面向地圖匹配的室內(nèi)位置-語義模型設計

羅帥偉 黃艷華 李超 陳迅

摘 ?要：傳統(tǒng)的室內(nèi)空間信息模型或者過于復雜導致操作性較差，或者沒有充分表達地圖匹配所需的空間要素信息，阻礙地圖匹配方法的高效實施。該研究將以構建能夠有效支撐地圖匹配的室內(nèi)空間信息模型作為研究目標，此模型應明確室內(nèi)空間要素的表達內(nèi)容，并應確定具體的表達方法。模型的構建應以地圖匹配方法的機理為基礎，以室內(nèi)地圖匹配的實際需要為導向，以表達支撐室內(nèi)地圖匹配的空間信息為目的，分別對室內(nèi)空間要素的位置及屬性，室內(nèi)空間要素之間的拓撲關系進行表達。該研究構建面向地圖匹配的室內(nèi)位置-語義模型。實驗表明此模型較為簡潔且信息完備，可在保證地圖匹配實際需要的同時提高運行效率。

關鍵詞：室內(nèi)；地圖匹配；位置；語義模型；空間信息模型

中圖分類號：P283.7 ? ? ?文獻標志碼：A ? ? ? ? ?文章編號：2095-2945（2024）14-0108-04

Abstract： The traditional indoor spatial information model is either too complex to operate poorly， or does not fully express the spatial element information needed for map matching， which hinders the efficient implementation of the map matching method. This study will take the construction of an indoor spatial information model which can effectively support map matching as the research goal. This model should clarify the expression content of indoor space elements and determine the specific expression methods. The construction of the model should be based on the mechanism of map matching method， guided by the actual needs of indoor map matching， and for the purpose of expressing the spatial information supporting indoor map matching， respectively on the location and attributes of indoor space elements. The topological relationship between indoor space elements should be expressed separately. In this study， an indoor location-semantic model for map matching is constructed. The experimental results show that the model is simple and complete， which can ensure the actual needs of map matching and improve the operation efficiency at the same time.

Keywords： indoor; map matching; location; semantic model; spatial information model

地圖匹配技術最早應用于室外的衛(wèi)星定位領域，其將存在較大誤差的初始定位結果匹配至最可能的正確位置，從而提高定位精度，而地圖匹配結果的精度受到初始定位精度、地圖精度、定位信號采集頻率的綜合影響[1]。地圖匹配作為提高定位精度的重要手段，近年來已經(jīng)成為室內(nèi)定位領域研究的熱點之一。室內(nèi)地圖作為室內(nèi)空間的有效表達，在地圖匹配中起著重要的作用。室內(nèi)地圖主要表達室內(nèi)空間中的墻、門、窗等室內(nèi)空間要素的位置分布，以上要素在地圖匹配中起著對室內(nèi)移動目標較強的約束作用，地圖匹配通過室內(nèi)空間要素將不可能存在的初始定位結果進行糾正，從而達到降低定位誤差的目的。

室外的全球導航衛(wèi)星系統(tǒng)（Global Navigation Satellite System，GNSS）領域將地圖匹配分為幾何匹配方法、拓撲關系方法、概率統(tǒng)計方法和先進匹配方法等，其中幾何匹配方法和拓撲關系方法的定位原理相對簡單但精度相對較低，概率統(tǒng)計方法和先進匹配方法的原理復雜但精度相對較高[2]。本研究在對室內(nèi)地圖匹配的研究成果進行綜合分析的基礎上，結合其需要的室內(nèi)空間特征要素，將室內(nèi)地圖匹配方法分為3類：基于貝葉斯的匹配、路徑匹配和點到點匹配。

傳統(tǒng)的可以表示室內(nèi)空間信息的空間信息模型，如室內(nèi)地理標記語言（Indoor Geography Markup Language，IndoorGML）、城市地理標記語言（City Geography Markup Language，CityGML）、室內(nèi)開放地圖（Indoor Open Street Map，IndoorOSM）和工業(yè)基礎類（Industry Foundation Classes，IFC），提供的數(shù)據(jù)沒有較好地滿足地圖匹配的需要，且以上室內(nèi)空間信息模型構成較為復雜且要求較高，導致其實際操作性較差，同時也較大幅度地降低了室內(nèi)空間數(shù)據(jù)的計算效率[3-4]。室內(nèi)地圖匹配的方法較為繁多，其需要的室內(nèi)空間信息的種類也會有所不同[5]。因此，如何從室內(nèi)地圖匹配的需要出發(fā)考慮，探索得出面向室內(nèi)定位地圖匹配的室內(nèi)空間信息模型顯得尤為重要。

