李 雯，魏東巖，陸 一，王向東，袁 洪

(1.中國(guó)科學(xué)院光電研究院，北京 100094；2.中國(guó)科學(xué)院大學(xué)，北京 100049；3.北京航天發(fā)射技術(shù)研究所，北京 100076)

0 引言

車輛導(dǎo)航已成為現(xiàn)今生活中必不可少的一項(xiàng)應(yīng)用，極大地提升了人們的出行效率。目前，車載導(dǎo)航定位主要依賴于全球?qū)Ш叫l(wèi)星系統(tǒng)(Global Navigation Satellite System，GNSS)技術(shù)，但衛(wèi)星導(dǎo)航信號(hào)無法覆蓋隧道、地下車庫等典型場(chǎng)景。因此，目前的車載導(dǎo)航定位服務(wù)還存在諸多服務(wù)盲區(qū)。隨著城市化建設(shè)的不斷推進(jìn)，人們對(duì)于復(fù)雜道路、建筑空間內(nèi)的導(dǎo)航定位需求日益迫切，如何解決GNSS拒止條件下的車輛導(dǎo)航定位問題，受到越來越多的關(guān)注。

INS、DR、Lidar等技術(shù)與GNSS的組合在一定程度上緩解了GNSS短時(shí)失效情況下的車輛定位問題[1]。但車載定位傳感器的性能受成本、尺寸等多方面約束，這些基于遞推原理的定位手段其定位性能通常隨行駛距離或時(shí)間會(huì)快速發(fā)散，并不適合隧道、地下車庫等GNSS長(zhǎng)時(shí)間無服務(wù)的場(chǎng)景。

相比而言，基于指紋特征的匹配方法具有可以利用已布設(shè)的硬件設(shè)施和傳感器成本低、易實(shí)現(xiàn)的優(yōu)勢(shì)，且其定位精度不隨時(shí)間或距離而發(fā)散，更加適合GNSS長(zhǎng)時(shí)拒止的應(yīng)用場(chǎng)景[2-4]。目前，基于WLAN/藍(lán)牙無線電強(qiáng)度指紋、地磁強(qiáng)度指紋的匹配定位在行人導(dǎo)航定位中研究較多[5-6]，且已有不少商用化的嘗試。但在車輛應(yīng)用中，由于車輛的應(yīng)用環(huán)境比行人導(dǎo)航應(yīng)用更為復(fù)雜，包括隧道、車庫、復(fù)雜建筑群等多種情形，單一的某種匹配手段難以滿足要求。例如隧道內(nèi)WLAN/藍(lán)牙覆蓋相對(duì)稀疏，但地磁特征更為穩(wěn)定；地下車庫等環(huán)境中WLAN/藍(lán)牙信號(hào)覆蓋通常較為良好，但磁場(chǎng)信息受周圍車輛影響明顯。

綜上，本文面向車輛在GNSS拒止環(huán)境下的導(dǎo)航定位需求，綜合考慮無線電指紋、地磁指紋、地理信息指紋的優(yōu)勢(shì)，針對(duì)多源特征信息的指紋庫建立方法和聯(lián)合匹配方法分別進(jìn)行研究，以解決車輛在GNSS拒止條件下的連續(xù)定位問題。

1 問題描述

匹配定位中的指紋通常上是指和位置相關(guān)聯(lián)的某種特征信息，例如WLAN/藍(lán)牙/蜂窩無線電網(wǎng)絡(luò)的無線信號(hào)強(qiáng)度、磁場(chǎng)強(qiáng)度、圖像信息、地理特征等，這些信息的分布和位置密切相關(guān)，不同位置具有不同的特征。指紋定位通常分為建立指紋數(shù)據(jù)庫和在線匹配2個(gè)過程。建立指紋數(shù)據(jù)庫是指事先建立特征信息與位置的關(guān)聯(lián)關(guān)系，一般是事先離線完成的；在線匹配過程是在定位時(shí)將實(shí)時(shí)采集的指紋數(shù)據(jù)和事先建立好的指紋數(shù)據(jù)庫進(jìn)行比對(duì)匹配，從而實(shí)現(xiàn)位置估計(jì)。

