黃 璐，蔚保國，李宏生，李 雋，賈浩男，程建強，李雅寧

（1. 東南大學儀器科學與工程學院微慣性儀表與先進導航技術(shù)教育部重點實驗室，江蘇南京 210096；2. 衛(wèi)星導航系統(tǒng)與裝備技術(shù)國家重點實驗室，河北石家莊 050081）

1 引言

隨著全球?qū)Ш叫l(wèi)星系統(tǒng)（Global Navigation Satellite System，GNSS）的發(fā)展，人們對定位服務的需求也在增長. 基于位置服務的可用性在很大程度上取決于位置的準確性. 盡管GNSS可以在開放環(huán)境中提供高精度定位，但是由于信號遮擋，天上導航衛(wèi)星無法在復雜的室內(nèi)場景中工作［1］. 文獻［2］指出了GNSS 存在的弊端，并提出了利用偽衛(wèi)星來提高定位系統(tǒng)的靈活性，用于解決惡劣環(huán)境下的定位性能. 目前，室內(nèi)定位技術(shù)主要包括Wi-Fi 指紋定位［3～5］、聲波定位［6］、LED 燈定位［7］、超寬帶UWB［8］、藍牙［9，10］、紅外［11］以及基于運動傳感器的慣性導航定位［12，13］等技術(shù). 然而，各種手段存在各自的優(yōu)缺點，在面對不同的室內(nèi)定位需求時，發(fā)揮著各自的優(yōu)勢.

偽衛(wèi)星是一種地面導航發(fā)射器，可以發(fā)射兼容GNSS 的信號. 在室內(nèi)環(huán)境下，偽衛(wèi)星通過發(fā)射天線將導航模擬器輸出的類似于天上衛(wèi)星信號發(fā)送給用戶終端，利用這些原始觀測數(shù)據(jù)實現(xiàn)室內(nèi)位置的預測. 在不更改目前市場上智能終端現(xiàn)有硬件的情況下，通過軟件升級的方式即可提供室內(nèi)外連續(xù)定位服務. 因此，越來越多的學者開始投入到偽衛(wèi)星室內(nèi)定位技術(shù)研究中. 文獻［14］介紹的一種考慮偽衛(wèi)星天線與接收機幾何關(guān)系的雙曲線定位方法，在已知初始位置的前提下，通過最小二乘算法解算用戶位置. 文獻［15］提出了一種將多普勒定位和基于載波的雙曲線定位與多通道GPS偽衛(wèi)星相結(jié)合的室內(nèi)定位方法，通過建模來求解模糊度得到偽衛(wèi)星與接收機之間的距離信息，從而實現(xiàn)室內(nèi)定位. 文獻［16］介紹了一種利用慣性導航信息來輔助偽衛(wèi)星定位的系統(tǒng)，通過獲取INS提供的相對信息求解模糊度來獲取相對準確的距離信息，用于接收端位置預測. 然而，在研究和系統(tǒng)設計中仍然存在著一些挑戰(zhàn)性的問題，如室內(nèi)偽衛(wèi)星與室外GNSS 衛(wèi)星在幾何布局上具有截然不同的性質(zhì)，通常依賴初始位置和求解模糊度后才可以進行定位解算，而且室內(nèi)環(huán)境較室外屬于小尺度環(huán)境，遠近效應、信號多路徑等因素通常會導致偽衛(wèi)星的信號失鎖，從而影響定位的精度和連續(xù)性. 文獻［17］介紹了一種結(jié)合電離層誤差的模糊度解算方法，通過分析原始雙頻數(shù)據(jù)降低電離層對模糊度求解的影響，改進效果明顯，但是會存在模糊度分辨率低的問題，而且在室內(nèi)環(huán)境下幾乎沒有電離層的影響，因此該方法無法直接用于室內(nèi)定位. 文獻［18］提出了一種基于GPS/SINS 的松散耦合模式的Cubature 卡爾曼濾波器（Cubature Kalman Filter，CKF）方法，實現(xiàn)了引導運輸車厘米級的定位精度. 文獻［19］采用的地圖先驗信息也起到了關(guān)鍵作用，因此本文借鑒相關(guān)思想，增加環(huán)境信息和行人步態(tài)信息，從而提高定位精度和穩(wěn)定性.

