本文内容來源于《測繪學報》2024年第1期（審圖号GS京(2024)0107号）
一種“附近”空間關系增強的多源融合室内定位方法
王彥坤1,2,3
, 樊紅4, 樊勇3,5
, 李曉明3, 王偉玺3, 郭仁忠3
1. 自然資源部城市國土資源監測與仿真重點試驗室, 廣東 深圳 518034;
2. 深圳職業技術學院物聯網研究院, 廣東 深圳 518055;
3. 深圳大學建築與城市規劃學院智慧城市研究院, 廣州 深圳 518061;
4. 武漢大學測繪遙感資訊工程國家重點試驗室, 湖北 武漢 430072;
5. 深圳職業技術學院人工智能學院, 廣東 深圳 518055
基金項目：國家自然科學基金(42001389;41971341);廣東省普通高校重點領域專項(2022ZDZX3071);自然資源部城市國土資源監測與仿真重點試驗室開放基金資助課題(KF-2022-07-024);深圳職業技術學院博士後出站後期資助項目(6021271017K; 6023271011K); 深圳職業技術學院項目(6022312062K; 6023310002K)
摘要：針對傳統室内定位模式單一, 結合室内位置描述中常用的“附近”空間關系, 融合多傳感器資料, 本文提出一種“附近”空間關系增強的多源融合語音互動室内定位方法。首先, 研究“附近”空間關系特征, 針對室内環境, 建立基于“竊取面積”和最短距離的“附近”空間關系的機率密度函數; 其次, 采集每個參考節點的指紋資訊及節點間的距離和運動資訊, 基于隐馬爾可夫模型對室内位置描述定位過程模組化, 通過維比特算法預測使用者位置; 最終, 通過實際場景對本方法驗證, 本文提出的方法平均定位精度在1.88 m, 80%的情況下定位精度可以達到2.12 m。
關鍵詞：“附近”空間關系 多源資料融合 室内定位 語音互動
王彥坤, 樊紅, 樊勇, 等. 一種“附近”空間關系增強的多源融合室内定位方法[J]. 測繪學報，2024，53(1)：118-125. DOI: 10.11947/j.AGCS.2024.20230019
WANG Yankun, FAN Hong, FAN Yong, et al. A "near" relation enhanced multi-sourced data fusion indoor positioning method[J]. Acta Geodaetica et Cartographica Sinica, 2024, 53(1): 118-125. DOI: 10.11947/j.AGCS.2024.20230019
閱讀全文：http://xb.chinasmp.com/article/2024/1001-1595/20240110.htm
引 言
室内定位是衆多物聯網(IOT)應用的關鍵技術，如交通、應急、醫療等[1-2]。據統計，全球室内定位市場在2025年預計将達到170億美元。目前，學術界和業界都在不遺餘力地推廣室内定位技術，以滿足不同的場景需求[3]。
目前，室内定位技術百花齊放。室内定位方法可分為單源定位和多源融合定位方法。單源定位方法包括Wi-Fi、行人航迹推算(PDR)、低能耗藍牙(BLE)、超寬帶(UWB)等[4]。Wi-Fi定位方法因其基礎設施的普及而受到廣泛關注，但指紋庫的建構需要耗費大量的人力成本和時間成本[5]；行人航迹推算不依賴基礎設施可以實作定位，但需要初始位置[6]。由于室内環境複雜且動态變化，在實際應用場景中，基于上述單源定位方法效果不佳。為此，優勢互補的多源融合定位方法引起衆多學者的關注。多源資料融合方案可以分為松耦合和緊耦合[7]。其中松耦合是基于不同傳感器的定位結果進行融合，易于實作，但由于各類傳感器異質性(非同源), 其輸出定位結果進入資訊融合中心的系數不易通過解析方法得出。緊耦合是根據不同傳感器的觀測量進行融合，如卡爾曼濾波、擴充卡爾曼濾波等，該方法通過各傳感器的觀測值(速度、航向角、步長等)擷取行人的位置和航向，确定觀測方程和狀态方程推算行人位置。多源融合定位的性能優于單源定位，但同時會導緻定位成本、終端能耗的提升[8]。随着手機傳感器感覺周圍環境及使用者行為能力的不斷增強，通過語義感覺提高定位精度或穩定性的方法越來越受到關注[9]。随着智能手機對使用者空間認知能力的挖掘，室内定位技術正逐漸從感覺向認知發展[10]。在人工智能時代背景下，使用者對室内定位的需求不僅僅是精度，更重要的是與智能終端裝置、智能服務更好地融合[11]。是以，結合空間認知，發展一種兼顧定位精度、智能化、低成本的室内定位方法具有重要的現實意義。
