2. 人工智能与数字经济广东省实验室(深圳), 广东 深圳 518060;
3. 深圳大学土木与交通工程学院, 广东 深圳 518060
2. Guangdong Laboratory of Artificial Intelligence and Digital Economy(SZ), Shenzhen University, Shenzhen 518060, China;
3. College of Civil and Transportation Engineering, Shenzhen University, Shenzhen 518060, China
移动互联网及智能终端等技术的发展,推动了基于位置服务(location based service, LBS)相关应用的普及。在LBS应用中,位置信息是基础,在室外区域,位置信息可以通过GPS获取,然而,由于遮挡和反射等因素的影响,使得GPS信号出现衰减和多径效应,无法应用于室内定位,因此,室内定位的研究成为位置服务的热点,国内外高校在室内定位领域均开展了相关研究[1-4]。同时,室内定位技术也引起我国政府部门的重视,为解决室内外高精度定位问题,科技部推动了广域室内外高精度定位导航系统——“羲和系统”、863计划——“特大城市室内外无缝定位信号体制与系统构建”。2016年,科技部在“地球观测与导航”重点专项中,资助了3项“室内混合智能定位与室内GIS技术”相关项目。
作为位置服务的关键技术之一,近年来,室内定位技术也引起众多公司企业的关注。2012年,谷歌推出针对谷歌地图的室内定位应用;微软更新Bing Maps功能,加入大量室内地图;苹果公司2013年3月耗资2000万美元收购室内定位公司WiFiSLAM,2013年9月推出iBeacon地理围栏方案,2014年苹果全球开发者大会(WWDC)上推出IOS8最新的CoreLocation API,用于处理室内定位数据;2019年9月,苹果在发布的新款iPhone11手机中搭载UWB芯片,支持UWB高精度室内定位。在国内,百度公司于2012年9月发布的百度地图 4.0中正式推出室内定位功能,2014年9月,百度公司对室内地图提供商IndoorAtlas公司投资1000万美元;2014年9月,阿里巴巴旗下淘点点事业部联手银泰集团,布局基于iBeacon技术的Shopping Mall餐饮导购项目;2015年8月,腾讯公司对室内定位企业sensewhere进行了战略投资;2019年5月腾讯位置服务推出“室内通”,以提升室内导航体验;高德地图于2014年3月,推出室内地图SDK和静态图API,提供室内地图数据,类似的室内地图数据供应商有点道、图渊等。
目前,智能手机已经成为室内定位的主流方式,这得益于传感器和移动互联网等相关技术的快速发展,使得智能手机已经从单纯的通信设备,进化成为一种集通信、计算与感知为一体的便携式智能终端[5]。基于智能手机的定位可以分为射频定位、惯性定位、视觉定位、磁场定位和声音定位等几种。其中射频定位包括WiFi、蓝牙等,由于射频信号容易受到室内复杂环境的干扰,其定位精度和稳定性较差。惯性定位依赖于智能手机内置惯性传感器实现。受限于传感器尺寸、成本、功耗等因素,智能手机内置惯性传感器精度通常较低,无法直接满足室内定位的精度需求。视觉定位严重依赖场景中的特征点,当室内环境中存在大量墙壁、窗户等重复性纹理时,误匹配情况广泛存在。磁场定位和声音定位均容易受到周围环境的影响。针对基于智能手机室内定位的问题,研究者们提出了一系列室内定位解决方案,其中GIS辅助的室内定位近年来受到人们的广泛关注。
室内GIS是当前地理信息系统重要的发展方向[6-8],主要包括有:室内地图、室内拓扑结构、室内空间几何结构、室内图像和室内三维点云等信息。室内GIS包含了丰富的先验信息,可用于提升室内定位的精度和稳定性。例如,室内地图约束可以提升WiFi定位的精度,基于室内情景感知可以修正惯性定位的累积误差[9]。本文将较系统地分析GIS辅助的室内定位技术的研究进展,并对其面临的挑战和未来发展趋势进行分析和展望。
1 GIS辅助的室内定位技术发展现状室内GIS包括室内地图、拓扑及语义等信息,这些信息都可用于辅助室内定位,以提高室内定位的精度和可靠性。行人在室内环境中的运动受到室内地图的约束,例如,行人无法穿越墙壁等障碍物,因此,可以通过墙壁约束行人的轨迹,以此提高室内定位的精度;行人在室内的运动轨迹与室内拓扑结构往往保持一致,因此,基于拓扑地图匹配,可以估计行人的位置信息;室内地图还包含丰富的语义信息,可以与行人的行为进行关联,以此推断行人位置。例如,当检测出行人的行为为乘电梯时,可以将其位置匹配到电梯处;室内的视觉特征也可以用于定位。本节将从以上4个方面对GIS辅助的室内定位技术发展现状进行介绍。