傳統(tǒng)的指紋數(shù)據(jù)庫建立過程一般需要測(cè)量人員進(jìn)行專門的實(shí)地測(cè)量，工作量巨大，成本較高，而且指紋數(shù)據(jù)庫會(huì)因?yàn)榄h(huán)境變化、電子元器件老化等問題而變化，導(dǎo)致指紋數(shù)據(jù)庫的生命周期較短，需要頻繁維護(hù)。由于車輛導(dǎo)航應(yīng)用環(huán)境通常區(qū)域面積大、環(huán)境復(fù)雜，傳統(tǒng)的人工方式建庫并不適合。面向上述場(chǎng)景，眾包數(shù)據(jù)為指紋庫的構(gòu)建提供了一種有效的手段[7-9]，但由于指紋定位所適合的場(chǎng)景一般是GNSS無法服務(wù)的區(qū)域，所以在這些區(qū)域采集的眾包數(shù)據(jù)中通常不含有定位結(jié)果信息，如果事先沒有地圖信息，很難直接利用[10-11]。因此，如何利用眾包數(shù)據(jù)獲得地理結(jié)構(gòu)關(guān)系、標(biāo)注數(shù)據(jù)采集點(diǎn)的位置成為關(guān)鍵，一旦知道了眾包數(shù)據(jù)的采集位置，便可以基于眾包數(shù)據(jù)進(jìn)行建庫。針對(duì)此，本文提出了通過地理信息、地磁分布以及蜂窩網(wǎng)絡(luò)、WLAN、藍(lán)牙基站信號(hào)等特征綜合進(jìn)行路段的空間聚類，進(jìn)而實(shí)現(xiàn)眾包數(shù)據(jù)空間構(gòu)圖的方法。

與建庫方法相比，指紋特征匹配算法研究相對(duì)更為成熟，例如WLAN/藍(lán)牙匹配定位中的KNN、WKNN算法以及地磁匹配中的ICCP算法等，但這些算法通常只能針對(duì)某一種特定指紋信息進(jìn)行匹配，在多種不同指紋特征間不具備通用性。使用單一特征指紋進(jìn)行匹配的弊端在于，如果這種特征信息受到噪聲影響，勢(shì)必會(huì)造成定位精度的損失，甚至無法定位。相比而言，無線電、磁場(chǎng)[12]、地理信息等多種不同特性的指紋信息同時(shí)受到干擾的概率要遠(yuǎn)低于某一種單一特征受到干擾的概率。因此，如果能基于多種特征信息進(jìn)行聯(lián)合匹配，必然能夠提高定位結(jié)果的魯棒性以及精度。所以，本文基于隱馬爾科夫模型(Hidden Markov Model, HMM)，設(shè)計(jì)了一種面向多種異構(gòu)特征信息的聯(lián)合匹配方法，能夠把無線電強(qiáng)度指紋、地磁場(chǎng)信息以及地圖信息等多種信息聯(lián)合匹配來進(jìn)行位置求解。

2 基于眾包數(shù)據(jù)的構(gòu)圖方法

考慮車輛的運(yùn)動(dòng)特征、工作環(huán)境，結(jié)合目前智能終端的發(fā)展水平，本文所考慮的眾包數(shù)據(jù)包括用戶終端在行駛過程中采集的磁場(chǎng)信息、蜂窩網(wǎng)/WLAN/藍(lán)牙信息、加速度、角速度、磁航向及里程計(jì)信息等。為有效利用這些信息進(jìn)行構(gòu)圖，本文設(shè)計(jì)的工作過程包括軌跡生成預(yù)處理、子軌跡段分割、聚類和空間重構(gòu)、數(shù)據(jù)庫建立4個(gè)過程，方法的實(shí)現(xiàn)過程示意圖如圖1所示。

