论文笔记：Enhanced Seamless Indoor–Outdoor Tracking Using Time Series of GNSS Positioning Errors

（使用 GNSS 定位误差时间序列增强室内外无缝跟踪）

感觉室内定位技术目前是定位的一个突破口，如果能实现室内外定位技术的无缝跟踪，将是定位领域的一项突破，想要好好学习一下相关领域的文章！

话题点：室内外定位、传感器融合、GNSS、VIO、无缝融合

主要内容：提出将环境划分为一组区域（室内、室外和过渡），探索基于GNSS误差统计时间序列的空间分类方法，以及完善基于上下文知识的轨迹估计策略。不同场景的真实数据验证了该方法，产生的轨迹估计精度始终低于 10 m。

1.引言

目前，室外定位通过GNSS实现户外跟踪技术已经得到广泛应用。将GNSS集成到智能手机中，以及Google Maps等应用程序，结合地理参考地形图和航空图或背景图，极大地方便了人们的位置和导航。但是，当人们从室外移动到室内时，问题就会出现，因为基于GNSS的系统会降低他们在这些环境中的性能。尽管文献和市场上存在几种室内定位方法（主要是基于射频的方法），但这些方法并不适合全球室内外跟踪，因为它们依赖于基础设施这可能不是到处都可用的。另一个基础设施科学界也在开发独立方法，旨在使用摄像头和IMU数据确定室内空间的轨迹。最先进的解决方案依赖于同步定位和映射 （SLAM） 或视觉惯性里程计 （VIO） 方法，但在没有闭环的情况下可能会受到位置漂移的影响，这在一定程度上限制了它们的实际适用性。最近研究了将GNSS与基于SLAM-VIO的方法相结合的方法，尽管这项工作代表了室内外无缝跟踪性能向前迈出的重要一步，但它仍然不够。这种局限性源于目前的方法，该方法仅依赖于最新的GNSS误差统计数字（例如水平GNSS精度误差）来确定一个人是在室内还是室外，然后决定基于GNSS的方法或基于VIO的方法之间的最可靠轨迹。因此，虽然室内和室外轨迹单独是准确的，但两者之间的连接缺乏精确度，可能导致室内区域的重大变化。

本文介绍了一种解决这一问题的新方法。提出了一种基于GNSS误差统计时间序列的室外、室内和过渡区域检测方法，而不是依赖于单一的epoch。通过利用这些积累的背景知识，我们旨在改进在基于GNSS和VIO方法之间进行选择的决策策略。目标是提供更强大、更准确的无缝室内和室外轨迹。

本文的主要贡献可以归纳为以下几点：

• 引入一种创新方法，通过对GNSS误差统计信息的时间序列分析来检测室外、室内和过渡区域。

• 利用上下文理解，改进基于 GNSS 和视觉惯性里程计 （VIO） 之间的决策过程，以进行轨迹估计。

• 使用来自不同场景的真实数据验证该方法，以一致的精度展示轨迹估计。

关于空间定义：

2.研究方法

2.1空间分类

最初，最适合研究的方法是Wang[31]提出的方法，该方法总结了GNSS信号如何受到周围空间的影响。在这种方法中，半室外作为一个过渡区，将光线和深层室内空间融合到一个单一的室内区域中。当卫星不能直接可见时，即当卫星不在该设备的视线（NLOS）内时，就会出现GNSS误差，从而引起多径效应，即直接信号和反射信号的混合（见图）。在不同空间中测试GNSS有助于确定其响应方式，有助于定义半室内和半室外限制。然而，由于卫星位置和天气等各种因素，这些限制会波动，从而产生不断变化的边界而不是固定线。

由于这种复杂性，仅使用 GNSS 信号定义区域以进行环境检测被证明是具有挑战性的。在这种情况下，接收者产生并用于本研究的可用数据如下：

• 收集每个点的时间;

• 收集的每个点的经度、纬度和高度;

• 水平误差（H_err）;

• 垂直误差（V_err）;