1.1 基于地图约束的室内定位基于地图约束的室内定位方法的核心思想是利用一定的准则,将不符合行人类运动规律的定位结果删除,以此提高室内定位的精度。文献[10]利用室内结构对用户的轨迹进行约束,将用户的轨迹约束在平行于建筑墙壁的路径上,以此消除角度估算的误差。文献[11]提出一种协同定位的方法,通过建筑物的约束删除穿过墙壁的候选路径。
在基于地图辅助的室内定位方法中,粒子滤波是一种最常用的滤波方法,已经被广泛应用于室内定位中。粒子滤波是一种特殊的贝叶斯滤波器[12],它由多个“粒子”组成,在室内定位的应用中,每个粒子表示一组位置和方向信息。一些粒子可能更接近于真实值,因此,不同的粒子具有不同的权值,用来表示该粒子为真实值的概率。粒子滤波是一个迭代的过程,通常由3部分组成:
(1) 更新:每个粒子根据运动模型进行状态转移。
(2) 改正:根据运动模型估计结果和测量的角度向量之间的相似性,为每个粒子赋权值。
(3) 重采样:根据改正后的每个粒子的权值,成正比例地复制生成一组新的粒子。
基于粒子滤波框架,研究者们提出了一系列基于地图约束的室内定位方法[13-15],并应用于多层建筑中的三维定位[16]。这类方法均根据行人航位推算的运动模型更新粒子,在粒子更新时,对于穿过墙壁的粒子,权值设为零,以此消除定位误差。图 1为粒子滤波示意图,将穿过墙壁的粒子权值设为零(死亡粒子),通过存活粒子计算估计位置,以此提高位置估计的准确性。
![]() |
图 1 粒子滤波 Fig. 1 Particle filter |
如何利用室内地图约束下的高精度定位结果,学习出定位系统中的模型参数,用以提高室内定位精度,将是地图辅助室内定位的发展方向之一。文献[17]提出“Lifelong Learning”的概念,将模型参数学习问题转换成优化问题,以求解最优参数,提高行人航位推算的定位精度。
1.2 基于拓扑地图匹配的室内定位室内拓扑地图指的是室内地图的“点-线”模型[18],其中“点”为室内地图中的兴趣点及连接点,例如转角、门等;“线”为连接两个连续点之间的直线。图 2为室内拓扑地图的示意图。室内拓扑地图可以根据室内平面图采用Voronoi图方法生成[19],也可以通过众包方法得到[20]。
![]() |
图 2 室内拓扑地图 Fig. 2 "Link-node" mode |
基于拓扑地图匹配的室内定位方法的基本思想是通过将行人在室内的轨迹与室内拓扑地图进行匹配,根据轨迹和室内拓扑地图的几何相似性确定用户的位置。室内定位问题转换为基于行人的轨迹寻找最相似的拓扑结构。文献[18]根据行人行走的距离和航向,采用贝叶斯推理的方法实现室内定位。文献[21]提出基于条件随机场的室内地图匹配方法,并将其应用于室内定位中。文献[19]提出使用基于拓扑地图融合行人航位推算和WiFi定位的方法,通过将室内地图离散化表达,以减少位置估计问题的自由度,以此提高室内定位的精度。文献[9]提出基于行为序列的室内定位方法,将行人在室内行走过程建模成行为序列,并通过行为序列与室内拓扑地图进行匹配,以实现室内定位。
1.3 基于语义感知的室内定位基于语义感知的室内定位是指通过智能手机内置传感器对周围环境[22]和行人运动行为[23]进行感知,以此辅助室内定位的方法。
文献[22]提出基于环境指纹实现室内定位的方法。该方法假设不同的室内环境具有不同的环境特征,包括声音、光线强度和装饰颜色,以此可以确定用户所在的位置。例如,书店、超市和酒吧的光线强度、声音及装饰颜色具有很大的差异,基于环境特征,即可确定用户所在的位置。
基于行人运动行为的室内定位近年来成为室内定位领域的研究热点。行人在室内的运动过程中,会在一些特殊的位置产生相应的行为,这些特殊的行为可以被用作地标,削弱定位系统的误差。由于这些地标体现在传感器信号空间,因此被称作“虚拟地标”。这些特殊的行为会在智能手机内置传感器中产生相应的信号,可以通过相应的识别算法进行识别。例如,行人乘电梯的行为体现在信号空间,会出现超重和失重的加速度信号,如图 3所示。根据该加速度信号,可以识别出行人当前的行为,以此作为虚拟地标,可将行人的位置匹配到电梯处,实现行人的定位。
![]() |
图 3 乘电梯时的加速度信号 Fig. 3 Acceleration pattern of taking elevator |