1 ?室內(nèi)地圖匹配機理

室內(nèi)地圖匹配的運行機理主要分為3個步驟（圖1）。

①利用各種傳感器獲取進行初始定位所需的“聲、光、電、場”信號；②使用K最鄰近（K-NearestNeighbor，KNN）、位置指紋、步行者航位推算（Pedestrian Dead Reckoning，PDR）等方法對步驟①采集到的信號數(shù)據(jù)進行初始位置解算；③使用粒子濾波、隱馬爾可夫模型、條件隨機場等多種方法計算步驟②計算得出的初始位置被糾正到各個候選位置的概率，選取概率最大的糾正位置作為最終定位結果。

2 ?地圖匹配所需的空間約束

2.1 ?點到點匹配

點到點匹配原理簡單，效率較高，但其精度有限。地標匹配方法和幾何方法是最為常見的點到點匹配方法。

在室內(nèi)空間中，地標是最為經(jīng)常使用的定位工具，地標在傳統(tǒng)的概念中主要指具有唯一性和易辨別性的固定物體，如室內(nèi)雕塑、門牌號、門店招牌等。近年來隨著研究的不斷深入，地標的概念也在不斷地衍生，如地標可以是在某個地點某個固定時間發(fā)生的某種事件，如在每天的固定時間某個地點會有大量的車輛經(jīng)過，每個經(jīng)過某個固定地點的人會做一種固定動作等。使用地標進行室內(nèi)定位較為簡單有效，但定位對地標的唯一性和易辨別性有著較高的要求，若目標沒能有效地識別地標，則會導致較大的累計誤差，即使地標被有效識別，相鄰地標之間的累計誤差也難免會對定位產(chǎn)生影響。

幾何方法的實施較為依賴室內(nèi)路網(wǎng)，其依靠室內(nèi)路網(wǎng)對初始定位結果的約束，達到增強定位精度的目的。幾何方法通過目標的方向權重wo、距離權重wd和鄰接權重wa來確定匹配后的定位結果，其中方向權重wo由目標朝向與室內(nèi)道路方向得出，兩者重合度越高，此權重越大；距離權重wd由目標此時刻的初始定位位置與其在路網(wǎng)上投影后的位置得出，初始定位位置與投影點的歐指距離越小，此權重越大；鄰接權重wa由此時刻初始定位結果在路網(wǎng)上投影的位置與上一時刻匹配后的位置得出，兩位置之間的距離越合理，此權重越大。最后將以上3項權重相加得出總權重，總權重最大的相應位置為匹配后的定位結果。

點到點匹配所依靠的空間約束主要是室內(nèi)空間中的地標和路網(wǎng)。室內(nèi)路網(wǎng)的生成主要依靠室內(nèi)的空間分布，而室內(nèi)空間分布的構成主要靠墻體和門、窗等室內(nèi)地物要素分隔產(chǎn)生，因此室內(nèi)空間中墻、門和窗的位置直接決定著點到點匹配所需的空間約束。針對墻體，應著重表達其端點及拐點坐標；針對門和窗，應對其兩側的角點及高度進行詳細表達。

2.2 ?路徑匹配

路徑匹配的原理相對復雜，精度相對于點到點匹配也較高。路徑匹配將初始定位獲取的目標運動軌跡與室內(nèi)路網(wǎng)中的若干個相鄰路段進行匹配，將與初始定位結果距離最近的候選路段作為最終定位結果。

路徑匹配所依賴的空間約束是室內(nèi)路網(wǎng)，如前所述，室內(nèi)路網(wǎng)主要依靠墻體、門、窗生成。

2.3 ?基于貝葉斯的匹配

相對于前述的2種地圖匹配方法，基于貝葉斯的匹配原理相對復雜，但精度相對較高?；谪惾~斯的匹配將地圖上所反映的顯性和隱性的空間信息與貝葉斯統(tǒng)計的相關原理相結合，最終求得概率最大的位置作為定位結果。目前最常見的基于貝葉斯的定位方法主要有粒子濾波和隱馬爾可夫模型等。

粒子濾波利用一組具有相關權重的粒子近似得出室內(nèi)定位中含噪聲隨機過程的后驗分布。在粒子濾波中，大量的粒子隨著目標的位移按照預設的模型同時進行位移。在位移的過程中，與障礙物發(fā)生碰撞的粒子的權重被設為0（因為目標不可能穿過障礙物），同時可在目標位移的過程中設定電子地標，與電子地標距離越近的粒子的權重將越大，反之越小。目標每走完一步，需要進行重采樣，粒子濾波會根據(jù)粒子的權重對例子進行復制，權重越大的粒子，復制的個數(shù)會越多。最終，粒子濾波會根據(jù)每個粒子的坐標和權重確定定位結果。粒子濾波方法的運行需要設定大量的粒子，在一定的限度內(nèi)設定的粒子數(shù)越多，定位結果會越精確，但計算量會越大。

