顧及室內(nèi)場景特征的多線激光雷達初始定位

史鵬程，葉 勤，張紹明，鄧海峰

1. 自然資源部城市國土資源監(jiān)測與仿真重點實驗室，廣東 深圳 518034； 2. 同濟大學測繪與地理信息學院，上海 200092； 3. 武漢大學計算機學院，湖北 武漢 430072； 4. 上海華測導航技術(shù)股份有限公司，上海 201702

伴隨人工智能技術(shù)快速發(fā)展，自動駕駛不僅改變了人們的出行方式，在物流、餐飲、醫(yī)療等領(lǐng)域發(fā)揮著重要作用，對于推動智慧化城市進程具有重要意義[1-3]。目前自動駕駛分為L0—L5共6個級別，L3級以上才能實現(xiàn)無須人工干預的無人駕駛。L1—L4可在限定條件下運行，無人駕駛場景分為：包括礦山、機場、港口及園區(qū)等低速封閉場景，包括高速公路等高速半封閉場景，以及包括城市中道路等的高速開放場景。無人駕駛對于定位暫無具體嚴格要求，但目前各個研究機構(gòu)都在致力于進行高精度定位欲實現(xiàn)厘米級定位效果。

同時定位與地圖建圖(simultaneous localization and mapping，SLAM)[4]是自動駕駛與機器人導航定位的關(guān)鍵技術(shù)。目前根據(jù)傳感器類型主要分為視覺和激光兩大類。視覺SLAM以O(shè)RB-SLAM[5]和LSD-SLAM[6]為代表，但是這類方法受限于視覺傳感器的量測范圍，不適用于本文中的大尺度場景。激光SLAM以LOAM[7]和LeGO-LOAM[8]為代表，量測范圍廣、精度高，抗干擾能力強，是目前較為穩(wěn)定和有效的自動駕駛方案。定位初始化是機器人導航定位SLAM中的重要環(huán)節(jié)，即當傳感器初始位于某場景中，需要通過定位初始化確定其在當前場景下的初始位置，為后續(xù)導航定位提供初始信息，保證平臺定位工作正常進行[9]。在機器人的連續(xù)定位過程中，若由于信號遮擋、傳感器故障、目標特征缺失等某些不確定性原因造成機器人定位失效，即機器人的追蹤丟失，可再次啟動定位初始化來恢復機器人的實時位姿，即機器人的綁架恢復[10]。

在室內(nèi)環(huán)境中，基于GNSS信號[11]、第3方開源地圖[12]等輔助信號源定位方案效果不佳，全局初始定位的挑戰(zhàn)性更大。為簡化定位算法，一些方法采用視覺標志[13-14]、QR碼[15]、Wi-Fi信號[16]、天花板[17]等人工輔助外源信號方案來進行定位，但是視覺標志方案易受到場景中移動目標遮擋影響，Wi-Fi定位通常無法解決朝向等問題。一些方法根據(jù)場景中存在的部分幾何特征如線特征[18-19]、角點[20-21]、平面[22-23]、停車場特殊結(jié)構(gòu)[24]等實現(xiàn)定位，但這些方法當場景紋理特征較弱時定位效果欠佳。一些方法利用特殊環(huán)境條件如磁場[25]、門牌號[26]等實現(xiàn)定位，但是對于場景有著嚴格要求，方法適用性有待提高。一些研究[27-28]中采用蒙特卡洛結(jié)合神經(jīng)網(wǎng)絡(luò)的方法可在全局范圍內(nèi)搜索出最優(yōu)全局位姿，但在這種方法中一定程度上受限于模型訓練效果，并需要數(shù)據(jù)清洗工作，前期工作量較大。部分多傳感器融合方案如相機與LiDAR[29]、IMU與LiDAR[30]等，雖然能增加數(shù)據(jù)豐富度，但多源數(shù)據(jù)的融合增加了算法挑戰(zhàn)性。

