目前, 导航功能已成为人们在户外或室内提供基于位置的服务(LBS)的关键要素. 随着物联网(IoT)、多传感器集成技术的快速发展, 定位的需求与应用变得更加广泛, 例如智慧城市的建设、自动驾驶技术的研发等[1]. 尤其自COVID-19疫情防控以来, 位置感知系统对相关接触人员的定位跟踪发挥了重要作用[2].其中以GPS、北斗等为代表的GNSS技术在近十年经历了突破性进展, 文献[3]中综述了最先进的GNSS信号处理算法, 并将提高GNSS接收机的精度、可用性与鲁棒性作为未来发展的关键技术驱动力. 然而, 当行人处于机场、展厅、商场等建筑结构复杂的城市中心或大型室内环境中, GNSS卫星信号在非视距情况下造成的衰减现象使得其定位可靠性降低. 为了弥补精度下降的缺陷, 人们开发了不同的基于物联网移动终端的室内导航系统, 为老人、小孩、视障人士等特殊群体的出行导航提供了安全保障[4,5]. 此外, 由于室内外环境变得复杂, 将室外与室内区域相结合以实现高精度、高可用性、低成本的无缝导航仍然是一个巨大的挑战.
总的来说, 无缝定位技术可概括为人们通过融合不同的定位手段, 使得在活动范围的空间区域内, 达到室内与室外环境的连续覆盖[6]. 在2004年, 文献[7]初期讨论了无缝导航需要解决的定位与映射问题, 并具体分析将一种室内定位技术(如WLAN、蓝牙等)辅助集成GPS实现无缝切换的可能性, 同时为了解决在未知环境检测与利用定位系统的问题, 提出创建一个光栅图像的局部区域地图, 但并没有在实际应用中得到验证. 2010年, 文献[8]利用GPS在室外具有稳定的定位性能, 而超宽带(UWB)在室内信号较差的环境中具备高精度的特性, 设计了GPS与UWB的组合定位系统, 在医院环境中实现了患者跟踪的导航服务. 随着智能手机与多传感器技术的发展, 基于室内定位技术的无缝导航也有了许多新的研究成果, 其分别在行人导航、自动驾驶与应急救援等许多新兴领域扮演着越来越重要的角色[9,10].
本文在多传感器融合室内定位技术的背景下, 旨在通过最新文献分析无缝导航的研究进展. 第1节先介绍了目前主流的室内定位技术、并对比其优势与局限性, 然后分析室内融合定位的研究进展; 第2节介绍了国内外学者研究室内外无缝导航的解决方案; 最后探讨了该领域的前景与面临的挑战. 这些阐述与总结为后续开展室内外无缝定位研究提供了有效的指导.
一、室内定位技术现状分析
1.主流室内定位技术
根据不同的物理特性或协议, 许多专家学者对室内环境的定位技术进行了研究(见表1[11–29]).表1从无线信号到非电信号两个角度分析了不同定位技术的特点. 本节还重点研究6种主流的室内定位系统, 包括WiFi、蓝牙、射频识别、超宽带、地磁与惯性传感器,并对各自的定位方法总结分析.
1）WiFi
WiFi定位模型包括几何测距与指纹匹配. 前者通过接收信号强度(RSS)随距离衰减的模型来定位用户位置, 但真实的室内环境复杂多变, 衰减模型难以提供可靠的精度. 而指纹匹配将定位分成两个阶段, 先在离线阶段划分区域网格, 将采集信号与对应位置形成映射关系的指纹库, 再将测试实时信号与数据库匹配. 目前, 不少研究学者也利用信道状态信息(CSI)作为接收模块, 获取更丰富的物理层信息, 有效解决多径问题,使定位精度进一步提高[30]. 然而, CSI进行指纹识别的缺点在于普通的WiFi硬件难以直接提取CSI特征, 数据采集需要支持MIMO天线的网络接口卡以及Ubuntu系统下的CSI工具等.
