吳偉，施學(xué)成，姚英彪2,

（1.蘇州中科安源信息技術(shù)有限公司，江蘇 蘇州 215024；2.杭州電子科技大學(xué) 探測預(yù)警與信息對(duì)抗研究院，浙江 杭州 310018；3.杭州電子科技大學(xué) 通信工程學(xué)院，浙江 杭州 310018）

0 引言

近年來，室內(nèi)制圖領(lǐng)域百花齊放[1-3]，有的延續(xù)沿用傳統(tǒng)的室外地圖制作方法來制作室內(nèi)地圖，即通過專業(yè)人員利用專業(yè)設(shè)備線下實(shí)地收集地圖繪制數(shù)據(jù)；有的利用互聯(lián)網(wǎng)用戶激勵(lì)方式去鼓勵(lì)用戶主動(dòng)上傳地圖相關(guān)數(shù)據(jù)；還有的通過獲取建筑設(shè)計(jì)結(jié)構(gòu)圖紙來重新繪制室內(nèi)地圖。雖然上述這些方法都可以解決室內(nèi)地圖繪制問題，但各自優(yōu)缺點(diǎn)也十分明顯。比如通過專業(yè)人員和設(shè)備繪制得到的地圖質(zhì)量無疑是最好的，但是存在人力成本較高的缺陷。此外，人員和設(shè)備有限，覆蓋面不廣，以及室內(nèi)環(huán)境的易變性的問題給室內(nèi)地圖的更新帶來很大麻煩。為了解決此類問題，基于眾包方式來構(gòu)建室內(nèi)地圖成為研究熱點(diǎn)。

文獻(xiàn)[4]提出了CrowdInside 系統(tǒng)，該系統(tǒng)首先基于眾包方式收集行人室內(nèi)行走時(shí)的傳感器數(shù)據(jù)；其次利用行人行走過程中的活動(dòng)點(diǎn)將軌跡進(jìn)行分割，并通過片段長度、片段密度及片段中每步平均行走時(shí)間來區(qū)分房間區(qū)域和走廊區(qū)域內(nèi)的軌跡；再次利用基于密度的聚類算法聚類房間區(qū)域的軌跡和走廊區(qū)域的軌跡；最后用α-shape 方法構(gòu)建房間和走廊地圖。文獻(xiàn)[5]利用眾包采集到的Wi-Fi 指紋和識(shí)別出的用戶運(yùn)動(dòng)信息提取各房間區(qū)域形狀、房間鄰接關(guān)系等室內(nèi)平面圖信息，并最終構(gòu)建室內(nèi)平面圖。上述研究雖然都構(gòu)建了室內(nèi)地圖，但其地圖自動(dòng)算法構(gòu)建程度低，且所構(gòu)建的地圖與實(shí)際地圖貼合度較低。

針對(duì)上述問題，本文提出一種基于眾包的室內(nèi)地圖自動(dòng)構(gòu)建方案。方案的核心包括兩點(diǎn)：（1）多條軌跡的自動(dòng)合并與拓展；（2）基于軌跡點(diǎn)云數(shù)據(jù)的自動(dòng)地圖構(gòu)建?，F(xiàn)場實(shí)驗(yàn)結(jié)果表明，相比于基于主成分分析（Principal Component Analysi，PCA）的地圖構(gòu)建方法，本文提出的地圖自動(dòng)構(gòu)建方法在地圖交并比和位置誤差這兩個(gè)指標(biāo)上都更好。

1 點(diǎn)云數(shù)據(jù)獲取模型

1.1 數(shù)據(jù)預(yù)處理

點(diǎn)云數(shù)據(jù)是指行人室內(nèi)行走時(shí)的位置坐標(biāo)集合，可通過行人航跡推算（Pedestrian Dead Reckoning，PDR）算法計(jì)算得到。由于行人室內(nèi)行走時(shí)收集的傳感器數(shù)據(jù)包含著大量噪聲，因此需對(duì)傳感器數(shù)據(jù)進(jìn)行去噪處理[6]。

文獻(xiàn)[7]通過實(shí)驗(yàn)分析發(fā)現(xiàn)，相比于其他濾波器，巴特沃斯低通濾波器在保留原始數(shù)據(jù)的相關(guān)特征的基礎(chǔ)上，能很好地消除傳感器數(shù)據(jù)中的噪聲。因此，本文利用截止頻率為0.2π 的3 階低通濾波器來消除原始數(shù)據(jù)中的噪聲。