• 卫星数量。

2.2室内、室外和过渡区域的确定

2.2.1. 使用GNSS误差估计确定室内、室外和过渡区域

在之前的工作中，检测室内和室外过渡的方法依赖于GNSS轨迹和两种不同阈值（Th1和Th2）收集的最新统计数据（H_err和V_err）（如下图）。然而，正如导言中强调的那样，在将GNSS轨迹与VIO数据合并时，这种方法遇到了挑战。提高组合轨迹的关键仍然隐藏在轨迹本身，因此必须对轨迹数据进行研究，以获得能够解释GNSS在不同空间行为的趋势，并且算法必须识别趋势随时间的变化，否则将新的轨迹与GNSS轨迹链接将导致大量的误差。

2.2.2. 使用GNSS误差估计时间序列-斜率法确定室内、室外和过渡区域

为了建立在基于GNSS和VIO的轨迹之间转换的标准，初始方法涉及使用预定义的n大小窗口从GNSS误差统计中计算斜率。但是，可能会出现峰值，特别是由于树木等障碍物，因此在考虑建筑物附近或进入室内时，需要制定规则以排除这些峰值。小障碍物（例如单棵树）会短暂地影响错误（表示为 Tin）。Tin表示进出室内区域的时间。因此，仅依靠高水平或垂直坡度 （S） 并不能区分接近的室内区域或瞬时障碍物。这凸显了建立过渡区的必要性。此后，表示法如下：Si 代表斜率数 i，Thi 代表阈值数 i，Tini 表示进出数 i 的时间。

例如，在 Tin1 秒内满足条件 S1，且水平误差超过 Th1，则表明信号不会恶化。或者，在 Tin2 秒内以更高的精度超过 S2 表示进入室内区域，与过渡区区分开来。不符合这些标准意味着留在开放的户外区域。

确定从室内到室外的过渡可能很复杂。在 Tin3 期间，斜率低于 S3，这是水平误差的快速改善，而总体误差低于 Th1 意味着进入可靠的室外空间。下图 总结了该算法。

2.2.3. 使用GNSS误差估计时间序列确定室内、室外和过渡区域——Mann-Kendall检验方法

Mann-Kendall统计检验（MK检验）是一种非参数检验，用于评估趋势的显著性。这归因于它与非正态分布数据的兼容性，对数据中异常值的鲁棒性，以及只要数据表现出单调趋势，它就能够检测样本量相对较小的趋势。

确定了这一点之后，需要定义一个规则来在不同的空间之间切换。与之前涉及斜率值的场景类似，建立了下图中描述的标准。在这种方法中，使用 MK 统计值而不是斜率值。

2.3. 无缝的室内外轨迹估计

为了计算无缝的室内外轨迹，已经采用了一种数据融合算法，该算法将GNSS和基于摄像头的位置联系起来，无论它是起源于室内、室外还是两者兼而有之，都提供单一的轨迹。该工具已修改为合并通过引入外部指示器作为新功能来确定室外、过渡和室内区域。该指标的使用源自全球导航卫星系统统计的时间序列，旨在改进每个时期使用基于全球导航卫星系统的解决方案或基于全球导航卫星系统的解决方案之间的选择标准，从而旨在提高无缝估计的室内外轨迹的整体准确性。

3.结果

3.1测试区域及数据源

这些数据跨越了加泰罗尼亚（西班牙）的三个地点：位于地中海技术公园（Castelldefels）及其周边地区的CTTC场所，Garraf镇和Collsuspina，每个地点都设有室内空间，晴朗的天空区域和具有强烈多径条件的地点。

系统中包含的定位传感器包括：提供基于 GNSS 的轨迹的 GNSS 接收器、提供基于 VIO 的轨迹的立体摄像头和磁力计。该系统安装在头盔上，在采集和存储定位数据的同时，一个人在路线上行走。然后，在后处理中计算了结合GNSS和VIO的无缝室内外轨迹轨迹。尽管该系统允许实时轨迹估计，但在这项工作中，使用了系统的传感器融合软件方法的离线和改编版本。其中应用到的“PMT-LAB”路线有助于进行全面分析，评估GNSS误差统计数据以及用于检测室外、室内和过渡区域的两种算法的性能。其余路线利用GNSS统计时间序列数据评估了无缝室内外轨迹估计方法的性能以及多个区域的检测性能。

