宋海鋒，張敏杰，曾小清，應(yīng)沛然，何 喬，馮棟梁

（1.北京交通大學(xué)電子信息工程學(xué)院，北京 100044；2.同濟(jì)大學(xué)道路與交通工程教育部重點(diǎn)實(shí)驗(yàn)室，上海 201804；3.貝爾福-蒙貝利亞技術(shù)大學(xué)信息學(xué)院,貝爾福 90000，法國；4.上海市市政工程建設(shè)發(fā)展有限公司，上海 200025）

列車運(yùn)行和控制系統(tǒng)是整個(gè)高鐵系統(tǒng)的核心，列車運(yùn)行數(shù)據(jù)對(duì)于分析列車運(yùn)行狀態(tài)具有重要意義。新建線路在進(jìn)行實(shí)際客運(yùn)運(yùn)營之前必須經(jīng)過多次測(cè)試，以獲得列車在線路運(yùn)行中的相關(guān)數(shù)據(jù)，如運(yùn)行時(shí)分、速度、位置等信息。獲取的數(shù)據(jù)用于分析列車運(yùn)行狀態(tài)，發(fā)現(xiàn)設(shè)計(jì)過程中的不合理情況確保列車運(yùn)行安全，諸多信息中獲取列車運(yùn)行的實(shí)時(shí)速度與位置是至關(guān)重要的。

列車定位方法有絕對(duì)定位和相對(duì)定位兩種。近年來，許多學(xué)者對(duì)基于全球定位系統(tǒng)（global navigation satellite system，GNSS）的列車定位方法進(jìn)行了研究［1-2］。由于列車運(yùn)行環(huán)境的復(fù)雜性，單純GNSS在某些特定場(chǎng)景下無法提供可靠的位置數(shù)據(jù)。應(yīng)答器為列車提供了單點(diǎn)定位的絕對(duì)位置，并根據(jù)速度傳感器、慣性傳感器（inertial measurement unit，IMU）扽推算出列車的相對(duì)位置。但是當(dāng)列車運(yùn)行在有遮擋、無衛(wèi)星信號(hào)的環(huán)境中，GNSS不可以提供可靠的位置信息；IMU測(cè)量的誤差會(huì)隨時(shí)間累加，長(zhǎng)時(shí)間的單純的使用IMU測(cè)量列車速度與位置會(huì)有很大的誤差［3］。由于速度傳感器的累計(jì)誤差和答應(yīng)器的鋪放密度等，依靠單一的傳感器難以實(shí)現(xiàn)精準(zhǔn)、連續(xù)的列車定位。多傳感器融合定位方法成為主要的研究方向［4-6］。

論文主要考慮在失去衛(wèi)星信號(hào)情況下來實(shí)現(xiàn)列車的精確定位，在當(dāng)前的大多數(shù)研究中?？紤]使用列車的速度傳感器以及應(yīng)答器的信息來確定列車的速度與位置信息，但是這兩種信息的獲取都有一定的限制。通常無法直接獲取速度傳感器的信息，而且相鄰應(yīng)答器之間還存在一定的距離，尤其對(duì)于既有的普速線路、重載專用線路等沒有應(yīng)答器的線路，在考慮列車出現(xiàn)故障的情況下，無法根據(jù)應(yīng)答器獲得列車的位置信息。論文考慮到這些背景條件下，利用既有車載設(shè)備采集列車的平順度信息作為參考模板，為解決兩次成功匹配定位期間的連續(xù)定位問題，提高數(shù)據(jù)估計(jì)精度介入慣性測(cè)量單元。因此，基于動(dòng)態(tài)時(shí)間規(guī)整（dynamic time warping，DTW）算法的不規(guī)則匹配可以為提供列車一個(gè)精確的絕對(duì)定位信息且沒有累積誤差，論文引入DTW算法的自適應(yīng)分塊匹配，為IMU分時(shí)提供校準(zhǔn)數(shù)據(jù)，最終實(shí)現(xiàn)列車的實(shí)時(shí)精準(zhǔn)定位。

