第13卷第3期 智能系统学报 Vol.13 No.3 2018年6月 CAAI Transactions on Intelligent Systems Jun.2018 D0:10.11992/tis.201705020 网络出版地址：http:/kns.cnki.net/kcms/detail/23.1538.TP.20180408.1601.024.html 基于WFI指纹定位的仿生SLAM研究 秦国威，孙新柱，陈孟元 (安微工程大学电气传动与控制重点实验室，安徽芜湖241000)》 摘要：针对复杂室内环境下移动机器人的定位问题，基于RatSLAM模型的定位方法，由于室内环境的复杂性及易 变性，定位精度及准确性很难得到保证。本文基于此提出RatSLAM和WIFI相结合的策略，利用基于WIFI信号强 度的指纹识别方法，离线阶段建立位置指纹数据库，在线定位阶段采用位置指纹定位算法完成认知点的匹配，从局部 场景中获取更加精确的经历制图。实验分析表明：两种算法的结合使得移动机器人的定位精确度更高，提高了系统 的鲁棒性，使系统具备了良好的定位性能。 关键词：无线信号网络：啮齿类动物模型：位置指纹：同步定位与地图构建：模板匹配：经历制图：准确率：精度 中图分类号：TP242.6:TN92 文献标志码：A文章编号：1673-4785(2018)03-0407-07 中文引用格式：秦国威，孙新柱，陈孟元.基于WIFI指纹定位的仿生SLAM研究J.智能系统学报，2018,133：407-413. 英文引用格式：QIN Guowei,,SUN Xinzhu,.CHEN Mengyuan..Bio-inspired SLAM fingerprint location based on WIFI[J.CAAI transactions on intelligent systems,2018,13(3):407-413. Bio-inspired SLAM fingerprint location based on WIFI QIN Guowei,SUN Xinzhu,CHEN Mengyuan (Key Laboratory of Electric Drive and Control,Anhui Polytechnic University,Wuhu 241000,China) Abstract:From the viewpoint of localization of mobile robots in complex indoor environments,it is difficult to guaran- tee the localization accuracy of the RatSLAM model owing to the complexity and variability of indoor environments.In this paper,the authors propose a strategy of combining RatSLAM and WIFI by utilizing the fingerprint recognition method based on WIFI signal strength.To this end,a position fingerprint database is established in the offline stage,and the position fingerprint localization algorithm is used to match the cognitive points in the online positioning stage to ob- tain more accurate experience mapping of a local scene.The experimental results show that the combination of the two algorithms can increase the positioning accuracy of a mobile robot and improve system robustness,thereby providing good positioning performance. Keywords:wireless signal network;rodent model;position fingerprinting;simultaneous localization and mapping;tem- plate matching;experience drawing;accuracy rate;accuracy precision 同步定位与地图构建(simultaneous localization 就是移动的传感器平台，传感器虽然类型和能力各 and mapping,SLAM)是移动机器人目前面临的重大 有不同，但是广泛存在里程计漂移和不同的噪声等 难题，解决此问题就是在一个未知环境中创建地图 问题。后来经过学者们的不断探究，仿生机器人 的过程。放置机器人处在一个陌生环境中，在探索 逐渐凸显出良好的应用前景，表现出完美的生物合 环境，了解环境的同时，运用地图追踪机器人在该 理性和对自然环境的高度适应性。其中研究最多 环境中的位置。但是，在实际的复杂场景下，解 的为基于啮齿类动物模型RatSLAM!-Io,RatSLAM 决SLAM问题非常困难。因为移动机器人实质上 将路径积分和视觉场景信息集成到位姿感知细胞模 收稿日期：2017-05-16.网络出版日期：2018-04-08 基金项目：安徽省高校优秀青年人才支持计划项目(g9yq☑D2018050, 型中，从而使得移动机器人具备一定的更新预测能 通信作者：孙新柱.E-mail:xzsun@ahpu.edu.cn. 力，与此同时建立了存储时间、空间以及视觉等信
DOI: 10.11992/tis.201705020 网络出版地址: http://kns.cnki.net/kcms/detail/23.1538.TP.20180408.1601.024.html 基于 WIFI 指纹定位的仿生 SLAM 研究 秦国威，孙新柱，陈孟元 （安徽工程大学 电气传动与控制重点实验室，安徽 芜湖 241000） 摘 要：针对复杂室内环境下移动机器人的定位问题，基于 RatSLAM 模型的定位方法，由于室内环境的复杂性及易 变性，定位精度及准确性很难得到保证。本文基于此提出 RatSLAM 和 WIFI 相结合的策略，利用基于 WIFI 信号强 度的指纹识别方法，离线阶段建立位置指纹数据库，在线定位阶段采用位置指纹定位算法完成认知点的匹配，从局部 场景中获取更加精确的经历制图。实验分析表明：两种算法的结合使得移动机器人的定位精确度更高，提高了系统 的鲁棒性，使系统具备了良好的定位性能。 关键词：无线信号网络；啮齿类动物模型；位置指纹；同步定位与地图构建；模板匹配；经历制图；准确率；精度 中图分类号：TP242.6；TN92 文献标志码：A 文章编号：1673−4785(2018)03−0407−07 中文引用格式：秦国威, 孙新柱, 陈孟元. 基于 WIFI 指纹定位的仿生 SLAM 研究[J]. 智能系统学报, 2018, 13(3): 407–413. 