語音互動作為智慧城市建設中最自然、最便捷的交流方式，将成為智能裝置和産品最重要的一種互動模式。自然語言處理技術發展已經使人與機器的互動更加成熟[12]。作為語音的一種表現形式，位置描述廣泛存在于人們的日常交流之中，特别是導航定位過程中，如“我在麥當勞附近”等。位置描述是使用者對空間認知的描述行為，是一個複雜的集合，具有模糊性、層級表達、上下文環境等特征[13-14]。完整的位置描述包括參考對象、空間關系、目标對象[15]。位置描述中的空間關系是人們對現實空間物體之間的關系進行概括、抽象、總結之後的一種外在表達[16-17]。對此，位置描述中的空間關系可以分為距離關系(定性距離和定量距離)、方位關系(相對方位和絕對方位)、拓撲關系[18]。相對于拓撲關系，距離關系和方位關系傳遞的位置線索更豐富，适用于定位。常用的位置描述定位方法包括點方法(point method)、點-半徑方法(point-radius)、密度函數方法(probability density function, PDF)、基于形狀的方法(shape method)，其中PDF方法考慮了參考對象的形狀[19]。文獻[20]基于聯合機率讨論了使用者在室内用定量距離和方位關系描述位置的不确定性。然而，“附近”作為位置描述中常用的一種空間關系，雖然能夠确定使用者的大緻位置，但受認知的影響，具有不确定性，無法滿足定位需求[20]。Wi-Fi和PDR定位方法無須鋪設額外的基礎設施而備受關注，它們可以增強位置描述的認知空間區域，降低其不确定性。為此，本文提出一種基于“附近”空間關系增強的多源融合語音互動室内定位方法。
1 空間關系模組化與定位
本文提出的研究方法流程如圖 1所示，方法的資料輸入包括實時RSSI指紋、參考對象及其空間關系、手機内置傳感器資料。①實時擷取的RSSI指紋與指紋庫進行比對；②基于模糊集建構參考對象的“附近”空間關系函數；③基于手機内置觸感器，擷取行人的狀态資訊(步長、步頻等)。基于以上觀測資料建構隐馬爾可夫模型，通過維比特算法推算行人位置。| 圖 1 本文方法流程Fig. 1 The flowchart of the proposed method |
| 圖選項 |
1.1 “附近”空間關系特征及模組化
1.1.1 “附近”空間關系特征
“附近”空間關系屬于定量距離，是人們對距離關系認知後的抽象表達，具有模糊性和多尺度的特征。
(1) 特性1：模糊性。從認知語言學的角度出發，“附近”空間關系是人們對空間距離認知的外在的定性表達，即完成現實→認知→語言轉化的過程，其屬于非數值的距離關系，模糊性是其内在固有特性。影響距離認知的因素包括：年齡、背景、環境等[21-24]。
(2) 特性2：多尺度。不同使用者對地理資料的不同應用和分析需求，導緻的不同表示問題稱為多尺度問題。“附近”空間關系在不同尺度上有不同的表現形式，具體表現為距離的認知差異。如在校園内對“附近”關系的了解[25]、開車狀态下在城市尺度下對“附近”概念的了解[26-27]等。
1.1.2 “附近”空間關系模組化
針對“附近”這一概念，人們普遍達成一種空間認知共識，即距離參考對象越近，“附近”的隸屬度越大。目前，定性距離模組化方法主要包括認知試驗、地理資訊檢索(geographic information retrieval, GIR)及幾何建構。認知試驗耗時耗力，實用性不強；地理資訊檢索方法需要借助社交媒體或其他間接反映人們認知的空間資料，該方法适用于小比例尺空間，對室内場景并不适用。本文參考文獻[28]中的方法，建立面要素Voronoi圖，基于Voronoi圖的“竊取面積”(stolen area)與歐氏距離對“附近”空間關系模組化。模組化過程如下。
步驟一：建構鄰近區域。如圖 2(a)所示，參考對象集合{RO1, RO2, RO3, RO4, RO5, RO6, RO7, RO8, RO9}，建構面要素Voronoi圖，要素RO1、RO2、RO3、RO4的Voronoi區域共邊鄰近，即neigh(RO1)={RO2, RO3}。RO1的Voronoi多邊形區域頂點為v1、v2，其中v2是RO2、RO3與RO1的公共頂點，RO2、RO3上距離頂點v2最近的點為s1、s4，畫v2、s1、s4三角形的外接圓，得到RO2、RO3之間的弧線