圖1 眾包數(shù)據(jù)處理過程Fig.1 Crowdsourcing data processing

2.1 軌跡生成預(yù)處理

原始的眾包數(shù)據(jù)是由多個(gè)用戶采集的原始觀測(cè)數(shù)據(jù)組成的，對(duì)于任意一組觀測(cè)數(shù)據(jù)，一般是時(shí)間上順序排列的觀測(cè)數(shù)據(jù)序列，把每個(gè)單獨(dú)的觀測(cè)序列稱為一條軌跡。軌跡生成預(yù)處理是通過每條軌跡中的加速度、角速度、磁航向及里程計(jì)信息等數(shù)據(jù)，利用重采樣方法對(duì)原始數(shù)據(jù)進(jìn)行預(yù)處理，使得每個(gè)采樣點(diǎn)之間的空間距離相同。對(duì)于預(yù)處理后的第i個(gè)軌跡Ti可描述為：

{Magi,Acci,Angi,Orii,CELLi,WLANi,BLEi}

2.2 子軌跡段分割

由于眾包數(shù)據(jù)中包括大量用戶的軌跡數(shù)據(jù)，為了便于尋找不同軌跡間的關(guān)系，把用戶行駛的連續(xù)軌跡數(shù)據(jù)根據(jù)關(guān)鍵點(diǎn)劃分為多個(gè)子軌跡段。

本文選用軌跡中的拐彎點(diǎn)作為關(guān)鍵點(diǎn)進(jìn)行子軌跡段的分割。其中拐彎點(diǎn)的檢測(cè)采用微機(jī)電系統(tǒng)(Micro-Electro-Mechanical Systems, MEMS)傳感器中的角速度垂直分量的峰值和谷值檢測(cè)方法，具體方法可參考文獻(xiàn)[3,13]。如圖 1所示，通過拐彎點(diǎn)檢測(cè)可將一段軌跡數(shù)據(jù)切割為若干個(gè)不帶拐彎點(diǎn)的子軌跡，子軌跡段Ri的描述方法與軌跡Ti定義相似，表示如下，將這些子軌跡集合記為R。

Ri={Magi,Acci,Angi,Orii,CELLi,WLANi,BLEi}

其中，Orii為該子軌跡的平均航向，其他定義與Ti相同。

2.3 路段聚類

路段聚類的目的是通過尋找R中各個(gè)子軌跡間的特征相似性來尋找子軌跡間的空間重疊與連接關(guān)系，從而重構(gòu)出眾包數(shù)據(jù)所覆蓋的路徑地圖。本文采用DBSCAN算法對(duì)R中的各個(gè)子軌跡進(jìn)行聚類，也就是將具有相似性的子軌跡段聚為一簇，每一個(gè)簇即代表一個(gè)路段，多個(gè)路段及相互之間的關(guān)聯(lián)關(guān)系就代表路徑地圖。

DBSCAN聚類算法的核心是評(píng)估各個(gè)樣本之間的距離，并將高密度的樣本進(jìn)行聚類[14]。本文利用特征的相似性進(jìn)行子軌跡段之間的距離評(píng)價(jià)，實(shí)現(xiàn)高空間相似度的軌跡聚類。通過綜合比較可以看出，蜂窩網(wǎng)絡(luò)/WLAN/藍(lán)牙的信號(hào)穩(wěn)定性較差，在幾十米到幾百米的范圍內(nèi)區(qū)分度不是很明顯，但其基站數(shù)量眾多、覆蓋廣泛，更適合從大尺度確定不同路段間的重合關(guān)系，例如在多個(gè)車庫、街區(qū)、隧道之間可迅速通過上述特征進(jìn)行區(qū)分；相比而言，地磁特征更為穩(wěn)定，適合更精細(xì)的相關(guān)性判斷，例如同一車庫內(nèi)不同道路的區(qū)分。綜上，本文分別基于蜂窩網(wǎng)絡(luò)/WLAN/藍(lán)牙和地磁特征，給出了任意2個(gè)軌跡Ri、Rj間的磁相關(guān)性系數(shù)Mag_cci,j和可視基站相關(guān)性系數(shù)Bs_cci,j，其中Mag_cci,j定義為2個(gè)子軌跡上磁場(chǎng)序列的相關(guān)系數(shù)，Bs_cci,j為2個(gè)子軌跡上公共可視的蜂窩網(wǎng)絡(luò)/WLAN/藍(lán)牙基站數(shù)量比例，定義如下

(1)