1 數(shù)據(jù)預(yù)處理

論文采用慣導(dǎo)芯片采集列車的俯仰角-時(shí)間信息作為測(cè)試模板數(shù)據(jù)與高精度設(shè)備采集的同一條線路的俯仰角-時(shí)間的參考模板數(shù)據(jù)進(jìn)行匹配，在數(shù)據(jù)進(jìn)行匹配之前需要對(duì)數(shù)據(jù)進(jìn)行預(yù)處理。由于傳感器本身以及測(cè)量過程都存在噪聲影響會(huì)導(dǎo)致測(cè)量結(jié)果有一定的偏差，并且測(cè)量過程中列車的震動(dòng)以及運(yùn)行環(huán)境的影響也會(huì)對(duì)采集的數(shù)據(jù)有一定的影響，因此，需要對(duì)采集的數(shù)據(jù)先進(jìn)行數(shù)據(jù)濾波。常用的濾波方法有卡爾曼濾波（Kalman filtering，KF），擴(kuò)展卡爾曼濾波（extended Kalman filter，EKF）和無跡卡爾曼濾波（unscented Kalman filter，UKF）等［7］。本文采用卡爾曼濾波的算法對(duì)采集的列車不平順度信息進(jìn)行濾波處理。具體的濾波方式如下：

通過陀螺儀可以得到列車的俯仰角信息以及角速度信息，根據(jù)俯仰角以及陀螺儀角速度的關(guān)系建立模型。

系統(tǒng)狀態(tài)方程：

系統(tǒng)觀測(cè)方程：

式（1）—（2）中：X(k)為k時(shí)刻的目標(biāo)狀態(tài)估計(jì)值，X(k)的狀態(tài)向量是俯仰角的角度θ和俯仰角的偏差σ，即X(k)=[θσ]T；u(k)為k時(shí)刻的陀螺儀的角速度；Z(k)為觀測(cè)k時(shí)刻的跟蹤目標(biāo)的量測(cè)值；A為狀態(tài)轉(zhuǎn)移矩陣，B為輸入轉(zhuǎn)換為狀態(tài)的矩陣；H為觀測(cè)矩陣；W(K)為過程噪聲矩陣；V(k)為系統(tǒng)觀測(cè)噪聲；Q為過程噪聲協(xié)方差矩陣，R為觀測(cè)噪聲協(xié)方差矩陣（理想情況下過程噪聲協(xié)方差與觀測(cè)噪聲協(xié)方差均被視為均值為0的高斯白噪聲）。

由運(yùn)動(dòng)模型可知：

式中：Δt為采樣時(shí)間間隔?？柭鼮V波包括兩個(gè)階段：預(yù)測(cè)階段和更新階段，在預(yù)測(cè)階段，卡爾曼濾波器通過使用上一狀態(tài)的估計(jì)，對(duì)當(dāng)前狀態(tài)進(jìn)行估計(jì)。在更新階段，濾波器通過預(yù)測(cè)出的狀態(tài)值，對(duì)系統(tǒng)進(jìn)行更新［8］。

式中：K(k)為卡爾曼濾波增益。

2 基于DTW的不規(guī)則匹配

通過使用高精度測(cè)量工具，例如激光雷達(dá)［9］，或?qū)嶋H鐵路現(xiàn)場(chǎng)建設(shè)過程中的線路數(shù)據(jù)信息，可以獲取列車線路的不平順數(shù)據(jù)。根據(jù)測(cè)量的線路平順度與距離關(guān)系作為基本指標(biāo)，可以用來計(jì)算列車位置估計(jì)，如圖1所示。

圖1 俯仰角序列與距離的數(shù)據(jù)圖Fig.1 Data map for pitch angel sequence versus distance

需要注意的是，即使使用高精度傳感器來獲取原始值，列車在同一條線路上運(yùn)行，由于列車運(yùn)行在不同環(huán)境與不同場(chǎng)景下運(yùn)行，也會(huì)存在誤差。

時(shí)間序列是一種非常常見的數(shù)據(jù)存在方式，在大多數(shù)數(shù)據(jù)挖掘工作中，計(jì)算時(shí)間序列之間的相似度是一個(gè)經(jīng)常遇到的任務(wù)。但在現(xiàn)實(shí)中，用于相似度計(jì)算的時(shí)間序列往往在時(shí)間軸上有大致的相似性，但具體的對(duì)應(yīng)關(guān)系是不可知的。