英文引用格式：QIN Guowei, SUN Xinzhu, CHEN Mengyuan. Bio-inspired SLAM fingerprint location based on WIFI[J]. CAAI transactions on intelligent systems, 2018, 13(3): 407–413. Bio-inspired SLAM fingerprint location based on WIFI QIN Guowei，SUN Xinzhu，CHEN Mengyuan (Key Laboratory of Electric Drive and Control, Anhui Polytechnic University, Wuhu 241000, China) Abstract: From the viewpoint of localization of mobile robots in complex indoor environments, it is difficult to guarantee the localization accuracy of the RatSLAM model owing to the complexity and variability of indoor environments. In this paper, the authors propose a strategy of combining RatSLAM and WIFI by utilizing the fingerprint recognition method based on WIFI signal strength. To this end, a position fingerprint database is established in the offline stage, and the position fingerprint localization algorithm is used to match the cognitive points in the online positioning stage to obtain more accurate experience mapping of a local scene. The experimental results show that the combination of the two algorithms can increase the positioning accuracy of a mobile robot and improve system robustness, thereby providing good positioning performance. Keywords: wireless signal network; rodent model; position fingerprinting; simultaneous localization and mapping; template matching; experience drawing; accuracy rate; accuracy precision 同步定位与地图构建 (simultaneous localization and mapping,SLAM) 是移动机器人目前面临的重大 难题，解决此问题就是在一个未知环境中创建地图 的过程。放置机器人处在一个陌生环境中，在探索 环境，了解环境的同时，运用地图追踪机器人在该 环境中的位置[1-4]。但是，在实际的复杂场景下，解 决 SLAM 问题非常困难。因为移动机器人实质上 就是移动的传感器平台，传感器虽然类型和能力各 有不同，但是广泛存在里程计漂移和不同的噪声等 问题[5]。后来经过学者们的不断探究，仿生机器人 逐渐凸显出良好的应用前景，表现出完美的生物合 理性和对自然环境的高度适应性[6]。其中研究最多 的为基于啮齿类动物模型 RatSLAM[7-10] ，RatSLAM 将路径积分和视觉场景信息集成到位姿感知细胞模 型中，从而使得移动机器人具备一定的更新预测能 力，与此同时建立了存储时间、空间以及视觉等信 收稿日期：2017−05−16. 网络出版日期：2018−04−08. 基金项目：安徽省高校优秀青年人才支持计划项目 (gxyqZD2018050). 通信作者：孙新柱. E-mail: xzsun@ahpu.edu.cn. 第 13 卷第 3 期 智 能 系 统 学 报 Vol.13 No.3 2018 年 6 月 CAAI Transactions on Intelligent Systems Jun. 2018
·408· 智能系统学报 第13卷 息的经历制图算法，目前已经广泛用于机器人的定 外部视觉感知 局部场景 位导航工作中，解决了众多SLAM难以解决的问 题。但是RatSLAM模型获取的视觉场景信息以及 位姿-视图场景 测距里程计信息均存在一定程度的误差，文献[11] 针对视觉里程计的误差引入FAB-MAP(fast appear- 位姿感知细胞 (PC) ance based mapping)),这种基于历史模型的闭环检测 算法，通过实时关键帧的匹配，可以提高系统的稳 内部感知 路径综合 定性，但是定位的精度不稳定。所以RatSLAM模 图1 RatSLAM系统结构 型定位的精度有待进一步提高。 Fig.1 RatSLAM system structure 随着科学技术的发展，目前提高定位精度的方 1.1 位姿表征 法多种多样，主流的定位技术有无线局域网(wire- RatSLAM模型为了形成位姿感知细胞群，将头 less fidelity,WIFI)、蓝牙、无线个域网ZigBee、惯性 定位技术和dici等以。文献[13]针对提高室内精度 方向细胞和位置细胞模型化为位姿细胞的竞争性吸 引子网络结构综合起来形成一个三维立方体。位姿 的需求，提出了基于地图匹配技术和指纹技术的蓝 牙定位方法，但是此定位方法传输距离太近。文献 细胞以(x,y,)的样式进行排列，可以同时实现机器 人的多个位姿估计，如图2所示。 [14]针对现阶段矿井井下难以实现真三维人员定位 等问题，提出了一种将三维度可视化与Zigbee无线 活性包 网络技术相融合的新颖算法，即真三维的煤矿人员 定位系统，然而此方法定位抗干扰的能力较差。文 献[15]为了精确地判断设备是否在特定建筑物内部 或外部，提出了一种基于接收WIFI信号的二进制 分类器，来推断室内或室外条件，精度较高，但此二 进制分类器模型算法的复杂性较大，难以完成。文 献[16]针对地下矿山环境的复杂性，以及定位井下 救援人员的困难性，对现有定位技术也进行了研究 图23维位姿感知细胞模型 Fig.2 Model of three-dimensional posture-sensing cell 和比较，相比较而言，WFI传输速率更快，定位精度 更高，应用的价值更大。文献[20]就RatSLAM 对于头方向和位置感知网络，竞争性吸引子网 定位精度问题，提出了将地磁场与RatSLAM相结 络的动力学系统始终操纵位姿感知细胞网络内部的 合的方法，根据地磁区域的畸变，利用模板匹配定 活动，内部动态过程可分为以下3个阶段。 位的精度虽然比单独的RatSLAM定位取得了更好 1)兴奋度更新 的效果，但精度仍达不到预期。 每个位姿感知细胞用兴奋度权重矩阵来表述对 综合考虑，本文拟采用RatSLAM与WIFI结合 该细胞矩阵中其他细胞的投射行为，创建的兴奋度 的方法，解决原有RatSLAM定位精确度不高的 权重矩阵ε为位姿细胞平面(x,y)中对应着兴奋性 问题。 的一个二维高斯分布和0中对应着一维分布的乘积， 如式(1)所示： 1 RatSLAM模型 6r=e学e苦 (1) RatSLAM模型是将头方向细胞和位置细胞合 式中：k和k分别为(x,y)平面与0维的方差常数；d、 并，形成一个称为位姿细胞的新细胞类型。头方向 e、f是x、y、e的分布系数。 细胞反映机器人的朝向，位置细胞则反映机器人的 因兴奋性而使位姿感知细胞活动产生变化的表 位置。机器人的位姿信息即被编码在位姿感知细胞 示如式(2)： 单独的竞争性吸引子网络(CAN)模块中，经过位姿 △0. 感知细胞各自的加工处理，机器人自中心信息和非 d-e-yxf-0de (2) d0=0f= 中心信息刺激影响位姿细胞的活动。RatSLAM完 式中：N、N、N是在(x,y,)空间中的位姿感知细胞 整模型的结构如图1所示。 3维矩阵元素
