引言介绍
对于现代化博物馆数字导览，参观者可以使用手机查看2D(3D)地图，通过点击或输入目的地或目标展品，就可以进行全程语音导航，为游览人员提供简捷方便的智能化服务。有别于室外导航定位技术(如谷歌地图、开放街道地图等[1])，室内导航相对来说落后很多。其原因在于室内导航缺乏可靠的定位与准确的室内地图。首先，相关研究[2][3]已经成功地建立了使用WiFi信号在室内定位智能手机的方法，但误差相对较大(约3-5米)；其次，完备的室内地图在实际环境中不存在。博物馆陈列的展品会由于增添，搬移而发生较大变动，但室内地图的重绘会耗费时间与人力，而且微小的变化会累积干扰智能导览带给游客的服务效果。
图1：概述
在本文中，我们基于深度学习研究的最新趋势，结合领域知识和神经网络来解决特定领域的问题，开发了一个自动化地图平台——MapTracker。MapTracker配备了激光雷达和里程表，可以利用SLAM(同步定位和制图)以最少的人力创建室内地图。另外，我们在MapTracker上部署了一个WiFi设备，自动生成标注数据用于训练DLoc(利用现有的室内定位研究与神经网络相结合来提供最先进的室内定位性能)。我们的系统设计概述如图1。
由上可知，如果能够获取反射器的确切尺寸、形状和位置，游客所携带智能手机的准确位置将被计算识别，即使视线路径被阻挡或有多个反射器存在时，精确的环境模型也能够实现精确定位。然而，从无线信号测量中感知环境信息极具挑战性。主要原因在于当无线电信号与环境中的物体相互作用时，经历了衍射、反射和折射的复杂组合。对无线信号测量的这些传输效应进行综合建模，并使用这些测量结果来构建环境的显式模型是一个困难的问题。本文基于神经网络，借助已有工作Dloc算法，试图解决上述挑战。首先，通过Dloc训练神经网络，建立环境的隐式模型；其次，通过观察环境如何影响无线信号和地面真实位置之间的关系，使神经网络学习这种关系的隐式表示；最后，用隐式表示表示来识别未标记点的位置.
MapTracker是第一个自主机器人，它使用SLAM技术提供无线信道状态信息和物理空间的地图。不仅为无线信道状态信息提供地面真实标签，还为基于地图的导航生成了详细的地图。
信道状态定位方法DLoc
系统分两个阶段运行:映射阶段和本地化阶段。在映射阶段，配备有收集无线信道信息的WiFi设备的MapTracker机器人在空间中执行自主行走，以绘制环境地图。同时，MapTracker上的无线设备收集从环境中所有接入点听到的无线数据包的CSI。在行走结束时，平台会生成一张环境地图和一份在不同位置收集的CSI数据记录（标有平台报告的地面真实位置）。
DLoc使用MapTracker生成的CSI数据来训练深度学习模型。此模型一旦训练，用户不但可以使用无线网络设备(如手机)定位自己，还可以通过呼叫中央服务器来访问建筑物的地图。
偏移消除:首先分析一致性网络在消除飞行时间偏移方面的性能。DLoc网络的输入热图会存在偏移，尽管从峰值方向看起来准确，但是最大值的峰值与地面真实标签存在偏差。峰值沿正确方向的正确移动量将使接入点热图上的所有最大值在正确的用户位置重合。这正是本工作所希望的一致性网络学习的内容。为此，一致性解码器的损失可定义为:
其中，||·||2是L2损失，NAP是环境中的接入点数量，Tconsistency是偏移补偿图像。将本地化解码器的损失定义为:
这里，位置是目标输出（地面真实位置的高斯表示）。总损失函数是上述分配和一致性的综合。
多径分辨:除了飞行时间偏移消除，DLoc还应该能分辨多条路径，识别直接路径，在输入热图中可以看到两个清晰的最大值以及两个不同的角度。由位置解码器选择的位置估计朝向正确的角度，这表明网络可以学会从多条路径中解析出正确的路径。
带宽超分辨率:验证过程中已经用对应于80MHz带宽信号的目标热图训练了一致性解码器，而编码器的输入热图属于相同位置的40MHz带宽信号。这种训练方法应该使网络能够学习超分辨率，以更好地解决环境中的多条路径。在实验中可以观察到顶部的输入热图具有更宽范围的似然最大值，而除了飞行时间偏移去除之外的底部图像还显示了更近的可能性最大值。这证明了DLoc采用的训练程序有助于在用户的各种信号带宽上实现超分辨率和泛化能力。
MapTracker 设计
系统设计
MapTracker建立在SLAM(同时定位和绘图)共同体的广泛研究基础上，该共同体使用配备激光雷达、RGBD 摄像机、陀螺仪和里程计的自主机器人来导航环境。本文使用公开可用的RTAB地图SLAM框架[4]和制图员[5]来创建如图3(a)所示的准确的2D占用网格地图。
