對(duì)PDR定位結(jié)果以及WiFi/地磁組合定位結(jié)果向真實(shí)位置坐標(biāo)方向進(jìn)行訓(xùn)練，從而獲得最優(yōu)融合定位結(jié)果。

4.1 BP神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)

1.BP神經(jīng)網(wǎng)絡(luò)建模

圖7是一個(gè)典型的三層BP神經(jīng)網(wǎng)絡(luò)。

圖7 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖Fig.7 BP neural network structure

設(shè)該網(wǎng)絡(luò)中各層節(jié)點(diǎn)的激活函數(shù)都為S型函數(shù)，并且網(wǎng)絡(luò)中第一層i節(jié)點(diǎn)的輸入記為neti，輸出記為oi，輸出層第k個(gè)節(jié)點(diǎn)的輸出為y?k，則中間層第j個(gè)節(jié)點(diǎn)的輸入為：

2.訓(xùn)練樣本確定

BP神經(jīng)網(wǎng)絡(luò)的目標(biāo)輸入為由PDR定位結(jié)果以及WiFi/地磁組合定位結(jié)果構(gòu)成的四維矩陣，目標(biāo)輸出為采樣點(diǎn)真實(shí)位置坐標(biāo)。最終訓(xùn)練樣本如式(14)所示。

式中，InputData為輸入樣本，（xpi，ypi）、（xci，yci）分別為第i個(gè)待定位點(diǎn)PDR定位坐標(biāo)和WiFi/地磁組合定位坐標(biāo)；TargetData為目標(biāo)輸出樣本，（xri，yri）為第i個(gè)待定位點(diǎn)真實(shí)位置坐標(biāo)。

3.神經(jīng)元參數(shù)確定

確定隱含層神經(jīng)元數(shù)量應(yīng)用較多的經(jīng)驗(yàn)公式如式(15)所示。

式中，m為隱含層節(jié)點(diǎn)數(shù)；n為輸入層節(jié)點(diǎn)數(shù)；l為輸出層節(jié)點(diǎn)數(shù)；a為1-10之間的常數(shù)。

4.2 遺傳優(yōu)化BP網(wǎng)絡(luò)算法設(shè)計(jì)

遺傳算法（Genetic Algorithm，簡(jiǎn)稱GA）通過選擇、交叉、變異等操作尋找網(wǎng)絡(luò)全局最優(yōu)解對(duì)BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值進(jìn)行優(yōu)化[11]。主要步驟為：

1.編碼方式和初始種群確定

若神經(jīng)網(wǎng)絡(luò)的輸入神經(jīng)元個(gè)數(shù)為n，輸出層神經(jīng)元個(gè)數(shù)為k，隱含層神經(jīng)元個(gè)數(shù)為m，編碼長(zhǎng)度為L(zhǎng)，則有：

對(duì)于種群規(guī)模的大小，本文采用實(shí)驗(yàn)的方法得到。

2.適應(yīng)度函數(shù)的選擇

適應(yīng)度函數(shù)一般根據(jù)網(wǎng)絡(luò)實(shí)際輸出和期望輸出的差值來確定，本文選擇適應(yīng)度函數(shù)如式(17)所示。

式中，Ti、Yi分別表示第i個(gè)訓(xùn)練樣本的實(shí)際輸出與期望輸出，n表示訓(xùn)練樣本數(shù)。

3.選擇算子的選擇

遺傳算法優(yōu)化BP算法時(shí)，通常選擇輪盤賭法，設(shè)第i個(gè)體適應(yīng)度為fi，則第i個(gè)體被留下來的概率Psi為：

4.交叉算子的選擇

本文選擇整體交叉方式，如式(19)所示。

式中，α表示基因編碼組合系數(shù)，fi代表第i個(gè)體在父代種群中的適應(yīng)度值，fmax、favg分別表示父代種群中個(gè)體適應(yīng)度的最大值和平均值。