2）蓝牙
基于蓝牙的室内定位属于小范围无线通信技术.在传统蓝牙技术的发展基础上, 苹果公司在2013年提出基于iBeacon的蓝牙4.0版本, 该技术配备蓝牙低功耗(BLE)与稳定的数据传输等特性. 蓝牙设备由于成本低廉与便于使用的优势促进了其推广和使用[31], 其工作原理与WiFi指纹定位相似, 主要通过布设蓝牙信标节点, 利用唯一标识码与接收装置采集的RSSI信息获取其相对位置. 两者定位的区别在于基于智能手机BLE定位的电池功耗远低于WiFi技术, 而蓝牙定位的覆盖范围相对于WiFi小得多. 为了减少硬件安装的成本与工作量, 文献[32]中的作者使用蓝牙低功耗指纹进行室内环境的监测与识别, 并在相同环境中比较验证其性能高于CSI的WiFi定位系统, 提供了97.97%的平均准确率。
3） 射频识别
射频识别(RFID)起初应用于目标自动识别, 由于其非接触式、低成本、高精度等优点, 该技术也成为获取物体位置的一种解决方案, 尤其是在室内定位领域[33]. RFID信号定位由标签电池与阅读器组成, 根据标签类型, 基于射频的定位方式可分为主动与被动式[34].主动式有源标签依赖内部供电, 传输距离长, 但它们体积庞大、成本较高. 与主动式相比, 无源标签由阅读器发射电磁波信号自行供电, 虽然体积小、价格低, 但读取范围有限. 由于RFID特有的标签可解决激光传感器在对象识别中的奇异性问题, 而激光距离计算的高精度能弥补RFID定位结果. 因此, 文献[35]将RFID与激光测距仪的数据融合, 实现动态多目标识别和定位.实验表明, 在有障碍物的环境中, 该方法可以达到90.18%的匹配率与0.33 m的定位精度.
4）超宽带
超宽带(UWB)定位是一种脉冲无线电技术, 它接收和传输纳秒级及以下的极窄脉冲信号, 具有带宽大、抗干扰能力强等优点, 为室内导航提供了较高精度. UWB定位常用方法分为到达时间(TOA)[36]、到达时间差(TDOA)[37]与到达角(AOA)[38], 并且多种算法融合是该领域研究的热点. 当前, 在复杂的多房间室内环境中以低成本实现精确的UWB定位仍是一个挑战.文献[39]针对部分视距覆盖条件下提出了指纹识别辅助的超宽带定位技术的解决方案. 首先通过三边测量算法来确定目标位置, 而在所需视距测量值数量不足时, 使用指纹定位算法为三边测量提供附加距离. 实验结果表明, 在典型的真实环境下, 该方法可达到亚分米级的定位精度.
5） 磁传感器
地磁导航利用地球本身形成的全天候自然磁场.与WiFi、蓝牙等信号相比, 地磁测量值具有特征唯一性、时间稳定性、及对移动物体的抗干扰性等优点.然而, 地磁导航也面临许多挑战, 包括在不同室内环境影响下的可辨别性较低, 同时三轴磁场强度受载体姿态的变化也会影响其定位性能[40]. 为了解决误差累积与全局定位的问题, 文献[41]提出一种ILoA的三维地磁场增强矢量的定位方案. 作者通过预设行走路径的起始点与终点, 采用步行测量数据构建地磁地图, 并分析了方向变化特征对航向估计的影响, 实验证明了增强地磁矢量在不同路径场景下的有效性, 并在下一步期望结合视觉姿态测量来提高系统的鲁棒性.
6） 惯性传感器
行人航位推算(PDR)技术是基于智能手机内置的MEMS惯性传感器对行人运动状态的应用. 利用PDR进行导航的方法框架如图1所示. MEMS系统采集数据的传感器包括陀螺仪、加速度计与磁力计, 分别通过步频检测、步长估计与姿态计算3个步骤估计用户的步数、步长和航向信息[42]. 最后, 根据采集信息与用户上一时刻位置, 估计出用户当前位置. 然而, 由于惯性传感器内存在漂移误差, 难以提供长时间的定位, PDR常与其他定位方法结合, 包括GNSS[43]、WiFi[44]、蓝牙[45]与UWB[46]等, 来限制因时间推移累积的误差. 基于PDR的传感器融合技术将在第1.2节中进行阐述.
2.多源融合室内定位现状
基于不同传感器的室内定位技术各有其优缺点,许多研究学者重点提出了不同融合技术的解决方案,使定位的准确性、复杂性、覆盖率与成本之间达到平衡. 常见的融合定位手段分成3类, 分别是多模式指纹融合、基于几何测距融合与基于PDR技术融合[47].