綜上所述，本文提出了一種基于偽衛(wèi)星通道間載波相位差的指紋定位方式，結(jié)合變分自編碼器網(wǎng)絡，構(gòu)建偽衛(wèi)星信號室內(nèi)空間分布模型，通過特征提取的方式避免了對偽衛(wèi)星信號質(zhì)量的嚴苛要求，降低了由建筑遮擋、多徑等因素造成的信號波動的影響，提高了位置預測的準確性，同時結(jié)合粒子濾波算法，提高了定位結(jié)果的連續(xù)性. 本文的主要貢獻如下所述.

（1）本文針對偽衛(wèi)星在室內(nèi)定位技術(shù)中面臨的定位連續(xù)性差、覆蓋范圍有限的問題，提出一種基于載波相位差的指紋室內(nèi)定位方法，利用偽衛(wèi)星基站發(fā)射的兼容GPS/BDS 的衛(wèi)星信號，實現(xiàn)了室內(nèi)廣域覆蓋、穩(wěn)定連續(xù)的亞米級定位.

（2）本文提出一種基于條件變分自編碼器的隱含空間特征聚類的定位方法. 首先，利用VAE 網(wǎng)絡將偽衛(wèi)星載波觀測數(shù)據(jù)抽象為一種高斯混合分布的規(guī)則數(shù)據(jù)，而不是單一的確定性映射，提高了潛在空間下的多樣性，使得解碼器能夠以最小誤差重構(gòu)出輸入數(shù)據(jù). 然后，建立隱含特征與位置信息間的非線性映射關(guān)系. 最后，在不同的公開數(shù)據(jù)集下驗證了所提出模型較常用機器學習算法的優(yōu)勢. 考慮到絕對定位結(jié)果波動大的問題，本文引入了粒子濾波算法對指紋匹配的結(jié)果進行平滑，進一步提高定位系統(tǒng)的穩(wěn)定性.

（3）本文在室內(nèi)試驗環(huán)境及機場環(huán)境下開展了大量試驗，設計并實現(xiàn)了一種結(jié)合足部慣導的動態(tài)建庫設備，提高了數(shù)據(jù)集構(gòu)建效率. 為了進一步驗證模型的有效性，本文比較了所提出模型與常用的指紋定位方法在靜態(tài)及動態(tài)條件下的定位性能，試驗結(jié)果驗證了算法的有效性.

2 相關(guān)工作

2.1 偽衛(wèi)星設備

本文所述的偽衛(wèi)星由相同時鐘源的多信道發(fā)射器和全向發(fā)射天線組成，如圖1 所示. 各通道均在GPS 的L1 碼和BDS 的B1 碼調(diào)制，兼容天上導航衛(wèi)星信號，同時基于相同1PPS 發(fā)射具有唯一C/A 碼的信號，避免了傳統(tǒng)偽衛(wèi)星時間同步問題.

圖1 偽衛(wèi)星定位設備圖

2.2 偽衛(wèi)星載波相位差

在室外，通常采用偽距進行定位解算，偽距又稱時間延遲測量，是指用戶接收機利用定位信號的測距碼計算信號發(fā)射機天線到達用戶接收機天線的距離（或電波傳播時間）. 然而在室內(nèi)，由于偽衛(wèi)星的時鐘誤差、接收機的鐘差、多路徑效應等因素，偽距的測量噪聲較大，很難用于定位解算. 但是，載波相位的波長遠小于偽碼的波長，在同等分辨率的情況下，載波相位的測量精度遠高于碼相位的測量精度，理論上利用載波相位在室內(nèi)可以實現(xiàn)高精度定位. 但是，從以往的研究內(nèi)容中可知，基于載波相位的定位技術(shù)往往面臨著求解整周模糊度，并且精度一定程度上受到初始位置的精度影響，因此在復雜多變、建筑結(jié)構(gòu)各異的室內(nèi)區(qū)域，定位的穩(wěn)定性和精度具有較大的挑戰(zhàn).