文献[24]首先将行为感知应用于室内定位,提出行为地图匹配的方法,将行为作为虚拟地标,匹配到地图中可能发生行为的位置,以消除行人航位推算的累计误差,提高室内定位的精度。文献[25]在基于隐马尔可夫模型位置估计的基础上,以转角为虚拟地标,纠正位置估计的误差。以上这些方法都是假设地标的位置已知,在定位过程中,若检测出地标,则将移动目标与虚拟地标的位置进行匹配,从而削弱或控制定位过程中的累积误差。文献[23]提出UnLoc系统,首先通过用户采集的智能手机多个传感器信息,得到室内环境中的虚拟地标;然后,根据用户的轨迹信息,以室外GPS坐标为起点,推算每个虚拟地标的位置。在得到室内环境中的虚拟地标位置之后,将其用于之后的定位过程之中,同时,用户在使用这些虚拟地标的同时,也不断更新虚拟地标的位置信息。根据这一思想,UnLoc实现了一种自主的、无需预先标定的室内定位。
![]() |
图 4 基于虚拟地标的轨迹修正 Fig. 4 Virtual landmark-based trajectory recalibration |
在虚拟地标的匹配过程中,以上文献均采用“最近对象匹配”的方法,即在检测到信号特征时,将当前位置与最近的具有相同信号特征的虚拟地标进行匹配。当系统定位误差的范围内包含两种信号特征相同的虚拟地标时,这种方法会造成误匹配问题。为了分析虚拟地标的误匹配问题,文献[26]提出误匹配概率与行人航位推算误差及虚拟地标之间距离的函数关系表达式。文献[27]分析了行人航位推算误差与虚拟地标分布的关系,笔者认为,定位系统重新标定之前,行人的前进距离与虚拟地标的密度成反比。为了解决虚拟地标的歧义性问题,文献[9]提出基于行为序列的室内定位方法,将行人行走过程中连续的多个行为构成行为序列,通过行人航位推算得到行为序列之间的相对距离和角度,根据相对距离和角度,将行为序列与室内地图进行匹配,以此消除行人航位推算的累积误差。该方法可以实现起点未知情况下的室内定位。
ActionSLAM[28]将虚拟地标用于即时定位与建图(simultaneous localization and mapping, SLAM)框架,以行为发生的位置作为地标,实现即时定位与建图。ActionSLAM通过安装在身体上的惯性测量单元实现行人的定位和地图构建。文献[29]采用与ActionSLAM相似的想法,使用行为相关的虚拟地标,实现三维室内环境的行人跟踪和轨迹重构。文献[30]将ActionSLAM进行扩展,可以通过智能手机准确的在行人日常生活中对其进行跟踪与定位。
除了惯性信号之外,室内环境中还存在一些其他的特殊信号区域,例如,WiFi信号的消失点、地磁信号异常点等,这些区域均可以作为室内定位的虚拟地标,提高室内定位系统的精度[23]。
1.4 基于视觉感知的室内定位随着手机硬件、图像处理以及深度学习技术的迅猛发展,基于视觉感知的室内定位技术已成为工业界和学术界的研究热点。相较于其他方法,视觉定位无须提前部署硬件设施,适用范围广,同时能够生成丰富的点云信息,为后续地图构建和导航提供了有力支持。
基于视觉辅助的室内定位的技术核心是利用图像间的匹配关系获取相机的位置姿态,主要可以分为以下几种类型:
(1) 图像库匹配。通过预先建立匹配图像库,库里每张照片对应的相机位置是已知的。定位时通过匹配拍摄照片和图像库里的照片从而获取位置信息[31]。此方法通常采用2D-to-2D的匹配方式,操作简单,运行速度快,但需要人工预先对图像库标记位置,在实际应用中难以推广。
(2) 基于相机交会的定位。首先对定位场景采集大量的重叠照片,提取图像特征点,利用三维重建方法(structure from motion, SFM)确定图像特征点的物方坐标。定位时通过拍摄图像的特征点与模型特征进行匹配,计算手机拍摄时的位置姿态[32-33]。一般也采用2D-to-3D的图像匹配模式,无须预先标记,能够直接获取手机在室内的相对位置。
(3) 视觉里程计(visual odometry,VO)。通过匹配相邻时间序列特征点,来确定相机的位置和姿态[34-35],通常被认为是即时定位与地图构建(simultaneous localization and mapping, SLAM)的前端。它的主要方式分为特征点法和直接法。其中,特征点方法目前占据主流,不过其稳健性主要建立于特征点的描述上,增强稳健性也会导致算法复杂度的大幅提高。另一方面,在特征点较弱的场景定位精度会大幅度降低。直接法不需要提取特征点,能够应用于特征不够明显的场景下,且运行速度非常快。但目前只适合于运动较小,图像整体亮度变化不大的情形[36-37]。
