第1章绪论
1.1主流导航模式
关于室内导航的现有研究成果，按其实现模式主要分为两大类。
1.1.1基于室内平面图＋室内定位技术的导航模式（模式I）
这一模式下的室内导航，是在室内平面图已知的条件下，利用室内定位技术引导用户到达目的地的一种技术。
室内平面图可由专门的地图采集公司（例如高德、百度等）或购物商城（例如万达）提供，也可通过参与式群智感知[1]或“众包”（例如Google发布的“Google Maps Floor Plan Marker”应用）等方式收集。
室内定位技术方面，其使用的主要物理信号可分为如下三大类。
（1）基于射频、蓝牙、地磁场等信号。
基于射频信号的室内定位系统，主要借助室内各种基站，建立指纹库，并通过指纹匹配算法计算用户位置。基站可以是各种特殊设施[2-6]、现有Wi-Fi路由器[7-20]和手机基站。这种定位方法的缺陷在于建立和更新大规模指纹库需要大量线上投入及长期线下运营。为避免由此带来的巨大成本，射频（radio frequency，RF）信号的传播模型或几何模型被用于室内定位[21-27]；也有其他同类文献提出利用移动设备中的传感器，对感知信息进行综合分析处理，计算用户位置[28-35]。相关研究成果利用指纹空间梯度解决信号在空间的模糊性与时间的不稳定性问题，实验表明定位精度可以提升30%～50%[36]。业界比较典型的案例包括Google Maps和WiFiSLAM。Google Maps综合利用了GPS、Wi-Fi路由器、手机基站以及“盲点”的位置信息，为用户提供定位与导航服务；WiFiSLAM利用Wi-Fi信号强度和Wi-Fi路由器的唯一识别码，以及数据库中的Wi-Fi热点位置信息，实现用户定位与导航功能。
由于蓝牙具有功耗低、成本低和待机时间长等优点，许多系统利用蓝牙进行室内定位。例如，Escort系统[37]利用用户接收来自信标节点周期性发送和接收的音频信号，实现室内定位；Inoue等[38]利用概率估计模型实现用户定位。业界比较典型的案例有室内通：利用蓝牙iBeacon基站辅助微惯导技术，可将定位精度控制在2m以内。
也有研究利用地磁信号进行室内定位，例如IndoorAtlas利用室内每个位置的*特地磁场信息，应用数字信号处理技术，实现室内定位与导航。因为室内复杂磁场环境易受干扰，这种极度依赖磁场特异性的定位算法的定位精度不稳定。
（2）基于视觉信号。Dong等[39]应用动态结构技术，利用群智感知获取的图像重建室内环境3D模型，利用该模型实现定位功能。实验表明，在复杂商场环境中，其定位误差可小于1m且计算延迟不超过2s；Xia等[40]提出了基于深度学习的双目视觉室内定位系统，静态测试定位误差为0.74m，动态测试定位误差小于2.5m；Xu等[41]借助监控系统获取视觉和射频等信号，运用双目立体视觉和动态结构技术，对用户进行定位，其定位精度可以达到0.7m。
（3）基于可见光。
随着可见光通信（visible light communication，VLC）技术的不断发展，基于VLC的室内定位技术得到飞速发展[42-43]。这方面研究主要分为两类：①基于普通光源的定位和基于调制LED（light emitting diode，发光二极管）光源的定位。例如，文献[44-46]利用可见光光强作为指纹进行室内定位，文献[47-51]则借助调制LED光源进行室内定位。由于调制LED光源具有通信功能，经过人为调制后每盏光源具有唯一标识符（即闪烁频率），其定位精度更高。②业界典型案例是飞利浦的连接照明系统。它采用基于LED灯的VLC技术，借助具有唯一标识符的LED灯对顾客进行室内定位，指引其找到感兴趣的（促销）商品，帮助企业实现基于位置信息的导航与营销。
1.1.2基于先行者-追随者的导航模式（模式II）
这一模式的导航技术（也称为端到端导航），借助先行者行走过程中产生的参考路径（图1.1.1），通过路径重叠识别等技术生成覆盖空间更大的参考路径，为追随者（即导航用户）提供路径计算，以及导航跟踪与偏离警告（图1.1.2、图1.1.3）等服务。
图1.1.1先行者生成的参考路径[52]
图1.1.3基于参考路径的偏离警告[54]
Escort系统[37]利用每个先行者移动设备的感知数据，生成一条具有时间戳的行走路径。根据设备周期性发送和接收的音频信号，识别多路径间是否存在交叉，*终形成一张全局地图。以此地图为基础，Escort为每个追随者计算一条由位移，角度>序列构成
的导航路径；经过一定位移后，显示下一步行走方向（即角度）。
Travi-Navi系统[52]利用先行者在室内行走过程中捕捉的走道图像，对Wi-Fi指纹和惯性传感器进行抽样，形成一条参考路径。对追随者进行位置锁定后，下载与其具有相同起点和终点的参考路径，再将Wi-Fi指纹和惯性传感器读数与参考路径进行匹配，实
现用户行走进程的实时跟踪。
FOLLOWME系统[53]包含路径收集和实时导航两个模块。路径收集模块记录先行者在室内行走过程中所感知的数据，运用磁场强度预处理、步伐识别、转弯和楼层改变探测等方法，生成一条具有时间戳的参考路径。基于追随者的感知数据，实时导航模块负责计算其在参考路径中的相对位置。若追随者偏离了参考路径，系统会给出掉头、转弯提示，让其回到参考路径上。