綜上關(guān)于定位初始化的相關(guān)研究，仍存在部分待優(yōu)化問題：①對于大尺度室內(nèi)場景的定位初始化應(yīng)用研究相對較少，其效率與準確度有待提高；②在GNSS信號不佳的室內(nèi)場景下，利用人工標志的方法，需要提前布設(shè)，同時易在遮擋時失效，不依賴于外源信息的定位方案有待研究；③基于特征的定位初始化方法依賴于特征提取效果，穩(wěn)健的特征提取方法有待研究。大尺度室內(nèi)環(huán)境更有利于機器人導航及自動駕駛產(chǎn)業(yè)落地推廣，但此類場景占地面積大、地物特征信息較少，光照條件不佳等問題對定位算法挑戰(zhàn)性較大。為此，本文提出一種在大尺度室內(nèi)場景下基于特征模式的機器人定位初始化方法。通過對室內(nèi)場景特征分析，探索場景中一些穩(wěn)定的人工構(gòu)筑物結(jié)構(gòu)及結(jié)構(gòu)組合，并將其定義為特征模式，提高特征提取準確度，進一步改善室內(nèi)機器人全局定位初始化性能。

1 特征模式提取

圖1為本文室內(nèi)場景下基于特征模式的定位初始化流程。

圖1 定位初始化流程Fig.1 Flow chart of localization initialization

1.1 特征模式類別

室內(nèi)場景中存在的一些穩(wěn)定的人工構(gòu)筑物如墻壁、柱體等，這些構(gòu)筑物位置發(fā)生變化的概率極低，同時作為場景中的顯著標志，可標示場景的總體布局。將這些穩(wěn)健結(jié)構(gòu)以及結(jié)構(gòu)組合定義為特征模式?；谖墨I[31]的研究，本文增加了對稱結(jié)構(gòu)模式。如圖2為定義的(a)—(e) 5類特征模式。根據(jù)結(jié)構(gòu)的幾何顯著性將特征模式分為3個級別，即圖2(a)為1級結(jié)構(gòu)，圖2(b)—圖2(d)為2級結(jié)構(gòu)，圖2(e)為3級結(jié)構(gòu)。圖2中第1行為實際場景結(jié)構(gòu)，第2行為結(jié)構(gòu)示意圖，第3行為簡化后的特征模式表達形式。

圖2 特征模式Fig.2 Feature pattern

1.2 實時幀特征模式提取

多線激光雷達是自動駕駛中常用的傳感器，具有距離分辨率高、抗干擾能力強等優(yōu)點。其數(shù)據(jù)具有如下特征：①組織形式，一系列具有三維坐標信息的點；②幾何形態(tài)，呈現(xiàn)多條線狀分布；③空間分布，不規(guī)則離散分布，不同掃描線點云之間距離差不同；④空間視場角，水平視角為360°，豎直方向存在一定視角限制。

1.2.1 預處理

在獲取實時點云S后，需對其預處理為后續(xù)特征提取做準備。主要包括以下步驟。

(1) 直通濾波：通過兩個高度閾值(H1,H2)濾除部分干擾點云，得到濾波點云SF。

(1)

(2)

利用奇異值分解依次得出點云3個正交方向向量(k,l,m)，令k、l所成平面與XOY面對齊，實現(xiàn)校正。

(3) 點云投影：將校正后點云正射投影至XOY平面，得到投影點云SJ。

1.2.2 一級結(jié)構(gòu)提取

室內(nèi)場景中最為顯著的結(jié)構(gòu)為多段墻體結(jié)構(gòu)?；诿烙^和布局考慮，室內(nèi)墻體通常會在方向上保持一致性。因此，采用一種循環(huán)分割的策略來提取場景中線狀分布的分段墻體結(jié)構(gòu)。主要包括以下步驟。

(1) 直線分割。如式(3)所示

(3)

(4)

(5)

式中，i為當前分割索引，se為1時停止分割，為0時繼續(xù)分割；Nlp為百分比閾值，ci為第i次分割累積分割次數(shù)，Cm為分割次數(shù)閾值。

(6)

(7)

式中，ec為點云聚類的有效性；Nlc為點云數(shù)量閾值；l(·)為計算點云長度，采用最小外接立方體的對角線長度近似，Llc為長度閾值。

圖3 截斷誤差Fig.3 Truncation error

圖4 線段擬合Fig.4 Line fitting

(4) 干擾線段剔除。如圖4(b)在直線分割時，由于參數(shù)設(shè)置等問題，某點云線段可能會被分割為雙線段結(jié)構(gòu)(L1,L2)。這些雙線段結(jié)具有如下特征：①距離較近;②方向近似平行；③彼此重疊度較高?；谝陨咸卣鳎瑢ふ页鲭p線段結(jié)構(gòu)，并保留其中較長線段得到L3。