为了实现自主导航，MapTracker分两个阶段工作。第一阶段，在用户的帮助下，它导航环境，如图3 (c)所示。在这个阶段，SLAM的工作原理是从这些传感器中捕获数据，并将这些数据组合成准确的环境地图。接下来，在自主数据收集阶段，MapTracker使用该地图来匹配它以前见过的特征，以实时准确地定位自己。
图3 MapTracker运行阶段
除了从SLAM框架中获得位置信息，还需配备专用无线收发设备采集CSI，并用对应测量位置对采集的CSI值予以标注。此外，为了在采集设备和无线接入点之间保证时间同步，在数据开始收集时为每个接入点收集一个数据实例，作为时间戳，有利于将每个CSI测量与MapTracker提供的位置相关联。至此，MapTracker提供了自己所探索的空间的地图和环境的位置参考CSI数据。
路径规划算法
使用MapTracker为DLoc收集训练数据，通过这些数据的随机性和多样性来训练一个稳健的模型。无线信号采集设备需要在短时间内尽可能覆盖所有物理空间，即需要最大限度地增加训练数据的多样性，同时减少遍历空间的时间。为此，设计面向无线信号采集设备的路径规划算法。
首先，观察信道状态信息在其行为中表现出空间局部性。因此，对于设备收集数据的每个位置，定义一个半径为r的圆，该区域被定义为覆盖范围，在覆盖范围内采集设备不需要收集过多数据。为了在尽量短的时间内用这些圆覆盖大部分物理空间，即以最短的时间和最大的覆盖率遍历路径，这就需要优化路径长度上的覆盖率，这种优化覆盖路径规划问题是典型的NP-hard[6]。在求解过程中，为了逼近这个优化问题的解，需要随机地从一个均匀分布的空间中随机抽取样点。在MapTracker设计中假设将空间中的N个点作为基准点进行采样。
其次，观察并去掉位于不同维度空间误差在0.5米的障碍物，以避免碰撞，同时获得一组过滤后的N’集合，定义为。通常解决方案是迭代地对PF中的一个点进行采样，并绘制一条联通路径，同时从PF路基准点集合中移除遍历的点，直到用完PF中的所有N’点。但是，这种解决方案会导致非常长且弯曲的路径多次覆盖同一空间。因此，只选择通过离当前位置最近的d个路点的路径，而不是寻找通过所有N’路点的最优路径。但是，这会导致较长的弯曲路径，引发相同空间的重复覆盖。为了解决这一问题，采用递归搜索m个最近的点来优化覆盖率，为了保证递归搜索的计算可行性，设定在深度为d时截断递归。基于上述理论思想，建立了一个深度为d的m元树。该树的根在原点，节点是基准点的子集，边代表任意两个节点之间的物理路径。避障路径是使用概率路线图算法(PRM)生成。通过使用PRM生成的路径来定义覆盖率，并将其分配给这些节点之间的树边。
在计算了每个树边的覆盖率之后，选择了一个最大化覆盖率的树遍历，并确定物理路径。为了进一步减少空间的重新遍历，还需移除位于这个最优路径的RCSI的圆形邻域内的任何基准点。迭代地遵循上述算法，直到用尽所有的路点或达到一定的覆盖率阈值。m元树顺序生成的所有这些路径的连接，计算了覆盖率最大和计算复杂度最小的最优路径。地图查找遍历这个最佳路径，以提供空间上不同的位置标记的CSI数据。
系统部署与数据集
系统部署采用将Quantenna 提供的现成无线发射器安装到Turtlebot2 平台上来实现地图查找。在适当的高度安装了UTM-30LX激光雷达，以捕捉探测环境中的大部分障碍物。将阿斯特拉奥比克RGBD相机放置在激光雷达附近，并匹配它们的点云以实现精确配准。配备第8代英特尔酷睿i5-8250U移动处理器和8GB-RAM的笔记本电脑，可访问大量用于SLAM和导航的软件包。
在任何深度学习模型中，数据集的质量起着关键作用。本文在两个不同的空间中部署地图的查找，这两个空间总共占地500平方米，用来获取已标记无线信道状态信息的区域。两个空间是具有丰富多径的真实部署(等离子屏幕、混凝土柱等)和非视线场景。在每个空间部署现成的商用接入点，这些接入点可以估计带有时间标记的CSI数据。Quantenna Aps设定采集信道信息频率为20Hz，移动速度为15厘米/秒，使得MapTracker避免多普勒效应，并能够碰撞一个位置的所有接入点，而不会导致位置漂移。将采集的信道信息与MapTracker的地面真实估计状态合并为训练和测试DLoc的数据。在每个场景中，大约探索空间20分钟，以同时映射和收集给定环境中所有接入点的CSI数据，平均为给定的场景收集了约13100个数据点。我们将这个数据集分成多个部分，支撑后续验证实验的训练和测试网络。
实验评价
上文中描述的标记数据用于训练DLoc。本节将DLoc与两个基准方法进行比较，基准方法选择分别为SpotFi [3]和基线深度学习模型[7]。对于这两个基准方法，在现有数据测试环境下，重新实现各自系统。为了在简单环境中评估DLoc，训练和测试数据取自同一数据集，其中70%用于训练，30%用于测试。对于复杂的环境，80%的数据进行训练，并对其余的20%进行测试。