（1）基于多指纹的融合定位
多模式指纹原理与WiFi指纹识别相似, 但它混合了多个信号源, 如蓝牙、地磁、图像等. 定位过程具体分为两阶段: 在离线阶段, 将获取的多源信号特征与室内空间的特定位置建立指纹库; 在在线阶段, 测试指纹特征利用相邻位置指纹的相似性实现数据库混合指纹的匹配与位置估计. WiFi指纹定位是目前常用的方法之一, 但受多径衰落效应等影响, WiFi定位效果不稳定. 为减小WiFi指纹定位受环境波动影响, 文献[48]融合WiFi信号与场景图像特征匹配以确定用户的位置. 在离线阶段, 将采集的RSS指纹与图像构建指纹数据库, 并通过AlexNet神经网络模型划分定位区域, 最后使用WiFi加权融合定位算法实时定位. 结果表明,多模态方法的定位结果具有更好的适应性与定位效果.类似的, 文献[49]提出利用融合核主成分分析(KPCA)后的WiFi指纹与局部二值模式(LBP)提取的场景图像特征, 建立光梯度提升机(LightGBM)回归定位模型. 针对减少WiFi定位区域的参考点数量, 文献[50]提出了基于蜂窝网络与WiFi的混合室内定位算法. 作者利用蜂窝网络将测试点划分至不同子区域实现预定位, 再使用自适应遗传算法优化BP神经网络完成最终定位. 文献[51]充分利用WiFi网络的信号特征, 将测量的RSS与CSI值构成指纹数据集, 从数据集中提取四分位、峰度、偏度、熵等9种不同的统计指标, 并利用AdaBoost算法将多个极限学习机弱分类器反复训练, 最终获得强分类器, 实验结果有效减少了数据的存储空间与计算复杂性. 此外, 融合地磁或蓝牙指纹也是一种流行的方式. 磁场技术可获得较高的准确度, 但它常需要WiFi定位弥补地磁初始位置误差. 文献[52]进行了WiFi与地磁信号的融合定位, 降低了WiFi失配率, 优化了传统单一的WiFi与地磁定位精度. 除上述组合外, WiFi还可与其他机会信号(如射频或声音特征等)视为指纹数据进行集成. 多模式指纹定位的优点在于它比单一的传感器定位精度更高, 且无需额外的硬件部署. 然而, 其缺点在于指纹的采集耗时且工作量大.未来基于深度学习算法处理多维指纹特征的融合定位技术是发展趋势之一.
（2）基于几何测距的融合定位
几何测距的融合通过集成不同类型的测量方法(如RSSI、TOA、TDOA与AOA)来提高定位精度. 基于RSS测距成本较低, 但精度也相对较低. AOA定位结果相比RSS更加准确, 但所需设备的定位方法成本较高. TOA与TDOA对时间误差的敏感性更高, 需要达到更精确的时间同步. 总的来说, 基于测距定位的主要挑战在于混合多种类型的硬件时如何降低部署和维护成本. 目前文献常用的一些混合源定位技术包括TDOA-AOA[53,54]、TOA-TDOA[55]、RSS-AOA[56–59]与RSS-TOA[60,61].. 结合AOA与TDOA的定位方法降低了接收设备的成本, 同时保证一定的定位精度. 文献[53]在混合TDOA/AOA定位优势基础上, 提出扩展卡尔曼滤波器消除非视距误差, 解决了室内环境下超宽带系统的定位问题. 文献[54]研究将TDOA与AOA算法相结合, 利用声源最优频率下的真实声信号改善TDOA计算结果. 该方法监测出的声源位置误差约为2 cm, 角度误差约为0.74°. 然而该研究只关注了单个声源, 未来研究还应考虑运动声源产生的多普勒效应的影响.文献[55]对超宽带收发器以TOA与TDOA方法进行融合研究, 结果显示两者融合能有效补偿信号功率、时钟漂移和硬件延迟的不确定性影响. 文献[56]整合了RSSI与AOA, 提出将两个测量值进行非平衡集成的方法(称为1AOA/nRSSI), 使用最小二乘法与子空间法解决了一个AOA与N个RSSI测量值的集成问题,相比于传统的无线传感器网络, 简化其复杂性. 文献[57]在度量RSSI与AOA的基础上, 提出了基于单个锚节点和三角区域分割的算法, 提高了目标节点的准确性.基于测距的典型算法有最小二乘[62]、最大似然估计[63]、泰勒级数[64]. 文献[59]提出了一种基于可见光定位的LED接收信号强度与AOA混合的算法, 通过加权最小二乘法定位远程发光二极管接收机的位置, 仿真结果得出了0.5 cm的平均定位误差. 文献[60]提出了一种利用RSS-TOA混合测量方法, 以解决非视距环境下目标节点的定位问题, 并通过仿真实验在恶劣环境下验证了方法的鲁棒性与准确性. 针对目前的研究趋向两者定位方法的组合, 文献[61]新提出尝试将4种测量方法混合分析来实现高精度定位, 通过对TOATDOA-RSS-AOA混合模型的数值模拟, 发现了两种以上的测量值融合结果可提供较好的估计精度, 并对存在非视距误差条件下同样适用.