1.2 PDR 計(jì)算點(diǎn)云位置

PDR 是近年來在室內(nèi)制圖領(lǐng)域被廣泛采用的算法，也是面向智能手機(jī)的算法中使用最多的[8-13]。如圖1 所示，PDR 利用行人室內(nèi)行走過程中收集的加速度計(jì)、陀螺儀及磁力計(jì)數(shù)據(jù)來估計(jì)行人的步長、航向等信息，進(jìn)而推算行人的位置坐標(biāo)。

圖1 PDR 航跡推算

PDR 包括步態(tài)檢測、步長估計(jì)和方向角計(jì)算3個(gè)部分。步態(tài)檢測是指基于人一步內(nèi)加速度表現(xiàn)為一個(gè)連續(xù)正負(fù)高峰的特點(diǎn)，判斷行人是否在行走。本文采用峰值檢測法[14]檢測步態(tài)。步長估計(jì)用于估計(jì)行人一步間的距離，本文利用式（1）估計(jì)第k步的步長lk。

式中：α，β，γ為參數(shù)；ak,max和ak,min分別為第k步合加速度的峰值和谷值；fk為行走頻率；vk為加速度方差。fk和vk滿足：

式中：和分別為第k步的起始時(shí)刻和終止時(shí)刻；ak,i為第k步內(nèi)的第i個(gè)加速度值；為第k步的加速度均值；Nk為第k步內(nèi)加速度采樣點(diǎn)的個(gè)數(shù)。

在方向角計(jì)算方面，由于陀螺儀不會(huì)受到磁場干擾且具有短距離精度高的特點(diǎn)[15]，因此本文利用陀螺儀來得到一步內(nèi)方向角的變化量，其計(jì)算方式為：

式中：θk為由陀螺儀積分得到的第k步的方向角的變化量；M為第k步的陀螺儀采樣點(diǎn)的個(gè)數(shù)；ρi和Δt分別為陀螺儀Z軸采樣點(diǎn)的值和采樣間隔。

在得到每步步長、方向角后，則可得到行人位置的表達(dá)式為：

最終所有步坐標(biāo)的集合即為PDR軌跡點(diǎn)云數(shù)據(jù)。

2 PDR 軌跡點(diǎn)云數(shù)據(jù)處理模型

2.1 軌跡簡化

軌跡簡化指的是將PDR 得到的行人軌跡表示為只包括關(guān)鍵點(diǎn)（起點(diǎn)、轉(zhuǎn)彎點(diǎn)、開門點(diǎn)、終點(diǎn)）的有序集合。本文規(guī)定所有軌跡的起點(diǎn)相同，將軌跡最后一步定義為終點(diǎn)，開門點(diǎn)通過特定動(dòng)作識(shí)別。轉(zhuǎn)彎點(diǎn)需滿足兩個(gè)條件：（1）轉(zhuǎn)彎點(diǎn)所在步的航向角變化量的絕對(duì)值為局部最大值，且大于閾值Thrθlow；（2）以轉(zhuǎn)彎點(diǎn)所在步為中心、窗口長度為len的窗口內(nèi)，方向角變化量總和的絕對(duì)值大于閾值Thrθhigh，即：

則認(rèn)為第k步為轉(zhuǎn)彎點(diǎn)所在步，由此，一條軌跡可簡化為：

Trani為第i條簡化軌跡，in為當(dāng)前軌跡第n個(gè)關(guān)鍵點(diǎn)，滿足：

式中：Type(·)代表關(guān)鍵點(diǎn)種類，起始點(diǎn)、轉(zhuǎn)彎點(diǎn)、開門點(diǎn)、終點(diǎn)賦值分別為0，1，2，3。

本文利用信息矩陣Mesi記錄編號(hào)為i的簡化軌跡的關(guān)鍵點(diǎn)編號(hào)、種類、方向角、位置等信息，如圖2 所示。

圖2 軌跡簡化

圖2 中，i1為軌跡起始點(diǎn)，i5為軌跡終點(diǎn)，其余為軌跡轉(zhuǎn)彎點(diǎn)，矩陣Mesi為對(duì)應(yīng)的軌跡信息矩陣。在簡化所有軌跡后，得到了所有簡化軌跡對(duì)應(yīng)的軌跡信息矩陣集合Mes。