息的经历制图算法，目前已经广泛用于机器人的定 位导航工作中，解决了众多 SLAM 难以解决的问 题。但是 RatSLAM 模型获取的视觉场景信息以及 测距里程计信息均存在一定程度的误差，文献[11] 针对视觉里程计的误差引入 FAB-MAP(fast appearance based mapping)，这种基于历史模型的闭环检测 算法，通过实时关键帧的匹配，可以提高系统的稳 定性，但是定位的精度不稳定。所以 RatSLAM 模 型定位的精度有待进一步提高。 随着科学技术的发展，目前提高定位精度的方 法多种多样，主流的定位技术有无线局域网 (wireless fidelity, WIFI)、蓝牙、无线个域网 ZigBee、惯性 定位技术和 dici 等 [12]。文献[13]针对提高室内精度 的需求,提出了基于地图匹配技术和指纹技术的蓝 牙定位方法，但是此定位方法传输距离太近。文献 [14]针对现阶段矿井井下难以实现真三维人员定位 等问题,提出了一种将三维度可视化与 Zigbee 无线 网络技术相融合的新颖算法，即真三维的煤矿人员 定位系统，然而此方法定位抗干扰的能力较差。文 献[15]为了精确地判断设备是否在特定建筑物内部 或外部，提出了一种基于接收 WIFI 信号的二进制 分类器，来推断室内或室外条件，精度较高，但此二 进制分类器模型算法的复杂性较大，难以完成。文 献[16]针对地下矿山环境的复杂性，以及定位井下 救援人员的困难性，对现有定位技术也进行了研究 和比较，相比较而言，WIFI 传输速率更快，定位精度 更高，应用的价值更大[17-19]。文献[20]就 RatSLAM 定位精度问题，提出了将地磁场与 RatSLAM 相结 合的方法，根据地磁区域的畸变，利用模板匹配定 位的精度虽然比单独的 RatSLAM 定位取得了更好 的效果，但精度仍达不到预期。 综合考虑,本文拟采用 RatSLAM 与 WIFI 结合 的方法，解决原有 RatSLAM 定位精确度不高的 问题。 1 RatSLAM 模型 RatSLAM 模型是将头方向细胞和位置细胞合 并，形成一个称为位姿细胞的新细胞类型。头方向 细胞反映机器人的朝向，位置细胞则反映机器人的 位置。机器人的位姿信息即被编码在位姿感知细胞 单独的竞争性吸引子网络 (CAN) 模块中，经过位姿 感知细胞各自的加工处理，机器人自中心信息和非 中心信息刺激影响位姿细胞的活动。RatSLAM 完 整模型的结构如图 1 所示。 โ䘔㻲㻵ᙋⴑ ᅬ䘔౦ᮛ ڱ䘔ᙋⴑ 䌛ᒰ㐨ऴ ѹ༫ᙋⴑ㏲㘊 (PC) ѹ༫−㻲ప౦ᮛ 图 1 RatSLAM 系统结构 Fig. 1 RatSLAM system structure 1.1 位姿表征 (x, y, θ) RatSLAM 模型为了形成位姿感知细胞群，将头 方向细胞和位置细胞模型化为位姿细胞的竞争性吸 引子网络结构综合起来形成一个三维立方体。位姿 细胞以 的样式进行排列，可以同时实现机器 人的多个位姿估计，如图 2 所示。 θ x y ࠱ᕓ≧ 图 2 3 维位姿感知细胞模型 Fig. 2 Model of three-dimensional posture-sensing cell 对于头方向和位置感知网络，竞争性吸引子网 络的动力学系统始终操纵位姿感知细胞网络内部的 活动，内部动态过程可分为以下 3 个阶段。 1) 兴奋度更新 εde f (x, y) θ 每个位姿感知细胞用兴奋度权重矩阵来表述对 该细胞矩阵中其他细胞的投射行为，创建的兴奋度 权重矩阵 为位姿细胞平面 中对应着兴奋性 的一个二维高斯分布和 中对应着一维分布的乘积， 如式 (1) 所示： εde f = e −(d 2+e 2) kxy e −c 2 kθ (1) kxy kθ (x, y) θ d e f x y θ 式中： 和 分别为 平面与 维的方差常数； 、 、 是 、 、 的分布系数。 因兴奋性而使位姿感知细胞活动产生变化的表 示如式 (2): ∆Qxyθ = ∑Nx d=0 ∑Ny e=0 ∑Nθ f=0 ε(d−x)(e−y)(f−θ)Qde f (2) 式中： Nx、Ny、Nθ是在 (x, y, θ) 空间中的位姿感知细胞 3 维矩阵元素。 ·408· 智 能 系 统 学 报 第 13 卷
第3期 秦国威，等：基于WIFI指纹定位的仿生SLAM研究 ·409· 2)全局抑制 法。与通常意义下的指纹识别相似，位置指纹定位 因为多个活性包表示的多个位姿假设的完成需 识别主要依靠表示目标特征的数据库进行辨认。基 要一段时间，而且会不段加强，因此抑制是比较缓 于信号强度RSSI的位置指纹定位方式分为两个阶 慢的，即在相当长的一段时间内相互竞争的活性包 段：离线采集阶段和在线定位阶段。具体WIFI指 会同时存在，全局抑制后的活动水平Q为 纹定位原理图如图3所示。 Ors max[+(-max(O)).0] (3) 在线定位阶段 式中抑制常数6控制全局抑制水平，兴奋度水平仅限 离线采集阶段 采集目标点信号强 为一个非负数。 确定系统坐标系和 度值RSSI 3)归一化 采样布局图 归一化就是保持位姿感知细胞在获得视觉等输 入后的总活性，归一化后姿态细胞的活性水平为 在采样点处采集信号 20= Csye 强度值RSSI (4) 出出 存储信号强度值 RSSI的坐标(x) 12视觉场景的学习 局部视觉细胞和位姿感知细胞之间存在相互作 用，通过建立局部场景细胞和位姿感知细胞之间相 关的连接，将激活的局部场景细胞中的能量注人到 匹配算法 确定位置 位姿感知细胞中，局部场景与可用的机器人位置连 接起来，被更新的连接强度则可表示为 图3WFI指纹定位原理图 a。=max(aae,AV0oe) (5) Fig.3 WIFI positioning schematic 式中：V:为局部视觉场景细胞的活性水平；Q为位 2.1.1离线采集阶段 姿感知细胞的活性水平。 离线采集阶段的主要任务是采集定位区域各参 1.3经历地图的构建 考点的特征信息，建立位置指纹数据库。首先绘制 经历都具有一个活性水平，活性水平由位姿感 定位区域地图，规划一系列的测试参考点，依次测 知细胞和局部场景网络中能量峰与每一个经历相关 量各参考点来自不同AP的RSSI值（多次测量取 单元之间接近程度所决定。每一个经历在位姿感知 平均值)作为该参考点的信号特征数，并按一定格 细胞和视觉局部场景细胞中有一个相关的活性区 式记录在位置指纹数据库中，该数据库也称为位置 域。当能量峰处于这些活性区域时，该经历立刻被 指纹地图。 激活，这些区域在位姿感知细胞内部是连续的，而 室内环境下WIFI指纹图的建立方法如下：在 在视觉局部场景细胞中的相关区域却是非连续的。 定位环境中按照一定规则选取参考点，并在每个参 一个经历能级E,和第个经历的总能级水平E:由式 考点上对各个AP的信号强度连续采样一段时间， (6)、(⑦计算可得： 得到每个AP的均值m,存入数据库中，构成定位指纹 0. T,>1 0. 0,>1 图IM (Xpe-xi)+Vpe-y:)2 (8) Ope -0: IM=A M MAC; 其他 式中：p表示所有参考点的位置集合，p={L,L2,…,L, (6) L=(x,)表示参考点的位置，k为参考点的数量； ∫0，Vum≠V E=E0:Voam=V (7) A={AP1,AP2,…,APR}表示地图中所有观测到AP 的组成集合；MAC,表示第i个参考点的MAC地址值， 式中：xx、yx和0x为最大活性姿态细胞的坐标；x、 M为定位指纹中所有均值的集合，即 、Q,为与该经历相关的位姿感知细胞的坐标；r为 mL,AP,mL,AP·mL1AP (x,y)平面的区域常数；0.为0维上的区域常数；Vcur为 MLAP MLAP: 当前场景；V,为与经历相关的场景。 M= 9 2WIFI与RatSLAM结合 mLxAP MLKAP: MLeAP 式中mLAB,为第j个AP在参考点L处的均值。 2.1WIFI指纹定位的原理 2.1.2在线定位阶段 本文采用的WIFI定位方法为位置指纹定位方 I)AP的选取策略
2) 全局抑制 Q t+1 xyθ 因为多个活性包表示的多个位姿假设的完成需 要一段时间，而且会不段加强，因此抑制是比较缓 慢的，即在相当长的一段时间内相互竞争的活性包 会同时存在，全局抑制后的活动水平 为 Q t+1 xyθ = max[Q t xyθ +δ(Q t xyθ −max(Q)),0] (3) 式中抑制常数 δ 控制全局抑制水平，兴奋度水平仅限 为一个非负数。 3) 归一化 归一化就是保持位姿感知细胞在获得视觉等输 入后的总活性，归一化后姿态细胞的活性水平为 Q t+1 xyθ = Q t xyθ ∑NX d=0 ∑Ny e=0 ∑Nθ f=0 Qt de f (4) 1.2 视觉场景的学习 α t+1 ixyθ 局部视觉细胞和位姿感知细胞之间存在相互作 用，通过建立局部场景细胞和位姿感知细胞之间相 关的连接，将激活的局部场景细胞中的能量注入到 位姿感知细胞中，局部场景与可用的机器人位置连 接起来，被更新的连接强度 则可表示为 α t+1 ixyθ = max(α t ixyθ , λViQxyθ) (5) 式中： Vi为局部视觉场景细胞的活性水平； Qxyθ为位 姿感知细胞的活性水平。 1.3 经历地图的构建 Exyθ i Ei 经历都具有一个活性水平，活性水平由位姿感 知细胞和局部场景网络中能量峰与每一个经历相关 单元之间接近程度所决定。每一个经历在位姿感知 细胞和视觉局部场景细胞中有一个相关的活性区 域。当能量峰处于这些活性区域时，该经历立刻被 激活，这些区域在位姿感知细胞内部是连续的，而 在视觉局部场景细胞中的相关区域却是非连续的。 