（3）基于PDR技术的融合定位
结合PDR与多种传感器定位的方法在文献中也得到广泛的应用. 由于受惯导漂移和偏差的影响, 融合不同技术可弥补PDR在连续长时间定位造成的累积误差, 最终提高精度. 融合PDR数据的算法主要包括卡尔曼滤波(KF)、扩展卡尔曼滤波(EKF)、粒子滤波(PF)、以及图优化等. 在文献[46]中, 作者提出一种改进的PDR/UWB系统, 首先在PDR模块中使用双频Butterworth滤波器进行步态监测, 结合步长和航向信息计算目标位置, 并通过UWB系统周期性地校准航向角. 最后, 通过非视距评估函数动态调整噪声分布,利用方差卡尔曼滤波器在信息融合上提高定位精度.实验数据分别在视距与非视距环境下得出结果, 表明该集成系统可显著提高定位的准确性. 文献[65]中, 作者先通过改进加权质心算法分别实现WiFi与蓝牙定位, 再通过平均加权融合两者定位结果, 最后使用无迹卡尔曼滤波(UKF)将融合结果与PDR进行多源集成,较好地提高了算法的稳定性. 为了提高单点指纹的特异性与地磁定位精度, 文献[66]提出结合PDR与地磁指纹的遗传粒子滤波(GPF)算法. 实验结果表明, 该方法的平均定位误差为1.72 m, 均方根误差为1.89 m, 相比传统粒子滤波与单一的PDR定位方法, 定位精度与稳定性都得到有效提高. 文献[67]提出一种误差椭圆约束下的磁匹配与PDR组合的定位方法. 先利用PDR估计的位置将磁指纹数据库约束在圆形区域内,减少了磁场指纹库的维数, 再使用加权K近邻对磁匹配进行最终位置估计. 文献[68]提出了基于BLE和PDR的紧耦合集成室内导航方法, 作者以无线信号、行为地标和建筑结构等信息作为优化系统的约束条件,并使用一个房间和走廊场景对所提出的系统进行测试.通过将其性能与标准粒子滤波方法结果相比, 表明了该算法平均定位精度和鲁棒性均有显著提高. 文献[69]提出将 PDR 和室内环境的环境光结合起来进行室内定位的方法, 利用环境光源作为绝对位置信标周期性地校正PDR的位置, 避免PDR定位误差的累积. 在多层室内定位方案中, 基于PDR融合技术也在楼层定位中发挥关键作用. 文献[70]将嵌入智能手机PDR与FM调频信号进行多特征楼层定位. 通过随机森林分类器对平面行走、上下楼3种状态进行特征分类, 通过检测行人运动状态变化来准确定位楼层. 该方法的地板定位精度达到96.9%, 比仅使用单一加速度特征的方法提高了38.4%.
二、 室内外无缝导航技术进展
1.室内外环境检测机制
根据行人导航的空间分类, 可简单划分为室内或室外空间. 然而, 关于室内外过渡区域的路径范围, 当前文献中并没有严格标准的定义[71]. 在文献[72]中, 作者提出了一个空间定义框架, 将整个建筑环境分为室内、室外、半室内与半室外空间, 半室内与半室外空间的概念为进一步根据环境因素定制导航路径考虑了新的选择. 同时, 室内外切换判别准则的研究也为过渡空间的概念分析提供了依据. 例如, 室外自然光源与室内人造光源具有显著性质的差异; 手机从发射塔接收到的信号强度由于受不同的视距路径影响而不同; 建筑物内部的磁场强度相比于室外环境的波动较大. 文献[73]提出了一种室内外检测器(IODetector), 主要通过组合光传感器、蜂窝网基站信号与磁场强度在室内外环境中的变化, 来进行不同模式下环境的分类, 实现了在不同时间与环境下快速、准确的检测结果. 文献[74]设计了一种仅使用WiFi指纹聚类的室内外连续检测方法, 在12名实验人员的评估下获得93%的准确度,其未来改进之处在于完善地下停车场等无线接入点未覆盖的区域以及减少设备的功耗. 文献[75]提出了一种利用GPS信号结合机器学习分类技术来识别室内/室外环境的方案. 作者首先假设没有遮挡障碍物时,GPS信号以理想的信号强度接收. 当出现高楼等削弱甚至阻挡GPS信号情况时, GPS信号发生变化, 再利用SVM、KNN等分类器对室内外两者特性进行识别.该方法具有鲁棒性好、精度高、在室内外环境中移动平稳、易于实施等优点. 无缝导航实现框架如图2所示.