如圖2所示，采集列車運(yùn)行數(shù)據(jù)的時(shí)候是按時(shí)間順序進(jìn)行收集的，時(shí)間序列是一種非常常見的數(shù)據(jù)存在方式，尤其對(duì)于列車運(yùn)行過程列車的不平順度信息對(duì)應(yīng)與列車運(yùn)行時(shí)分。在大多數(shù)數(shù)據(jù)挖掘工作中，計(jì)算時(shí)間序列之間的相似度是一個(gè)經(jīng)常遇到的任務(wù)。但在現(xiàn)實(shí)中，用于相似度計(jì)算的時(shí)間序列往往在時(shí)間軸上有大致的相似性，但具體的對(duì)應(yīng)關(guān)系是未知的。如果采用傳統(tǒng)的歐幾里德距離進(jìn)行計(jì)算，則不會(huì)考慮時(shí)間上的動(dòng)態(tài)變化，這顯然會(huì)造成很大的誤差［10］。

圖2 俯仰角序列與時(shí)間圖Fig.2 Pitch angel sequence versus time

基于上述問題的考慮，單純的根據(jù)時(shí)間進(jìn)行單點(diǎn)對(duì)單點(diǎn)的匹配是滿足不了實(shí)際情況，使用DTW（動(dòng)態(tài)時(shí)間規(guī)整）算法可以滿足單點(diǎn)對(duì)多點(diǎn)或者多點(diǎn)對(duì)單點(diǎn)匹配。DTW算法是一種動(dòng)態(tài)規(guī)劃算法，計(jì)算兩個(gè)時(shí)間序列的相似度，尤其是不同長(zhǎng)度的序列［11-12］，可以對(duì)序列的延展以及壓縮具有較好的適應(yīng)性。主要用于時(shí)間序列數(shù)據(jù)，如識(shí)別、數(shù)據(jù)挖掘、信息檢索等。

假設(shè)兩個(gè)時(shí)間序列Q與C，他們的長(zhǎng)度分別為n與m，兩個(gè)序列如等式（10）所示：

當(dāng)m=n時(shí)，兩個(gè)時(shí)間序列長(zhǎng)度相等，不需要對(duì)兩個(gè)數(shù)據(jù)進(jìn)行縮放直接對(duì)齊匹配。在m≠n，兩個(gè)時(shí)間序列長(zhǎng)度不相等的情況下，就需要采取動(dòng)態(tài)規(guī)劃（DP）的方法［13］。為了對(duì)齊序列Q與C，就需要構(gòu)造一個(gè)矩陣網(wǎng)格。如圖3所示，矩陣網(wǎng)格中元素w(i，j)表示qi和cj兩個(gè)點(diǎn)的歐式距離d(qi，cj)=(qi-cj)2。DP算法可以歸結(jié)為尋找一條通過此網(wǎng)格中若干格點(diǎn)的路徑，尋求兩個(gè)序列的最優(yōu)匹配結(jié)果就是尋找該網(wǎng)格圖中一條最優(yōu)路徑。

圖3 矩陣網(wǎng)格圖Fig.3 Matrix grid

為了對(duì)齊兩個(gè)時(shí)間序列，尋求最優(yōu)匹配路徑，需要對(duì)尋求路徑施加一定的限制條件。條件如下：

（1）邊界條件：路徑必須從網(wǎng)格的左上角w(1，1)開始，從網(wǎng)格的右下角結(jié)束w(m，n)結(jié)束；

（2）連續(xù)性：w(i，j)的下一個(gè)連接點(diǎn)必須是w(i-1，j)，w(i，j-1)和w(i-1，j-1)三個(gè)點(diǎn)中一個(gè)，不能跳過這三個(gè)點(diǎn)直接與其他點(diǎn)連接；

（3）單調(diào)性：w(i，j)必須根據(jù)時(shí)間序列單調(diào)前進(jìn)。

結(jié)合上述條件，可以得到規(guī)整代價(jià)最小的路徑如下：

其中，分母中的K主要是用來對(duì)不同的長(zhǎng)度的規(guī)整路徑做補(bǔ)償。從w(1，1)點(diǎn)開始對(duì)這兩個(gè)序列Q與C開始匹配，每到一個(gè)點(diǎn)之前的所有的點(diǎn)計(jì)算的距離都累加，最終到達(dá)終點(diǎn)w(m，n)［14-15］可以得到一個(gè)總的累計(jì)距離，這就是序列Q與C的相似度。累計(jì)距離公式如下所示：