一个经历能级 和第 个经历的总能级水平 由式 (6)、(7) 计算可得： Exyθ = 0, rr > 1 0, θr > 1 2− √ (xpc − xi) 2 +(ypc −yi) 2 ra − θpc −θi θa , 其他 (6) Ei = { 0, Vcurr , Vi Exyθ , Vcurr = Vi (7) xpc ypc θpc xi yi θi ra (x, y) θa θ Vcurr Vi i 式中： 、 和 为最大活性姿态细胞的坐标； 、 、 为与该经历相关的位姿感知细胞的坐标； 为 平面的区域常数； 为 维上的区域常数； 为 当前场景； 为与经历 相关的场景。 2 WIFI 与 RatSLAM 结合 2.1 WIFI 指纹定位的原理 本文采用的 WIFI 定位方法为位置指纹定位方 RSSI 法。与通常意义下的指纹识别相似，位置指纹定位 识别主要依靠表示目标特征的数据库进行辨认。基 于信号强度 的位置指纹定位方式分为两个阶 段：离线采集阶段和在线定位阶段。具体 WIFI 指 纹定位原理图如图 3 所示。 确定系统坐标系和 采样布局图 离线采集阶段 匹配算法 确定位置 在采样点处采集信号 强度值RSSI 存储信号强度值 RSSI的坐标(xi , yi ) 采集目标点信号强 度值RSSI 在线定位阶段 图 3 WIFI 指纹定位原理图 Fig. 3 WIFI positioning schematic 2.1.1 离线采集阶段 离线采集阶段的主要任务是采集定位区域各参 考点的特征信息，建立位置指纹数据库。首先绘制 定位区域地图，规划一系列的测试参考点，依次测 量各参考点来自不同 AP 的 RSSI 值 (多次测量取 平均值) 作为该参考点的信号特征数，并按一定格 式记录在位置指纹数据库中，该数据库也称为位置 指纹地图。 mLi 室内环境下 WIFI 指纹图的建立方法如下：在 定位环境中按照一定规则选取参考点，并在每个参 考点上对各个 AP 的信号强度连续采样一段时间， 得到每个 AP 的均值 存入数据库中，构成定位指纹 图 IM: IM = { φ A M MACi } (8) φ φ={L1,L2,··· ,Lk} Li = (xi , yi) k A = {AP1,AP2,··· ,APR} MACi i MAC M 式中： 表示所有参考点的位置集合， ， 表示参考点的位置, 为参考点的数量； 表示地图中所有观测到 AP 的组成集合； 表示第 个参考点的 地址值， 为定位指纹中所有均值的集合，即 M = mL1AP1 mL1AP2 ... mL1APR mL2AP1 mL2AP2 ··· mL2APR . . . . . . . . . mLKAP1 mLKAP2 ··· mLRAPR (9) mLiAPj 式中 为第 j 个 AP 在参考点 Li处的均值。 2.1.2 在线定位阶段 1)AP 的选取策略 第 3 期 秦国威，等：基于 WIFI 指纹定位的仿生 SLAM 研究 ·409·
·410- 智能系统学报 第13卷 ①假设室内定位环境可用的参考点AP个数为 率，即在观测到RSSI向量的情况下，定位点出现在 T,选取其中S个AP的优化子集则可以将信号空间 L,的概率；P(RSSIL)表示RSSI观测值在给定位置 的维度从T维降到S维，因而可以减少计算量。对 L,条件下的概率；pL)表示位置L,的概率，通常不考 于选取的S个AP进行两两组合，按照式(10)计算 虑指纹点之间的差异，即指纹点等概率；p(RSSI)表 每个组合的互信息，查找出互信息最小的组合，其 示RSSI出现的全概率，其算式为 对应的APm、APn作为两个初始参考点AP。 P(RSSI=C(RSSI,RSSL,….RSSIv） (14) MI(AP.AP)=H(AP)+H(AP)-H(APAP)(10) K 式中：MI(APm,APn)表示两个不同AP的互信息； 式中：C(RSSI,RSSL2,…,RSSIMt)表示指纹点观测到 H(APm,APn)表示两个AP的组合信息熵。 的指定RSSI向量的个数；K表示指纹点观测历 ②按照式(11)分别计算余下的S-2个AP与两 元数。 个初始AP组合的互信息。 将上述全概率算式带回贝叶斯后验估计式，从 而计算出后验条件概率。采用多个指纹点的贝叶斯 MI(AP APAP)=H(APm,AP)+H(APi)- H(AP AP:AP:) (11) 权重位置估计算式能够在较短时间内算出位置估计 找出能使MI最小的AP作为最优化AP子集 点的位置。 的第3个AP。 (xy)= P(RSSILP(L) x,y)(15) ③依次按照②的形式选取下一个最优的AP, P(RSSD) 依次迭代，直到选取出S个最优AP为止。第R个 式中：(x,y)表示位置估计点的二维坐标；(x,y)表示 最优的AP的选取算式为 第i个指纹点的坐标；ω，表示第i个指纹点的加权权 MI(AP1,AP2,…,APR)=H(AP,AP2,…,APR-i)t 重，即贝叶斯后验条件的概率；K表示邻近点个数。 H(APR)-H(AP AP....APR) 2.2WIFI与RatSLAM的融合 (12) 将无线信号网络WIFI作为一种传感器用到 2)贝叶斯位置估计策略 RatSLAM当中，如图4所示，其定位模型由3个主 针对上述的互信息最小化AP选取策略，进一 要部分组成，分别为局部视觉网络、位姿细胞网络 步使用贝叶斯后验估计进行组合优化，使得 和经历制图。局部视觉细胞网络除了获取场景的视 WIFI指纹定位算法的位置估计精度和可靠度大大 觉信息外，还存储环境WIFI信号强度的感应快照， 提升。 被称为局部场景模板。局部视觉场景模板用来辨识 贝叶斯后验估计的基本原理为 熟悉的环境。当新输入的局部场景的信息与已存在 P(LIRSSD)=P(RSSIL)P(L) 的局部场景模板匹配时，位姿细胞网络的活性因子 (13) p(RSSI) 被激活，此时利用前文所述的WIFI指纹定位算法 式中：RSSI表示多个AP在位置估计点的RSSI观测 进行准确定位，二者结合能够很大程度上阻止错误 值；p(L,RSSD表示位置L,在给定RSSI条件下的概 匹配的发生。 WIFI指纹算法定位 局部场景细胞网络 ● 66●●●●● 场景细胞一经历所 、制图关联 场景细胞-局部 细胞网络关联 位姿细胞网路 700 600 位姿细胞 500 网络-经历 制图关联÷400 300 200 100 -300-200-1000100200300400 经历制图 图4基于WIFI的RatSLAM结构图 Fig.4 WIFI-based RatSLAM structure diagram
APm APn ①假设室内定位环境可用的参考点 AP 个数为 T，选取其中 S 个 AP 的优化子集则可以将信号空间 的维度从 T 维降到 S 维，因而可以减少计算量。对 于选取的 S 个 AP 进行两两组合，按照式 (10) 计算 每个组合的互信息，查找出互信息最小的组合，其 对应的 、 作为两个初始参考点 AP。 MI(APm,APn) = H(APm)+ H(APn)− H(APm,APn) (10) MI(APm,APn) H(APm,APn) 式中： 表示两个不同 AP 的互信息； 表示两个 AP 的组合信息熵。 ②按照式 (11) 分别计算余下的 S–2 个 AP 与两 个初始 AP 组合的互信息。 MI(APm,APn,APi) = H(APm,APn)+ H(APi)− H(APm,APn,APi) (11) 找出能使 MI 最小的 AP 作为最优化 AP 子集 的第 3 个 AP。 ③依次按照②的形式选取下一个最优的 AP， 依次迭代，直到选取出 S 个最优 AP 为止。第 R 个 最优的 AP 的选取算式为 M I(AP1,AP2,··· ,APR) = H (AP1,AP2,··· ,APR−1)+ H (APR)− H (APm,APn,··· ,APR) (12) 2) 贝叶斯位置估计策略 针对上述的互信息最小化 AP 选取策略，进一 步使用贝叶斯后验估计进行组合优化，使 得 WIFI 指纹定位算法的位置估计精度和可靠度大大 提升。 贝叶斯后验估计的基本原理为 p(Li |RSSI) = p(RSSI|Li)p(Li) p(RSSI) (13) RSSI AP RSSI p(Li |RSSI) Li RSSI 式中： 表示多个 在位置估计点的 观测 值； 表示位置 在给定 条件下的概 RSSI Li p(RSSI|Li) RSSI Li p(Li) Li p(RSSI) RSSI 率，即在观测到 向量的情况下，定位点出现在 的概率； 表示 观测值在给定位置 条件下的概率； 表示位置 的概率，通常不考 虑指纹点之间的差异，即指纹点等概率； 表 示 出现的全概率，其算式为 p(RSSI) = C(RSSI1 ,RSSI2 ,··· ,RSSIM) K (14) C(RSSI1,RSSI2,··· ,RSSIM) K 式中： 表示指纹点观测到 的指定 RSSI 向量的个数； 表示指纹点观测历 元数。 