(4) 视觉惯性里程计(visual inertial odometry,VIO)。在VO的基础上引入惯性传感器,将IMU和视觉这两种不同的定位方法进行组合,发挥各自的优势[38-40]。视觉惯性里程计的分类,也可以分为基于滤波的和基于优化的两类。按照IMU和视觉信息融合的方式,又可以分为紧耦合和松耦合两类。松耦合方法将VO部分当作黑盒子,与IMU方法得到的定位信息进行融合。而紧耦合方法将视觉部分图像的特征信息加入到状态向量中。文献[41]提出的视觉惯性状态估计系统(visual-inertial system,VINS),是一个基于紧耦合和非线性优化的完整VI-SLAM系统[41]。然而,单目VIO存在初始化困难的问题,缺少环路闭合功能的系统在重复访问相同区域的时候会产生误差累积的现象。
(5) 多视觉特征融合定位。通过多种视觉特征之间的相互弥补与融合来构建目标观测模型,从而改善定位算法。室内场景中通常存在着环境变化、背景杂波、遮挡(局部遮挡、完全遮挡)等问题,有研究者利用颜色、梯度(histogram of oriented gradient, HOG)、灰度、局部纹理(local binary pattern)等特征进行融合[42-43],来达到提高定位准确性和抗干扰的目的。
目前,基于视觉感知的室内定位已经取得了显著的进展。但是在室内复杂多变的环境下,仍然存在一些问题。例如,现有方法大多严重依赖场景中的特征点,当室内环境中存在大量墙壁、窗户等重复性纹理的时误匹配情况广泛存在。此外,室内环境布局变化快,易导致视觉特征不稳定,特征信息难以及时更新的问题。VO、SLAM等技术往往需要用户持续稳定的跟踪拍摄,在实际应用中体验较差,且实时建模对手机计算能力要求较高。
2 面临的挑战 2.1 统一时空基准下的室内GIS数据模型GIS辅助的室内定位技术需要依赖室内GIS信息,例如地图约束的室内定位需要墙壁等信息,基于语义及视觉感知的室内定位依赖虚拟地标及视觉特征点的空间坐标信息。除室内GIS信息之外,不论是基于位置指纹(WiFi、地磁)还是基于定位基站(声源定位)的室内定位技术,均需要位置指纹和定位基站的空间坐标信息。这些空间坐标的参考坐标系统与室内地图的坐标系统要保持一致,才能有效地实现地图辅助的室内定位。目前,尚缺乏统一时空基准下的室内GIS数据模型,对室内地图、室内信号、室内传感器等相对及绝对坐标系进行统一数据表达与组织。
2.2 室内GIS数据更新室内环境具有结构紧凑、主题多元、布局更新快等特点。因此存在许多高动态变化的特征,例如房间布局、摆放物体、纹理图像等,成为GIS辅助定位的一大障碍。如何动态感知室内GIS数据的变化,并及时更新和处理相应的室内GIS数据,是GIS辅助的室内定位的前提和关键。
目前关于室内GIS数据的自动构建及更新主要分为:位置指纹、室内地图、室内三维模型及纹理,大多是基于众源数据实现。虽然这类利用手机进行拍摄或记录地理位置的数据体量大、成本低廉且现势性强,但却是一种无序的、缺乏地理空间参考的数据集,需要与专业的空间数据进行融合,从而构建出实时动态、关系正确的空间信息[44]。众源数据更新方法的可靠性和有效性,以及其中涉及的隐私保护等问题,是目前仍然存在的问题。
此外,室内环境的几何和拓扑关系相对稳定,然而现有三维建模方法在实现纹理,布局等元素更新时,往往需要重建其几何结构,从而增加了数据成本,造成资源浪费。如何在保持GIS数据动态更新的前提下,提高现有数据的利用周期,实现数据的全局动态监测,局部针对性更新,又是另一大难题。
2.3 智能手机有限的计算资源GIS辅助的室内定位技术往往需要较大的计算量,例如基于地图约束的室内定位通常采用粒子滤波算法进行定位,粒子更新计算量较大;基于语义及视觉感知的室内定位需要庞大的语义及视觉数据库作为支撑。受限于设备体积、功耗、存储空间等因素,智能手机的计算资源有限。如何将复杂的室内定位算法应用于智能手机,在不影响用户正常使用的条件下实现室内定位,是目前仍需解决的问题。
3 发展趋势随着室内GIS技术的发展,GIS将会成为室内定位的重要支撑。GIS辅助室内定位的发展趋势有以下两个方面:在室内定位方法上,将会从目前基于GIS感知的室内定位发展到基于GIS空间认知的室内定位;在GIS数据获取上,将会从机器采集发展到基于人机交互的数据获取方法。
3.1 从感知到认知行人定位不同于机器人定位,行人具有自主的空间认知能力,并可以通过人机交互将空间认知获取的信息传递给定位设备。对行人导航来说,相对空间比绝对空间更容易理解[45]。通过行人对自身与室内空间地标的相对关系的描述可以实现室内定位,例如通过“我前方是麦当劳,左边是肯德基,距离麦当劳10 m,肯德基5 m”这样一段描述,人们可以确定描述者的大致位置。文献[46-47]提出了基于空间认知距离和方向的室内定位方法,可以实现基于空间认知描述的室内定位。目前,相关的研究较少,智能手机强大的感知与计算能力,为基于空间认知的室内定位方法提供了广泛的应用前景。
