移動機器人室內(nèi)定位技術(shù)綜述
點擊上方“小白學(xué)視覺”，選擇加"星標"或“置頂”
重磅干貨，第一時間送達
重磅干貨，第一時間送達
對于移動機器人，定位技術(shù)是保證移動機器人軌跡/運動作業(yè)的前提技術(shù)，特別是跟蹤作業(yè)的基礎(chǔ)。
與自動駕駛車輛定位不同，小型移動機器人更需要的是定位精度。根據(jù)作業(yè)環(huán)境，小型移動機器人定位技術(shù)可以視為室內(nèi)定位系統(tǒng)（Indoor Location System, ILS）。小型移動機器人定位技術(shù)不同于機械加工領(lǐng)域的定位技術(shù)，從關(guān)鍵詞上可以明顯區(qū)別“Location/Localization”與“Position/Positioning”。Localization 指的是機器人在作業(yè)空間內(nèi)的自身的位置關(guān)系問題，position 是會指向更精密的點問題。
本文的主要內(nèi)容包括：室內(nèi)定位測量原理（物理屬性）[1]，室內(nèi)定位技術(shù)，定位模型方法，定位算法，定位系統(tǒng)評價因子，基于慣導(dǎo)的定位系統(tǒng)，基于無線電網(wǎng)絡(luò)的定位技術(shù)，集群定位算法。
室內(nèi)定位測量原理
無線電頻譜與電磁波
采指紋基定位方法
鄰近技術(shù)
貝葉斯統(tǒng)計匹配
極大似然估計
關(guān)聯(lián)判決（Correlation discriminant kernel selection）
神經(jīng)網(wǎng)絡(luò)
非采指紋基定位方法
幾何學(xué)
電視信號
胞元網(wǎng)絡(luò)（智能手機）
移動相機系統(tǒng)
固定相機系統(tǒng)
（2）圖像分析與特征點標記（二維碼定位）
此外，還有聲波、機械能（慣性/接觸）、地球磁場、大氣壓。
無線電室內(nèi)定位系統(tǒng)分類[2]
室內(nèi)定位技術(shù)
室內(nèi)定位服務(wù)系統(tǒng)Indoor Location Based Services (ILBS)可以簡單地分為三類[3]：
1、網(wǎng)絡(luò)系統(tǒng)：基于無線網(wǎng)絡(luò)
2、慣性系統(tǒng)：機載慣導(dǎo)系統(tǒng)預(yù)估定位
3、混合系統(tǒng)：融合無線網(wǎng)絡(luò)與慣性系統(tǒng)的混合系統(tǒng)
RSS-IMU 混合系統(tǒng)
基于地圖的混合系統(tǒng)
基于智能手機的混合系統(tǒng)
室內(nèi)定位模擬方法分類
1、angle of arrival(AoA) 技術(shù)：根據(jù)到達信號角度
2、time of arrival(ToA) 技術(shù)：根據(jù)到達信號時間（類似雷達測距）
3、fingerprinting 技術(shù)，即特征技術(shù)
室內(nèi)定位模擬算法
1、三角定位（Triangulation），需要借助固定基站或者已知基站位置信息，GPS等無線網(wǎng)絡(luò)定位法。
2、鄰近（Proximity）， 使用具有有限的感知范圍和分析能力的傳感器，RFID。
3、場景分析（Scene analysis），利用場景畫面中的特征完成定位分析，點云和3D重構(gòu)技術(shù)，機器視覺。
4、航位推算（Dead reckoning），基于先驗信息推算出運動軌跡，慣導(dǎo)、捷聯(lián)慣導(dǎo)。
定位算法
按照文獻[5]，基于靜態(tài)傳感器節(jié)點的定位技術(shù)廣泛應(yīng)用于移動機器人跟蹤功能，定位算法可總結(jié)為：
1、范圍基定位（Range-based localization）
time-of-arrival (TOA) – based 定位. 聯(lián)合最小二乘估計 the Least-Square Estimate
time-difference-of-arrival (TDOA) – based 定位. 協(xié)同定位
Angle-of-arrival (AOA) – based 定位.