Pair-Navi系统[54]运用移动可视化SLAM（simultaneous localization andmapping，即时定位与地图构建）技术来实现端对端的导航服务。通过复制先行者的轨迹，以点对点（P2P）模式引导导航用户。该系统利用了商用智能手机上视觉SLAM技术的先进性，如图1.2.3所示。由于视觉SLAM系统在精度和鲁棒性方面容易受到环境动态的影响，且计算量大，不利于动态实时应用，因此系统只保留静态和刚性信息，并对先行者和追随者的高度耦合SLAM模块进行解耦和重新组织。
1.1.3导航模式特点
总体而言，两种导航模式各有所长：室内平面图+室内定位技术的导航模式I以室内平面图为全局参照框架，能为任意位置的用户提供导航服务，具备较强的灵活性；端到端的导航模式II不依赖于室内平面图，可以低成本实现室内导航。然而，它们仍然存在一些缺陷，具体体现在以下两个方面。
（1）导航模式I中，室内平面图和定位结果是决定导航性能的两大要素。室内平面图数据的高度动态性和地图采集的高昂成本，使不少公司宁愿做轻量级的3D引擎，也不愿涉足室内平面图采集领域，导致室内导航服务未能进入大众视野。基于群智感知的室内平面图构建模式虽然可行，但如何确保其覆盖度和准确性，是该模式面临的巨大挑战。模式I中的三种室内定位算法虽各具特色，但亦有不足。具体不足表现为：①依赖于特殊设备的方法，不利于这些系统在实际中应用；②基于指纹库的定位算法较为先进，但沿街扫描和指纹库定期更新所带来的高昂成本，阻碍了其广泛应用；③基于模型的定位算法成本低廉，但定位误差较大；④基于传感器的定位算法同样受到精度困扰；⑤基于可见光的定位算法能实现亚米级室内定位，但需人为调制LED灯频率并修改COTS移动设备，或需借助室内平面图和室内照明系统布局。
（2）导航模式II中，Escort系统需要安装特殊装置作为信标节点，才能校准用户位置与探测路径交叉；Travi-Navi系统和Pair-Navi系统要求先行者在行走过程中拍照，对拍照时机要求颇高，且追随者需通过识别走道图像来确定行走路线，不适合用户零干预的导航系统，也无法实现跨楼层导航。FOLLOWME系统利用气压计探测是否有上楼或者下楼行为发生，但无法给出准确改变的楼层数（仅仅给出上下楼的指示远远不够），且对地磁场序列进行匹配造成的时延（delay）较大。此外，Travi-Navi系统和FOLLOWME系统需要追随者的起点和终点与参考路径完全一致，不适合随机性的应用。
1.2本书观点与主要创新
位置锁定、路径计算和导航跟踪是室内导航的基本功能。传统的室内导航技术基于室内平面图进行用户定位与跟踪，但室内平面图通常难以获取，或成本过于高昂，导致室内导航系统难以大规模应用。换个角度看，导航路径本质上是由一些点和边组成的拓扑图，其起点和终点代表用户的当前位置与目标位置，而路径的关键点则提示用户需要在此改变行走模式（如左/右转、上/下楼等）。只要导航系统能实时提示用户在关键点位置改变行走模式，导航用户就能成功到达目的地而不会偏离导航路径。因此，如果能构建一种拓扑，使拓扑中的每个点都对应于室内步行空间中的一个区域，那么导航功能中的位置锁定、路径计算与导航跟踪服务都可以在该拓扑中进行，从而避免使用室内平面图。
室内普遍存在的照明系统或携带智能设备的活动人员，其对应位置都可以看作室内步行空间的抽样点；若能以某种方式将这些抽样点有序连接起来，形成一个覆盖完整室内步行空间的虚拟网络图，就可以在虚拟网络图上进行用户定位与导航。本书正是在这种新颖观点基础上，利用群智感知方法来实现虚拟地图构建与导航服务。具体实现方法如下所述。
其一，室内密集分布的活动人员覆盖了整个感兴趣的步行空间，他们携带的COTS移动设备可实时感知周围的物理信号，这些信号与用户所在位置一一对应，形成位置指纹。通过一系列预设好的算法，识别出位置指纹间的邻近关系和方向性等信息，进而构建起加权、有向的虚拟网络拓扑。以此拓扑作为室内导航的全局参照框架，对导航用户进行位置指纹匹配，实现用户位置锁定，并在虚拟网络拓扑上根据给定目标位置计算出导航路径。导航过程中，对用户进行实时定位与跟踪，并在探测到路径偏离时，实时重新规划导航路径。
其二，室内环境中的照明系统，具有良好的拓扑结构且不需要额外部署，是天然的室内导航全局参照框架。但是，由于存在障碍物，照明系统的拓扑结构并不能直接应用于室内导航。这是因为物理上的欧氏空间与现实中的步行空间无法对应，两个相近光源下用户的行走路程较长。由于光源的光强与光传感器的距离成反比，当用户离光源越近时，手机感知的光强越大，反之则光强越小，这表明光源与光强峰值之间存在一一对应关系。因此，利用群智感知获取用户在室内行走时收集的光强数据，为每个用户建立一条由若干个顶点和边组成的行走轨迹，其中每个顶点对应于一个光源，每条边对应于行走空间上的两个光源，然后将多个用户生成的行走轨迹进行合并，就可以得到一个覆盖室内步行空间的虚拟图，以之作为室内导航的全局参照框架，为用户提供位置锁定、路径计算与导航跟踪等服务。
本书提出的基于虚拟网络拓扑的室内导航技术，既具备导航模式I的灵活性，又兼具导航模式II的低成本优点，力图为轻量级、可视化室内导航服务提供新的解决方案，推动室内导航的大规模应用，促进基于位置的导航服务的不断发展；既有较高的学术价值，又有迫切的现实需求，其重要性不言而喻。
展开