1.DLoc的测试：
在图4中，将本方法与SpotFi和基线深度模型进行比较。图4（左）是在只有3个接入点的500平方米的更小更简单的空间下进行的。可以看到，虽然SpotiFi和DLoc的中值误差几乎相同，为36厘米，但DLoc在第90(和第99)百分位的表现优于SpotiFi2倍。DLoc在第90和第99百分位实现了70厘米(和1米)的定位误差，但Spotifi高达140厘米(和2米)。从4（右）可以清楚地看到，在复杂空间中，DLoc的中值定位误差为64厘米，SpotFi的中值定位误差为110厘米，基线深度模型为126厘米。此外可得，DLoc可以表征给定的环境，从而在第90(和第99)百分位实现较低的误差。其中DLoc的第90(和第99)百分位定位误差为1.6m(和3.2m)，SpotFi的定位误差为3m(和4.8m)，基线深度模型的定位误差为2.8m(和4.5m)。因此，DLoc优于SpotFi算法和基线深度模型。
图4 性能比较
可将DLoc予以推广测试，并提出以下两个具有推广性的场景
（a）无家具放置 （b)增添家具 （c)放置额外反射器 （d)现场放置反射器
图5 场景布置
场景一：跨越家具和反射器运动:在日常室内环境中，室内部署会偶尔变动，本文所提DLoc算法不会因为这些对象的微小变化而失效。为验证，设置了4种不同的场景如图5所示。环境中的这些变化比最初的设置增加了更多的NLOS场景。对于这一场景，进行交叉测试，在不同设置的数据上进行训练，在完全不同的设置的数据上进行测试。结果见表1。
表1 测试结果
场景二：跨带宽:用户设备并不是总能访问更高的带宽，因此需要一致在不同带宽上训练，同时保留80MHz一致性解码器的目标图像。这样做可以让网络学习标定图像的“超分辨率”。如图6所示，对于40MHz和20MHz的信号数据，表明DLoc可以有效处理不同带宽的输入数据。 
图6 跨宽带测试结果 图7 地图查找误差报告
2.地图查找测试：
地面真实准确性:为了验证，借助才用HTC Vive VR系统测试评估MapTracker报告的地面真实的准确性。本文在4米*4米的环境中测试了两种SLAM算法——RTAB地图和Cartographer[9]。可发现RTAB地图和Cartographer图的中值误差分别为5.7厘米和7.3厘米，并在图7中报告了误差。由于RTAB地图性能更好，因此地图框架可使用RTAB地图进行地图查找的设计。
3.路径规划测试：
为了表征路径规划算法的性能，将其性能与简单的随机漫步方法[8]和贪婪图遍历方法进行比较。可微调贪婪算法以获得最佳性能。对于多代理搜索，设置相邻数量,m = 5，覆盖半径r= 70厘米，搜索深度d = 5，以降低计算。与随机行走和贪婪算法相比，路径规划算法可以减少行进的路径并优化覆盖范围。这使得MapTracker能够高效地为新环境收集数据。结果见表2。
表2 MapTracker的路径规划算法的性能测试
相关工作
无线定位:无线定位是一个研究得很好的课题，其工作范围从基于RSSI的定位[11]到基于信道状态信息(CSI)的定位[12]. 近年来CSI[3]在实现亚米中值精度的定位方面非常好。但基于CSI的无线传感器网络定位算法受到环境(如多径效应、非视距等)的影响。文献[13]对这些问题进行了广泛研究。其典型解决方案是设计启发式方法来确定直接路径，并试图抑制环境造成的影响。但当直接路径被完全阻塞时，或最优路径被环境影响时则无法进行。本文使用深度学习来隐式建模环境，并使用该模型来预测正确的位置。因此，即使直接路径被阻挡，模型也可以进行定位。
室内地图:SLAM在室内和室外定位创建地图方面得到了很好的研究，并被谷歌汽车等其他组织使用。这些地图平台大多依靠全球定位系统来定位，并专注于制作地图。SLAM平台的一个子集[10]使用无线网络，使它们收集粗粒度的信息，如信号强度。相比之下，本文设计了一个无线网络平台，可以提供关于无线信道的详细的细粒度信息。
总结与展望
本文介绍了MapTracker:一种自主绘图平台，同时可为DLoc收集训练数据。这些平台共同为室内导航提供了一个框架。通过实验，有理由相信本文工作能够为智能数字化博物馆建设以及游客游览带来新的边个思路，为智能化建筑发展提供有益参考和技术支撑。本文工作还有较大提升空间，具体表现在:1.现有测绘，执行2D定位后期可以向3D扩展，用三维视角图像代替二维平面图像；2.移动速度是15厘米秒，这限制了数据收集效率，后期可进行加速，从而使得数据收集时间减少到几分钟。