5.變異算子的選擇

將變異算子與選擇算子結(jié)合可有效避免遺傳算法非成熟收斂問題，本文遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)變異模型為:

式中，β為變異因子，ω、ω′分別為變異前后網(wǎng)絡(luò)權(quán)值和閾值，ρ為[0-1]間的隨機(jī)數(shù)，Emax為父代種群個(gè)體中適應(yīng)度最大個(gè)體的誤差均方值，通常取[0.5-1]之間的數(shù)值。

最終得到遺傳算法優(yōu)化BP網(wǎng)絡(luò)流程如圖8所示。

圖8 遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)流程圖Fig.8 Flow chart of BP neural network optimized by genetic algorithm

5 實(shí)驗(yàn)結(jié)果分析

5.1 算法仿真實(shí)驗(yàn)

為了驗(yàn)證遺傳算法優(yōu)化后BP神經(jīng)網(wǎng)絡(luò)的性能，本文以采集得到的一組WiFi/地磁組合定位和PDR定位的X軸坐標(biāo)數(shù)據(jù)進(jìn)行融合仿真分析，訓(xùn)練樣本采集場(chǎng)景為一條250 m長(zhǎng)的直線區(qū)域，采集間隔為0.5 m，共500個(gè)樣本，400個(gè)用于訓(xùn)練，100個(gè)用于測(cè)試。設(shè)置的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)輸入層有2個(gè)節(jié)點(diǎn)，隱含層有5個(gè)節(jié)點(diǎn)，輸出層有1個(gè)節(jié)點(diǎn)，共有15個(gè)權(quán)值，6個(gè)閾值，所以遺傳算法個(gè)體的編碼長(zhǎng)度為21。

1.未優(yōu)化時(shí)BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)輸出及誤差

未經(jīng)遺傳算法優(yōu)化時(shí)的BP網(wǎng)絡(luò)融合算法得到的x軸坐標(biāo)預(yù)測(cè)輸出和預(yù)測(cè)誤差分別如圖9、10所示。

圖9 未優(yōu)化時(shí)的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)輸出Fig.9 Predicted output of BP neural network without optimization

圖10 未優(yōu)化時(shí)的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)誤差Fig.10 BP neural network prediction error without optimization

2.遺傳算法優(yōu)化后BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)輸出及誤差

遺傳算法優(yōu)化過程中最優(yōu)個(gè)體適應(yīng)度值變化如圖11所示。

圖11 適應(yīng)度變化曲線Fig.11 Fitness curve

經(jīng)遺傳算法優(yōu)化得到的BP神經(jīng)網(wǎng)絡(luò)最優(yōu)初始權(quán)值和閾值如表1所示。

表1 優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)初始權(quán)值和閾值Tab.1 Optimized BP neural network initial weights and thresholds

其中，W1為輸入層與隱含層間權(quán)值，B1為隱含層節(jié)點(diǎn)閾值，W2為隱含層與輸出層間權(quán)值，B2為輸出層節(jié)點(diǎn)閾值。

把最優(yōu)初始權(quán)值和閾值賦給神經(jīng)網(wǎng)絡(luò)，得到x軸坐標(biāo)預(yù)測(cè)輸出和預(yù)測(cè)誤差分別如圖12、13所示。

圖12 遺傳算法優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)輸出Fig.12 Prediction output of BP neural network optimized by genetic algorithm

圖13 遺傳算法優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)誤差Fig.13 Prediction error of BP neural network optimized by genetic algorithm

從圖12、13可以看出，遺傳算法優(yōu)化后的BP網(wǎng)絡(luò)預(yù)測(cè)更加精確，并且優(yōu)化后的均方誤差為0.447 m，而未優(yōu)化的均方誤差為1.7615 m，預(yù)測(cè)均方誤差降低了約75%，驗(yàn)證了該融合算法的可行性。

5.2 定位功能實(shí)驗(yàn)