其中，{IDRi}表示子軌跡Ri中所有可視的蜂窩網(wǎng)絡(luò)/WLAN/藍(lán)牙基站ID構(gòu)成的集合，| |是集合的勢(shì)。

在聚類過程中，首先通過2個(gè)子軌跡段的可視基站的交集進(jìn)行鄰域判斷，定義子軌跡Ri的基站-鄰域NBs(Ri)為

NBs(Ri)={Rj∈R|Bs_cci,j≥BsTh}

(2)

其中，0

在此基礎(chǔ)上，在基站-鄰域NBs(Ri)中更進(jìn)一步地根據(jù)磁場(chǎng)分布的相似性進(jìn)行比較和篩選，給出磁場(chǎng)-鄰域Nmag(Ri)的定義如下

Nmag(Ri)={Rj∈NBs(Ri)|Mag_cci,j≥

MagTh}

(3)

其中，0

通過上述可視基站與磁場(chǎng)分布的比較能夠把相似性較大的子軌跡以更大概率、更小的計(jì)算復(fù)雜度聚集在通一條路段上;但同時(shí)存在另一種風(fēng)險(xiǎn)，如果在不同路段上采集的2個(gè)子軌跡由于受干擾等因素導(dǎo)致其可視基站及磁場(chǎng)強(qiáng)度的特征相近，則會(huì)將他們誤判為同一個(gè)軌跡。針對(duì)上述風(fēng)險(xiǎn)，通過2個(gè)子軌跡鄰域的重合度進(jìn)行進(jìn)一步的限定，最終得到e-鄰域定義如下

N(Ri)={Rj∈Nmag(Ri)||Nmag(Ri)∩

Nmag(Rj)|>Cth}

(4)

其中，Cth是重疊的門限值。

可以看出，對(duì)于Ri而言，若其鄰域N(Ri)內(nèi)的元素?cái)?shù)量較少，說明該樣本與其他樣本的距離較大，應(yīng)予以剔除，因此這里定義核心對(duì)象的概念：即滿足|N(Ri)|≥MinPts的軌跡被稱為核心對(duì)象，其中MinPts是一個(gè)門限值，主要取決于總樣本數(shù)量。

基于上述e-鄰域N(Ri)的定義，便可用DBSCAN算法對(duì)R中所有的核心對(duì)象進(jìn)行聚類，輸出簇劃分結(jié)果C={C1,…,Ci,…,Ck}，其中Ci表示路段，k為聚類后路段的總數(shù)量。

2.4 數(shù)據(jù)庫建立

通過眾包數(shù)據(jù)得到路段及相互的地理位置關(guān)系后，便可通過傳統(tǒng)方式進(jìn)行特征指紋庫的建立。本文考慮的可匹配的特征信息包括WLAN、藍(lán)牙、蜂窩網(wǎng)絡(luò)的基站標(biāo)識(shí)與接收的信號(hào)強(qiáng)度指示(Received Signal Strength Indication，RSSI)，地磁場(chǎng)強(qiáng)度，以及場(chǎng)景信息等。其中場(chǎng)景信息是指和位置相關(guān)的地理特征，例如拐彎點(diǎn)、減速帶等(文獻(xiàn)[15]、文獻(xiàn)[16]和文獻(xiàn)[17]給出了這些信息的檢測(cè)方法)，每類特征信息的詳細(xì)內(nèi)容見表1。

特征指紋庫建立的過程實(shí)際上是將上述特征信息與路段關(guān)聯(lián)的過程，將每個(gè)路段進(jìn)行網(wǎng)格劃分，每個(gè)網(wǎng)格點(diǎn)稱為一個(gè)參考點(diǎn)，其中相鄰參考點(diǎn)之間的距離相同。通過重采樣方式便可得到眾包數(shù)據(jù)中每組數(shù)據(jù)在各參考點(diǎn)的采樣值。由于眾包數(shù)據(jù)一般是非合作用戶采集得到的，雖然采集密度大，但數(shù)據(jù)質(zhì)量參差不齊。因此在本文中，通過大量的樣本統(tǒng)計(jì)，將每一類特征信息在該點(diǎn)的所有樣本值及其分布情況存儲(chǔ)在特征指紋庫中。例如對(duì)于某一個(gè)參考點(diǎn)si，特征指紋庫中存儲(chǔ)的是WLAN、藍(lán)牙、蜂窩網(wǎng)絡(luò)、地磁場(chǎng)、場(chǎng)景在該點(diǎn)的眾包數(shù)據(jù)值及其分布，參考點(diǎn)s組成參考點(diǎn)集合S={s1,s2,…,si,…}。