3.2 从机器到人机交互众源数据采集是当前室内GIS数据获取和更新的重要方法之一[48-49]。近年来,越来越多的学者认为通过对众源数据的采集人员提供必要的规范化指导,能够有效提高室内制图的精度和数据采集的效率。文献[50]提出的SnapTask就是对众源图片的采集方式进行指导,并通过在弱特征场景环境下加入人机交互,解决了特征点不足的情况下,实现室内三维模型构建时点云的分类和投影,最终生成室内平面地图。文献[51-52]利用智能手机采取单人模式,结合图像、WiFi、轨迹实现了地图构建。文献[53]也是利用手机采集多源数据,除了图像、WiFi、轨迹以外,还加入了深度图像,并在拍摄过程中制定了一套规范的图像数据采集流程,最后通过机器学习的方法提取图像中的语义信息,进一步丰富了室内地图。这种对非专业数据采集辅以规范化指导的思路正逐渐成为室内测图的重要发展趋势。然而,如何促进非专业用户在数据采集过程中进行有效的人工参与是一个难题。
近年来,随着增强现实(augmented reality, AR)技术的不断发展,AR+人工智能(artificial intelligence,AI)的模式兴起,AI是智能大脑,通过视觉场景理解自动获取必要的图像、点云、房间结构等信息;AR是视觉交互界面,将空间信息直观的叠加在真实场景中,不仅帮助用户迅速理解空间数据,并提供人工交互对复杂环境进行精确采集和标注。这种集合虚拟信息与现实场景的智能人工交互体系,是未来室内GIS发展的重要方向。
4 结论室内GIS包含了丰富的地图、拓扑、语义、纹理等信息,可以用于辅助室内定位。本文主要介绍了目前GIS辅助的室内定位技术的发展现状,包括基于地图约束的室内定位、基于拓扑地图匹配的室内定位、基于语义感知的室内定位及基于视觉感知的室内定位。分析了目前GIS辅助室内定位面临的挑战,主要包括3个方面:统一时空基准下的室内GIS数据模型、室内GIS数据更新和智能手机有限的计算资源。从室内定位和GIS数据获取两个方面对GIS辅助室内定位的发展趋势进行了展望。
[1] |
陈锐志, 陈亮.
基于智能手机的室内定位技术的发展现状和挑战[J]. 测绘学报, 2017, 46(10): 1316–1326.
CHEN Ruizhi, CHEN Liang. Indoor positioning with smartphones:the state-of-the-art and the challenges[J]. Acta Geodaetica et Cartographica Sinica, 2017, 46(10): 1316–1326. DOI:10.11947/j.AGCS.2017.20170383 |
[2] |
周宝定, 李清泉, 毛庆洲, 等.
用户行为感知辅助的室内行人定位[J]. 武汉大学学报(信息科学版), 2014, 39(6): 719–723.
ZHOU Baoding, LI Qingquan, MAO Qingzhou, et al. User activity awareness assisted indoor pedestrian localization[J]. Geomatics and Information Science of Wuhan University, 2014, 39(6): 719–723. |
[3] | GU Fuqiang, HU Xuke, RAMEZANI M, et al. Indoor localization improved by spatial context-a survey[J]. ACM Computing Surveys, 2019, 52(3): Article No. 64. |
[4] | DAVIDSON P, PICHE R. A survey of selected indoor positioning methods for smartphones[J]. IEEE Communications Surveys & Tutorials, 2017, 19(2): 1347–1370. |
[5] | LANE N D, MILUZZO E, LU H, et al. A survey of mobile phone sensing[J]. IEEE Communications Magazine, 2010, 48(9): 140–150. DOI:10.1109/MCOM.2010.5560598 |
[6] |
周成虎.
全空间地理信息系统展望[J]. 地理科学进展, 2015, 34(2): 129–131.