2.2 軌跡合并

在得到所有簡化軌跡后，下一步是合并所有簡化軌跡。本文用方陣Mop來記錄所有軌跡中關(guān)鍵點(diǎn)之間的連通關(guān)系，方陣維度等于識(shí)別出的不同關(guān)鍵點(diǎn)數(shù)量。具體來說，當(dāng)?shù)趈個(gè)和第k個(gè)關(guān)鍵點(diǎn)連通時(shí)（即存在直線軌跡），Mj,kop賦值為1，否則為0。軌跡合并的具體步驟如下：

（1）利用第1 條軌跡Tran1的信息初始化方陣Mop。

（2）從集合Mes中取出一個(gè)軌跡信息矩陣Mesot，將Mop與Mesot進(jìn)行合并。具體來說，先檢測關(guān)鍵點(diǎn)的相似性，若相似則更新Mop對(duì)應(yīng)關(guān)鍵點(diǎn)信息（方向角、空間位置及相似點(diǎn)集合LS）；若不相似，則拓展Mop方陣來記錄Mesot中的不相似的關(guān)鍵點(diǎn)（即更新軌跡連通信息）。

軌跡合并的偽代碼如下：

代碼第1 行確定循環(huán)次數(shù)為Mesot包含的關(guān)鍵點(diǎn)數(shù)目，代碼第3 行初始化Mop當(dāng)前處理點(diǎn)集合Pop1，代碼第4 行遍歷Mesot中關(guān)鍵點(diǎn)。代碼第6行SD(·)用于判斷Pop1中是否存在和Pot相似的點(diǎn)，SD(Pot,Pop1)會(huì)依次遍歷Pop1中的關(guān)鍵點(diǎn)，若Pop1中存在關(guān)鍵點(diǎn)滿足以下條件，則返回為True:

式中：Pot為對(duì)應(yīng)Mesot中的關(guān)鍵點(diǎn)；Type(·)，Angle(·)，PosX(·)，PosY(·)分別用于獲取關(guān)鍵點(diǎn)在Mes中的種類、方向角以及X和Y的坐標(biāo)信息。

關(guān)鍵點(diǎn)相似需滿足關(guān)鍵點(diǎn)的種類相同、方向角差值的絕對(duì)值小于或大于（相同轉(zhuǎn)彎點(diǎn)轉(zhuǎn)向不同的情況）、空間距離小于的條件。本文設(shè)定為20，為150，為2.5。

代碼第7 行RP(·)函數(shù)用于更新軌跡信息矩陣Mesop中對(duì)應(yīng)相似點(diǎn)的值和更新相似點(diǎn)集合LS，相似點(diǎn)集合指的是每一關(guān)鍵點(diǎn)及與其相似的點(diǎn)的并集，用于后續(xù)點(diǎn)云數(shù)據(jù)的提取。圖3、圖4 為軌跡合并和更新后的Mop及相似點(diǎn)序列示意圖。

圖3中A1與B1判斷為相似，A2與B2判斷為相似，因此更新A1與A2的相似點(diǎn)集合和，如圖4所示。

圖3 軌跡合并

圖4 更新后的M op 及相似點(diǎn)序列

代碼第9 行FN(·)用于更新Pop1，獲取下一個(gè)連通區(qū)域。代碼第11 行EM(·)通過拓展Mop記錄連通信息，EM(·)偽代碼如下：

圖4 為更新后的Mop及相似點(diǎn)序列。SD(·)函數(shù)判斷A3與B3不相似，因此進(jìn)行矩陣拓展，首先拓展行（對(duì)應(yīng)代碼第3 行），其次拓展列（對(duì)應(yīng)代碼第5 和12 行），最后記錄連通信息（對(duì)應(yīng)代碼第6 和10 行）。由此通過拓展Mop維度記錄了Mesot中的連通信息。合并所有簡化軌跡后得到記錄了室內(nèi)所有關(guān)鍵點(diǎn)連通信息的方陣Mopa，下一步將進(jìn)行地圖構(gòu)建。

3 地圖構(gòu)建模型

3.1 點(diǎn)云數(shù)據(jù)提取

構(gòu)建室內(nèi)地圖首先需要提取所有PDR 軌跡中位于相同區(qū)域的點(diǎn)云數(shù)據(jù)，本文提出一種基于廣度優(yōu)先思想的點(diǎn)云數(shù)據(jù)提取方法，具體步驟為：