将上述全概率算式带回贝叶斯后验估计式，从 而计算出后验条件概率。采用多个指纹点的贝叶斯 权重位置估计算式能够在较短时间内算出位置估计 点的位置。 (x, y) = ∑K i=1 ωi(xi , yi) = ∑K i=1 p(RSSI|Li)p(Li) p(RSSI) (xi , yi) (15) (x, y) (xi , yi) i ωi i K 式中： 表示位置估计点的二维坐标； 表示 第 个指纹点的坐标; 表示第 个指纹点的加权权 重，即贝叶斯后验条件的概率; 表示邻近点个数。 2.2 WIFI 与 RatSLAM 的融合 将无线信号网络 WIFI 作为一种传感器用到 RatSLAM 当中，如图 4 所示，其定位模型由 3 个主 要部分组成，分别为局部视觉网络、位姿细胞网络 和经历制图。局部视觉细胞网络除了获取场景的视 觉信息外，还存储环境 WIFI 信号强度的感应快照， 被称为局部场景模板。局部视觉场景模板用来辨识 熟悉的环境。当新输入的局部场景的信息与已存在 的局部场景模板匹配时，位姿细胞网络的活性因子 被激活，此时利用前文所述的 WIFI 指纹定位算法 进行准确定位，二者结合能够很大程度上阻止错误 匹配的发生。 x y θ ѹ༫㏲㘊㑽㐈 WIFIᠳ㏥ッ∁ѹ ᅬ䘔౦ᮛ㏲㘊㑽㐈 ౦ᮛ㏲㘊−ᅬ䘔 ㏲㘊㑽㐈ڟ㖀 −300−200−100 0 100 200 300 400 x 100 200 300 400 500 600 700 ㏻ݢࢲప y ѹ༫㏲㘊 㑽㐈−㏻ࢲ 㖀ڟపݢ ౦ᮛ㏲㘊−㏻ࢲ 㖀ڟపݢ 图 4 基于 WIFI 的 RatSLAM 结构图 Fig. 4 WIFI-based RatSLAM structure diagram ·410· 智 能 系 统 学 报 第 13 卷
第3期 秦国威，等：基于WIFI指纹定位的仿生SLAM研究 ·411· 3 仿真实验与分析 3.2算法经历制图的对比 实验的地点为一会议室，平面图及移机器人的 为了验证本文的可行性与正确性，本文在PC 路径如图6所示，起点为A,终点为B。RatSLAM什WIF 机上进行多次仿真实验，处理器为3-3240，主频为 及RatSLAM算法的经历制图如图7所示。对比两 3.4GHz,内存为4GB,用MATLAB2014a软件进行 种算法的经历制图可知，融合算法后的经历制图在 实验仿真。 拐角处路径误差明显比融合前算法要大，而且，融 3.1WFI模板匹配 合后算法整个经历制图要更平滑，误差维持在一个 WIFI模板匹配结果如图5所示。模板认知点 较小值且变化幅度很小，效率更高。所以，融合后 是由机器人捕捉的独特的局部场景组成，每次获取 算法的经历制图优于融合前。 的局部场景即为一个经历认知点。当经历认知点与 模板认知点足够相似时，就会完成模板匹配。图5 档案相 中，每个灰色圆圈代表此时创建或匹配一个特定的 模板认知，点；每个黑色菱形表示获得一个新的经历 会议桌 认知点。由图5可知，此实验循环3次，两次重定 位。图5(a)为RatSLAM算法的模板匹配图。图 5(b)为RatSLAM与WIFI算法结合产生的模板匹 配图，当黑色菱形与灰色圆圈重合或十分接近时， 表示匹配成功，受外界不确定因素的影响，偶尔也 ,发言席 门 会出现一些误匹配。对比图5(a)和(b),图5(b)的 图6会议室平面图及路径 匹配点更多，误匹配更少，所以图5(b)匹配的效果 Fig.6 Floor plan and path of conference room 要好于图5(a)。因此可以得出：结合后的算法比单 独的RatSLAM算法重定位的效果更好，定位的准 确率更高。 700 ·模板认知点 600 ●经历认知点 100 23456789 x/m 150 300 450 600 750 (a)融合算法前的经历制图 时间/s (a)RatSLAM模板匹配图 700r ◆模板认知点 600 ●经历认知点 500 300 100 0 150 300 450 600 750 1 23456 789 时间/s x/m b)RatSLAM+WIFI模板匹配图 (b)融合算法后的经历制图 图5模板经历匹配图 图7经历制图 Fig.5 Template of experience-matching graph Fig.7 Experience mapping
3 仿真实验与分析 为了验证本文的可行性与正确性，本文在 PC 机上进行多次仿真实验，处理器为 i3-3240，主频为 3.4 GHz，内存为 4 GB，用 MATLAB2014a 软件进行 实验仿真。 3.1 WIFI 模板匹配 WIFI 模板匹配结果如图 5 所示。模板认知点 是由机器人捕捉的独特的局部场景组成，每次获取 的局部场景即为一个经历认知点。当经历认知点与 模板认知点足够相似时，就会完成模板匹配。图 5 中，每个灰色圆圈代表此时创建或匹配一个特定的 模板认知点；每个黑色菱形表示获得一个新的经历 认知点。由图 5 可知，此实验循环 3 次，两次重定 位。图 5(a) 为 RatSLAM 算法的模板匹配图。图 5(b) 为 RatSLAM 与 WIFI 算法结合产生的模板匹 配图，当黑色菱形与灰色圆圈重合或十分接近时， 表示匹配成功，受外界不确定因素的影响，偶尔也 会出现一些误匹配。对比图 5(a) 和 (b)，图 5(b) 的 匹配点更多，误匹配更少，所以图 5(b) 匹配的效果 要好于图 5(a)。因此可以得出：结合后的算法比单 独的 RatSLAM 算法重定位的效果更好，定位的准 确率更高。 700 600 500 400 300 200 100 0 ὍᲫ/㏻ࢲ䃐ⴑ◥ 150 300 450 600 750 ᬢ䬠/s ὍᲫ䃐ⴑ◥ ㏻ࢲ䃐ⴑ◥ ὍᲫ䃐ⴑ◥ ㏻ࢲ䃐ⴑ◥ 700 600 500 400 300 200 100 ὍᲫ/㏻ࢲ䃐ⴑ◥ 0 150 300 450 600 750 ᬢ䬠/s (a) RatSLAM ὍᲫࡥ䙹ప (b) RatSLAM+WIFIὍᲫࡥ䙹ప 图 5 模板经历匹配图 Fig. 5 Template of experience-matching graph 3.2 算法经历制图的对比 实验的地点为一会议室，平面图及移机器人的 路径如图 6 所示，起点为 A，终点为 B。RatSLAM+WIFI 及 RatSLAM 算法的经历制图如图 7 所示。对比两 种算法的经历制图可知，融合算法后的经历制图在 拐角处路径误差明显比融合前算法要大，而且，融 合后算法整个经历制图要更平滑，误差维持在一个 较小值且变化幅度很小，效率更高。所以，融合后 算法的经历制图优于融合前。 A B 发言席 会议桌 档案柜 门 图 6 会议室平面图及路径 Fig. 6 Floor plan and path of conference room 8 7 6 5 4 3 2 1 0 1 2 3 4 5 6 7 8 9 x/m y/m (a) 融合算法前的经历制图 8 7 6 5 4 3 2 1 0 1 2 3 4 5 6 7 8 9 x/m y/m (b) 融合算法后的经历制图 图 7 经历制图 Fig. 7 Experience mapping 第 3 期 秦国威，等：基于 WIFI 指纹定位的仿生 SLAM 研究 ·411·