實(shí)驗(yàn)環(huán)境選擇教學(xué)樓走廊（14 m * 20 m），將實(shí)驗(yàn)場(chǎng)地劃分為1 m * 1 m的網(wǎng)格，每檢測(cè)到移動(dòng)一步（約0.5 m），觸發(fā)一次定位，如圖14所示。環(huán)境中共放置6個(gè)AP，同時(shí)使用HUAWEI MT1-U06手機(jī)及自主開發(fā)APP實(shí)時(shí)采集WiFi強(qiáng)度與磁場(chǎng)強(qiáng)度，實(shí)驗(yàn)路徑為A-B-C-D-A。

圖14 實(shí)驗(yàn)場(chǎng)景平面圖Fig.14 Experimental scene plan

1.定位數(shù)據(jù)獲取

為提升定位實(shí)時(shí)性，搭建基于socket通信的服務(wù)器端，WiFi、地磁指紋庫均存入服務(wù)器，定位算法也寫入服務(wù)器，同時(shí)利用MATLAB構(gòu)建神經(jīng)網(wǎng)絡(luò)模型。

定位開始時(shí)，系統(tǒng)會(huì)自動(dòng)采集WiFi、地磁、慣性傳感器數(shù)據(jù)并發(fā)送至服務(wù)器，服務(wù)器收到實(shí)時(shí)數(shù)據(jù)后利用定位算法進(jìn)行融合定位，服務(wù)器返回最終定位結(jié)果。

2.定位精度分析

圖15為不同定位方式的運(yùn)動(dòng)軌跡復(fù)現(xiàn)結(jié)果，可以看出，WiFi和地磁定位結(jié)果易出現(xiàn)誤匹配，從而偏離實(shí)際坐標(biāo)；組合定位有效改善了兩者單一定位缺陷，但是仍存在一定范圍的誤差波動(dòng)；PDR定位在剛出發(fā)的前5步，定位結(jié)果接近真實(shí)坐標(biāo)，受累計(jì)誤差的影響，回到原點(diǎn)時(shí)坐標(biāo)誤差較大；經(jīng)改進(jìn)BP神經(jīng)網(wǎng)絡(luò)融合后的定位精度得到了顯著提高。

圖15 不同定位方式下的定位結(jié)果Fig.15 Positioning results in different positioning modes

表2為不同定位方式的平均誤差，組合定位精度較單一WiFi或地磁定位精度平均提升約16%，融合定位精度較單一定位方式定位精度平均提升約47%，進(jìn)一步驗(yàn)證了利用本方法進(jìn)行多源信息融合定位，可有效提升單一定位方式定位精度，具有更優(yōu)的定位性能。

表2 平均定位誤差對(duì)比Tab.2 Average positioning error comparison

6 結(jié) 論

針對(duì)單一定位方式存在誤差較大，以及傳統(tǒng)使用卡爾曼濾波融合造成計(jì)算量大的問題，本文利用WiFi、地磁、PDR三種定位方式的特點(diǎn)，提出了基于遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的多源信息融合定位方法，并在智能手機(jī)終端進(jìn)行功能實(shí)現(xiàn)，計(jì)算量更小，算法更易實(shí)現(xiàn)。并利用遺傳算法針對(duì)神經(jīng)網(wǎng)絡(luò)收斂慢的問題進(jìn)行優(yōu)化，使網(wǎng)絡(luò)預(yù)測(cè)均方誤差降低了約75%，最終融合定位精度較單一定位方式定位精度平均提升約47%。該方法僅利用智能手機(jī)中的內(nèi)置傳感器和現(xiàn)有的WiFi熱點(diǎn)即可提供連續(xù)、可靠的室內(nèi)定位結(jié)果，當(dāng)無線信號(hào)丟失時(shí)，也可繼續(xù)定位，具有較好的擴(kuò)展性和容錯(cuò)性。