Hello，everyone！
我是CS科研GO，一個熱衷於科研和軟開的胖子！
論文題目：SemanticSLAM: Using Environment Landmarks for Unsupervised Indoor Localization
論文作者：Heba Abdelnasser，Reham Mohamed等；
工作單位：埃及-日本科技大學，埃及；
發表期刊：IEEE Transactions on Mobile Computing，2015。(注：當時爲SCI一區)
520到了，我也來蹭波熱度 😃

可能很多人和我一樣，對SLAM存在刻板印象，覺得它是針對移動機器人的技術。那麼，這篇論文是如何應用到真人身上的呢？話不多說，往下看

1. 前言

基於移動傳感器的室內定位目前飛速發展，但大多數系統都依靠大量的校準步驟來實現較高的定位精度。

接下來介紹的SemanticSLAM，是一種新穎的無監督室內定位方案，可避免沿途掃描的需求。SemanticSLAM的基本思路是利用室內環境中的某些位置在手機傳感器上具有唯一的特徵。

例如，爬樓梯時，手機的加速度計上顯示獨特的模式，如下圖

當然，也存在某個地點會受到異常的電磁干擾，而另一個地點可能會覆蓋一組獨特的WiFi APs。

SemanticSLAM使用環境中的這些獨特點作爲地標，並在新的SLAM框架中將它們與航跡推算(Dead-Reckoning)相結合，以減少定位誤差和收斂時間。具體地，手機慣性傳感器用於跟蹤用戶的路徑，而觀測地標用於在同一概率框架中補償由傳感器噪聲引起的累積誤差。

2. 研究背景

目前，室內定位技術仍然不夠完善，達不到GPS在室外場景中的定位效果。其原因在於：

有一類室內定位技術，依賴於特殊的硬件(UWB、RFID等)，限制了此類技術的可擴展性。
基於WiFi的定位系統，提供了無處不在的定位，然而，它需要大量的人力和時間成本部署系統，後期還需要繁瑣的校準工作。
爲了減少這些校準工作，研究人員提出了一些新穎的系統。然而，這些系統的簡單通常以犧牲定位精度爲代價。
PDR(Pedestrians Dead Reckoning)技術利用傳感器計算用戶的步數和航向從而判斷用戶在環境中的位置。然而，由於航跡推算過程中誤差的快速累積，需要頻繁的校準用戶位置。

SemanticSLAM的出現，從一定程度上而言避免了上述問題，做到了系統部署成本和定位精度上的平衡取捨。

3. SemanticSLAM系統架構

同EKF-SLAM算法相比，FastSLAM算法的時間複雜度低，並且更善於處理非線性模型和數據關聯問題。因此，論文選擇FastSLAM算法作爲研究對象。(EKF-SLAM算法和FastSLAM算法傳送門)

SemanticSLAM系統架構如下圖所示，包含四個模塊：傳感器數據收集和特徵提取、地標檢測、航跡推算和SemanticSLAM算法。

3.1 傳感器數據收集和特徵提取

傳感器數據以衆包的方式從用戶手機中採集。採集的傳感器包括慣性傳感器(加速度計、羅盤和陀螺儀)以及WiFi和蜂窩接入點及其相關信號強度。然後分析收集到的傳感器數據，提取不同的特徵，用於識別地標。

3.2 航跡推算

首先，用戶需要手動標註起始點(已知)。
然後，利用加速度計獲取的加速度數據，使用UPTIME方法根據用戶步態計算步長。
最後，將陀螺儀和磁力計採集的數據融合在一起，利用兩個傳感器數據的相關性判斷準確方向的時間點，並將這些點作爲參考點，計算到下一個參考點的相對角度。

3.3 地標檢測

本文將地標分爲兩種類型，seed landmarks(SLM)和organic landmarks(OLM)。

3.3.1 SLM

SLM指可以映射到環境中的物理點的地標，用於引導系統。由於SLM對手機傳感器有獨特的影響，因此可以唯一識別。SLM的檢測是在室內平面圖已知的情況下進行的，主要檢測三種地標，樓梯，電梯和自動扶梯。

下圖描述用分類樹檢測SLM的過程。首先，利用有限狀態機技術判斷SLM類型是否爲電梯(誤報率0.06%)。然後，通過檢測磁場強度的變化，判斷SLM類型是否爲自動扶梯。最後，通過匹配加速度計讀數判斷用戶是上樓還是行走。

3.3.2 OLM

此類地標無需映射到物體，而是根據其在傳感器上的唯一特徵進行檢測。通常，基於傳感器模式中的固定異常現象進行檢測。檢測過程分爲兩步，首先識別感知信號的特有模式，然後測試給定的模式是否集中於一個小的區域，過程如下圖所示。

傳感器數據以矩陣的形式表示：該矩陣的元素<i，j>包含時間j處電話i的傳感器數據(加速度計，指南針，陀螺儀，磁力計和WiFi)。

慣性傳感器的特徵包括均值，最大值，最小值，方差，均值交叉，而WiFi特徵是MAC ID和RSSI。特徵值歸一化處理後在[-1,1]之間，反饋給K-means聚類算法。

檢測步驟中的閾值和參數，是通過經驗得出的，因此不做詳細介紹。(這個思路類似於WiFi的指紋法，不同之處在於指紋範圍變大，並且指紋的數據類型增多。)