2.无缝导航技术研究进展
在无缝导航的技术融合层面, 国内外学者近几年进行了最新的相关实验与模拟.
第1类以GNSS与WiFi等指纹信号结合为主. 通过WiFi作为辅助技术, 引入其他高精度技术进而提高定位性能. 文献[76]利用增强粒子滤波器融合GPS与WiFi指纹, 提出了室内外群体感应定位系统(SoiCP).在观测模型中, 利用室外GPS定位更新粒子关联权重,而基于WiFi指纹的位置估计被作为室内测量来更新相关权重. 同时作者在室内外切换检测机制方面, 除了光强度参数外, 分别设计了结合信噪比(SNR)、空中探测卫星分布个数(OSR)与磁场(MAG) 3种探测器,达到无缝连接效果. 该系统在两个大型商场实验的平均准确率分别达到2.8 m与2.6 m, 其性能优于WiFi指纹识别和PDR-GPS融合算法. 为解决室内外无缝定位时过渡区精度低、坐标难以统一转换的问题, 文献[77]中结合GPS、WiFi信号与地磁指纹节点, 开发了室内外无缝定位导航系统. 作者在户外开放区域使用百度地图软件, 用户只需将携带定位软件的智能手机置于所选定位区域, 打开定位软件即可获取当前位置信息,解决了无缝定位系统面临的经纬度坐标转换问题. 为了提供鲁棒的无缝定位性能, 文献[78]通过自适应多模型扩展卡尔曼滤波器(AMEKF)将GNSS、WiFi精细时间测量(FTM)与内置传感器(SL-GWBS)相组合,并采用信号质量评估(QE)算法实时调整相应的融合权值. 实验结果表明所提出SL-GWBS算法具有米级的精度.
第2类以基于GNSS结合UWB技术为主的解决方案. 文献[79]分析了在信号接收困难的城市条件下联合处理GNSS与UWB信号参数测量的可能性, 并通过实验得出结论, 在确定相对坐标且均方根误差不超过1 m的城市地区, UWB与GNSS信号可进行联合处理实现无缝导航. 文献[80]构建了一种低成本多传感器平台, 将UWB集成到GNSS-INS系统, 以松耦合的体系结构及地理围栏触发器来执行室内外切换的状态估计, 并使用扩展卡尔曼滤波器(EKF)进行数据融合, 使定位解决方案持续提供. 在考虑5种不同测量运动的情况下, 所提出的数据融合算法的总体水平精度与三维精度分别为35 cm与45 cm. 文献[81]提出基于紧耦合的GNSS/UWB/INS/Map集成方案的无缝导航系统, 并通过UWB技术有效解决室外环境卫星数量有限的问题, 提高了模糊度固定率, 具有相对较好的稳定性与精度. 同时提出了一种改进的AREKF算法,可以有效抵抗GNSS与UWB观测中的异常值与异常滤波状态的影响, 使滤波系统具有鲁棒性. 尽管所提方案在自动驾驶无缝定位取得一些进展, 但最大误差仍接近1 m. 未来将考虑其他辅助传感器, 如激光雷达和摄像头, 以进一步增强定位稳定性. 类似的, 文献[82]中, 作者在室内环境采用UWB/INS紧耦合一体化定位方式, 通过UWB发射单元获取的距离测量值, 定期修正INS误差, 达到厘米级精度. 在室内外过渡区域, 提出了GNSS/ INS/UWB紧耦合一体化定位系统, 保证定位精度连续性, 进一步提高系统可靠性. 通过在高层建筑中进行实验评估定位性能, 结果表明所提的集成定位系统可在室内与室外-室内过渡区域均提供无缝和准确的定位结果, 二维定位距离均方根(DRMS)值为5.25 cm, 三维球面平均径向球面误差(MRSE)值为10.18 cm.第3类实现无缝定位服务的方式是基于惯性传感器的PDR技术组合GNSS技术. 