基于机会信号（SOP，例如WiFi、磁场等信号）的室内行人定位一直面临着信号分布地图（即指纹库）构建成本高的瓶颈问题，本文针对室内磁场匹配定位所需的磁场建库需求，使用基于神经网络的稳健PDR轨迹形成磁场轮廓，并综合利用磁场序列的频域和时域特征进行高效而准确的众包磁场轮廓关联，然后以三种典型室内公共场景的模拟众包数据进行了充分验证，最终给出了一套众包建立磁场信号分布地图的可行方案。

    磁场特征匹配是消费级大众行人室内定位的主流技术手段之一，具有无需布设(室内磁场特征无处不在)、长期稳定性好且不受人体遮挡影响等独特优势。现阶段，基于专业人员构建的磁场地图，磁场匹配能够实现米级甚至亚米级的定位精度，且适用大部分空间结构不变化的室内场景。然而，大规模的磁场定位服务仍然面临磁场地图构建成本高、效率低的问题。为此，研究者们尝试以算力换人力的思路，使用大众用户无感条件下提供的智能终端传感器数据自动构建磁场地图(即完全的被动众包方法)，以极低成本实现大规模磁场地图覆盖。然而，现有的磁场地图众包构建算法通常忽略了真实场景中典型的众包数据质量问题，例如单条数据持续时间短、手机持握方式复杂多样、传感器标定机会少、行人运动轨迹无规律以及数据规模大等挑战。

    针对以上问题，我们提出了一套适用于普通智能终端大众行人众包数据的磁场地图构建算法，其流程如图 1所示。该算法的主要特色在于:

1) 多用户联合Neural PDR: 使用基于神经网络的行人航位推算(Neural PDR)，并结合全局磁向量约束，实现了复杂动态下行人运动轨迹的稳健恢复。该算法能够适用复杂的手机持握方式，且无需提前进行传感器标定操作。得益于全局磁向量信息的利用，该算法恢复的所有轨迹航向大致对齐，这是后续鲁棒全局轨迹优化中抗差的基础。

2) 高效率的众包轨迹关键帧关联: 首先，利用频域特征对磁场序列错位不敏感的特性，直接采用欧氏距离度量样本之间的相似度。接着，通过 k-d 树实现欧氏空间内相似样本的快速检索，从而提升关键帧检索效率。此外，利用时域特征相似度和轨迹轮廓相似度对关键帧关联结果进行校验，确保众包轨迹关键帧关联结果的可靠性。本方法适用于解决大规模众包数据集中的关键帧关联问题。

3) 鲁棒的全局轨迹优化: 为了解决关键帧错误关联造成的粗差问题，采用不等式约束的轨迹位姿优化获取轨迹位姿初值。在此过程中，利用Neural PDR提供的精准相对位姿，将轨迹优化参数限制为仅优化初始时刻的位姿；并利用全局磁向量提供的绝对航向信息限制初始时刻航向估计值范围，从而得到不受关键帧关联错误影响的位姿初值。基于此初值及对错误关键帧关联的标记，使用全局位姿图优化得到轨迹的全局最优估计。

图1 磁场地图众包构建方法流程图

    为了评估磁场地图众包构建算法的性能，我们使用了购物中心、图书馆和地下车库等典型室内公共场景下采集的模拟众包数据。图 2给出了购物中心场景下众包构建算法各步骤输出，子图(a)为Neural PDR恢复的行人轨迹，子图(b)为众包轨迹联合优化结果，子图(c)为基于密度筛选后的有效轨迹。整体上，Neural PDR能够合理地恢复众包轨迹且实现了轨迹航向大致对齐，估计的众包轨迹能够正确反映室内场景轮廓。图 3给出了估计的众包轨迹及使用众包磁场地图的匹配定位结果，子图(a)(b)分别给出了不使用和使用少量参考值校正尺度误差的众包轨迹估计结果，子图(c)给出了基于众包方法生成的磁场地图(校正尺度误差后)的磁场匹配定位结果。图中灰色为轨迹参考值，其他颜色为估计的众包轨迹和磁场匹配定位结果。可以看到，磁场地图众包构建算法能够正确地恢复众包轨迹形状，但存在一定的尺度误差；在使用少量参考点校正尺度偏差后，磁场匹配定位能够获得较可靠的定位结果。

图 2 磁场地图众包构建算法各步骤输出(购物中心)

图 3估计的众包轨迹及基于众包方法生成的磁场地图的匹配定位结果(购物中心)

    表1统计了三种典型室内公共场景下众包算法所估计的轨迹精度及相应的定位精度。Em表示不考虑尺度误差的轨迹估计误差，Em'表示校正尺度误差后的轨迹估计误差，Ep表示基于校正尺度误差后磁场地图的匹配定位误差。可以看到，我们提出的算法所估计的轨迹误差为1.48~2.30m，且定位精度达到了2.53~4.25m。也就是说，我们提出的磁场地图众包构建方法能够支撑大众用户的米级定位需求。

表1 三个场景下估计的众包轨迹精度及定位精度

表 2 磁场地图众包构建算法各步骤的运行时间

    表2统计了磁场地图众包构建算法各步骤的运行时间。数据时长约12小时，数据处理平台为笔记本电脑(CPU: AMD 5800H 8-core，GPU: Nvidia 3060)，总运行时间为60.8s。其中，Neural PDR耗时最长，占总耗时的70.7%，是整个算法效率的瓶颈，但可通过使用更多GPU或更好的GPU规避。作为第二耗时的步骤，我们提出的关键帧关联在该数据集上仅耗时10.7s。

    综上，我们设计一种新颖的基于行人数据的磁场地图众包构建方法，该方法顾及了实际应用中行人众包数据存在的诸多挑战因素，在仅使用行人众包传感器数据(9轴)的条件下实现了单楼层磁场地图自动构建。需要指出的是，该方法默认假设参与众包的行人数据分布在同一楼层，这显然是实际情况难以保证的，因此如何实现多楼层场景下的磁场地图众包构建仍需要进一步探讨。

    畅想未来，若能够通过众包方法构建所有室内区域的磁场地图，磁场特征匹配定位将会形成与室外GNSS一样的室内定位能力，届时大众消费级室内定位问题就有望被彻底解决！

    相关成果发表在IEEE Internet of Things Journal上，可在团队网站(i2nav.cn)的“研究成果-学术论文”列表中下载。（Link）