·412· 智能系统学报 第13卷 3.3算法定位准确度对比 但还有提升空间，未来多种无线信号网络定位技术 算法定位准确度是指在给定的误差的前提下， 结合的方法与RatSLAM结合将会是一个热门的研 算法成功定位的概率。当给定误差都较小时，两种 究方向。 算法定位的准确度都较低，如图8所示。随着给定 参考文献： 误差的逐渐增大，定位成功率也随之提高。 RatSLAM+WIFI算法在0.2m之内就达80%，然而 []王宏健，傅桂霞，边信黔，等.基于SRCKF的移动机器人 单独的RatSLAM算法在0.3m以上才可以达到这 同步定位与地图构建.机器人，2013,35(2)：200-207. 个指标。不难得出，结合后的算法比结合前的算法 WANG Hongjian,FU Guixia,BIAN Xingian,et al.SR- 准确度更高，连续性更好，误差波动性更小。 CKF based simultaneous localization and mapping of mo- bile robots[J].Robot,2013,35(2):200-207. 100 RatSALM+WIFI 90 RatSLAM [2]宋字，李庆玲，康轶非，等.平方根容积Rao-Blackwil- 1ised粒子滤波SLAM算法[U.自动化学报，2014,40(2) 75 357-367. 豪60 SONG Yu,LI Qingling,KANG Yifei,et al.SLAM with square-root cubature Rao-Blackwillised particle filter[J]. Acta automatica sinica,2014,40(2):357-367. [3]刘建华，刘华平，杨建国，等.测距式传感器同时定位与地 15 图创建综述J.智能系统学报，2015,10(5)：655-662 0.07 0.14 0210.28 0.350.42 LIU Jianhua,LIU Huaping,YANG Jianguo,et al.A survey 误差距离/m of range-only SLAM for mobile robots[J].CAAI transac- 图8两种算法定位准确度对比 tions on intelligent systems,2015,10(5):655-662 Fig.8 Comparison of positioning accuracy of two al- [4罗元，余佳航，汪龙峰，等.改进RBPF的移动机器人同步 gorithms 定位与地图构建).智能系统学报，2015,10(3)：460-464. 3.4算法定位误差的比较 LUO Yuan,YU Jiahang,WANG Longfeng,et al.Simultan- 表1为两种算法精度指数比较，由表1可知， eous localization and mapping of an improved RBPF based 融合之后算法的最大绝对误差和平均误差都比单个 mobile robot[J].CAAI transactions on intelligent systems, 2015.10(3):460-464. 的RatSLAM定位小，准确率更高。所以，融合后的 [5)]弋英民，刘丁，黄莹.未知观测噪声时机器人同步定位与 算法的精确度更高。 地图构建J.控制理论与应用，2015,32(3)：320-325 表1算法精度指数对比表 YI Yingmin,LIU Ding,HUANG Ying.Robot simultan- Table 1 Comparison of algorithm accuracy index eous localization and mapping with unknown observation 最大绝对误差 定位方法 平均误差/m 准确率% noise[J].Control theory and applications,2015,32(3): MAE/m 320-325. RatSLAM+WIFI 0.2928 0.1528 90.4236 [6]LU Yang,YI Shujuan,LIU Yurong,et al.A novel path RatSLAM 0.4129 0.3109 88.2014 planning method for biomimetic robot based on deep learn- ing[J].Assembly automation,2016,36(2):186-191. [)陈孟元.鼠类脑细胞导航机理的移动机器人仿生 4结束语 SLAM综述[).智能系统学报，2018,131)：107-117. 本文系统地研究了基于WIFI无线信号强度的 CHEN Mengyuan.Overview of mobile robot bionic slam 移动机器人RatSLAM问题，利用离线采样方式建 based on navigation mechanism of mouse brain cells[J]. CAAI transactions on intelligent systems,2018,13(1): 立了环境的WIFI指纹图，实现了WFI指纹算法用 107-117 于RatSLAM模型的局部场景网络中，实现在线精 [8]MILFORD M J,WYETH G F,PRASSER D.RatSLAM:a 准定位，通过实验得出，此种融合算法使位置定位 hippocampal model for simultaneous localization and map- 精确度得到了很大提高。与此同时，本文提出的算 ping[C]//Proceedings of 2004 IEEE International Confer- 法无需在环境中架设专用的定位网络或改造现有 ence on Robotics and Automation.New Orleans,LA.USA. 的WIFI信号发射装置，因此，提高了算法的实用 2004:403-408. 性，同时降低了定位系统的成本。虽然此文的融合 [9]MILFORD M,JACOBSON A,CHEN Zetao,et al. 算法对RatSLAM定位精度等方面有些许的贡献， RatSLAM:using models of rodent hippocampus for robot
3.3 算法定位准确度对比 算法定位准确度是指在给定的误差的前提下， 算法成功定位的概率。当给定误差都较小时，两种 算法定位的准确度都较低，如图 8 所示。随着给定 误差的逐渐增大，定位成功率也随之提高。 RatSLAM+WIFI 算法在 0.2 m 之内就达 80%，然而 单独的 RatSLAM 算法在 0.3m 以上才可以达到这 个指标。不难得出，结合后的算法比结合前的算法 准确度更高，连续性更好，误差波动性更小。 0.07 0.14 0.21 0.28 0.35 0.42 15 30 45 60 75 90 100 RatSALM+WIFI RatSLAM 误差距离/m 累计概率/% 图 8 两种算法定位准确度对比 Fig. 8 Comparison of positioning accuracy of two algorithms 3.4 算法定位误差的比较 表 1 为两种算法精度指数比较，由表 1 可知， 融合之后算法的最大绝对误差和平均误差都比单个 的 RatSLAM 定位小，准确率更高。所以，融合后的 算法的精确度更高。 表 1 算法精度指数对比表 Table 1 Comparison of algorithm accuracy index 定位方法 最大绝对误差 MAE/m 平均误差/m 准确率/% RatSLAM+WIFI 0.292 8 0.152 8 90.423 6 RatSLAM 0.412 9 0.310 9 88.201 4 4 结束语 本文系统地研究了基于 WIFI 无线信号强度的 移动机器人 RatSLAM 问题，利用离线采样方式建 立了环境的 WIFI 指纹图，实现了 WIFI 指纹算法用 于 RatSLAM 模型的局部场景网络中，实现在线精 准定位，通过实验得出，此种融合算法使位置定位 精确度得到了很大提高。与此同时，本文提出的算 法无需在环境中架设专用的定位网络或改造现有 的 WIFI 信号发射装置，因此，提高了算法的实用 性，同时降低了定位系统的成本。虽然此文的融合 算法对 RatSLAM 定位精度等方面有些许的贡献， 但还有提升空间，未来多种无线信号网络定位技术 结合的方法与 RatSLAM 结合将会是一个热门的研 究方向。 参考文献： 王宏健, 傅桂霞, 边信黔, 等. 基于 SRCKF 的移动机器人 同步定位与地图构建[J]. 机器人, 2013, 35(2): 200–207. WANG Hongjian, FU Guixia, BIAN Xinqian, et al. SRCKF based simultaneous localization and mapping of mobile robots[J]. Robot, 2013, 35(2): 200–207. [1] 宋宇, 李庆玲, 康轶非, 等. 平方根容积 Rao-Blackwillised 粒子滤波 SLAM 算法[J]. 