綜上分析，本文擬將指紋定位技術(shù)用于偽衛(wèi)星室內(nèi)定位中，不僅能夠提供絕對位置信息，而且優(yōu)秀的匹配機制能夠克服環(huán)境對指紋信息的干擾，在信號質(zhì)量較差的情況下，仍能實現(xiàn)相對可靠的定位效果. 在基于指紋定位的技術(shù)中，通常信號源的穩(wěn)定性和室內(nèi)空間的分辨率都對信號特征提取、匹配結(jié)果都有著重要的影響，因此本文針對上述影響因素開展了實測驗證.

（1）載波相位穩(wěn)定性測試. 本文利用現(xiàn)有商用接收機對偽衛(wèi)星基站信號進行1 h 的觀測，并記錄長時間數(shù)據(jù)采集后數(shù)據(jù)變化情況，得到如圖2所示的偽衛(wèi)星兩個通道間的載波相位差值的監(jiān)測結(jié)果. 從圖2 中可以看到，偽衛(wèi)星通道間的載波相位差數(shù)據(jù)波動在0.02～0.03周，較傳統(tǒng)信號強度更穩(wěn)定，這為基于偽衛(wèi)星載波相位差指紋定位的穩(wěn)定性和可靠性提供了保障.

圖2 載波相位差穩(wěn)定性測試

（2）載波相位空間分辨率測試. 從理論上講，信號的空間分辨率越高，基于指紋的定位精度越高，因此本文采集了室內(nèi)環(huán)境下相鄰間隔0.3 m 的相鄰位置處的兩通道載波相位差，采集時間為60 s，采樣頻率為1 Hz，測試結(jié)果如圖3 所示. 縱坐標為標準化后的通道載波相位差幅值，橫坐標為采樣點數(shù)據(jù). 在間隔30 cm 的不同參考點處，通道間的載波相位差具有明顯的區(qū)分度，而且多通道的兩兩組合使得不同室內(nèi)位置的區(qū)分度更加明顯，這將為基于載波相位差的高精度指紋匹配定位提供基礎.

圖3 載波相位差空間分辨率

2.3 偽衛(wèi)星定位系統(tǒng)架構(gòu)

本文設計的基于載波相位差的定位系統(tǒng)包含六通道偽衛(wèi)星基站、全向發(fā)射天線、搭載商用導航接收機芯片的定位終端以及足部慣導組成，如圖4 所示. 偽衛(wèi)星基站各通道通過射頻線纜與發(fā)射天線連接并部署到室內(nèi)環(huán)境中. 其中足部慣導和定位終端通過藍牙與智能手機連接. 在離線階段，在待定位區(qū)域利用定位終端采集偽衛(wèi)星通道間載波相位觀測數(shù)據(jù)，通過濾波等預處理方法降低數(shù)據(jù)噪聲，得到通道間載波相位差，結(jié)合足部慣導輸出的位置坐標構(gòu)建載波相位差指紋圖譜. 然后，將構(gòu)建的指紋圖譜發(fā)送到服務器端進行定位模型訓練. 最后將訓練后的模型分發(fā)到智能手機上. 在線階段，在當前室內(nèi)環(huán)境下，用戶實時接收偽衛(wèi)星信號，利用訓練好的定位模型實現(xiàn)位置的預測.

圖4 定位體系架構(gòu)設計

3 基于VAE的偽衛(wèi)星指紋定位技術(shù)

在室內(nèi)定位技術(shù)研究中，如果能夠建模出無線電信號在室內(nèi)空間環(huán)境中的分布情況，那么基于無線信號的室內(nèi)定位算法性能將得到較大的提高. 然而室內(nèi)環(huán)境復雜，信號的傳輸模型往往難以確定，理想的自由空間傳輸模型無法在真實環(huán)境下使用. 因此，本文設計了一種基于VAE（Variational Auto-Encoder）網(wǎng)絡的定位模型，通過數(shù)據(jù)特征提取來抽象多路載波相位差在不同位置點處的分布特征，實現(xiàn)對室內(nèi)環(huán)境中指紋數(shù)據(jù)在隱含空間下的特征聚類，并將聚類后的特征作為定位網(wǎng)絡模型的輸入特征，從而完成室內(nèi)高精度的映射定位.