，以同樣方法得到其他參考對象之間的弧線段，弧線之間通過參考對象的邊連接配接起來(例如，屬于RO2的線段s1s2将弧線與
連接配接起來)，形成一個弧線與直線包圍的多邊形，即NeighArea(RO1)。
| |
| 圖 2 竊取面積形成過程Fig. 2 The construction process of stolen area |
| 圖選項 |
步驟二：生成竊取面積。當新增生長點t插入現有的Voronoi圖中，重構Voronoi圖，造成其他參考對象Voronoi減少的面積。如圖 2(b)所示，藍色線圍成的區域為新生長點t插入已有Voronoi圖後從參考對象RO1、RO2、RO3、RO6竊取的面積，陰影面積是從參考對象RO1竊取的面積。
基于歐氏距離與竊取面積，建立“附近”空間關系機率函數
(1)
式中，t代表新增生長點，t∈NeighArea(Ri)；min d(t, R)為t到參考對象Ri的最短距離；Ak表示t從參考對象竊取的面積。圖 3為根據式(1)構成的RO1“附近”空間關系的機率分布。
| |
| 圖 3 RO1“附近”關系的機率分布Fig. 3 Near relationship probability distribution of RO1 |
| 圖選項 |
1.2 融合定位算法
1.2.1 建構隐馬爾可夫數學模型
行人定位過程可以用隐馬爾可夫模型表達{H, O, A, B, π}，如圖 4所示。
| |
| 圖 4 隐馬爾可夫模型Fig. 4 Hidden Markov model |
| 圖選項 |
H表示隐藏狀态S={H1, H2, …, Ht, }，Ht表示t時刻的隐藏狀态，本系統中H表示定位點。
O表示觀測狀态O={O1, O2, …, Ot}，Ot表示t時刻的觀測狀态，本系統中觀測狀态包括接收到的RSS指紋信号及運動資訊。
A表示轉移機率A={aij}，即該定位點Hi轉移到下一定位點Hj的機率，aij=P(Hj|Hi)。
B表示發射機率B={bj(t)}，每一個隐藏狀态都對應着一個觀測狀态，即某個參考定位點接收到信号的機率，bj(t)=P(Ot|Ht)。
π表示初始機率分布，定位開始階段使用者所處位置的機率分布相同。
以上過程核心步驟為轉移機率與發射機率的确定。
1.2.2 轉移機率
本系統的狀态轉移機率由兩部分組成，即距離觀測誤差與角度觀測誤差分布。狀态Hi到狀态Hj的距離和角度轉移機率公式為
(2)
(3)
式中，Hi和Hj分别為節點i和j的隐藏狀态；k為位移；dij為節點之間的距離；σk為測量位移的平均誤差；θ為角度；ϕij為航向角；σθ為測量角度的平均誤差。
由于距離與角度觀測是相對獨立的，為此，狀态轉移機率可以表示為
(4)
1.2.3 發射機率
系統的發射機率由兩部分組成，即RSS指紋和“附近”空間關系
(5)
式中，RSS為實時測量的指紋資訊，即RSS=(rss1, rss2, …, rssq)；σix為節點i處的信号強度偏差；q為AP數量；fix和rx分别是參考指紋和實時指紋；x為AP編号。
“附近”空間關系的發射機率為式(1)，即
(6)
RSS指紋與“附近”空間關系互相獨立，發射機率可以表示為
(7)
當輸入無“附近”空間關系時，發射機率為實時擷取的RSS指紋機率。
1.2.4 線上定位過程
線上定位過程通過維比特算法實作。随着參考點的增多，計算耗時增加。為此，本文通過“附近”區域篩選參考點，構成候選參考點集合，提高計算效率。圖 5為根據RO1“附近”區域生成篩選出來的候選參考點。
(8)
| |
| 圖 5 RO1“附近”區域内參考點Fig. 5 The candidate sets of NeighArea (RO1) |
| 圖選項 |
式中，δt(j)為前向機率；δt-1(i)為上一時刻節點的機率；P(A)和P(B)分别為狀态轉移機率和發射機率。
當t=1時，前向機率為初始機率與發射機率的乘積
(9)
當t>1時，t時刻的前向機率為t-1時刻的前向機率、發射機率與轉移機率的乘積，機率最大的即為定位點
(10)
2 試驗驗證與分析
本文試驗語音互動子產品采用科大訊飛平台軟體，基于語音轉換子產品完成語音到文字的轉換，通過分詞技術，提取文字位置描述中“附近”空間關系及相關地理實體。