自动化学报, 2014, 40(2): 357–367. SONG Yu, LI Qingling, KANG Yifei, et al. SLAM with square-root cubature Rao-Blackwillised particle filter[J]. Acta automatica sinica, 2014, 40(2): 357–367. [2] 刘建华, 刘华平, 杨建国, 等. 测距式传感器同时定位与地 图创建综述[J]. 智能系统学报, 2015, 10(5): 655–662. LIU Jianhua, LIU Huaping, YANG Jianguo, et al. A survey of range-only SLAM for mobile robots[J]. CAAI transactions on intelligent systems, 2015, 10(5): 655–662. [3] 罗元, 余佳航, 汪龙峰, 等. 改进 RBPF 的移动机器人同步 定位与地图构建[J]. 智能系统学报, 2015, 10(3): 460–464. LUO Yuan, YU Jiahang, WANG Longfeng, et al. Simultaneous localization and mapping of an improved RBPF based mobile robot[J]. CAAI transactions on intelligent systems, 2015, 10(3): 460–464. [4] 弋英民, 刘丁, 黄莹. 未知观测噪声时机器人同步定位与 地图构建[J]. 控制理论与应用, 2015, 32(3): 320–325. YI Yingmin, LIU Ding, HUANG Ying. Robot simultaneous localization and mapping with unknown observation noise[J]. Control theory and applications, 2015, 32(3): 320–325. [5] LU Yang, YI Shujuan, LIU Yurong, et al. A novel path planning method for biomimetic robot based on deep learning[J]. Assembly automation, 2016, 36(2): 186–191. [6] 陈孟元 . 鼠类脑细胞导航机理的移动机器人仿 生 SLAM 综述[J]. 智能系统学报, 2018, 13(1): 107–117. CHEN Mengyuan. Overview of mobile robot bionic slam based on navigation mechanism of mouse brain cells[J]. CAAI transactions on intelligent systems, 2018, 13(1): 107–117. [7] MILFORD M J, WYETH G F, PRASSER D. RatSLAM: a hippocampal model for simultaneous localization and mapping[C]//Proceedings of 2004 IEEE International Conference on Robotics and Automation. New Orleans, LA, USA, 2004: 403–408. [8] MILFORD M, JACOBSON A, CHEN Zetao, et al. RatSLAM: using models of rodent hippocampus for robot [9] ·412· 智 能 系 统 学 报 第 13 卷
第3期 秦国威，等：基于WIFI指纹定位的仿生SLAM研究 ·413· navigation and beyond[M]//INABA M,CORKE P.Robot- [17]BERKVENS R,JACOBSON A,MILFORD M,et al.Bio- ics Research:the 16th International Symposium ISRR. logically inspired SLAM using Wi-Fi[C]//Proceedings of Cham:Springer International Publishing,2016. 2014 IEEE/RSJ International Conference on Intelligent Ro- [I0]张潇，胡小平，张礼廉，等.一种改进的RatSLAM仿生导 bots and Systems.Chicago,IL,USA,2014:1804-1811. 航算法0.导航与控制，2015,145)：73-79,47. [18]FERRIS B,FOX D,LAWRENCE N.WiFi-SLAM using ZHANG Xiao,HU Xiaoping,ZHANG Lilian,et al.An im- Gaussian process latent variable models[C]//Proceedings of proved bionic navigation algorithm based on RatSLAM[]. the 20th International Joint Conference on Artificial Intelli- Navigation and control,2015,14(5):73-79,47. gence.Hyderabad,India,2007:2480-2485. [11]GLOVER A J,MADDERN W P,MILFORD M J,et al. [19]BISWAS J,VELOSO M.WiFi localization and navigation FAB-MAP RatSLAM:appearance-based SLAM for mul- for autonomous indoor mobile robots[Cl//Proceedings of tiple times of day[C]//Proceedings of 2010 IEEE Interna- 2010 IEEE International Conference on Robotics and tional Conference on Robotics and Automation (ICRA). Automation (ICRA).Anchorage,Alaska,USA,2010: Anchorage,AK,USA,2010:3507-3512. 4379-4384. [12]WU Lei.Wireless network positioning technology[Cl//Pro- [20]BERKVENS R,VANDERMEULEN D,VERCAUTER- ceedings of 2015 International Conference on Manage- EN C,et al.Feasibility of geomagnetic localization and ment,Education,Information and Control.Shenyang, geomagnetic RatSLAM[J].International journal on ad- China.2015:830-833. vances in systems and measurements,2014,7(1/2):44-56. [13]苏松，胡引翠，卢光耀，等.低功耗蓝牙手机终端室内定 作者简介： 位方法U.测绘通报，2015(12)：81-84,97 秦国威，男，1994年生，硕士研究 SU Song,HU Yincui,LU Guangyao,et al.Indoor localiza- 生，主要研究方向为机器视觉和仿生 tion method with the low power-consuming Bluetooth mo- 导航算法。 bile phone terminals[J].Bulletin of surveying and mapping, 2015(12):81-84,97. [14孟祥瑞，徐雪战，赵光明，等.基于三维可视化与Zig bee技术的真三维煤矿人员定位[J].