（1）根據(jù)Mopa得到與Cur相連的關(guān)鍵點(diǎn)集合為ConsCur；

（2）從ConsCur中取出一個(gè)點(diǎn)ConCur(ConCur∈ConsCur)；

（3）根據(jù)點(diǎn)Cur和ConCur的相似點(diǎn)集合獲取在Cur與ConCur間的PDR 軌跡編號(hào)；

（4）從對(duì)應(yīng)編號(hào)的PDR 軌跡中取出位于這兩個(gè)點(diǎn)之間的每一步的坐標(biāo)；

（5）重復(fù)步驟（1）到步驟（4），直到遍歷完ConsCur。

圖5 為點(diǎn)云數(shù)據(jù)提取示意圖。

圖5 點(diǎn)云數(shù)據(jù)提取

假設(shè)A1-A2-A3-A4，A1-A2-B3-B4，A1-A2-C3-C4和A1-A2-D3為Mopa記錄的室內(nèi)連通信息，以提取A1-A2段子地圖為例，假設(shè)A1，A2的相似點(diǎn)集合分別為：

由可知，有4 條軌跡（A，B，C，D）經(jīng)過A1。由可知，有編號(hào)為A，B，C的3 條軌跡經(jīng)過A2，則編號(hào)為A，B，C的3 條軌跡包含了A1-A2段子地圖所需的點(diǎn)云數(shù)據(jù)。在得到經(jīng)過該子地圖內(nèi)的行人軌跡編號(hào)后，利用關(guān)鍵點(diǎn)的步數(shù)信息即可提取對(duì)應(yīng)軌跡中的點(diǎn)云數(shù)據(jù)。

上述A1段子地圖獲取到的點(diǎn)云數(shù)據(jù)可表示為：

3.2 地圖構(gòu)建

本文地圖構(gòu)建是利用柵格將每一段子地圖進(jìn)行覆蓋，然后統(tǒng)計(jì)有效柵格，最后對(duì)得到的有效柵格進(jìn)行規(guī)則化處理，從而完成子地圖的構(gòu)建。

同一子地圖內(nèi)的點(diǎn)云數(shù)據(jù)表示為：

式中：m為該段子地圖內(nèi)點(diǎn)云數(shù)目。

本文采用邊長為l的正方形作為基本柵格將子地圖覆蓋（柵格區(qū)域用Sq表示），假設(shè)第i行第j列的柵格中心點(diǎn)坐標(biāo)為：

則柵格4 個(gè)頂點(diǎn)（Q，R，S，T）的坐標(biāo)為：

若存在Pv滿足：

則認(rèn)為Pv點(diǎn)云落入當(dāng)前柵格中。若當(dāng)前柵格落入的點(diǎn)云數(shù)目超過閾值Thrnum，則認(rèn)為該柵格是有效的，由此可以得到所有有效柵格區(qū)域，如圖6 所示。

圖6 柵格規(guī)則化

由圖6 可以看出，有效柵格區(qū)域存在“空洞”情況，為了使構(gòu)建的地圖貼近實(shí)際地圖，本文對(duì)其規(guī)則化處理。首先定義Averow為Sq有效行的平均有效柵格數(shù)（有效行指的是有效柵格數(shù)不為0的行），Avecol為Sq有效列的平均有效柵格數(shù)，則有：

式中：Count(Sq)為Sq中有效柵格的數(shù)目；NumR，NumC分別為Sq中有效行數(shù)和有效列數(shù)。本文將有效柵格數(shù)目超過Averow的有效行的最小、最大行下標(biāo)區(qū)間視為有效行范圍，將有效柵格數(shù)目超過Avecol的有效列的最小、最大列下標(biāo)區(qū)間視為有效列范圍，并將位于有效范圍內(nèi)的柵格視為有效柵格，由此完成了有效柵格規(guī)則化處理。

最終基于廣度優(yōu)先思想分別構(gòu)建子地圖，并重復(fù)上述步驟，得到完整的室內(nèi)地圖。

4 實(shí)驗(yàn)結(jié)果與分析

本文將從地圖構(gòu)造、地圖精度等方面評(píng)估基于本文所提算法構(gòu)建的地圖與基于α-shape[16]、基于主成分分析法[17]構(gòu)建的室內(nèi)地圖的優(yōu)劣，并評(píng)估所提算法的性能。

4.1 實(shí)驗(yàn)設(shè)置

本次實(shí)驗(yàn)選取了4 位志愿者，分別讓其水平持Oneplus 8、榮耀20S、小米5 及Google Nexus 5 手機(jī)采集數(shù)據(jù)，這4 部手機(jī)均內(nèi)置加速度計(jì)、磁力計(jì)、陀螺儀等慣性傳感器，采樣頻率為50 Hz。實(shí)驗(yàn)場地如圖7 所示。

