基于仿脑模型和群智感知的室内定位方法研究

The state-of-the-art indoor localization methods are applied in a limited area with specific infrastructure, signal environments, or devices. In order to realize a robust and non-constrain indoor localization in large-scale space, inspired by the navigation mechanism of mammal brain, we propose a brain-like and crowdsensing-based indoor localization approach. This approach targets on smartphones and main research objective in this project is to design a brain-like navigation model where Grid cells and Place cells are used for organizing the spatial information and signal map, self-motion and path integration are applied for achieving the final navigation solution.

目前室内定位方法均局限在特定的小块区域，依赖特定的基础设施、信号环境或设备。为实现大范围、无约束、鲁棒的室内定位，受哺乳动物导航机制启发，本项目提出基于仿脑模型和群智感知的室内定位方法。该方法面向移动智能终端，借鉴大脑通过“网格细胞”和“位置细胞”组织空间信息的方式，利用自身运动感知和复杂路径整合进行导航的方法，建立仿脑导航模型；设计仿脑信号地图，提出基于群智感知定位与测图算法，实现高精度定位与信号地图获取。

目前室内定位方法均局限在特定的小块区域，依赖特定的基础设施、信号环境或设备。为实现大范围、无约束、鲁棒的室内定位，受哺乳动物导航机制启发，本项目提出基于仿脑模型和群智感知的室内定位方法。该方法面向移动智能终端，借鉴大脑通过“网格细胞”和“位置细胞”组织空间信息的方式，利用自身运动感知和复杂路径整合进行导航的方法，建立仿脑导航模型；设计仿脑信号地图，提出基于群智感知定位与测图算法，实现高精度定位与信号地图获取。 .项目主要成果如下：.(1)初步建立了仿脑导航模型，通过吸引子网络和基于兴奋抑制机制的活跃簇，实现了本体运动、信号地图、路径整合的集成。为仿脑行人导航的深入研究奠定了基础。.(2)围绕自然状态下本体运动中的航向估计问题，提出了简化椭球模型快速磁校准算法。在三维空间中绕智能终端任意两个轴旋转两周，然后通过使用奇异值分解和平方根法求解椭球方程未知数。实验结果表明，校准后的磁场方差降低94.08%，而传统的六位置校准法和“8”字校准法降低分别为91.73 % 和49.83 %。校准收敛时间为2-4秒，而传统方法需要至少10秒。此外，项目提出在智能终端不同携带方式下，利用行人行进方向产生加速度在地球坐标系水平面的投影，计算行进方向与北向夹角的方法，避免了传统航向估计中对行人手机姿态的约束。.(3)针对信号地图的建模，提出了群智感知信号地图生成与更新方法。通过信号空间相似性及环境中的方向变化显著区域的空间特性，挖掘出“位置细胞”，利用这些“位置细胞”和GraphSLAM算法，收敛出较为准确的用户轨迹。经北京新世界商场8000平米3人4天贡献的2431条数据进行了验证，精度已经超过了单次Supervised Learning信号地图。提出了指纹置信模型，实验结果表明经过8次信号地图指纹的迭代更新，定位的平均误差从4.10 米降低到1.88 米。针对不同移动终端WiFi信号的差异性，利用Rank based feature进行模式识别。通过16种不同型号的设备在上海美罗城88家店铺的实际测试，最终准确识别店铺的精度达到了90%以上。.