VAE 是一種基于高斯混合模型來編碼的無監(jiān)督生成模型. 簡單來說，任何一種分布均可以分解為若干個高斯分布的疊加. 借鑒上述思想，室內(nèi)區(qū)域的任意位置接收到的偽衛(wèi)星觀測數(shù)據(jù)x，其分布p(x)可以看作多維偽衛(wèi)星信號分布在積分域上的累加. 但是，通常基于基礎數(shù)學方法求解p(x)的過程復雜，因此本文利用深度神經(jīng)網(wǎng)絡來對輸入數(shù)據(jù)x進行編碼，提取出隱含特征z，使得原本雜亂無章的指紋數(shù)據(jù)通過自編碼器在二維隱含空間下聚類，得到規(guī)則的代表性特征. 其中，變分自編碼器的輸出為各維數(shù)據(jù)的均值和方差，這樣聚類后的結(jié)果可看作一種連續(xù)分布，每次通過采樣得到不同的編碼，較傳統(tǒng)的自編碼器（AutoEncoder，AE），編碼特征更多樣，模型收斂更快，而且解碼器學習到的不僅是單個位置點在隱含空間中的表示，而是整個鄰域內(nèi)點的編碼.所以，不會因為非線性的變換過程導致在編碼時點與點之間的遷移偏差過大，從而提高了解碼器的容錯性.

具體來講，VAE 的目標是學習參數(shù)θ，使得最大化邊緣概率密度函數(shù)，通常引入條件概率密度qφ(z|x)來近似難以處理的后驗概率pθ(z|x)，同時有p(x，z) =p(x)p(z|x). 接著，利用聯(lián)合分布qφ(x，z)來逼近pθ(x，z)，Kullback-Leibler 散度（KL divergence or DKL）［20］作為pθ(x，z)和qφ(x，z)之間的相似性度量，此時有

因此，可以將兩個聯(lián)合概率分布的相似性寫成

以KL 散度為目標，使得兩個分布盡可能的接近.通過文獻［20］中重采樣的方式約束隱變量z，使得最終z能夠描述x的特征，因此有

其中，為了便于采樣，通常將隱變量z假設為z ～N(0，I)，即標準的多元正態(tài)分布pθ(z|x) ～N(μ(x)，σ2(x))，該分布通過構(gòu)建簡單的神經(jīng)網(wǎng)絡即可擬合，輸入數(shù)據(jù)為x，輸出為均值μ(x)和方差σ2(x). 最后生成模型根據(jù)文獻［20］中論述的2種方案，通常選定為伯努利分布或正態(tài)分布，本文選擇前者. 借助VAE 編碼后的隱變量z來描述輸入指紋數(shù)據(jù)x的分布情況. 為了利用位置標簽的標識優(yōu)勢以及不同位置處不同信號的分布差異性，本文構(gòu)建了顧及位置標簽的條件變分自編碼器CVAE 模型. 在VAE 編解碼訓練時，將位置標簽作為條件，用于區(qū)分室內(nèi)不同位置處的偽衛(wèi)星信號特有分布，降低了由于室內(nèi)信號波動對定位結(jié)果產(chǎn)生的影響. 在進行模型訓練時，將數(shù)據(jù)重構(gòu)損耗、KL損耗以及回歸損耗一并優(yōu)化. 在進行實時定位時，利用訓練好的編碼器對輸入數(shù)據(jù)進行概率編碼處理，連接DNN網(wǎng)絡得到預測位置.本文構(gòu)建的網(wǎng)絡模型如圖5 所示. 圖5 中，x為觀測數(shù)據(jù)，y為位置標簽，同時輸入到由堆疊編碼網(wǎng)絡中，得到x在隱含空間分布的均值μθ和方差σθ，根據(jù)公式z=μ+σ·ε采樣得到隱含層變量z，然后隱含變量和位置標簽y一并輸入到解碼器中重構(gòu)輸入數(shù)據(jù)x?，通過判別器，優(yōu)化損耗實現(xiàn)模型的訓練，最后隱含特征z與激活函數(shù)相連實現(xiàn)位置預測. 具體的實現(xiàn)推導如下所述.