received signal strength (RSS) – based 定位，聯(lián)合最大似然估計Maximum likelihood estimate
MDS Based 定位，聯(lián)合奇異值分解 Singular Value Decomposition (SVD)
Channel Impulse Response Based fingerprinting 定位
2、無范圍基定位（Range-free localization）
Approximate Point in Triangle Test (APIT)
Centroid-based 定位
Monte-Carlo 定位
DV-Hop based 定位
Closer point based 定位
Based Coordinates (ABC) localization method
定位計算補償方法Implementation methods
1、機器學(xué)習(xí)方法 Machine Learning Based Methods：
least square support vector machine and Gaussian processes ,Semi-supervised Laplacian regularized least squares method and HMM based RSS-EKF (Extended Kalman Filter) method using RSS
2、集中和分布式方法Centralized and Distributed Methods
3、多傳感器數(shù)據(jù)融合方法Multi-Sensor Data Fusion Methods
4、采指紋方法Fingerprinting Based Methods
跟蹤算法分類（Broad classification of tracking methods）：
1、聚類跟蹤算法 Cluster-based tracking methods, dynamic clustering algorithm for target tracking
2、預(yù)測跟蹤算法 Prediction-based tracking methods
3、樹基跟蹤算法 Tree-based tracking methods
4、主動跟蹤算法 Activation-based tracking method
5、Mobicast基跟蹤算法 Mobicast-based tracking method
室內(nèi)定位方法評價
1、精度與誤差
2、環(huán)境適應(yīng)性。場景對定位系統(tǒng)測量精度影響，一個高性能框架能夠避免對重復(fù)定位差異
3、消耗：帶寬、壽命、能耗、權(quán)重與額外設(shè)備
4、基站數(shù)量
基于慣導(dǎo)的定位系統(tǒng)
慣性導(dǎo)航與定位技術(shù)可以分為兩類：
捷聯(lián)慣導(dǎo)系統(tǒng)Strapdown systems: 采用兩次積分預(yù)測運動
步進與航向系統(tǒng)Step and Heading Systems (SHS): 通過表示步進長度與航向的慣性定位向量預(yù)測位置
參考下圖，慣導(dǎo)定位系統(tǒng)通過二次積分獲得定位信息[6]
一個經(jīng)典的具有定位功能的移動機器人控制系統(tǒng)架構(gòu)如下圖所示，該系統(tǒng)通過無線電、里程計以及慣性測量單元實現(xiàn)自定位功能[7]。
微型慣性測量單元，包括陀螺儀、加速度計、磁偏角計、溫度和氣壓等功能，通過物理模型和誤差模型推算。
擴展卡爾曼濾波算法EKF與粒子濾波器是移動機器人群體定位中最為廣泛，尤其在RoboCup等機器人大賽[7]。
基于無線電定位系統(tǒng)
最流行的室內(nèi)無線電點位技術(shù)方法為RSSI定位算法，是采用AP終端設(shè)備組件的網(wǎng)絡(luò)，通過檢測信號功率推算距離，再利用定位模型獲取定位信息，最常見的終端是ZigBee。
參考[8]
基于ZigBee組件的微型定位系統(tǒng)
集群定位系統(tǒng)
參考文獻[9][10]，集群類機器人定位技術(shù)，不僅可以依靠靜態(tài)基站進行定位，還可以利用機器人之間無線電終端輔助其它終端進行定位。
算法1 [9]
因為集群定位存在很大的噪聲干擾，因此需要對采集到的信息進行去噪處理，或者提高系統(tǒng)抗干擾能力，采用統(tǒng)計算法提高定位系統(tǒng)精度。如在文獻[10]，采用了卡爾曼濾波器對定位優(yōu)化。
文獻[10]-算法1
文獻[10]-算法2
文獻[10]-算法3
總結(jié)
本文大部分內(nèi)容是根據(jù)綜述文章對現(xiàn)用的室內(nèi)定位進行總結(jié)，考慮到微型運動機器人的工程成本以及計算力，本文所討論的室內(nèi)定位技術(shù)并不是應(yīng)用于自動駕駛的SLAM和VSLAM技術(shù)。
同時，本文提到了定位跟蹤技術(shù)，在尋跡控制中個人傾向采用視覺方向。對于粗精度的定位系統(tǒng)，可以采用基于ZigBee的RSSI定位系統(tǒng)，此外可以融合IMU單元提高系統(tǒng)定位精度。
參考文獻：
[1] Torres-Solis, J., H., T., and Chau, T., 2010, “A Review of Indoor Localization Technologies: Towards Navigational Assistance for Topographical Disorientation,” Ambient Intelligence, F.J. Villanueva Molina, ed., InTech.
[2] Kivim?ki, T., Vuorela, T., Peltola, P., and Vanhala, J., 2014, “A Review on Device-Free Passive Indoor Positioning Methods,” International Journal of Smart Home, 8(1), pp. 71–94.
[3] Alejandro Correa, Marc Barcelo, Antoni Morell, and Jose Vicario, 2017, “A Review of Pedestrian Indoor Positioning Systems for Mass Market Applications,” Sensors, 17(8), p. 1927.
[4] Mrindoko, N. R., and Minga, D. L. M., 2016, “A Comparison Review of Indoor Positioning Techniques,” 21(1), p. 9.
[5] Kumar, S., and Hegde, R. M., “A Review of Localization and Tracking Algorithms in Wireless Sensor Networks,” p. 12.
[6] Lv, W., Kang, Y., and Qin, J., 2019, “Indoor Localization for Skid-Steering Mobile Robot by Fusing Encoder, Gyroscope, and Magnetometer,” IEEE Transactions on Systems, Man, and Cybernetics: Systems, 49(6), pp. 1241–1253.
[7] Li, D., Chen, Q., and Zeng, Z., 2018, “Self-Localization Algorithm of Mobile Robot Based on Unscented Particle Filter,” 2018 37th Chinese Control Conference (CCC), IEEE, Wuhan, pp. 5459–5464.
[8] Hernández, N., Alonso, J. M., and Oca?a, M., 2017, “Fuzzy Classifier Ensembles for Hierarchical WiFi-Based Semantic Indoor Localization,” Expert Systems with Applications, 90, pp. 394–404.
[9] Safavi, S., and Khan, U. A., 2017, “An Opportunistic Linear–Convex Algorithm for Localization in Mobile Robot Networks,” IEEE Transactions on Robotics, 33(4), pp. 875–888.
[10] Sun, Q., Tian, Y., and Diao, M., 2018, “Cooperative Localization Algorithm Based on Hybrid Topology Architecture for Multiple Mobile Robot System,” IEEE Internet of Things Journal, 5(6), pp. 4753–4763.
文章轉(zhuǎn)載于“知乎作者RobotStudent的《移動機器人室內(nèi)定位技術(shù)綜述：筆記1》一文”。