1.2.3 二級結(jié)構(gòu)提取

二級結(jié)構(gòu)中包含平行、對稱和垂直結(jié)構(gòu)(圖2(b)—圖2(d))。相比于單線段結(jié)構(gòu)，二級結(jié)構(gòu)(線段對)在特征描述時更加穩(wěn)健，具有更多屬性，在后續(xù)匹配階段效率更高。其提取主要包括以下步驟。

(1) 確定線段對。單線段結(jié)構(gòu)兩兩組合為線段對集合Lp={(Li,Lj)i≠j,i,j∈nL}，nL為L數(shù)量。

(2) 夾角計算。設(shè)定平行和垂直余弦閾值Cp、Cv篩選候選平行和垂直線段對Lpp、Lpv。

(3) 距離計算。式(8)為計算近似平行線段對的距離；式(9)為根據(jù)線段距離對平行線段對分類

(8)

(9)

(4) 重疊度計算。如圖5(a)在線段對中計算兩線段重疊率o12o21,圖5(b)為無重疊線段對距離dn計算方式。

圖5 重疊度計算Fig.5 The calculation of overlapping degree

在式(10)中對候選平行和對稱結(jié)構(gòu)篩選得到AL和PL

(10)

(5) 垂足計算。根據(jù)式(11)計算兩線段的垂足點(x,y)

(11)

式中a1、b1、c1、a2、b2、c2為線段的直線參數(shù)。

1.2.4 3級結(jié)構(gòu)提取

3級結(jié)構(gòu)中定義了圓弧結(jié)構(gòu)(圖2(e))。AS對應(yīng)的是場景中圓柱等柱面結(jié)構(gòu)。其提取采用一種結(jié)合量化分析的序列化提取方法，主要包含以下4個步驟。

(12)

式中，Ix(·)索引函數(shù)，可保留三維點索引。

(4) 弧弦分析。如圖6在圓弧點云中尋找3點關(guān)鍵幾何點q1q2q3，其中S為激光雷達，q2為圓弧中點，是當前圓弧點云中距離S最近的點。q2q3為兩圓弧端點，是圓弧上q2兩側(cè)距S最遠的點，q1q2q3近似構(gòu)成一個等腰三角形即式(13)中弧弦約束，在幾何形態(tài)上不滿足該弧弦條件的圓弧結(jié)構(gòu)將會被剔除掉，最后得到AS。

圖6 弧弦分析Fig.6 Chord analysis

(13)

式中，d(A,B)表示AB的距離；a(A,B,C)表示ABC所形成的角度；Dch是距離誤差閾值；Ach是角度誤差閾值。

1.3 點云地圖特征模式提取

相比于單幀激光雷達數(shù)據(jù)，地圖點云數(shù)據(jù)較為稠密，在實時數(shù)據(jù)中適用的特征模式提取方法不適用于點云地圖。因此為提高點云地圖M上特征模式提取準確度，提出一種半自動化方法提取地圖特征模式。點云地圖特征模式提取流程如下(圖7)。

(1) 地圖拼接。采用激光SLAM算法LOAM計算LiDAR數(shù)據(jù)幀間相對位姿，通過選取關(guān)鍵幀Sk的方式進行地圖數(shù)據(jù)拼接，完成了地圖點云的初步拼接。

圖7 地圖數(shù)據(jù)處理流程Fig.7 Map data processing

(2) 地圖預處理。采用與文獻[32]相同的預處理方法，即分別使用離群點去除，統(tǒng)計濾波等濾除部分噪聲點云，并用直通濾波濾除部分干擾結(jié)構(gòu)。

(3) 第1次地圖裁剪。采用CloudCompare軟件的編輯裁剪功能，手動勾選部分拼接偏差點，通過目視檢查場景結(jié)構(gòu)的整體精度控制地圖數(shù)據(jù)修剪過程。

(4) 地圖校正投影。采用1.2.1節(jié)中點云校正的方法對修剪后的地圖數(shù)據(jù)進行校正， 并投影到XOY平面內(nèi)，得到投影點云MJ。