圖5 條件變分自編碼器網(wǎng)絡結(jié)構(gòu)圖

由式（6）得到條件變分編碼器的變分下界為

此時，蒙特卡羅對數(shù)似然估計需要大量的樣本才能準確估計，或者使用重要性抽樣來估計條件相似性，優(yōu)化變分下界. 值得注意的是，在計算模型損耗時，本文將重構(gòu)損耗，KL 損 耗 以 及 回 歸 損 耗 一 并 考 慮，由p(x，z，y)=p(x|z)p(z|y)p(y)及式（4）進一步得到新的變分下界為

其中，

y為均勻分布，pθ(y|z)可以通過Softmax回歸函數(shù)擬合得到，模型的輸入數(shù)據(jù)是預處理后的訓練數(shù)據(jù)集，輸出是二維空間中的位置坐標，定位算法如算法1、算法2.

考慮到真實室內(nèi)環(huán)境中，無線電信號傳播往往存在較多干擾因素，比如信號的反射、折射或者衍射等，單獨利用指紋定位的結(jié)果波動較大. 因此本文引入了在非線性非高斯問題中表現(xiàn)優(yōu)異的粒子濾波手段對CVAE 網(wǎng)絡模型的定位結(jié)果進行平滑處理，進一步提高定位結(jié)果的穩(wěn)定性和連續(xù)性. 通常，動態(tài)系統(tǒng)可以通過狀態(tài)模型和觀察模型來描述，如式（9）和（10）所示：

算法1 定位模型訓練輸入:載波相位差指紋數(shù)據(jù)庫:X=[x( )1，x( )2 ，…，x( )n] ∈Rd×A2 n;d是每個位置的指紋數(shù)據(jù)維度,n是位置標簽數(shù)量;位置標簽為y.輸出:隱含變量特征:z與模型參數(shù)φ和θ;位置估計模型Modelclassifier{(z，y)}.1 初始化:各層隱含單元數(shù)量;迭代次數(shù)(epochs);隱含空間維數(shù);2 while{φ，θ}未收斂do 3 D ←getMinibatch();4 μθ，θθ ←x，y;5 從N ～(0，I)采樣ε;6 使用重采樣參數(shù)技巧(Reparameterization trick:z=μθ+σθ·ε)進行采樣z ←qφ(z|x，y);7 計算變分下界的梯度L;8 最小化L;9 end while 10 while 定位模型訓練do 11 Fit?{x，y}∈D訓練定位Modelclassifier{(z，y)};12 end while

算法2 位置估計輸入:實時觀測數(shù)據(jù):x,定位模型:Modelclassifier{(z，y)}.輸出:定位結(jié)果y.1 for 對每一組x do 2 通過定位模型估計用戶位置y ←Modelclassifier{(z，y)};3 end for

其中，Xk∈Rnx和Zk∈Rnz分別為k時刻系統(tǒng)的狀態(tài)值和觀測值.Wk∈Rnw和Vk∈Rnv是過程噪聲和測量噪聲，通常被認為是具有零均值和協(xié)方差矩陣為Qk和Rk的高斯噪聲.fk：Rnx×Rnw→Rnx是反映當前狀態(tài)和先前狀態(tài)之間關(guān)系的非線性函數(shù)，hx：Rnx×Rnv→Rnz表示觀察值與狀態(tài)之間的關(guān)系. 算法基本流程如下.

（1）初始化：粒子狀態(tài)空間初始化，根據(jù)定位性能需求以及實時性要求確定粒子數(shù)量，粒子狀態(tài)空間包含位置坐標和移動步長(x，y，L).

