GNSS新技術:室內定位的發(fā)展

摘要：《一種基于CSI的卡爾曼濾波室內定位測距模型》這篇文章提出了一種基于卡爾曼濾波的室內測距模型。

在室內環(huán)境無法使用衛(wèi)星定位時，使用室內定位技術作為衛(wèi)星輔助定位，解決衛(wèi)星信號到達地面時較弱、不能穿透建筑物的問題。比較終定位物體當前所處的位置。哈爾濱RTK公司提示您在移動互聯(lián)的時代，室內定位具有極好的商業(yè)前景。

《基于智能手機的群源PDR和室內建圖研究》這篇文章研究了基于智能手機的群源PDR和室內建圖。該研究提出了一種新穎的步長估計算法，用于手持或位于口袋中的智能手機。步進檢測算法包括步長估計的步行方向變化，通過確定每個步驟的準確性來評估不同的算法。該算法展示了一種新穎的PDR，能夠通過檢測不同的運動過程來補償誤差，并通過二維六邊形網(wǎng)格表示訪問過的接收機位置，生成行人運動的地圖，另外映射WLAN站（RSS，ID）、藍牙錨點和移動通信站的信息，這樣便可以建立可用于指紋識別的建筑物的準確數(shù)據(jù)庫，從而提高每個行人的整體定位精度。

為了驗證改進的算法，評估基于移動行人的測量數(shù)據(jù)，工作人員使用Google Pixel 3記錄了傳感器數(shù)據(jù)，并應用于所有的步行和行人。測試在辦公樓的內外進行，提出的算法對行人在局部坐標系中的位置進行了估計。測量中，研究人員假設至少有一個行人進入建筑物前，在室外行走，因此，GNSS接收機用于初始化室外行人的位置，以固定坐標系。評估表明，對于一個行人，所開發(fā)的定位算法的水平定位誤差約為2米。在多個行人共享獲取的地圖后，行人的位置精度可達亞米級。

《一種基于CSI的卡爾曼濾波室內定位測距模型》這篇文章提出了一種基于卡爾曼濾波的室內測距模型。通過訪問修改過的Intel Wi-Fi無線鏈路5300的設備驅動程序，從ieee802.11 n網(wǎng)絡接入點的多個天線和多個子載波中提取原始振幅信息。此外，利用基于CSI傳播模型的加權質心算法來獲得比較終的估計位置。在兩個具有代表性的室內環(huán)境中進行了實驗驗證。實驗結果表明，與現(xiàn)有的基于RSSI的方法相比，該方法可以有效地減少定位誤差，獲得更高的精度。

在文中，研究人員提出了一種基于卡爾曼濾波CSI的新型測距模型。與現(xiàn)有的有效CSI衰減對數(shù)模型法相比，該方法可以產(chǎn)生更準確的距離信息，并適用于更廣泛的測距場景。本文的主要貢獻如下：首先，獲取了一種新穎的室內測距模型，將信道狀態(tài)信息與衰減因子模型結合在一起；其次，利用卡爾曼濾波，對獲取的CSI信號進行濾波，并獲得了較高的CSI估計值，從而提高了測距模型的性能；比較后，使用普通筆記本電腦和Intel 5300網(wǎng)卡，不需要其它特殊設備即可應用建議的室內定位算法。兩種不同室內環(huán)境中所進行的實驗結果表明，與傳統(tǒng)方法相比，該方法在精度和穩(wěn)定性上具有更大的優(yōu)勢，并且實現(xiàn)了較低的成本，受到廣泛的歡迎。未來的工作包括研究結合不同室內環(huán)境下的卡爾曼濾波CSI和衰減因子模型的室內測距模型，以及基于卡爾曼濾波CSI的室內指紋定位算法。

《通過WLAN信道狀態(tài)信息和機器學習分類方法進行室內定位》這篇文章研究了通過WLAN信道狀態(tài)信息和機器學習分類法進行室內定位，提出了一種用于CSI測量提取的基于WLAN OFDM的快速原型SDR接收機，使用LV作為軟件原型平臺，在軟件無線電環(huán)境中實現(xiàn)了基于OFDM的WLAN接收機。

通過這項工作，研究人員得出結論，由于眾所周知的擾動的影響，相較基于RSS的方法，CSI的測量結果更為穩(wěn)定。研究人員提出的FFNN模型在室內環(huán)境下的平均精度為1.3 m，標準偏差為0.8 m。這種近米級的精度非常適合在雜亂的環(huán)境中進行室內導航。研究人員還將FFNN與不同參數(shù)（如52個和28個副載波）及不同數(shù)量的訓練樣本進行了比較，得出的結論是，應針對室內環(huán)境量身定制神經(jīng)網(wǎng)絡。但是，與其它分析方法相比，它對分類而言還是有效果的。未來的工作中，研究人員將會嘗試其它神經(jīng)網(wǎng)絡，如卷積神經(jīng)網(wǎng)絡和長短期記憶網(wǎng)絡。由于SDR-Fi會以被動方式（而不是使用CSI工具）捕獲信標幀，因此未來還計劃探索多種AP方案。這項工作源于（基于DSSS）舊版本802.11b有關的SDR工作，因此，對于具有不同分類方法的IPS（室內定位系統(tǒng)），將進一步探索傳統(tǒng)Wi-Fi以獲得時域的信道沖激響應。

《用于無人機室內定位的運動視覺重構》這篇文章研究了用于無人機室內定位的運動視覺結構。與雷達或激光雷達相比，視覺里程計（VO）和運動重構（SFM）等視覺處理通常用于基于特征的定位，因為消費級攝像機可以滿足大多數(shù)應用的需求，包括有效載荷、尺寸、成本和可用性。該研究提出了特征提取和匹配方法的比較佳組合，使SFM能夠為室內環(huán)境中的無人機提供比較精準的定位解決方案。本研究探索了通過SFM算法獲得比較佳定位精度的新方法。研究提供的所有實驗數(shù)據(jù)都是在室內實驗室環(huán)境中采集的，其中小型無人機及其機載攝像機記錄周圍環(huán)境的視頻幀。參考定位解決方案由高精度紅外攝像機組提供。在UAV車載攝像機的校準過程中，使用傳統(tǒng)的棋盤方法計算基本的攝像機參數(shù)如SIFT、AKAZE、ORB和SURF，以Lowe的ASCII格式檢測保存特征點信息。匹配過程在特征檢測之后開始，BF匹配算法和FLANN匹配算法在不同的參數(shù)設置下工作，通過不同圖像對的匹配點數(shù)可以確定圖像對的軌道。下一步修改初始化對的選擇條件，并找到幾組初始圖像對進行構造。比較后，所有數(shù)據(jù)組都可以在VisualSFM、COLMAP和OpenSFM中使用。將提取位置相關信息以與參考系統(tǒng)進行比較。在受控的室內環(huán)境中進行多次試驗后，提出了特征提取和匹配方法的比較佳組合，使SFM能夠為室內環(huán)境中的無人機提供比較精準的定位解決方案。此外，該研究還探討了如何優(yōu)化SFM以實時運行。