(5) 第2次地圖裁剪。手動修剪MJ，裁剪出每一特征模式對應(yīng)點云聚類。

(6) 特征模式提取。根據(jù)模式類別采用Ransac在對應(yīng)點云聚類中擬合特征模式。

2 地圖數(shù)據(jù)管理

為提高定位初始化的效率，本文提出一種高效的地圖數(shù)據(jù)管理方案。以文本的方式對地圖相關(guān)數(shù)進行存儲與管理，同一場景下只需完一次地圖數(shù)據(jù)處理并離線保存，避免了重復煩瑣的地圖數(shù)據(jù)操作。僅在場景發(fā)生變化更新時，重復一次地圖數(shù)據(jù)處理流程，更新地圖數(shù)據(jù)即可。如圖8為地圖數(shù)據(jù)存儲格式，其中主要包括以下兩方面。

(1) 地圖特征模式：根據(jù)特征模式初始化方式，對各類特征模式單獨采用離線文本方式進行存儲。其存儲格式如圖8中L、AL、PL、VL、AS等特征模式數(shù)據(jù)存儲格式。

圖8 地圖數(shù)據(jù)管理格式Fig.8 Management format of map data

(2) 地圖格網(wǎng)：根據(jù)格網(wǎng)分辨率r和投影點云MJ生成二值化格網(wǎng)地圖(圖9)。如圖8中MG行記錄格網(wǎng)非0元素位置，1為行號，從2開始依次為列號。

圖9 地圖網(wǎng)格Fig.9 Map grid

3 位姿求解

由于室內(nèi)場景地面起伏波動較小，6自由度(degree of freedom，DOF)的位姿可退化為3自由度(tx、ty、θ)即可完成室內(nèi)的定位與建圖任務(wù)。其中tx和ty分別為X軸和Y軸方向平移量，θ則為繞著Z軸旋轉(zhuǎn)角度量。通過構(gòu)建對應(yīng)各特征模式的誤差方程組合及匹配與配準策略，實現(xiàn)定位初始化，主要包含以下步驟。

(2) 誤差方程構(gòu)建。采用兩類誤差方程，即點到點距離與點到線段距離。在各類特征模中，構(gòu)建適應(yīng)其幾何屬性的多個誤差方程組合。

(3) 位姿參數(shù)求解。主要包括以下步驟：①位姿參數(shù)初始化為0；②采用L-M梯度下降方法對誤差方程進行優(yōu)化，推導最終得到關(guān)于位姿增量x的線性方程如式(14)所示

(H+λDTD)Δx=g

(14)

式中，H=J(x)TJ(x)，g=-J(x)Tf(x)，f(x)為誤差方程，D取對角矩陣即JTJ的對角元素平方根。采用QR分解計算出Δx的值；③計算ρ

(15)

若ρ>0.75，令μ=2μ,若ρ<0.25，令μ=0.5μ，其中μ為優(yōu)化半徑，若ρ大于0.5，則xk+1=xk+Δxk；④若Δxk足夠小，則停止，否則返回步驟②。

⑤解算出當前匹配元素所確定的位姿Ti=(txi,tyi,θi)。若當前匹配元素存在角度不確定時，按照式(16)更新θ角度作為初始值

(16)

再次進行求解，得到Ti+1=(txi+1,tyi+1,θi+1)，計算出當前特征模式匹配對所得到的所有位姿集合{Ti}k，k為當前特征模式匹配對索引。

(17)

(18)

(5) 遍歷所有候選特征模式匹配對，重復步驟(1)—步驟(4)，得到匹配位姿集合序列，{Ti}0,{Ti}1…{Ti}m。在所有初始化成功的匹配位姿中，選出得分最高者作為最終的初始化匹配位姿。

4 試 驗

4.1 試驗數(shù)據(jù)

圖10(a)—圖10(c)選取走廊、大廳、地下停車場3種代表性的大尺度室內(nèi)結(jié)構(gòu)化場景進行試驗。圖10(a)為室內(nèi)走廊，占地約750 m2，包含多段墻壁、柱子、和圍欄扶手等。圖10(b)是室內(nèi)大廳，占地約800 m2，場景中包含多個圓形柱子、展臺桌、墻壁、盆栽和長樓梯等，整個場景相對空曠。作為挑戰(zhàn)性之一，以上兩個場景都存在部分玻璃結(jié)構(gòu)，對數(shù)據(jù)獲取存在一定影響。圖10(c)為地下停車場，占地約3000 m2，除包含多段墻壁、柱子、警示標志，還包括眾多車輛(干擾)等。停車場挑戰(zhàn)性相對較大，光照條件不佳同時場景中存在大量相似的車體等結(jié)構(gòu)，對于墻壁等穩(wěn)健結(jié)構(gòu)的提取存在一定的干擾。