（2）位置預測：本文將行人航位推算（Pedestrian Dead Reckoning，PDR）［21，22］算法作為粒子的狀態(tài)轉(zhuǎn)移方程，實現(xiàn)粒子位置的預測，如式（11）所示：

其中，k-1 時刻的位置為(xk-1，yk-1)，k時刻的位置坐標為(xk，yk)；前后時刻行進的步長為Lk；θ為粒子的移動方向，本文設定為隨機數(shù)以保證粒子的多樣性.

（3）更新權(quán)重：通過將預測值與從實際測量過程中獲得的概率分布函數(shù)進行比較來更新權(quán)重. 在本文中，將CVAE網(wǎng)絡模型作為觀測函數(shù)，通過實時的指紋數(shù)據(jù)解算觀測位置. 然后各個新粒子與指紋定位結(jié)果進行比較來更新權(quán)重，權(quán)重越大，代表越接近真實位置，通過式（12）來計算各個粒子的權(quán)重：

其中，s為當前時刻粒子狀態(tài)；g(δ)為通過深度學習定位模型獲取的粒子觀測狀態(tài)；σω為測量偏差. 在所有的粒子都有權(quán)重之后，需要濾掉權(quán)重低的粒子，目的是將粒子都集中到高權(quán)重粒子附近區(qū)域中，使得粒子群收斂.

（4）重采樣：通常定義粒子數(shù)閾值為Neff=N/2，當粒子數(shù)量少于Neff時，根據(jù)權(quán)重大小進行重采樣.

（5）位置估計：最終將所有粒子的加權(quán)平均值，作為當前時刻的估計位置.

4 實驗驗證

本節(jié)驗證了所提出模型的可行性及定位性能.在公共數(shù)據(jù)集和自建數(shù)據(jù)集上比較了所提出的模型與常用模型的聚類效果，并在試驗環(huán)境和機場環(huán)境下比較了所構(gòu)建模型在靜態(tài)和動態(tài)條件下的定位性能.

4.1 模型性能評估

本文在機器學習領域經(jīng)典的灰度手寫數(shù)據(jù)集MNIST（http：//yann. lecun. com/exdb/mnist/）上驗證了所設計的CVAE 網(wǎng)絡模型與常用的變分自編碼器VAE 在隱含空間下的聚類效果，測試結(jié)果如圖6所示.

圖6 CVAE與VAE模型在二維隱空間下的特征聚類效果

從圖6 中可以看出，隨著迭代次數(shù)的增加，雜亂無章的輸入數(shù)據(jù)在隱含空間下實現(xiàn)了特征聚類特征，與常用的VAE 模型相比，聚類效果更好. 同時本文也在應用較多的經(jīng)典室內(nèi)定位數(shù)據(jù)集上比較了所提出模型與其他常用模型的聚類性能，結(jié)果如表1 所示. 其中MNIST，CIFAR10，REUTERS利用深度學習庫Keras直接調(diào)用測試，BLE RSSI和UJIIndoorLoc［23］分別是室內(nèi)定位藍牙和Wi-Fi的公開數(shù)據(jù)集. 從測試結(jié)果可以看出，對比主流聚類方法，加入位置信息的變分自編碼器能夠達到較理想的聚類效果. 本文在隱含空間內(nèi)的聚類通過加入噪聲使得各類概率分布存在輕微的交集，這樣做主要是為了在重參數(shù)采樣時避免在空白特征區(qū)域采樣，降低數(shù)據(jù)的重構(gòu)誤差，得到更具代表性的特征.

表1 不同模型在不同數(shù)據(jù)集上的聚類性能比較

4.2 定位性能測試

上節(jié)驗證了所提出模型在公開數(shù)據(jù)集上的性能.本節(jié)將在不同的試驗環(huán)境下，分別從靜態(tài)定位和動態(tài)定位兩個方面驗證模型的定位性能，同時驗證本文提出的動態(tài)建庫和傳統(tǒng)靜態(tài)建庫方式對模型定位性能的影響.