ZHOU Chenghu. Prospects on pan-spatial information system[J]. Progress in Geography, 2015, 34(2): 129–131. |
[7] |
朱欣焰, 周成虎, 呙维, 等.
全息位置地图概念内涵及其关键技术初探[J]. 武汉大学学报(信息科学版), 2015, 40(3): 285–295.
Zhu Xinyan, Zhou Chenghu, Guo Wei, et al. Preliminary study on conception and key technologies of the location-based pan-information map[J]. Geomatics and Information Science of Wuhan University, 2015, 40(3): 285–295. |
[8] |
朱庆, 熊庆, 赵君峤.
室内位置信息模型与智能位置服务[J]. 测绘地理信息, 2014, 39(5): 1–7.
ZHU Qing, XIONG Qing, ZHAO Junqiao. Indoor location information model and intelligent location service[J]. Journal of Geomatics, 2014, 39(5): 1–7. |
[9] | ZHOU Baoding, LI Qingquan, MAO Qingzhou, et al. Activity sequence-based indoor pedestrian localization using smartphones[J]. IEEE Transactions on Human-Machine Systems, 2015, 45(5): 562–574. DOI:10.1109/THMS.2014.2368092 |
[10] | ABDULRAHIM K, HIDE C, MOORE T, et al. Using constraints for shoe mounted indoor pedestrian navigation[J]. The Journal of Navigation, 2012, 65(1): 15–28. DOI:10.1017/S0373463311000518 |
[11] | NOH Y, YAMAGUCHI H, LEE U. Infrastructure-free collaborative indoor positioning scheme for time-critical team operations[J]. IEEE Transactions on Systems, Man, and Cybernetics:Systems, 2018, 48(3): 418–432. DOI:10.1109/TSMC.2016.2615652 |
[12] | HIGHTOWER J, BORRIELLO G. Particle filters for location estimation in ubiquitous computing: a case study[C]//Proceedings of the International Conference on Ubiquitous Computing. Berlin, Heidelberg: Springer, 2004: 88-106. https://link.springer.com/chapter/10.1007/978-3-540-30119-6_6 |
[13] | BEAUREGARD S, WIDYAWAN, KLEPAL M. Indoor PDR performance enhancement using minimal map information and particle filters[C]//Proceedings of 2008 IEEE/ION Position, Location and Navigation Symposium. Monterey, CA, USA: IEEE, 2008: 141-147. https://ieeexplore.ieee.org/document/4570050/ |
[14] | LI Fan, ZHAO Chunshui, DING Guanzhong, et al. A reliable and accurate indoor localization method using phone inertial sensors[C]//Proceedings of 2012 ACM Conference on Ubiquitous Computing. Pittsburgh, Pennsylvania: ACM, 2012: 421-430. https://dl.acm.org/citation.cfm?doid=2370216.2370280 |
[15] | RAI A, CHINTALAPUDI K K, PADMANABHAN V N, et al. Zee: zero-effort crowdsourcing for indoor localization[C]//Proceedings of the 18th Annual International Conference on Mobile Computing and Networking. Istanbul, Turkey: ACM, 2012: 293-304. https://dl.acm.org/citation.cfm?doid=2348543.2348580 |
[16] | ASCHER C, KESSLER C, WEIS R, et al. Multi-floor map matching in indoor environments for mobile platforms[C]//Proceedings of 2012 International Conference on Indoor Positioning and Indoor Navigation (IPIN). Sydney, NSW, Australia: IEEE, 2012: 1-8. https://ieeexplore.ieee.org/document/6418928 |
[17] | XIAO Zhouling, WEN Hongkai, MARKHAM A, et al. Robust indoor positioning with lifelong learning[J]. IEEE Journal on Selected Areas in Communications, 2015, 33(11): 2287–2301. DOI:10.1109/JSAC.2015.2430514 |
[18] | GILLIÉRON PY, BVCHEL D, SPASSOV I, et al. Indoor navigation performance analysis[C]//Proceedings of the 8th European Navigation Conference GNSS.The Netherlands: GNSS, 2004. |
[19] | HILSENBECK S, BOBKOV D, SCHROTH G, et al. Graph-based data fusion of pedometer and WiFi measurements for mobile indoor positioning[C]//Proceedings of 2014 ACM International Joint Conference on Pervasive and Ubiquitous Computing. Seattle, Washington: ACM, 2014: 147-158. |
[20] | ZHOU Baoding, LI Qingquan, MAO Qingzhou, et al. ALIMC:activity landmark-based indoor mapping via crowdsourcing[J]. IEEE Transactions on Intelligent Transportation Systems, 2015, 16(5): 2774–2785. DOI:10.1109/TITS.2015.2423326 |