試驗采用RoboSense16線激光雷達如圖10(d)所示。將激光雷達一段時間內(nèi)采集的點云數(shù)據(jù)保存，并進行離線全局定位初始化試驗。試驗中建圖與定位使用同一組數(shù)據(jù)，但由于地圖數(shù)據(jù)在拼接過程中采用關(guān)鍵幀策略，同時地圖數(shù)據(jù)在處理過程中通過采樣、濾波、裁剪等操作，完全不同于實時幀數(shù)據(jù)處理流程，因此可使用同組數(shù)據(jù)在全局范圍內(nèi)測試本文定位方法。試驗中采用激光SLAM算法LOAM計算匹配位姿作為相對真值。LOAM具有0.55%的平移精度，0.001 3 deg/m的角度精度，是目前KITTI數(shù)據(jù)中排名前三的SLAM算法。當計算位姿與相對真值誤差在2 m認為初始化成功，因為在大尺度室內(nèi)場景中2 m左右初始位置誤差可在后續(xù)定位與建圖過程中逐步降低，不影響整體自動駕駛性能。試驗環(huán)境為Intel Core i7-5500U CPU @2.40 GHz 2.39 GHz和8.0 GB of RAM。

4.2 試驗結(jié)果

由于單線段結(jié)構(gòu)L匹配效率較低，實際場景應(yīng)用性不強，因此，試驗中未統(tǒng)計基于L結(jié)構(gòu)的初始化結(jié)果。圖11在3個場景中分別選取某幀數(shù)據(jù)進行初始化效果顯示，圖11(a)為地圖中提取的特征模式，并用不同顏色表示。圖11(b)為定位初始化匹配效果的側(cè)視圖。黃色為地圖點云，紅色為初始定位前單幀激光雷達點云，綠色為初始定位后，利用匹配位姿將單幀點云轉(zhuǎn)入地圖坐標下的點云。圖11為了提高顯示效果，對地圖數(shù)據(jù)進行降采樣顯示。在初始定位后，單幀點云與地圖點云目視匹配效果較好，可有效確定傳感器在全局地圖中的初始位姿。

圖10 試驗場景與設(shè)備Fig.10 Experimental scene and equipment

圖11 定位初始化效果Fig.11 The effect of localization initialization

在3個場景中各取3000、548、1015幀數(shù)據(jù)進行全局定位初始化測試，見表1。并統(tǒng)計了包括地圖模式數(shù)、定位初始化準確率、召回率、一次成功初始化時間、定位誤差均值等各指標。由于文中初始定位位姿為3自由度位姿，統(tǒng)計的初始定位誤差為水平定位精度。

(1) 場景1(走廊)。走廊場景中，相互垂直的墻壁、門窗、柱子等所形成的對稱、圓弧模式較為顯著。地圖特征模式數(shù)量分別為：PL-41、VL-53、AL-14、AS-8。在定位準確性方面，VL準確率達到94%以上，AS和AL分別達到76%和69%左右，PL相對較低。各類特征模式在完成一次成功初始化時所需時間分別為245.419 ms、457.3 ms、177.796 ms、870.941 ms，其中PL的定位誤差相對較大達到0.28 m，其他特征模式的定位誤差均在0.03 m以內(nèi)。

(2) 場景2(大廳)。與走廊場景相似，大廳中的特征模式均較為顯著。地圖特征模式數(shù)量分別為：PL-23、VL-47、AL-11、AS-11。各類模式的定位初始化準確率均達到了85%以上，平均初始化速度分別為209.908 ms、382.1 ms、82.638 ms、874.508 ms，定位誤差分別為0.048 5 m、0.028 3 m、0.026 4 m、0.057 6 m均保持在0.06 m以內(nèi)。各類特征模式在該場景下的定位初始化效果良好。