D（Q，C）是從w(1，1)點(diǎn)開始到w(i，j)的路徑累計(jì)距離。

對(duì)序列Q與C的相似度進(jìn)行分析，設(shè)定相似度閾值，通過與設(shè)置閾值比較來判定這兩個(gè)序列是否匹配。

在對(duì)采集的數(shù)據(jù)進(jìn)行濾波處理后，對(duì)采集的參考模板數(shù)據(jù)以及測(cè)試模板數(shù)據(jù)用DTW算法進(jìn)行匹配，最終可以根據(jù)DTW計(jì)算得出最優(yōu)匹配結(jié)果，并且根據(jù)參考數(shù)據(jù)的俯仰角-距離關(guān)系可以得到列車的位置-時(shí)間關(guān)系，列車車速-時(shí)間關(guān)系從而得到匹配的測(cè)試模板俯仰角所對(duì)應(yīng)的列車速度和公里標(biāo)信息?；贒TW方法，運(yùn)行距離與時(shí)間、距離與時(shí)間的關(guān)系分別如圖4、圖5所示。

圖4 車輛行駛距離與時(shí)間圖Fig.4 Vehicle running distance versus time

圖5 車速與時(shí)間Fig.5 Vehicle speed versus time

3 IMU/DWT融合

列車運(yùn)行的環(huán)境復(fù)雜多變，在很多情況下列車運(yùn)行在無衛(wèi)星信號(hào)，如何獲取列車的運(yùn)行的位置與速度是至關(guān)重要的。在國內(nèi)外研究中，常常使用慣性導(dǎo)航系統(tǒng)對(duì)列車進(jìn)行推算定位。

慣性導(dǎo)航系統(tǒng)最主要的部分是慣性測(cè)量單元（IMU），主要用來檢測(cè)和測(cè)量加速度與旋轉(zhuǎn)運(yùn)動(dòng)的傳感器，其原理是采用慣性定律實(shí)現(xiàn)的。最基礎(chǔ)的慣性傳感器包括加速度計(jì)和角速度計(jì)（陀螺儀），他們是慣性系統(tǒng)的核心部件。論文采用的IMU是由三個(gè)加速度計(jì)和角速度計(jì)（陀螺儀）構(gòu)成，加速度計(jì)檢測(cè)物體在載體坐標(biāo)系統(tǒng)獨(dú)立三軸的加速度信號(hào)，而陀螺儀檢測(cè)載體相對(duì)于導(dǎo)航坐標(biāo)系的角速度信號(hào)，測(cè)量物體在三維空間中的角速度和加速度，并以此解算出物體的姿態(tài)。慣性導(dǎo)航系統(tǒng)通過安裝在運(yùn)載體的IMU中的陀螺儀與加速度計(jì)測(cè)量數(shù)據(jù)，可以確定運(yùn)載體在慣性參考坐標(biāo)系中的運(yùn)動(dòng)，同時(shí)也能夠計(jì)算出運(yùn)載體在慣性參考坐標(biāo)系中的位置［16］。

IMU由于制作工藝的原因，慣性傳感器測(cè)量的數(shù)據(jù)通常都會(huì)有一定誤差。主要有加速度計(jì)與陀螺儀的漂移誤差，就是在載體靜止?fàn)顟B(tài)下傳感器有非零的輸出。要想得到位移數(shù)據(jù)，需要對(duì)加速度計(jì)的輸出進(jìn)行兩次積分。在兩次積分后，即使很小的偏移誤差會(huì)被放大，隨著時(shí)間推進(jìn)，位移誤差會(huì)不斷積累，最終導(dǎo)致沒法再跟蹤物體的位置。因此單純的使用慣性導(dǎo)航系統(tǒng)不可以對(duì)列車進(jìn)行定位。因此慣性導(dǎo)航常常與全球定位系統(tǒng)結(jié)合使用，通過全球定位系統(tǒng)在有衛(wèi)星情況下接收的數(shù)據(jù)對(duì)下一次慣性導(dǎo)航系統(tǒng)進(jìn)行一次數(shù)據(jù)校準(zhǔn)。那如何在無衛(wèi)星信號(hào)的情況怎么對(duì)慣性導(dǎo)航系統(tǒng)進(jìn)行數(shù)據(jù)校準(zhǔn)對(duì)提高定位精度是至關(guān)重要的。論文采用分塊DTW匹配的方法對(duì)列車無衛(wèi)星信號(hào)的情況下對(duì)列車實(shí)時(shí)運(yùn)行數(shù)據(jù)進(jìn)行周期校準(zhǔn)。