隱馬爾可夫模型需在獲取轉移概率A、發(fā)散概率B和初始概率π分布的基礎上利用維特比算法求得目標最可能的位置。其中，目標在室內(nèi)空間中的轉移概率可以表示為

aij=，

式中：aij為從參考點i到參考點j的轉移概率，Dij為從參考點i到參考點j的距離，Dik為從參考點i到參考點k的距離，k為參考點從參考點i出發(fā)能到達的所有參考點的數(shù)量。目標在室內(nèi)空間中的發(fā)散概率可表示為

bj（k）=p（ok│sj），k=1，2，…，M；j=1，2，…，N，

式中：bj（k）表示觀測值為ok但實際位置為sj的概率。

綜上所述，在基于貝葉斯的匹配中，粒子濾波算法主要是根據(jù)室內(nèi)空間中的可通行性進行工作，因此室內(nèi)空間中的墻、門、窗等障礙物的準確位置就尤為重要。隱馬爾可夫模型利用的路徑距離主要依賴室內(nèi)路網(wǎng)得到，如前所述，室內(nèi)路網(wǎng)的生成也依賴室內(nèi)空間中的墻、門、窗等障礙物的準確位置，而獲取室內(nèi)初始定位結果經(jīng)常需要室內(nèi)Wi-Fi指紋庫，室內(nèi)Wi-Fi指紋庫中的指紋點位置信息依賴于室內(nèi)格網(wǎng)。

3 ?面向地圖匹配的室內(nèi)位置-語義模型

如前所述，室內(nèi)空間所蘊含的室內(nèi)空間要素（如墻、門、窗等）對地圖匹配起著重要的作用。但傳統(tǒng)的室內(nèi)空間信息模型（如CityGML、IndoorGML、IFC等）或對室內(nèi)空間信息的表達過于簡單導致難以滿足地圖匹配的需要，或對時間空間信息的表達過于復雜難以實現(xiàn)，同時造成計算效率較低，因此有必要構建面向室內(nèi)地圖匹配的空間信息模型?；谑覂?nèi)地圖匹配所需，本研究構建的室內(nèi)空間信息模型需表達室內(nèi)空間要素的位置和語義信息，以約束室內(nèi)初始定位結果，提高定位精度，以下稱其為室內(nèi)位置-語義模型。

3.1 ?位置信息表達

基于地圖匹配所需，室內(nèi)位置-語義模型需對構成室內(nèi)空間要素形狀的點位坐標進行重點表達，構成室內(nèi)空間要素形狀的點位主要有墻體的端點及拐角、門和窗的角點、室內(nèi)單元空間邊界的拐點、地標的中心或邊界拐點等。室內(nèi)位置-語義模型將以坐標的形式順時針表達空間元素的邊界及角點。

如圖2所示，每個室內(nèi)單元空間都由多個室內(nèi)元素的位置決定，如s1的位置信息表示為s1={w1，w2，i1，i2，w3，w4，d1，d2}，其中墻體拐角點為w，窗戶角點為i，門角點為d。每個室內(nèi)要素的特征點的屬性均包括其對應的坐標信息，如w1（216.312 m，386.510 m，212.300 m），i1（213.312 m，396.510 m，212.300 m），…，d2（216.212 m，386.510 m，212.300 m）。

3.2 ?語義信息表達

除了位置信息，室內(nèi)地圖匹配還需要大量的語義信息，主要包括空間元素的拓撲關系、空間元素的名稱、空間元素的外觀描述等多種屬性信息。室內(nèi)位置-語義模型所表達的拓撲關系主要包括要素之間的拓撲鄰近、拓撲包含和拓撲連通。本研究在傳統(tǒng)的表達語義的層次模型和圖模型的基礎上，構建了地圖匹配所需的層次-圖模型用于語義信息的表達。如圖 3 所示，節(jié)點表示室內(nèi)空間要素，虛線表示要素間的拓撲包含關系，實線表示拓撲鄰接關系，拓撲連通關系則需要依據(jù)室內(nèi)的路網(wǎng)進行表達。

4 ?空間要素的表達規(guī)則

前述內(nèi)容已經(jīng)確定了對室內(nèi)空間要素的表達框架，下面將主要說明具體的表達方法。由于論文的篇幅受限，在這里只對墻、門、窗、地標和單元空間的表達規(guī)則進行說明。

4.1 ?單元空間

單元空間是室內(nèi)總體空間的基本組成單元，單元空間通常具有較為獨立的使用功能，如辦公室、會議室、走廊分區(qū)和衛(wèi)生間等，單元空間通常包括墻體和門，很多情況下也包括窗戶和室內(nèi)設施。在室內(nèi)地圖匹配中，單元空間起著重要的作用，在很多情況下，需要的室內(nèi)定位結果并不是準確的坐標，而是所處的單元空間的名稱或編號，即使需要室內(nèi)定位的準確坐標，獲取較為準確的語義信息也有利于坐標精度的提高，在通常情況下，會通過聲音、光源、紅外信標或射頻標簽進行單元空間語義信息的獲取。因此，本模型需重點表達單元空間的角點坐標等位置信息，和單元空間之間的拓撲關系、編號、功能等語義信息。

