基于機會信號（SOP，例如WiFi、磁場等信號）的室內行人定位一直面臨著信號分布地圖（即指紋庫）構建成本高的瓶頸問題，本文針對室內磁場匹配定位所需的磁場建庫需求，使用基于神經網絡的穩健PDR軌跡形成磁場輪廓，并綜合利用磁場序列的頻域和時域特征進行高效而準確的眾包磁場輪廓關聯，然后以三種典型室內公共場景的模擬眾包數據進行了充分驗證，最終給出了一套眾包建立磁場信號分布地圖的可行方案。

    磁場特征匹配是消費級大眾行人室內定位的主流技術手段之一，具有無需布設(室內磁場特征無處不在)、長期穩定性好且不受人體遮擋影響等獨特優勢?，F階段，基于專業人員構建的磁場地圖，磁場匹配能夠實現米級甚至亞米級的定位精度，且適用大部分空間結構不變化的室內場景。然而，大規模的磁場定位服務仍然面臨磁場地圖構建成本高、效率低的問題。為此，研究者們嘗試以算力換人力的思路，使用大眾用戶無感條件下提供的智能終端傳感器數據自動構建磁場地圖(即完全的被動眾包方法)，以極低成本實現大規模磁場地圖覆蓋。然而，現有的磁場地圖眾包構建算法通常忽略了真實場景中典型的眾包數據質量問題，例如單條數據持續時間短、手機持握方式復雜多樣、傳感器標定機會少、行人運動軌跡無規律以及數據規模大等挑戰。

    針對以上問題，我們提出了一套適用于普通智能終端大眾行人眾包數據的磁場地圖構建算法，其流程如圖 1所示。該算法的主要特色在于:

1) 多用戶聯合Neural PDR: 使用基于神經網絡的行人航位推算(Neural PDR)，并結合全局磁向量約束，實現了復雜動態下行人運動軌跡的穩健恢復。該算法能夠適用復雜的手機持握方式，且無需提前進行傳感器標定操作。得益于全局磁向量信息的利用，該算法恢復的所有軌跡航向大致對齊，這是后續魯棒全局軌跡優化中抗差的基礎。

2) 高效率的眾包軌跡關鍵幀關聯: 首先，利用頻域特征對磁場序列錯位不敏感的特性，直接采用歐氏距離度量樣本之間的相似度。接著，通過 k-d 樹實現歐氏空間內相似樣本的快速檢索，從而提升關鍵幀檢索效率。此外，利用時域特征相似度和軌跡輪廓相似度對關鍵幀關聯結果進行校驗，確保眾包軌跡關鍵幀關聯結果的可靠性。本方法適用于解決大規模眾包數據集中的關鍵幀關聯問題。

3) 魯棒的全局軌跡優化: 為了解決關鍵幀錯誤關聯造成的粗差問題，采用不等式約束的軌跡位姿優化獲取軌跡位姿初值。在此過程中，利用Neural PDR提供的精準相對位姿，將軌跡優化參數限制為僅優化初始時刻的位姿；并利用全局磁向量提供的絕對航向信息限制初始時刻航向估計值范圍，從而得到不受關鍵幀關聯錯誤影響的位姿初值?；诖顺踔导皩﹀e誤關鍵幀關聯的標記，使用全局位姿圖優化得到軌跡的全局最優估計。

圖1 磁場地圖眾包構建方法流程圖

    為了評估磁場地圖眾包構建算法的性能，我們使用了購物中心、圖書館和地下車庫等典型室內公共場景下采集的模擬眾包數據。圖 2給出了購物中心場景下眾包構建算法各步驟輸出，子圖(a)為Neural PDR恢復的行人軌跡，子圖(b)為眾包軌跡聯合優化結果，子圖(c)為基于密度篩選后的有效軌跡。整體上，Neural PDR能夠合理地恢復眾包軌跡且實現了軌跡航向大致對齊，估計的眾包軌跡能夠正確反映室內場景輪廓。圖 3給出了估計的眾包軌跡及使用眾包磁場地圖的匹配定位結果，子圖(a)(b)分別給出了不使用和使用少量參考值校正尺度誤差的眾包軌跡估計結果，子圖(c)給出了基于眾包方法生成的磁場地圖(校正尺度誤差后)的磁場匹配定位結果。圖中灰色為軌跡參考值，其他顏色為估計的眾包軌跡和磁場匹配定位結果?？梢钥吹?，磁場地圖眾包構建算法能夠正確地恢復眾包軌跡形狀，但存在一定的尺度誤差；在使用少量參考點校正尺度偏差后，磁場匹配定位能夠獲得較可靠的定位結果。

圖 2 磁場地圖眾包構建算法各步驟輸出(購物中心)

圖 3估計的眾包軌跡及基于眾包方法生成的磁場地圖的匹配定位結果(購物中心)

    表1統計了三種典型室內公共場景下眾包算法所估計的軌跡精度及相應的定位精度。Em表示不考慮尺度誤差的軌跡估計誤差，Em'表示校正尺度誤差后的軌跡估計誤差，Ep表示基于校正尺度誤差后磁場地圖的匹配定位誤差?？梢钥吹?，我們提出的算法所估計的軌跡誤差為1.48~2.30m，且定位精度達到了2.53~4.25m。也就是說，我們提出的磁場地圖眾包構建方法能夠支撐大眾用戶的米級定位需求。

表1 三個場景下估計的眾包軌跡精度及定位精度

表 2 磁場地圖眾包構建算法各步驟的運行時間

    表2統計了磁場地圖眾包構建算法各步驟的運行時間。數據時長約12小時，數據處理平臺為筆記本電腦(CPU: AMD 5800H 8-core，GPU: Nvidia 3060)，總運行時間為60.8s。其中，Neural PDR耗時最長，占總耗時的70.7%，是整個算法效率的瓶頸，但可通過使用更多GPU或更好的GPU規避。作為第二耗時的步驟，我們提出的關鍵幀關聯在該數據集上僅耗時10.7s。

    綜上，我們設計一種新穎的基于行人數據的磁場地圖眾包構建方法，該方法顧及了實際應用中行人眾包數據存在的諸多挑戰因素，在僅使用行人眾包傳感器數據(9軸)的條件下實現了單樓層磁場地圖自動構建。需要指出的是，該方法默認假設參與眾包的行人數據分布在同一樓層，這顯然是實際情況難以保證的，因此如何實現多樓層場景下的磁場地圖眾包構建仍需要進一步探討。

    暢想未來，若能夠通過眾包方法構建所有室內區域的磁場地圖，磁場特征匹配定位將會形成與室外GNSS一樣的室內定位能力，屆時大眾消費級室內定位問題就有望被徹底解決！

    相關成果發表在IEEE Internet of Things Journal上，可在團隊網站(i2nav.cn)的“研究成果-學術論文”列表中下載。（Link）