4.2.1 實驗環(huán)境一：辦公室環(huán)境

在7×10 m2的室內(nèi)小尺度測試區(qū)域內(nèi)，將6 顆發(fā)射天線按照半徑1 m 的圓形陣列均勻部署在屋頂，并通過射頻線纜與六通道偽衛(wèi)星基站連接，如圖7所示.

圖7 試驗場景部署圖

（1）靜態(tài)定位性能測試

為了驗證定位系統(tǒng)的靜態(tài)定位精度，試驗人員手持終端在已知坐標的參考點處靜止站立采集一段時間的定位數(shù)據(jù)，定位結(jié)果與真實位置比較記錄歐氏距離得到定位誤差，試驗結(jié)果如圖8 所示. 圖8 中，藍色圓圈為偽衛(wèi)星天線位置，紅色圓圈為選取的已知位置坐標的參考點，其中圖（a）（b）（c）（d）分別為參考點1，2，3，4 的定位結(jié)果，橫縱坐標單位是m. 為了更直觀地描述定位結(jié)果的好壞，本文在不同的參考位置處統(tǒng)計了定位誤差值，如圖9 所示. 從圖9 中可以直觀地看到，本文提出的定位系統(tǒng)在靜態(tài)定位測試中能夠達到較高精度的定位性能，平均定位誤差小于10 cm. 在本文中，利用粒子濾波平滑結(jié)果時初始化設定2000 個粒子來估計用戶位置，測試算法運算一次所需時間約為100 ms，滿足定位實時性要求.

圖8 不同位置處靜態(tài)定位結(jié)果

圖9 不同位置處靜態(tài)定位測試的誤差

（2）動態(tài)定位性能測試

為了評估定位模型的動態(tài)定位性能，本文在場景一的小尺度室內(nèi)環(huán)境下，設定不同的測試路線，在同一行進路線上，測試人員分別按照逆時針和順時針的順序行走，在測試運動狀態(tài)下的定位精度同時，也驗證了身體遮擋信號對定位系統(tǒng)的影響，測試結(jié)果如圖10 所示. 圖10 中，紅色圓圈為選取的已知坐標的參考位置點，藍色點為定位結(jié)果，紅色線為真實軌跡. 在動態(tài)定位誤差分析中，本文選取運動軌跡上的一些已知坐標的參考點進行精度評估，如表2所示.

表2 小尺度空間環(huán)境下動態(tài)定位精度分析

圖10 動態(tài)定位測試結(jié)果

為了比較不同的算法在所構(gòu)建的動態(tài)指紋庫中的定位性能，本文對比分析了常用機器學習模型KNN 和SVM 以及參考文獻［24，25］中的定位算法，按照設定路線，實驗人員行走不同的軌跡，比較運動狀態(tài)下的定位精度，結(jié)果如圖11所示，詳細誤差分析見表3.

圖11 不同定位算法定位誤差分析

表3 常用指紋匹配定位算法定位精度比較

4.2.2 實驗環(huán)境二：機場到達廳

為了進一步驗證該方法在真實室內(nèi)環(huán)境下的應用效果，同時增加測試區(qū)域的面積以驗證數(shù)據(jù)冗余對定位性能的影響，本文選擇了石家莊正定國際機場到達廳作為測試環(huán)境，測試區(qū)域約50×36 m2如圖12 所示.測試人員穿戴足部慣導同時手持定位終端，在離線階段構(gòu)建偽衛(wèi)星指紋數(shù)據(jù)庫并將數(shù)據(jù)上傳到服務器端進行定位模型訓練. 在場景中設定4 種不同的測試軌跡，測試人員利用載入定位模型的定位終端按照路徑行走，記錄定位結(jié)果來比較定位性能. 同時，選擇不同的測試人員按照規(guī)定的路線行走，測試算法的適應性.