4.2 ?墻

建筑物內(nèi)部的整體空間和單元空間均由墻體圍建而成，墻體的位置決定著室內(nèi)單元空間的形狀，墻體是室內(nèi)空間表達中的基礎性要素，墻體具有的無法通過性也成為進行室內(nèi)定位約束最有效的元素。常見的是室內(nèi)自上而下貫通的墻體，但僅僅這樣狹義地定義墻體無法滿足地圖匹配的需要，因此室內(nèi)位置-語義模型將不具有通過性的固定性障礙都認定為墻體（如欄桿、不具有通過性的門等），這樣的認定有利于室內(nèi)空間的表達，也有利于地圖匹配工作的開展。針對室內(nèi)地圖匹配所需，室內(nèi)位置-語義模型應重點表達墻體的拐點坐標等位置信息（按順時針方向表達），和高度、厚度、材質(zhì)等語義信息。

4.3 ?門

門是單元空間的出入口，起著元素之間拓撲連接的重要作用，決定著室內(nèi)路網(wǎng)的生成，同時門的位置也直接決定著室內(nèi)空間中的路徑距離。門的位置信息主要包括門兩側的角點坐標，語義信息主要包括門的編號、高度、類型等。

4.4 ?窗

在通常情況下窗戶不具有通過性，因此其在地圖匹配中起著與墻同樣的作用，但其在緊急情況下也可以具有通過性（如在發(fā)生火災、地震時），應對其做出必要的說明。窗的位置屬性主要包括四角坐標，語義屬性主要包括窗的編號、高度、類型等。

4.5 ?地標

如前所述，地標在室內(nèi)地圖匹配中經(jīng)常起著重要的作用。地標被定義為人們在物理和虛擬的室內(nèi)和室外環(huán)境的認知地圖中的突出特征，在人們與陌生環(huán)境的互動中，特別是在陌生區(qū)域尋找道路時起著非常重要的作用[6]。地標可以是室內(nèi)固定不動的雕塑，可以是室內(nèi)商鋪的招牌，也可以是門牌號，甚至可以是室內(nèi)固定地點固定時間發(fā)生的一種事情，這些都可以作為地標，因此，應對地標的位置和語義做出較為具體的說明，地標的位置屬性主要包括地標所在點的坐標，語義屬性主要包括地標的外觀描述、高度等信息。

5 ?結束語

面向地圖匹配的室內(nèi)位置-語義模型以室內(nèi)定位中地圖匹配的需要為驅動，不僅表達了室內(nèi)空間要素的位置信息，同時也表達了其拓撲關系、外觀屬性等語義信息，同時也針對地圖匹配的需要對室內(nèi)路網(wǎng)進行了表達。相對于傳統(tǒng)的室內(nèi)空間信息模型，室內(nèi)位置-語義模型不僅更為輕量，而且也涵蓋了傳統(tǒng)室內(nèi)空間信息模型沒有表達的地圖匹配所需要的重要信息。實驗結果表明，此模型在應用于室內(nèi)地圖匹配的實踐過程中，在充分滿足地圖匹配需要的基礎上降低了數(shù)據(jù)處理量，使地圖匹配的效率得到了有效增強。地圖匹配已經(jīng)成為室內(nèi)定位領域研究的熱點之一，隨著地圖匹配方法的不斷創(chuàng)新，其所需要的信息也會更加豐富，因此面向地圖匹配的室內(nèi)位置-語義模型應具備更強的動態(tài)調(diào)整機制，以適應技術的發(fā)展與進步。

參考文獻：

[1] 尚建嘎.室內(nèi)空間信息支持下的行人導航定位方法[M].北京：科學出版社，2016.

[2] 高文超，李國良，塔娜.路網(wǎng)匹配算法綜述[J].軟件學報，2018，29（2）：225-250.

[3] 張建平，曹銘，張洋.基于IFC標準和工程信息模型的建筑施工4D管理系統(tǒng)[J].工程力學，2005（S1）：220-227.

[4] 吳怡潔.基于平面圖識別的室內(nèi)自動制圖與建模[D].武漢：中國地質(zhì)大學，2019.

[5] 羅帥偉.室內(nèi)地圖匹配空間信息建模及其對定位精度的影響評價[D].武漢：中國地質(zhì)大學，2022.

[6] HU X， DING L， SHANG J， et al. Data-driven approach to learning salience models of indoor landmarks by using genetic programming[J]. International journal of digital earth， 2020，13（11）：1230-1257.