分塊DTW算法就是對(duì)DTW算法的參考模板進(jìn)行分塊處理，如圖6所示對(duì)參考模板的數(shù)據(jù)按照數(shù)據(jù)或者數(shù)據(jù)時(shí)間進(jìn)行分塊，設(shè)定一個(gè)閾值，對(duì)實(shí)時(shí)采集的測(cè)試數(shù)據(jù)按照更小塊的數(shù)據(jù)與參考模板分塊后的數(shù)據(jù)進(jìn)行DTW匹配。

圖6 分塊匹配網(wǎng)格示意圖Fig.6 Schematic diagram of block matching grid

分塊匹配的過程可以對(duì)實(shí)時(shí)運(yùn)行的列車提供當(dāng)前的列車的線路的大概定位，匹配的結(jié)果可為實(shí)時(shí)列車提供一個(gè)準(zhǔn)確的位置，這可以作為一個(gè)IMU的校準(zhǔn)數(shù)據(jù)。通過調(diào)節(jié)分塊的大小與設(shè)置閾值可提高定位精度。論文通過DTW不規(guī)則匹配獲取列車運(yùn)行數(shù)據(jù)與IMU采集列車實(shí)時(shí)運(yùn)行數(shù)據(jù)融合可實(shí)現(xiàn)

從軌跡匹配圖的結(jié)果可以看出動(dòng)態(tài)時(shí)間歸整算法在參考模板與測(cè)試模板匹配上有很好的結(jié)果。通過最優(yōu)匹配路徑可以得到參考模板與測(cè)試模板的對(duì)應(yīng)關(guān)系，根據(jù)不規(guī)則的數(shù)字地圖可以得到離線狀態(tài)下列車運(yùn)行的速度，位置信息。

在很多情況下需要對(duì)列車的實(shí)時(shí)運(yùn)行信息進(jìn)行分析。這種情況下怎么實(shí)時(shí)獲取列車變得至關(guān)重要。對(duì)于需要實(shí)時(shí)獲取列車運(yùn)行數(shù)據(jù)信息的情況，論文采用INS（慣性導(dǎo)航系統(tǒng)）與DTW算法相結(jié)合實(shí)現(xiàn)列車無信號(hào)情況下的實(shí)時(shí)定位。其中需要對(duì)列車更加精準(zhǔn)的實(shí)時(shí)定位。

4 案例分析

利用動(dòng)態(tài)時(shí)間歸整算法對(duì)列車同一條線路的平順度-時(shí)間信息進(jìn)行匹配。用高精度的設(shè)備采集線路的平順度信息作為線路參考模板，再次測(cè)量該線路平順度信息作為測(cè)試模板。把參考模板與測(cè)試模板作為兩個(gè)序列（Q和C），為了對(duì)齊這兩個(gè)序列，需要構(gòu)造一個(gè)n×m的矩陣網(wǎng)格，矩陣元素(i，j)表示qi和cj兩個(gè)點(diǎn)的距離d(qi，cj)（也就是序列Q的每一個(gè)點(diǎn)和C的每一個(gè)點(diǎn)之間的相似度，距離越小則相似度越高，d(qi，cj)越小相識(shí)度越高）。

在進(jìn)行匹配之前，需要對(duì)列車的平順度信息進(jìn)行標(biāo)準(zhǔn)化處理后再進(jìn)行數(shù)據(jù)分析。數(shù)據(jù)標(biāo)準(zhǔn)化處理的主要原因是不同評(píng)價(jià)指標(biāo)往往具有不同的量綱和量綱單位，這樣的情況會(huì)影響到數(shù)據(jù)分析的結(jié)果，為了消除指標(biāo)之間的量綱影響，需要進(jìn)行數(shù)據(jù)標(biāo)準(zhǔn)化處理，以解決數(shù)據(jù)指標(biāo)之間的可比性。原始數(shù)據(jù)經(jīng)過數(shù)據(jù)標(biāo)準(zhǔn)化處理后，各指標(biāo)處于同一數(shù)量級(jí)，適合進(jìn)行綜合對(duì)比評(píng)價(jià)。論文采用最大-最小標(biāo)準(zhǔn)化對(duì)列車平順度信息進(jìn)行歸一化處理。將一個(gè)原始值X通過最大-最小標(biāo)準(zhǔn)化映射到區(qū)間［0，1］的值Xnorm，如式（13）所示：