[1]刘波,时雨,刘雪朝,吴雪纯,龚云璐,王艳东. 开放式街道地图在城市发展水平分析中的应用[J] .北大核心.2019(07)
[2] Deepak Vasisht, Swarun Kumar, and Dina Katabi. “Decimeter-Level Localization with a Single Wi-Fi Access Point”[C]. (NSDI). 2016.
[3] Manikanta Kotaru, Kiran Joshi, Dinesh Bharadia, and Sachin Katti. “SpotFi: Decimeter Level Localization Using Wi-Fi ”[C].(SIGCOMM). 2015.
[4] Mathieu Labbe and Francois Michaud. “Appearance-based loop closure detection for online large-scale and long-term operation”.[J] IEEE Transactions on Robotics 29, 3 (2013), 734–745.
[5] Wolfgang Hess, Damon Kohler, Holger Rapp, and Daniel Andor. “Real-time loop closure in 2D LIDAR SLAM”.[C]. In 2016 IEEE International Conference on Robotics
and Automation (ICRA). IEEE, 1271–1278. 2016.
[6] Enric Galceran and Marc Carreras. “A survey on coverage path planning for robotics”.[J]. Robotics and Autonomous systems 61, 12 (2013), 1258–1276.
[7] Maximilian Arnold, Jakob Hoydis, and Stephan ten Brink. “Novel Massive MIMO Channel Sounding Data applied to Deep Learning-based Indoor Position
Ing”. [C].In SCC 2019; 12th International ITG Conference on Systems, Communications and Coding. VDE, 1–6.
[8]邹洋,吴和成,赵应丁,姜允志. “基于多权重相似度的随机漫步推荐算法.”[J]. 计算机应用研究。2020（11）
[9] Wolfgang Hess, Damon Kohler, Holger Rapp, and Daniel Andor.Real-time loop closure in 2D LIDAR SLAM”.[C]. In 2016 IEEE International Conference on Robotics and Automation (ICRA). IEEE, 1271–1278.
[10] Zakieh Sadat Hashemifar, Charuvahan Adhivarahan, and Karthik Dantu. “Improving RGB-D SLAM using wi-fi”.[C]. In Proceedings of the 16th ACM/IEEE International Conference on Information Processing in Sensor Networks. ACM, 317–318.
[11] Victor Bahl and Venkat Padmanabhan. “RADAR: An In-Building RF-based User Location and Tracking System ”[C].(INFOCOM).2000.
[12] Fadel Adib, Zach Kabelac, Dina Katabi, and Robert C. Miller. “3D Tracking via Body Radio Reflections ”[C].(NSDI). 2014
[13] Fadel Adib and Dina Katabi. “See through walls with WiFi! ”[C].Vol. 43. ACM.2013.