表1 特征信息分類及特征信息內(nèi)容

3 基于HMM的多維特征聯(lián)合匹配定位方法

如圖2所示，多維特征聯(lián)合匹配定位過程包括2個(gè)環(huán)節(jié)，分別是特征信息提取感知和匹配定位。

圖2 基于HMM的多維特征聯(lián)合匹配定位方法示意圖Fig.2 Schematic diagram of multi-dimensional featurejoint matching method based on HMM

特征信息提取感知一方面是利用傳感器直接對(duì)無線電信號(hào)、地磁等特征信息進(jìn)行觀測(cè);另一方面，通過對(duì)原始觀測(cè)值的提取和預(yù)處理，對(duì)場(chǎng)景等特征信息進(jìn)行感知，并記錄其對(duì)應(yīng)的特征信息內(nèi)容。這樣，在每個(gè)采樣時(shí)刻，都能提取和感知得到一個(gè)或多個(gè)上述特征信息，供在線匹配階段使用。

將終端提取和感知到的觀測(cè)信息按時(shí)間先后順序進(jìn)行排列得到觀測(cè)序列O=(o1,o2,…,oi,…)，其中相鄰2個(gè)測(cè)量量之間的距離可通過里程計(jì)得到，匹配定位需要解決的問題是在指紋數(shù)據(jù)庫的諸多參考點(diǎn)中尋找一個(gè)參考點(diǎn)序列S和序列O相匹配。顯然，根據(jù)車輛運(yùn)動(dòng)的特點(diǎn)，序列S符合馬爾科夫特性，因此這個(gè)過程可以用HMM來描述和求解。

HMM的參數(shù)包括可觀測(cè)狀態(tài)、隱含狀態(tài)、初始狀態(tài)矩陣、轉(zhuǎn)移概率矩陣和輸出概率矩陣[18]。如圖3所示，本文將每個(gè)采樣時(shí)刻的觀測(cè)信息oi作為HMM中可觀測(cè)狀態(tài)，O為觀測(cè)狀態(tài)的集合；將離線數(shù)據(jù)庫中的每個(gè)參考點(diǎn)si作為一個(gè)隱含狀態(tài)，組成隱含狀態(tài)集合S。初始狀態(tài)矩陣在初始定位時(shí)刻可簡(jiǎn)單認(rèn)為用戶處于每個(gè)參考點(diǎn)的概率相同。各隱含狀態(tài)之間的轉(zhuǎn)移概率用轉(zhuǎn)移概率矩陣A表示，其中aij表示從狀態(tài)si轉(zhuǎn)換到狀態(tài)sj的概率，顯然aij與si和sj這2個(gè)狀態(tài)點(diǎn)之間的距離相關(guān)，設(shè)2個(gè)狀態(tài)點(diǎn)間的真實(shí)距離為dij，實(shí)際量測(cè)得到的2個(gè)特征信息間的距離l與dij越接近，這2個(gè)參考點(diǎn)之間的轉(zhuǎn)移概率越大，反之越小。因此，本文將轉(zhuǎn)移概率簡(jiǎn)化成高斯模型，即aij=P(dij)，其中dij服從N(l，σ)的高斯分布，σ為里程計(jì)的誤差方差。輸出概率矩陣B中的輸出概率bjk=P(ok|sj)表示由隱含狀態(tài)sj表現(xiàn)為可觀測(cè)狀態(tài)ok的概率。輸出概率描述了數(shù)據(jù)庫中的任意一個(gè)參考點(diǎn)表現(xiàn)為當(dāng)前觀測(cè)到的特征的概率，bjk可通過前述的數(shù)據(jù)庫查表計(jì)算得到。