圖12 機場到達廳測試環(huán)境

在實際應用中，數(shù)據(jù)集采集耗時耗力，往往是限制指紋定位推廣的難題，本節(jié)在機場測試環(huán)境中分別通過兩種數(shù)據(jù)采集方式構(gòu)建了指紋數(shù)據(jù)庫，以驗證所提出的動態(tài)建庫方式的有效性. 建庫方式如圖13 所示，其中圖13（a）為傳統(tǒng)的靜態(tài)建庫方式，將室內(nèi)區(qū)域劃分為等間隔的網(wǎng)格，一般設置網(wǎng)格角點為參考點. 為了提高效率，本文同時采集4 個不同的參考點的指紋數(shù)據(jù)每個參考點位置通過全站儀標定，每個位置采集1 min，采樣頻率為5 Hz，離線匯總后構(gòu)建指紋庫. 圖13（b）為動態(tài)建庫的示意圖，為了提高采集效率，本文設計了一種結(jié)合足部慣導、背夾接收機以及智能手機的動態(tài)數(shù)據(jù)采集設備. 其中慣導用于實時位置的輸出，背夾接收機用于接收偽衛(wèi)星數(shù)據(jù)，兩者通過藍牙與智能手機實時通信來傳輸數(shù)據(jù)，再通過手機移動通信（4G/5G）網(wǎng)絡將數(shù)據(jù)上傳到服務器端用于模型的實時訓練. 為保證慣性數(shù)據(jù)和GNSS 接收機數(shù)據(jù)的同步，通常設定足部慣導的刷新率高于背夾接收機的接收頻率，所有精度測試點均利用全站儀標定. 測試人員手持采集設備、穿戴足部慣導在定位區(qū)域行走，本文選擇多名測試人員按照不同軌跡進行采集，以保證數(shù)據(jù)集的多樣性和定位模型的適應性.

圖13 動靜態(tài)指紋庫構(gòu)建方式

本文在定位區(qū)域設定A，B，C，D 這4 種測試軌跡（圖14），從圖14中可以看到，紅色軌跡為規(guī)劃的測試路線，藍色軌跡為靜態(tài)建庫的定位軌跡，綠色軌跡為動態(tài)建庫的定位軌跡. 本文通過計算誤差累計分布函數(shù)（CDF）來對定位性能進行誤差分析. 其中采用靜態(tài)建庫的方式平均定位誤差為2.89 m，最大誤差為3.25 m，37.8%的誤差小于1 m. 相同區(qū)域采用動態(tài)建庫的方式平均誤差為0.75 m，最大定位誤差為1.69 m，92%的誤差小于1 m，平均定位精度提高了74%，驗證了定位模型及動態(tài)建庫方式的有效性.

圖14 不同采集方式對定位性能的影響測試

5 結(jié)論及展望

本文針對GNSS 拒止環(huán)境下的行人定位導航問題，充分利用偽衛(wèi)星載波相位差高空間分辨率、高穩(wěn)定性的特點，設計了一種基于偽衛(wèi)星載波相位通道差的指紋定位方法. 在離線階段本文利用深度學習框架Keras設計了一種顧及位置標簽的包含四層隱含層堆疊的變分自編碼器定位模型，并在多個公共數(shù)據(jù)集上驗證了所設計模型較常用模型性能優(yōu)勢. 接著，本文在室內(nèi)試驗環(huán)境中，通過大量實驗驗證定位系統(tǒng)的定位精度. 結(jié)果表明，靜態(tài)定位平均誤差小于10 cm，動態(tài)定位平均定位誤差為0.39 m，95%的定位誤差小于0.85 m，與幾種常用的基于指紋庫匹配的定位算法相比，所提出的定位方法具有更優(yōu)的定位性能. 為了驗證所提出算法在真實室內(nèi)環(huán)境下的定位效果，本文選擇在機場環(huán)境開展定位性能測試，同時比較了傳統(tǒng)靜態(tài)建庫方法和本文提出的動態(tài)建庫方法對定位性能的影響. 實驗結(jié)果驗證了本文模型的有效性. 未來，工作重點是利用半監(jiān)督模型實現(xiàn)少量室內(nèi)位置標簽數(shù)據(jù)下的精準定位以及通過遷移學習等深度學習方式提高模型的多場景復用能力.