煤炭学报，2014 39(S2:603-608 孙新柱，男，1974年生，副教授， MENG Xiangrui,XU Xuezhan,ZHAO Guangming,et al. 主要研究方向为运动控制系统分析与 设计、智能机器人运动控制。主持多 True three-dimensional coal mine personnel positioning 项省级自然科学研究项目，获安徽省 system based on 3D visualization and Zigbee technology 教学成果二等奖1项、安徽省科技进 [J].Journal of China coal society,2014,39(S2):603-608. 步三等奖1项。发表学术论文20余篇。 [15]Canovas O,Lopez-de-Teruel P E,Ruiz A.Detecting in- door/outdoor places using WiFi signals and AdaBoost[J]. IEEE sensors journal,2017,17(5):1443-1453. 陈孟元，男，1984年生，副教授， 主要研究方向为移动机器人地图构建 [16]王雪莉，卢才武，顾清华，等.无线定位技术及其在地下 及同步定位。主持安徽省高等学校自 矿山中的应用.金属矿山，20094)：121-125 然科学研究项目10余项，授权国家发 WANG Xueli,LU Caiwu,GU Qinghua,et al.Wireless loc- 明专利4项。发表学术论文30余篇。 alization technique and its application in underground mines[JI.Metal mine,2009(4):121-125
navigation and beyond[M]//INABA M, CORKE P. Robotics Research: the 16th International Symposium ISRR. Cham: Springer International Publishing, 2016. 张潇, 胡小平, 张礼廉, 等. 一种改进的 RatSLAM 仿生导 航算法[J]. 导航与控制, 2015, 14(5): 73–79, 47. ZHANG Xiao, HU Xiaoping, ZHANG Lilian, et al. An improved bionic navigation algorithm based on RatSLAM[J]. Navigation and control, 2015, 14(5): 73–79, 47. [10] GLOVER A J, MADDERN W P, MILFORD M J, et al. FAB-MAP + RatSLAM: appearance-based SLAM for multiple times of day[C]//Proceedings of 2010 IEEE International Conference on Robotics and Automation (ICRA). Anchorage, AK, USA, 2010: 3507–3512. [11] WU Lei. Wireless network positioning technology[C]//Proceedings of 2015 International Conference on Management, Education, Information and Control. Shenyang, China, 2015: 830–833. [12] 苏松, 胡引翠, 卢光耀, 等. 低功耗蓝牙手机终端室内定 位方法[J]. 测绘通报, 2015(12): 81–84, 97. SU Song, HU Yincui, LU Guangyao, et al. Indoor localization method with the low power-consuming Bluetooth mobile phone terminals[J]. Bulletin of surveying and mapping, 2015(12): 81–84, 97. [13] 孟祥瑞, 徐雪战, 赵光明, 等. 基于三维可视化与 Zigbee 技术的真三维煤矿人员定位[J]. 煤炭学报, 2014, 39(S2): 603–608. MENG Xiangrui, XU Xuezhan, ZHAO Guangming, et al. True three-dimensional coal mine personnel positioning system based on 3D visualization and Zigbee technology [J]. Journal of China coal society, 2014, 39(S2): 603–608. [14] Canovas O, Lopez-de-Teruel P E, Ruiz A. Detecting indoor/outdoor places using WiFi signals and AdaBoost[J]. IEEE sensors journal, 2017, 17(5): 1443–1453. [15] 王雪莉, 卢才武, 顾清华, 等. 无线定位技术及其在地下 矿山中的应用[J]. 金属矿山, 2009(4): 121–125. WANG Xueli, LU Caiwu, GU Qinghua, et al. Wireless localization technique and its application in underground mines[J]. Metal mine, 2009(4): 121–125. [16] BERKVENS R, JACOBSON A, MILFORD M, et al. Biologically inspired SLAM using Wi-Fi[C]//Proceedings of 2014 IEEE/RSJ International Conference on Intelligent Robots and Systems. Chicago, IL, USA, 2014: 1804–1811. [17] FERRIS B, FOX D, LAWRENCE N. WiFi-SLAM using Gaussian process latent variable models[C]//Proceedings of the 20th International Joint Conference on Artificial Intelligence. Hyderabad, India, 2007: 2480–2485. [18] BISWAS J, VELOSO M. WiFi localization and navigation for autonomous indoor mobile robots[C]//Proceedings of 2010 IEEE International Conference on Robotics and Automation (ICRA). Anchorage, Alaska, USA, 2010: 4379–4384. [19] BERKVENS R, VANDERMEULEN D, VERCAUTEREN C, et al. Feasibility of geomagnetic localization and geomagnetic RatSLAM[J]. International journal on advances in systems and measurements, 2014, 7(1/2): 44–56. [20] 作者简介： 秦国威，男，1994 年生，硕士研究 生，主要研究方向为机器视觉和仿生 导航算法。 孙新柱，男，1974 年生，副教授， 主要研究方向为运动控制系统分析与 设计、智能机器人运动控制。主持多 项省级自然科学研究项目，获安徽省 教学成果二等奖 1 项、安徽省科技进 步三等奖 1 项。发表学术论文 20 余篇。 陈孟元，男，1984 年生，副教授， 主要研究方向为移动机器人地图构建 及同步定位。主持安徽省高等学校自 然科学研究项目 10 余项，授权国家发 明专利 4 项。发表学术论文 30 余篇。 第 3 期 秦国威，等：基于 WIFI 指纹定位的仿生 SLAM 研究 ·413·