圖3 HMM參數(shù)Fig.3 HMM parameters

(5)

其中，λ為圖3中涉及的模型參數(shù)，S=(s1,s2,…,si…,sL)為S中任意L個(gè)參考點(diǎn)的排列。

P(S,O|λ)=P(O|S,λ)×P(S|λ)

(6)

對(duì)于式(6)，通常采用維特比算法(Viterbi Algorithm)進(jìn)行求解[19,20]：在少量數(shù)據(jù)情況下可采用窮舉方法，但當(dāng)數(shù)據(jù)庫中存儲(chǔ)的參考點(diǎn)較多或序列較長(zhǎng)時(shí)，計(jì)算復(fù)雜度會(huì)很高[21]；本文采用了遞歸算法尋找這一最可能的序列[22]。首次(即t=L)，能夠經(jīng)概率計(jì)算，找到用戶當(dāng)前的位置。后面采用滑動(dòng)窗口形式，采用同樣的方法進(jìn)行匹配，以不斷得到用戶的實(shí)時(shí)位置。

4 試驗(yàn)與仿真

4.1 眾包數(shù)據(jù)構(gòu)圖方法性能仿真

為了對(duì)本文所設(shè)計(jì)的基于眾包數(shù)據(jù)的構(gòu)圖方法性能進(jìn)行驗(yàn)證，論文通過實(shí)測(cè)和仿真結(jié)合的手段進(jìn)行了分析。如圖4所示，利用華為MATE10手機(jī)通過實(shí)際跑車在北京市海淀區(qū)航天城周邊區(qū)域獲得了圖示軌跡上的2組數(shù)據(jù)。試驗(yàn)區(qū)域中共包含4個(gè)路段，采集數(shù)據(jù)包括WiFi、藍(lán)牙、蜂窩、地磁以及行進(jìn)過程中的MEMS數(shù)據(jù)，在此基礎(chǔ)上通過計(jì)算機(jī)模擬仿真方式得到80組觀測(cè)數(shù)據(jù)來模擬眾包軌跡，進(jìn)而進(jìn)行聚類構(gòu)圖。

在仿真中設(shè)置MinPts為5，Mag_cc和Bs_cc這2個(gè)聚類參數(shù)在[0,1]不同取值組合時(shí)，對(duì)聚類算法的準(zhǔn)確率進(jìn)行評(píng)估，這里聚類準(zhǔn)確的概念是：對(duì)于任意一個(gè)軌跡，如果該軌跡被劃分到的簇中的其他軌跡均與該軌跡產(chǎn)生于同一路段，則被認(rèn)為是準(zhǔn)確，否則被定義為錯(cuò)誤。通過對(duì)眾包數(shù)據(jù)中所有軌跡樣本進(jìn)行統(tǒng)計(jì)，便可得到聚類的準(zhǔn)確率。

在圖5中，當(dāng)MagTh在[0.7,0.95]之間取值，BsTh在[0.6,0.9]之間取值時(shí)，可以得到較高的準(zhǔn)確率，可以看出，當(dāng)其中一個(gè)約束條件降低時(shí)，可以通過增強(qiáng)另一個(gè)約束條件來提高聚類的準(zhǔn)確率。因此，在某一類特征干擾嚴(yán)重的情況下，能夠通過另一種特征來提升聚類性能。

圖5 聚類準(zhǔn)確率和可視基站相關(guān)性系數(shù)門限MagTh與磁相關(guān)性系數(shù)門限BsTh之間的關(guān)系Fig.5 Relationship between clustering accuracy andthresholdsMagThandBsTh

測(cè)試中當(dāng)BsTh=0.3、MagTh=0.8時(shí)，聚類準(zhǔn)確率最高，為95%，具體情況如表2所示。通過80個(gè)子軌跡段得到4個(gè)聚類簇，分別對(duì)應(yīng)于不同的路段，在聚類過程中共產(chǎn)生了4條噪聲軌跡，聚類準(zhǔn)確率能夠達(dá)到95%，證明了該算法具有較好的分類性能。