[21] | XIAO Zhouling, WEN Hongkai, MARKHAM A, et al. Lightweight map matching for indoor localisation using conditional random fields[C]//Proceedings of the 13th International Symposium on Information Processing in Sensor Networks. Berlin, Germany: IEEE, 2014: 131-142. https://ieeexplore.ieee.org/document/6846747 |
[22] | AZIZYAN M, CONSTANDACHE I, ROY CHOUDHURY R. SurroundSense: mobile phone localization via ambience fingerprinting[C]//Proceedings of the 15th Annual International Conference on Mobile Computing and Networking. Beijing, China: ACM, 2009: 261-272. |
[23] | WANG He, SEN S, MARIAKAKIS A, et al. No need to war-drive: unsupervised indoor localization[C]//Proceedings of the 10th International Conference on Mobile Systems, Applications, and Services. Low Wood Bay, Lake District, UK: ACM, 2012: 197-210. |
[24] | GUSENBAUER D, ISERT C, KRÖSCHE J. Self-contained indoor positioning on off-the-shelf mobile devices[C]//Proceedings of 2010 International Conference on Indoor Positioning and Indoor Navigation. Zurich, Switzerland: IEEE, 2010: 1-9. |
[25] | PARK K, SHIN H, CHA H. Smartphone-based pedestrian tracking in indoor corridor environments[J]. Personal and Ubiquitous Computing, 2013, 17(2): 359–370. DOI:10.1007/s00779-011-0499-5 |
[26] | KHALIFA S, HASSAN M. Evaluating mismatch probability of activity-based map matching in indoor positioning[C]//Proceedings of 2012 International Conference on Indoor Positioning and Indoor Navigation (IPIN). Sydney, NSW, Australia: IEEE, 2012: 1-9. |
[27] | HASSAN M. A performance model of pedestrian dead reckoning with activity-based location updates[C]//Proceedings of the 18th IEEE International Conference on Networks (ICON). Singapore: IEEE, 2012: 64-69. https://ieeexplore.ieee.org/document/6506535 |
[28] | HARDEGGER M, ROGGEN D, MAZILU S, et al. ActionSLAM: using location-related actions as landmarks in pedestrian SLAM[C]//Proceedings of 2012 International Conference on Indoor Positioning and Indoor Navigation (IPIN). Sydney, NSW, Australia: IEEE, 2012: 1-10. https://ieeexplore.ieee.org/document/6418932 |
[29] | GRZONKA S, KARWATH A, DIJOUX F, et al. Activity-based estimation of human trajectories[J]. IEEE Transactions on Robotics, 2012, 28(1): 234–245. DOI:10.1109/TRO.2011.2165372 |
[30] | HARDEGGER M, MAZILU S, CARACI D, et al. Action SLAM on a smartphone: at-home tracking with a fully wearable system[C]//Proceedings of the International Conference on Indoor Positioning and Indoor Navigation. Montbeliard-Belfort, France: IEEE, 2013: 1-8. |
[31] | ZEMENE E, TESFAYE Y T, IDREES H, et al. Large-scale image geo-localization using dominant sets[J]. IEEE Transactions on Pattern Analysis Machine Intelligence, 2019, 41(1): 148–161. DOI:10.1109/TPAMI.2017.2787132 |
[32] | SVÄRM L, ENQVIST O, OSKARSSON M, et al. Accurate localization and pose estimation for large 3D models[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. Columbus, OH, USA: IEEE, 2014: 532-539. |
[33] | LU Guoyu, KAMBHAMETTU C. Image-based indoor localization system based on 3D sfm model[C]//Proceedings of the Intelligent Robots and Computer Vision XXXI: Algorithms and Techniques. San Francisco, California, United States: SPIE, 2014. |
[34] | SATTLER T, LEIBE B, KOBBELT L. Efficient & effective prioritized matching for large-scale image-based localization[J]. IEEE Transactions on Pattern Analysis Machine Intelligence, 2017, 39(9): 1744–1756. DOI:10.1109/TPAMI.2016.2611662 |
[35] | ANGLADON V, GASPARINI S, CHARVILLAT V, et al. An evaluation of real-time RGB-D visual odometry algorithms on mobile devices[J]. Journal of Real-Time Image Processing, 2019, 16(5): 1643–1660. DOI:10.1007/s11554-017-0670-y |
[36] | USENKO V, ENGEL J, STVCKLER J, et al. Direct visual-inertial odometry with stereo cameras[C]//Proceedings of the 2016 IEEE International Conference on Robotics and Automation (ICRA). Stockholm, Sweden: IEEE, 2016: 1885-1892. |