圖7 實(shí)驗(yàn)場地

實(shí)驗(yàn)場地主要由一條走廊及兩種大小不一的共計(jì)6 個(gè)房間組成，走廊由若干個(gè)規(guī)格為0.6 m×0.6 m的地磚塊鋪設(shè)而成，長約52 m，寬約3 m；大房間（房間1 和房間2）長約13.2 m，寬約8.4 m；小房間（房間3～6）長約9 m，寬約6.6 m。志愿者水平持智能手機(jī)沿著室內(nèi)區(qū)域不構(gòu)成封閉軌跡正常行走，并以50 Hz 的采樣頻率采集三軸加速度、陀螺儀及磁力計(jì)數(shù)據(jù)。所有軌跡起點(diǎn)保持一致，志愿者點(diǎn)擊“開始采集”按鈕則開始采集數(shù)據(jù)，在到達(dá)盡頭時(shí)點(diǎn)擊“結(jié)束采集”按鈕結(jié)束采集。本文共采集了80 條志愿者室內(nèi)行走的軌跡數(shù)據(jù)，將得到的數(shù)據(jù)文本文件利用MATLAB 處理并進(jìn)行實(shí)驗(yàn)仿真。

4.2 地圖構(gòu)造分析

基于PDR 算法計(jì)算得到的80 條行人室內(nèi)軌跡點(diǎn)云數(shù)據(jù)如圖8 所示。

圖8 采集的80 條軌跡點(diǎn)云數(shù)據(jù)

圖9 為利用邊長為0.6 m 的正方形柵格覆蓋房間1 所得到的有效區(qū)域圖，其中，圓圈為各柵格中心點(diǎn)，柵格區(qū)域?yàn)闃?gòu)建出的房間有效區(qū)域，判定閾值Thrnum設(shè)置為2。構(gòu)建的房間1 地圖的有效區(qū)域長寬為22×13 個(gè)柵格長度。

圖9 柵格邊長為0.6 m 時(shí)構(gòu)建的房間1 區(qū)域圖

圖10 為基于α-shape 方法構(gòu)建的房間1 區(qū)域示意圖，由圖10 和圖11 可以看出，柵格法相較于α-shape 方法，其所構(gòu)建的室內(nèi)地圖更貼近于實(shí)際地圖，且能消除部分異常軌跡點(diǎn)的干擾，但基于柵格法構(gòu)建的室內(nèi)地圖精度會(huì)受柵格邊長l影響。

圖10 基于α-shape 法構(gòu)建的房間1 區(qū)域圖

圖11 為利用邊長為0.8 m 的正方形柵格覆蓋房間1 所得到的有效區(qū)域圖。

圖11 柵格邊長為0.8 m 時(shí)構(gòu)建的房間1 區(qū)域圖

用邊長為0.8 m 的柵格構(gòu)建的房間1 有效區(qū)域長寬為19×10 個(gè)柵格長度。為探究在本文實(shí)驗(yàn)環(huán)境下的最佳柵格邊長l，本文固定有效柵格判定閾值Thrnum為2，調(diào)整柵格邊長長度l，并將所得到的房間長寬結(jié)果匯總于表1。

表1 柵格邊長結(jié)果

本文主要考慮了柵格邊長在1 m 范圍內(nèi)的情況。由表1 可知，柵格邊長為0.6 m 時(shí)構(gòu)建的房間長寬與實(shí)際長寬更相符，因此后續(xù)地圖構(gòu)建時(shí)皆用邊長為0.6 m 的柵格l 來構(gòu)建，最終構(gòu)建的平面圖見圖12。

圖12 基于柵格法構(gòu)建的室內(nèi)地圖

圖12 中，柵格覆蓋區(qū)域?yàn)樗鶚?gòu)建的房間地圖，無柵格覆蓋的區(qū)域?yàn)樗鶚?gòu)建的走廊地圖。基于柵格法構(gòu)建的室內(nèi)地圖精度依賴有效柵格的分布，在軌跡較少的情形下，表現(xiàn)為有效柵格分布較稀疏，會(huì)導(dǎo)致構(gòu)建出的地圖精度較低（房間6）。為進(jìn)一步分析本文所提算法所構(gòu)建的室內(nèi)地圖的優(yōu)越性，本文基于文獻(xiàn)[17]利用PCA 構(gòu)建室內(nèi)地圖，并將其作為對(duì)比算法來評(píng)估所構(gòu)建地圖的精確性。