(3) 場景3(停車場)。停車場是挑戰(zhàn)性較大的一個場景，地圖特征模式數(shù)量分別為：PL-358、VL-562、AL-37。場景地圖中未出現(xiàn)AS模式，因此未對AS進行定位初始化統(tǒng)計。由于該場景中存在多個車輛結(jié)構(gòu)，造成地圖中的特征模式相對較多，定位初始化效率相對較低。VL與AL的準確率在62%和66%左右，但定位誤差均在0.04 m以內(nèi)，PL的準確率在34%左右，定位誤差在0.136 7 m左右。相比于前兩個場景，整體定位準確率稍有下降，但垂直和對稱模式仍具有良好的定位精度。

表1 全局定位初始化試驗統(tǒng)計

4.3 討論與分析

試驗結(jié)果表明，本文方法可有效完成室內(nèi)大尺度場景的定位初始化，且速度較快。試驗選取的典型的室內(nèi)大場景具備一定的挑戰(zhàn)性，如長走廊和大廳玻璃結(jié)構(gòu)等，場景空曠特征信息不足，地下停車場光照不佳，存在車輛等大型動態(tài)障礙物。目前實際的機器人導航或自動駕駛中初始定位方法通常采用室外GNSS、室內(nèi)WIFI、人工標志等輔助信號源或2D LiDAR、相機等傳感器，這些方法在信號不佳、標志遮擋時效果欠佳、同時輔助信號源的設(shè)置需要較多人工干預，自動化程度有待提高，在典型室內(nèi)場景中定位效果不佳。

在定位召回率方面，所選取的室內(nèi)試驗場景占地面積較大，某些數(shù)據(jù)存在遮擋或在某些位置不存在某些特定特征模式，如在走廊場景中，試驗中激光雷達曾在電梯附近小空間內(nèi)運行一段時間，此處位置特征模式不足，類似情況也存在于大廳和停車場場景，因此造成初始定位試驗的整體召回率較低。在實際機器人自主導航或自動駕駛時，可以避開像電梯附近這種人流量大、空間小的位置，選擇視野開闊位置進行定位初始化，若定位初始化失敗時，可適當移動當前傳感器位置，重新定位即可。

本文方法召回率雖然不高，但定位誤差相對較低，可以較好地完成定位初始化任務(wù)。由于地圖數(shù)據(jù)為單獨離線處理，因此在處理時可有選擇地剔除部分對初始化意義不大的特征數(shù)據(jù)，以提高整體定位速度。如試驗場景3中由于車輛信息的存在導致提取的地圖模式(干擾特征)較其他場景多，因此在試驗中，本文在地圖特征模式提取中有選擇地刪除掉部分(干擾)特征模式，以提高定位初始化的效率。同時在實際場景中，還可通過特征模式間相互組合的方式以提高定位初始化的召回率。

5 結(jié) 論

本文提出一種大尺度室內(nèi)環(huán)境下基于特征模式的室內(nèi)機器人定位初始化方法。在分析室內(nèi)場景常見結(jié)構(gòu)類別與特性基礎(chǔ)上，提出了特征模式的概念及多線激光雷達點云中特征模式提取的方法，并對其分級管理，采用輕量級的表達方式顯著提高特征表達效率。本文的半自動化地圖特征模式提取流程，保證了地圖數(shù)據(jù)準確度，并設(shè)計一種高效的地圖數(shù)據(jù)管理方案實現(xiàn)對地圖數(shù)據(jù)的高效管理，提高了全局初始定位效率。針對各類特征模式構(gòu)建自適應(yīng)匹配與配準策略，并利用地圖網(wǎng)格作為初始化評價指標，實現(xiàn)室內(nèi)場景下傳感器的快速、準確的定位初始化，為室內(nèi)機器人的快速初始定位提供一種新方法。為驗證本文方法的有效性，選取了3類代表性場景進行定位初始化試驗，并對試驗結(jié)果進行評價分析。本文方法不局限于16線LiDAR數(shù)據(jù)，可應(yīng)用于自動駕駛中其他線數(shù)的多線激光雷達數(shù)據(jù)。本文全局定位初始化性能基本滿足實際室內(nèi)自動駕駛性能需求，可應(yīng)用于其初始定位模塊中。在進一步的研究工作中，將在更多類型場景中探索典型地物特征，擴充特征模式庫。并研究融合IMU等傳感器的實時定位系統(tǒng)構(gòu)建，以應(yīng)對更加復雜的室內(nèi)大場景下定位工作。