式中：Xmin與Xmax為原始值中最小與最大值；Xnorm為原始值X進(jìn)行歸一化處理后的結(jié)果。每一個(gè)矩陣元素(i，j)表示點(diǎn)qi和cj的對(duì)齊。采用DP（動(dòng)態(tài)規(guī)劃）算法來尋找一條通過此網(wǎng)格中若干格點(diǎn)的路徑，路徑通過的格點(diǎn)即為兩個(gè)序列進(jìn)行計(jì)算的對(duì)齊的點(diǎn)。根據(jù)歐式距離公式和限制約束條件，可以得到一個(gè)最優(yōu)的規(guī)整路徑，如圖7、圖8所示。

圖7 最優(yōu)匹配路徑圖Fig.7 Optimal integration path

圖8 路徑匹配結(jié)果Fig.8 Matching result

DTW算法的參考模板進(jìn)行分塊處理（對(duì)參考模板進(jìn)行均勻二分，四分與八分等）。根據(jù)設(shè)置最優(yōu)匹配路線d(m，n)的閥值，對(duì)列車實(shí)時(shí)數(shù)據(jù)作為測(cè)試模板與當(dāng)前的分塊的參考模板進(jìn)行匹配，最終得到的最優(yōu)匹配路徑可以得到目前列車處于的線路段信息，根據(jù)最優(yōu)匹配結(jié)果得到目前列車的位置信息。圖9—12是對(duì)參考模板進(jìn)行二分與四分的最優(yōu)路徑圖以及匹配結(jié)果圖。根據(jù)分塊的多少調(diào)節(jié)閥值，可以得到最優(yōu)的匹配結(jié)果。模板分塊劃分也有自己的局限，不能劃分的過多，過多可能匹配結(jié)果出錯(cuò)。

圖9 二均分最優(yōu)匹配路徑Fig.9 Even division of the optimal matching path

根據(jù)分塊匹配的結(jié)果，得到列車位置。通過參考模板的俯仰角-公里標(biāo)與俯仰角-時(shí)間關(guān)系可以得到測(cè)試列車的時(shí)間-速度與時(shí)間-公里標(biāo)關(guān)系。根據(jù)匹配結(jié)果得到的列車運(yùn)行數(shù)據(jù)作為IMU的校準(zhǔn)數(shù)據(jù)實(shí)現(xiàn)更加精準(zhǔn)的列車定位，具體過程本文不做贅述。

5 結(jié)論

利用慣性導(dǎo)航芯片采集到列車線路的平順度信息，基于DTW的不規(guī)則匹配可以為列車提供為一個(gè)粗略的實(shí)時(shí)定位且沒有累積誤差。通過參考模板建立的不規(guī)則地圖以及參考模板的時(shí)間-速度與時(shí)間-公里標(biāo)關(guān)系，可以為離線的測(cè)試列車提供位置與速度信息。為了實(shí)現(xiàn)列車的實(shí)時(shí)定位，使DTW的不規(guī)則匹配與IMU結(jié)合，結(jié)合DTW無累計(jì)誤差的優(yōu)點(diǎn)為IMU提供誤差修正使列車運(yùn)行數(shù)據(jù)有更好的估計(jì)精度。

圖10 二均分匹配結(jié)果圖Fig.10 Matching results of even division

圖11 四均分最優(yōu)匹配路徑Fig.11 Quartile optimal matching path

圖12 四均分匹配結(jié)果圖Fig.12 Quartile matching result

作者貢獻(xiàn)聲明：

宋海鋒：DTW算法設(shè)計(jì)、論文框架與修改。

張敏杰：算法仿真與實(shí)現(xiàn)，論文寫作。

曾小清：數(shù)據(jù)采集、算法驗(yàn)證。

應(yīng)沛然：數(shù)據(jù)采集，數(shù)據(jù)處理。

何喬：算法測(cè)試、論文排版。

馮棟梁：論文閱讀、校對(duì)與編輯。