圖13 為一段PCA 壓縮室內(nèi)走廊區(qū)域點(diǎn)云數(shù)據(jù)得到的區(qū)域長寬示意圖，兩段實(shí)線分別為PCA 投影得到的區(qū)域長寬，圖14 為利用PCA 構(gòu)建的室內(nèi)地圖。

圖13 基于PCA 構(gòu)建的子地圖

圖14 基于PCA 構(gòu)建的室內(nèi)地圖

由圖14 可看出，基于PCA 構(gòu)建的室內(nèi)地圖存在兩個(gè)缺陷：（1）投影長度依賴數(shù)據(jù)點(diǎn)的空間位置，數(shù)據(jù)點(diǎn)若分布較離散，即聚攏性較低，則投影長寬誤差會(huì)變大，表現(xiàn)為在房間地圖構(gòu)建時(shí)，兩相鄰房間區(qū)域已出現(xiàn)重合現(xiàn)象（房間3、4，房間5、6）；（2）基于PCA 構(gòu)建的地圖的區(qū)域中心位置難以確認(rèn)，若依賴點(diǎn)云數(shù)據(jù)中心位置去確認(rèn)區(qū)域位置，會(huì)受點(diǎn)云數(shù)據(jù)分布密度影響，即點(diǎn)云中心位置并不代表實(shí)際區(qū)域中心位置?；跂鸥穹?gòu)建的室內(nèi)地圖則通過有效柵格閾值Thrnum和規(guī)則化有效柵格的方式篩除了部分異常點(diǎn)云數(shù)據(jù)，進(jìn)而解決了相鄰房間重疊問題。

4.3 地圖精度分析

本文將從兩個(gè)指標(biāo)評(píng)測所提出的地圖構(gòu)建算法的優(yōu)劣性，一是利用交并比（Intersection Over Union，IOU）去衡量本文所提出的室內(nèi)地圖構(gòu)建方案與實(shí)際地圖的吻合度，二是基于房間位置誤差及走廊位置誤差去評(píng)估關(guān)鍵點(diǎn)位置精度。IOU 定義為：

式中：Areap和Areat分別代表所構(gòu)建的地圖區(qū)域和實(shí)際真實(shí)區(qū)域；IOU為兩者的交并比。IOU在理想狀態(tài)下為1，但由于實(shí)際傳感器精度和地圖構(gòu)建算法影響，IOU值往往達(dá)不到理想值。表2 給出了本文所提算法構(gòu)建的房間及走廊的位置誤差及交并比等性能指標(biāo)。

表2 本文所提算法構(gòu)建的地圖精度

表2 中房間和走廊的位置誤差分別為房間頂點(diǎn)位置、走廊頂點(diǎn)位置與實(shí)際位置的歐氏距離均值。表2 中房間1 和2 的軌跡數(shù)量最多且位置誤差相對(duì)較小，因而交并比較大。房間4、房間5 及房間6一方面由于行走距離較遠(yuǎn)而導(dǎo)致位置誤差較大，另一方面則因?yàn)檐壽E數(shù)量相對(duì)較少且并未完全覆蓋房間區(qū)域，導(dǎo)致交并比下降。本文提出的算法構(gòu)建的地圖的平均位置誤差在1.94 m 左右，平均交并比在0.63 左右。

表3 為基于PCA 構(gòu)建的室內(nèi)各區(qū)域的精度表。由PCA 構(gòu)建的地圖的位置誤差在2.87 m 左右，交并比在0.49 左右?？梢钥闯?，本文所提算法無論在區(qū)域交并比，還是在位置誤差上均優(yōu)于基于PCA的地圖構(gòu)建算法，且位置誤差降低了32.4%，交并比提高了28.6%，由此可知基于本文方法構(gòu)建的地圖精度較高。

表3 基于PCA 構(gòu)建的地圖精度

5 結(jié)語

針對(duì)地圖構(gòu)建及維護(hù)過程中存在的成本較高的問題，提出了一種只需PDR 軌跡點(diǎn)云數(shù)據(jù)便能自動(dòng)構(gòu)建室內(nèi)地圖的方案。實(shí)驗(yàn)結(jié)果表明，相比基于PCA 的地圖構(gòu)建方法，本文提出的地圖自動(dòng)構(gòu)建方法在地圖交并比上提高了28.6%，在位置誤差上降低了32.4%。