[37] | ENGEL J, KOLTUN V, CREMERS D. Direct sparse odometry[J]. IEEE Transactions on Pattern Analysis Machine Intelligence, 2018, 40(3): 611–625. DOI:10.1109/TPAMI.2017.2658577 |
[38] | FORSTER C, CARLONE L, DELLAERT F, et al. On-manifold preintegration for real-time visual--Inertial odometry[J]. IEEE Transactions on Robotics, 2017, 33(1): 1–21. |
[39] | XU Wenju, CHOI D, WANG Guanghui. Direct visual-inertial odometry with semi-dense mapping[J]. Computers & Electrical Engineering, 2018, 67(4): 761–775. |
[40] | LEUTENEGGER S, LYNEN S, BOSSE M, et al. Keyframe-based visual-inertial odometry using nonlinear optimization[J]. The International Journal of Robotics Research, 2015, 34(3): 314–334. DOI:10.1177/0278364914554813 |
[41] | LIN Yi, GAO Fei, QIN Tong, et al. Autonomous aerial navigation using monocular visual-inertial fusion[J]. Journal of Field Robotics, 2018, 35(1): 23–51. |
[42] | WANG Yong, LUO Xinbin, DING Lu, et al. Visual tracking via robust multi-task multi-feature joint sparse representation[J]. Multimedia Tools and Applications, 2018, 77(23): 31447–3167. DOI:10.1007/s11042-018-6198-8 |
[43] | DASH P P, PATRA D. Efficient visual tracking using multi-feature regularized robust sparse coding and quantum particle filter based localization[J]. Journal of Ambient Intelligence and Humanized Computing, 2019, 10(2): 449–462. DOI:10.1007/s12652-017-0663-5 |
[44] |
马威, 熊汉江, 郑先伟, 等.
室内三维场景纹理手机图片的自动更新方法[J]. 武汉大学学报(信息科学版), 2019, 44(2): 254–259, 267.
MA Wei, XIONG Hanjiang, ZHENG Xianwei, et al. Automatic textures updating method for 3D indoor scenes based on mobile phone images[J]. Geomatics and Information Science of Wuhan University, 2019, 44(2): 254–259, 267. |
[45] |
方志祥, 徐虹, 萧世伦, 等.
绝对空间定位到相对空间感知的行人导航研究趋势[J]. 武汉大学学报(信息科学版), 2018, 43(12): 2173–2182.
FANG Zhixiang, XU Hong, XIAO Shilun, et al. Pedestrian navigation research trend:from absolute space to relative space-based approach[J]. Geomatics and Information Science of Wuhan University, 2018, 43(12): 2173–2182. |
[46] | WANG Yankun, FAN Hong, CHEN Ruizhi, et al. Positioning locality using cognitive directions based on indoor landmark reference system[J]. Sensors, 2018, 18(4): 1049. DOI:10.3390/s18041049 |
[47] | WANG Yankun, FAN Hong, CHEN Ruizhi. Indoors locality positioning using cognitive distances and directions[J]. Sensors, 2017, 17(12): 2828. DOI:10.3390/s17122828 |
[48] | LASHKARI B, REZAZADEH J, FARAHBAKHSH R, et al. Crowdsourcing and sensing for indoor localization in IoT:a review[J]. IEEE Sensors Journal, 2019, 19(7): 2408–2434. DOI:10.1109/JSEN.2018.2880180 |
[49] | ZHOU Baoding, LI Qingquan, ZHAI Guanxun, et al. A graph optimization-based indoor map construction method via crowdsourcing[J]. IEEE Access, 2018, 6(5): 33692–33701. |
[50] | NOREIKIS M, XIAO Yu, HU Jiyao, et al. SnapTask: towards efficient visual crowdsourcing for indoor mapping[C]//Proceedings of 2018 IEEE International Conference on Distributed Computing Systems (ICDCS). Vienna, Austria: IEEE, 2018: 578-588. https://www.computer.org/csdl/proceedings-article/icdcs/2018/687101a578/12OmNs5rl3v |
[51] | GAO Ruipeng, ZHOU Bing, YE Fan, et al. Knitter: fast, resilient single-user indoor floor plan construction[C]//Proceedings of the INFOCOM 2017 IEEE Conference on Computer Communications. Atlanta, GA, USA: IEEE, 2017: 1-9. https://ieeexplore.ieee.org/document/8057186 |
[52] | GAO Ruipeng, ZHOU Bing, YE Fan, et al. Fast and resilient indoor floor plan construction with a single user[J]. IEEE Transactions on Mobile Computing, 2019, 18(5): 1083–1097. DOI:10.1109/TMC.2018.2857813 |
[53] | GAO Ruipeng, ZHAO Mingmin, YE Tao, et al. Multi-story indoor floor plan reconstruction via mobile crowdsensing[J]. IEEE Transactions on Mobile Computing, 2016, 15(6): 1427–1442. DOI:10.1109/TMC.2016.2550040 |