【《地图匹配的研究现状文献综述》4000字】

[38]GPS，惯性传感器数据N/A以上所有地图匹配方法的介绍如表1.1所述。地标（Landmarks）、平面地图等空间信息通常被用于增强定位结果。地标被定义为能使传感器读数出现特定变化模式的位置点。当检测到这些传感器的特殊读数模式时，就将当前定位结果匹配到对应的地标位置上以提高定位精度。地标检测的方法可以实现在线地图匹配，但是基于地标的方法对地标的检测精度要求很高，且需要提前标记地标信息，当地标匹配错误时会导致更大的定位误差。粒子滤波方法能使用墙壁等障碍物等空间约束信息来提高定位精度。粒子滤波在空间中散布大量粒子模拟行人位置，将传感器信息输入到运动模型中用于更新粒子的位置，当更新后的粒子与墙壁等障碍物发生碰撞时，则将其权重设置为零。以此消除违法空间约束的定位结果以提高定位精度[26]。为达到理想的定位精度，粒子滤波算法通常‌‌需要大量的粒子，计算复杂度很高，难以在手机等计算资源有限的移动设备上使用。最先进的地图匹配如基于隐式马尔可夫模型[33]（HiddenMarkovModel）或条件随机场[35]（conditionalrandomfields）的地图匹配方法来对定位结果进行增强，这类方法仅需要提供室内地图信息来建立路网模型，一般以其它定位结果作为输入信息，以室内路网作为隐藏状态，通过序列匹配的方法求解违反空间约束最少的最优路径。在离线环境下一般使用维特比解码算法求解；在在线环境下一般使用滑动窗口的维特比解码算法或前向解码算法，滑动窗口的维特比解码算法定位精度和窗口大小密切相关，过大的窗口会带来很高的延迟。运用前向解码算法来求解的方法可以做到实时增强定位结果，但前向算法只考虑前一时刻位置的状态信息来求得当前时刻的增强定位结果，不是全局最优解。综上，为满足地图匹配方法对实时性的要求，考虑对基于隐马尔可夫模型的前向算法进行优化，利用室内空间丰富的语义信息来给前向解码算法提供更多的约束信息，提高初始定位结果的定位精度，具有重要的研究价值。现在室内空间普遍存在Wi-Fi信号，可以用基于Wi-Fi指纹的区域划分方法得到行人所在的区域信息，把区域信息当作先验信息约束前向解码的计算，能在一定程度上提高前向解码精度。参考文献邓中亮,尹露,唐诗浩,etal.室内定位关键技术综述[J].导航定位与授时,2018,v.5；No.24(03):18.27.梁韵基,周兴社,於志文,etal.普适环境室内定位系统研究[J].计算机科学,2010,37(3):112.116.YaeliA,BakP,FeigenblatG,etal.Understandingcustomerbehaviorusingindoorlocationanalysisandvisualization[J].IBMJournalofResearchandDevelopment,2014,58(5/6):3:1.3:12.BahlP,PadmanabhanVN.RADAR:Anin.buildingRF.baseduserlocationandtrackingsystem[C]//IEEEinfocom.INSTITUTEOFELECTRICALENGINEERSINC(IEEE),2000,2(2000):775.784.HeS,LinW,ChanSHG.IndoorlocalizationandautomaticfingerprintupdatewithalteredAPsignals[J].IEEETransactionsonMobileComputing,2017,16(7):1897.1910.ZhaoX,XiaoZ,MarkhamA,etal.Doesbtlemeasureupagainstwifi?acomparisonofindoorlocationperformance[C]//EuropeanWireless2014;20thEuropeanWirelessConference.VDE,2014:1.6.LiuS,JiangY,StriegelA.Face.to.faceproximityestimationusingbluetoothonsmartphones[J].IEEETransactionsonMobileComputing,2014,13(4):811.823.NiLM,LiuY,LauYC,etal.LANDMARC:indoorlocationsensingusingactiveRFID[C]//ProceedingsoftheFirstIEEEInternationalConferenceonPervasiveComputingandCommunications,2003.(PerCom2003).IEEE,2003:407.415.WangJ,KatabiD.Dude,where'smycard?:RFIDpositioningthatworkswithmultipathandnon.lineofsight[C]//ACMSIGCOMMComputerCommunicationReview.ACM,2013,43(4):51.62.YeK,LuoH,KangJ,etal.Indoorsoundenvironmentsandvisualmediadisplays:Acasestudyoncanteens[J].BuildingandEnvironment,2020,176:106831.HeZ,YangQ,ZhaoX,etal.SpatiotemporalVisualOdometryUsingGroundPlaneinDynamicIndoorEnvironment[J].Optik-InternationalJournalforLightandElectronOptics,2020:165165.HernandezAC,GomezC,BarberR.MiNERVA:ToposemanticNavigationModelbasedonVisualInformationforIndoorEnviroments[J].IFAC-PapersOnLine,2019,52(8):43-48.BrajdicA,HarleR.Walkdetectionandstepcountingonunconstrainedsmartphones[C]//Proceedingsofthe2013ACMinternationaljointconferenceonPervasiveandubiquitouscomputing.ACM,2013:225-234.CasasR,CuartiellesD.Hiddenissuesindeployinganindoorlocationsystem[J].IEEEPervasiveComputing,2007(2):62-69.SunZ,PurohitA,ChenK,etal.PANDAA:physicalarrangementdetectionofnetworkeddevicesthroughambient.soundawareness[C]//Proceedingsofthe13thinternationalconferenceonUbiquitouscomputing.ACM,2011:425.434.HuangW,XiongY,LiXY,etal.Shakeandwalk:Acousticdirectionfindingandfine.grainedindoorlocalizationusingsmartphones[C]//IEEEINFOCOM2014.IEEEConferenceonComputerCommunications.IEEE,2014:370.378.KuoYS,PannutoP,HsiaoKJ,etal.Luxapose:Indoorpositioningwithmobilephonesandvisiblelight[C]//Proceedingsofthe20thannualinternationalconferenceonMobilecomputingandnetworking.ACM,2014:447.458.WeiYL,HuangCJ,Tsa