試驗場地選擇深圳市某一大型商業廣場1樓，通過室内三維點雲資料擷取高精度二維矢量地圖，樓層平面圖如圖 6所示，其中黃色、紅色和藍色圈分别為L2-18、L2-48、L2-50的“附近”區域。考慮室内結構特征，沿店鋪每隔1.5 m采集Wi-Fi指紋。邀請5名被試者參加試驗，被試者的年齡構成為18~52歲，包括學生、公務員、零售者等。被試者要求手持定位終端，随機在室内行走，在任意位置通過“附近”空間關系描述自己的位置。背景記錄語音位置描述資料及傳感器資料(Wi-Fi、磁力計、加速計等)。為保證每組被試者資料具有對比性，每個被試者在室内行走2~3圈，采集資料個數基本保持一緻。
| |
| 圖 6 室内平面Fig. 6 The indoor plan |
| 圖選項 |
按照被試者将定位精度分類統計，圖 7為定位機率累計函數曲線，表 1為相關誤差統計。被試者1(P1)的最小定位誤差為0.21 m，最大誤差為2.80 m，平均誤差為1.79 m；被試者2(P2)的最小定位誤差為0.09 m，最大誤差為2.69 m，平均誤差為1.69 m；被試者3(P3)的最小定位誤差為0.34 m，最大誤差為2.64 m，平均誤差為1.54 m；被試者4(P4)的最小定位誤差為0.09，最大誤差為2.88 m，平均誤差為1.79 m；被試者5(P5)的最小定位誤差為0.01 m，最大誤差為2.92 m，平均誤差為1.66 m。統計發現，每個被試者的定位結果差異不大。從一定程度上證明，本文方法的定位精度與被試者個體差異不大。
| |
| 圖 7 誤差累計函數Fig. 7 The cumulative distribution functions (CDFs) of different participants |
| 圖選項 |
表 1 不同被使者誤差Tab. 1 Positioning error statistics of different participants
為了驗證“附近”空間關系在融合定位方法中的效果，将本文試驗方案按照是否考慮“附近”空間關系劃分，即：融合“附近”空間關系和Wi-Fi/PDR(Near+Wi-Fi+PDR)、融合Wi-Fi和PDR(Wi-Fi+PDR)、Wi-Fi定位。其誤差機率累計函數如圖 8所示，其相關誤差統計見表 2。Near+Wi-Fi+PDR方法平均誤差為1.88 m，最小定位誤差為0.25 m，最大定位誤差為2.8 m；WiFi+PDR定位方法平均誤差為2.69 m，最小定位誤差為0.38 m，最大定位誤差為5.8 m；Wi-Fi定位方法平均誤差為3.45 m，最小定位誤差為0.18 m，最大定位誤差為5.9 m。Near+Wi-Fi+PDR整體比Wi-Fi+PDR和Wi-Fi表現好，單一定位源的WiFi定位結果表現最差。試驗場景記憶體在指紋模糊造成WiFi+PDR和Wi-Fi定位方法最大誤差達5.8 m，添加“附近”空間關系可以從空間上對指紋進行限制，減少指紋模糊度，且能夠提高比對效率。
| |
| 圖 8 不同定位方法精度對比Fig. 8 The cumulative distribution functions (CDFs) of different methods |
| 圖選項 |
表 2 不同定位方法誤差統計Tab. 2 Positioning error statistics of different methods
3 結論
随着室内定位技術發展，人們對室内定位的需求已經不僅限于精度的提高，更注重與智能終端的融合。針對傳統室内定位模式單一，結合位置描述中常用的“附近”空間關系，融合其他多源傳感器資料，探索性地提出一種基于隐馬爾可夫模型的語音互動式室内定位方法，并通過試驗驗證了本文方法的有效性。基于不同被試者對比分析，定位精度受被試者的認知差異不大；通過試驗對比發現，融合定位方法中的“附近”空間關系可以降低指紋模糊度、提高指紋比對效率，進而提高定位精度，平均定位精度為1.88 m。本文方法用于人機互動語音導航定位，可為盲人導航定位提供參考。
然而，本文方法僅融合了“附近”空間關系，位置描述中還包括其他空間關系可以輔助定位，如定量距離、方位關系、拓撲關系；被試者在選擇附近參考對象時，由于個人偏好等原因存在随機性。這些将在未來研究工作中繼續深化。
作者簡介
第一作者簡介：王彥坤(1988-), 男, 博士, 特聘副研究員, 研究方向為室内導航與定位、空間認知。E-mail: [email protected]通信作者：樊勇 E-mail：[email protected]
初審：張 琳複審：宋啟凡
終審：金 君
資訊
自然資源部資訊中心吳洪濤：智慧國土的概念演進、内涵解析和總體架構——以重慶市為例 | 《時空資訊學報》2024年第1期