表2 聚類結(jié)果

4.2 多維特征聯(lián)合匹配定位性能試驗(yàn)分析

針對(duì)多維特征聯(lián)合匹配定位性能分析，論文通過實(shí)際道路采集數(shù)據(jù)進(jìn)行了試驗(yàn)分析。需要說明的是，由于試驗(yàn)過程中難以獲得實(shí)際的眾包數(shù)據(jù)建庫，同時(shí)為了準(zhǔn)確分析所提多維特征聯(lián)合匹配方法的性能，試驗(yàn)分析中采用了高精度地圖進(jìn)行建庫。試驗(yàn)路段全程約10km，包括普通道路、橋梁、高速路、小區(qū)道路等典型路段，用于比對(duì)分析的位置基準(zhǔn)設(shè)備采用Novatel 100C設(shè)備。

基于HMM的特征匹配實(shí)際上是通過一個(gè)窗口內(nèi)多個(gè)特征點(diǎn)的聯(lián)合匹配來提高單特征點(diǎn)匹配的定位精度，因此定位性能與匹配窗口的長(zhǎng)度密切相關(guān)。由于大多數(shù)傳感器的觀測(cè)量是按時(shí)間間隔均勻輸出的，為便于描述和理解，第3節(jié)中觀測(cè)序列O被定義為時(shí)間窗口長(zhǎng)度為L(zhǎng)的時(shí)間段內(nèi)的觀測(cè)序列。但考慮車輛在運(yùn)動(dòng)過程中包括低速、靜止等狀態(tài)，固定時(shí)間窗口L內(nèi)的觀測(cè)量實(shí)際上是冗余的(例如在靜止?fàn)顟B(tài)下觀測(cè)到的特征序列不變)，因此在試驗(yàn)中，通過里程計(jì)信息將觀測(cè)序列O定義為車輛行進(jìn)某一個(gè)距離窗口L*內(nèi)的的觀測(cè)量序列。圖6描述了在不同匹配窗口長(zhǎng)度時(shí)統(tǒng)計(jì)的定位誤差，可以看出，當(dāng)匹配窗口長(zhǎng)度從5m提高到20m時(shí)定位性能會(huì)快速收斂到2m左右，但再增加窗口長(zhǎng)度時(shí)匹配精度的提高變得有限。實(shí)際上，隨著窗口長(zhǎng)度的增加，維特比算法譯碼的復(fù)雜度會(huì)顯著增大，計(jì)算效率會(huì)大大降低，在實(shí)際應(yīng)用中需要對(duì)定位精度和計(jì)算性能間折中考慮。

圖6 匹配窗口長(zhǎng)度對(duì)定位精度的影響Fig.6 Effect of matching window length onpositioning accuracy

5 結(jié)論

本文針對(duì)車輛在GNSS拒止條件下的定位問題，提出一種通過多種異構(gòu)特征信息源進(jìn)行聯(lián)合匹配定位方案，并給出了基于眾包數(shù)據(jù)的特征建庫方法和基于HMM的多源特征匹配方法。本文所提方法的特點(diǎn)在于：(1)設(shè)計(jì)了一種基于地磁和無線網(wǎng)絡(luò)信號(hào)等多種位置關(guān)聯(lián)特征的眾包軌跡聚類方法，能夠從無位置標(biāo)定的眾包數(shù)據(jù)中提取出復(fù)雜場(chǎng)景中的路徑地圖與位置信息；(2)設(shè)計(jì)了一種面向多種異構(gòu)特征信息的聯(lián)合匹配方法，該方法基于HMM模型，能夠?qū)o線電強(qiáng)度指紋、地磁場(chǎng)信息以及地圖信息等多種信息進(jìn)行聯(lián)合匹配來進(jìn)行位置估計(jì)。試驗(yàn)分析表明，該方法能夠充分利用多種物理場(chǎng)特征，在GNSS不可用環(huán)境下提供定位服務(wù)。下一步工作主要包括針對(duì)隧道、室內(nèi)等不同場(chǎng)景特點(diǎn)，進(jìn)一步提升聚類算法的適應(yīng)性和準(zhǔn)確性，以及研究匹配算法對(duì)于橫向不同車道的區(qū)分能力并做相應(yīng)的算法優(yōu)化。