文献[83]提出了一种结合扩展卡尔曼滤波融合GNSS与PDR数据的解决方案, 同时为了更好地描述这两种不同特性的误差, 定义了平均累积航向误差(MCHE)指标来度量两种系统的航向误差, 实验结果在信号较弱或多路径环境下, 定位误差达到0.59 m. 为了提高PDR在真实性人条件下的可用性与稳定性, 文献[84]将脚踏式PDR与智能手机GNSS定位相结合, 提出一种自适应零速度检测方法检测步态, 并应用启发式漂移抑制(HDR)模型约束累积的航向误差与基于气压计的高度累积误差. 测试结果表明, 该自适应检测器在不同行走速度和爬楼梯条件下性能良好, 增强PDR的累计距离误差仅为0.23%. 融合智能手机GNSS位置后, PDR水平位置误差均方根值约为1.34 m, 具有连续无缝的行人导航能力. 文献[85]提出了一种基于载波相位差的局部搜索方法, 并借助IMU-PDR实现了更高的定位精度. 此外,作者引入了人工路标辅助的启发式漂移消除算法(LAHDE), 在室外、室内走廊、室内房间等多场景下进行实验, 该算法都有效消除由IMU-PDR导出的漂移误差. 文献[86]通过卡尔曼滤波与因子图优化(FGO)实现了一种智能手机PDR/GNSS融合定位. 首先对PDR因子建模, 并用航迹推算算法对状态进行关联. 再将GNSS位置建模约束每步状态, 将状态估计转换为一个非线性最小二乘问题, 利用Georgia Tech平滑与映射图优化库来实现优化. 通过操场现场测试后结果表明, 与GNSS相比, FGO-PDR/GNSS的水平位置误差均值降低了40.8%, 有效地提高了智能手机的定位精度。
3.研究挑战与机遇
随着大量研究分别集中于对室内融合定位与室外卫星系统的改进, 无缝定位技术还不够成熟, 将GNSS系统融合室内不同定位技术、实现任何环境之间无缝导航的准确性与连续性依然面临许多问题. 该领域在未来的工作中需要考虑以下几个方面.
（1）多传感器组合定位是未来室内外精确定位发展的重要方向之一, 但在进行系统构建提高整体性能的同时, 考虑如何降低设备成本, 统一不同定位技术的坐标系统, 解决不同硬件设备的异构性, 从而能更好地投入于广泛的普适环境应用是主要的挑战.
（2）当前无缝导航定位技术大多以融合GPS为热点, 而随着我国自主研制的北斗卫星系统的不断成熟发展, 联合GPS/BDS与室内高精度定位融合导航将发挥更大价值. 尤其随着5G标准化的出现, 北斗与5G综合定位能更好服务于无缝导航应用, 并最终实现天地一体化高精度定位系统[87].
（3） 基于指纹识别系统的无缝导航尽管已经相对成熟, 但通常忽视了隐私与安全问题. 已有文献虽然尝试解决用户位置信息与数据库之间的隐私问题, 然而随着互联网安全威胁的不断增加, 隐私保障依然成为研究学者应投入关注并应对的重大挑战[88].
（4） 目前的无缝研究主要集中在卫星导航与室内传感器的集成, 对多源弹性融合导航定位的研究相对较少. 文献[89]提出了一种基于粒子滤波器的室内外多源弹性融合定位算法. 该算法根据前一时刻的定位结果与载体运动状态剔除异常定位结果, 并计算剩余多源传感器定位结果的质心, 实现了多传感器同声传译的灵活融合定位. 弹性PNT服务将解决多个传感器动态地跟踪, 同时根据环境变化动态调整不同传感器测量结果权重, 使融合导航效果更加稳定。
三、结语
综上所述, 本文首先简要总结了不同的室内定位技术工作机制, 并在此基础上阐述了室内多传感器融合的研究进展; 接着对室内外组合无缝定位的现状进行分析, 最后对无缝导航技术存在的挑战与机遇进行了展望.
文章来自网络 侵删