3.4 核心算法

詳情見下節，哈哈哈！

四、SemanticSLAM算法

SemanticSLAM提供了一種新的框架，利用地標作爲觀測對象來增強用戶位置估計和地標識別。

基本思路是當地標被探測到，系統就會將它們與航跡推算定位方法結合起來，從而同時估計出人的位置和地標的位置。該算法包括採樣、地圖更新和重新採樣三個步驟。一般情況下，假設在 $t$ 時刻只觀測到一個地標。

4.1 採樣

採樣是爲了跟蹤目標當前時刻下的姿態。過程與FastSLAM類似，分爲兩部分：即下一個狀態分佈(運動更新)和地標測量的概率(觀測更新)。具體來說，它需要執行以下幾個步驟：

運動更新

$\hat{s}_{t}^{[m]} \sim P\left(s_{t} | s_{t-1}^{[m]}, \hat{u}_{t}\right)$

觀測更新

$\hat{z}_{n, t}^{[m]}=g\left(\mu_{n, t-1}^{[m]}, \hat{s}_{n, t}^{[m]}\right)$

分佈的協方差矩陣

$\Sigma_{s_{n, t}}^{[m]}=\left[G_{s, n}^{T} Q_{n, t}^{[m]-1} G_{s, n}+P_{t}^{-1}\right]^{-1}$

分佈的均值

$\mu_{s_{n, t}}^{[m]}=\hat{s}_{n, t}^{[m]}+\Sigma_{s_{n, t}}^{[m]} G_{s, n}^{T} Q_{n, t}^{[m]-1}\left(z_{t}-\hat{z}_{n, t}^{[m]}\right)$

採樣姿態

$s_{n, t}^{[m]} \sim \mathcal{N}\left(\mu_{s_{n, t}}^{[m]}, \Sigma_{s_{n, t}}^{[m]}\right)$

4.2 地圖更新

地圖更新步驟的目的是更新當前檢測到的地標的位置。當給定每個地標 $n$ 的混淆矩陣和位置不確定性 $Q_n$ ，基於EKF近似計算出與地標 $n$ 相對應的概率爲：

$p_{n}=\eta\left|2 \pi Q_{n, t}\right|^{-\frac{1}{2}} \exp \left\{-\frac{1}{2} \hat{z}_{n, t}^{T} \cdot Q_{n, t}^{-1} \hat{z}_{n, t}\right\} \cdot p\left(f_{t} | \hat{f}_{t}\right)$

其中， $η$ 表示歸一化因子， $f_t$ 代表真實的地標類型， $\hat{f}_{t}$ 代表觀測到的地標類型。

4.3 重採樣

每個粒子表示跟蹤目標姿態的估計值，其權值 $w^{[m]}$ 反映了與該粒子關聯的姿態的置信度。粒子的權值在每一步均被初始化，並根據更新所檢測到的概率最高的地標

$w_{t}^{[m]}=w_{t-1}^{[m]} \cdot p_{\hat{n}_{t}}^{[m]}$

選擇粒子的姿態和映射中的最大權重作爲當前的估計。然後，使用此權重執行重採樣步驟，以篩選粒子並刪除明顯偏離實際路徑的粒子。

5. 實驗

5.1 實驗設置

實驗使用Android手機採集數據，並將數據發送至服務器處理。實驗地點有兩個，杜克大學工程大樓和購物中心。

工程大樓區域爲3000m2，地標包括9個磁場，8個拐角，15個WiFi OLMs和3個SLMs。購物中心區域爲6000 m2，地標包括9個磁場，12個拐角，12個WiFi OLMs和4個SLMs。

三個用戶在兩個場景中移動收集數據。每個用戶在大樓內任意走動1.5小時，其中每個用戶使用前一個用戶檢測到的地標。系統的默認設置是在線模式。

5.2 性能評估

地標檢測性能

如下表，對於SLMs的檢測，FP率達到了0.2%，FN爲1.1%，而對於OLMs的檢測情況，文中並未說明。

系統定位精度

圖9描述的是粒子數和定位精度間的關係。很明顯，粒子數爲75和100時，定位性能最優。在75和100之間，有經驗的童鞋肯定會選擇75。
圖10描述的是算法加入SLM和不加SLM的區別，恩，效果很明顯，相信已經不用我再廢話了。
圖11描述的是隨着時間增長，用戶定位誤差的變化情況。吶，隨着時間一分一秒的度過，可以看出定位誤差在收斂，並在1m左右波動。
圖12的結果表明，SemanticSLAM系統離線時的定位效果要比在線好。其實呢，這符合常理，實時定位的效果相對來說肯定不如離線處理過的定位效果好。
圖13表明OLM對算法的定位效果改進並沒有SLM那樣顯著，如同雞肋，食之無用，棄之可惜。
圖14沒啥好說的。
圖15的結果就比較有意思了。毫無疑問，SemanticSLAM系統的最大誤差並不理想，遠遠超出了其它兩種方法。但是，SemanticSLAM系統的中值誤差確實小，而且它的誤差在90%的情況下是在1.5m以下。在幾千平的場景，得到這樣的效果不容易了。

6. 結論

論文提出了一種無標定的室內定位系統SemanticSLAM，此係統在兩個測試地點進行評估：大學大樓、購物中心。實驗結果表明，SemanticSLAM對各種各樣地標的誤判率極低，其誤差小於1％。此外，它在兩個地點均可實現0.53米的中值定位誤差，且收斂速度很快。離線操作模式下甚至可以增強此功能。與最先進的室內定位系統相比，SemanticSLAM的準確性提高了62％，收斂時間提高了33％，突出其在下一代室內定位服務的前景。

內容靠得住，關注不迷路。

科研筆記(三) 520到了，女票說SLAM技術能對真人做室內定位，我方了，不是機器人嗎？