在“PMT-Lab”和“Garraf Town”路线沿线勾勒出一个非常粗糙的过渡或半室外区域，以帮助分析GNSS误差。该区域的定义考虑了与每栋建筑物顶部 20 度成 20 度的角度（如下图）。使用QGIS中的Open Street Maps插件生成了包含该区域建筑物的矢量层。每栋建筑的高度信息均来自西班牙国家地理研究所提供的数字表面模型（DEM）。

图：标记为过渡区域或半室外区域的建筑物旁边的区域示例

图.“PMT-LAB”（红色）和基于 GNSS 的轨迹（绿色）的过渡或半室外区域。建筑物布局以蓝色显示

3.2. 使用GNSS误差统计确定区域

下面是使用最新的 GNSS 误差统计数据（H_err和 V_err）沿“PMT-LAB”路线分析室内、室外和过渡区域的结果。

（GNSS轨迹水平误差与时间的关系。垂直线突出显示相关事件，例如从过渡区域和建筑物进出。水平橙色线表示恒定水平误差为 5 m 的线，而水平绿线表示 3.5 m）

GNSS 轨迹垂直误差与时间的关系

上面两图说明了 GNSS 接收机开启后所需的初始收敛时间。一旦误差稳定下来，图形就会保持一个几乎恒定的值，即 3.5 m 左右。值得注意的是，在第二个 342 附近，就在灰线之后，发生了显着的偏差。在这里，误差略高于 5 m，并持续约 130 秒，直到垂直黄色边界。这种偏差与建筑物附近的轨迹相吻合，其中多径导致误差增加。因此，几秒钟后，估计的轨迹会偏离一条直线，无法捕获真实用户的路径。黄线标志着这个初始障碍的结束。正如预期的那样，随着定位设备进入开放空间，水平误差有所改善，逐渐稳定到与遇到第一座建筑物之前观察到的值相似的值。

沿着轨迹，会出现两条紧密垂直定位的线（蓝色和绿色）。蓝线表示边界，该边界据称标志着即将到来的建筑物的影响区域，该边界与建筑物顶部成 30 度角。相比之下，绿线标志着用户接近该建筑物入口的那一刻。这种方法依赖于从上一时期全球导航卫星系统误差统计中得出的阈值，揭示了一个主要弱点。人们会预期，当定位设备进入建筑物时，GNSS误差指示器会出现显着偏差，这突出表明，在切换到基于VIO的解决方案时，基于GNSS的解决方案是不可靠的。然而，H_err仅显示边际增加，类似于早期观察到的多径效应。尽管 5 m 的误差对于估计行人轨迹仍然是可以接受的，但使用具有这些设置的算法无法保证连续且真实的轨迹。

当设备在几秒钟后进入建筑物时，H_err值会显着增加。因此，仅依赖简单的方法（如H_err或其在特定区域的标准偏差）将导致切换到 VIO 轨迹为时已晚。这会导致在轨迹的那部分进行错误定位，从而导致用户在携带设备时丢失有关用户室内位置的关键信息。同样，当用户离开建筑物时也会出现同样的问题，如图 9 中的深蓝色线所示。尽管 GNSS 信号在退出时变得可靠，但必须切换到它而不是依赖 VIO 轨迹，即使此时 H_err 仍然不稳定。这带来了另一个问题，因为使用了被认为是不正确的偏移的 VIO 轨迹。一旦信号达到可靠性，就应采用GNSS轨迹。然而，定义这些限制仍然是必不可少的，需要理解和建立。从图9的图中可以清楚地看出，仅使用基于最新GNSS误差统计数据的阈值是不够的。

3.3. 使用GNSS斜率确定区域

在本小节中，计算并检查了使用 n = 10、5 和 3 s 的不同时间窗的水平误差斜率。之所以选择此窗口的大小，是因为在测试期间用于数据采集的低运动动力学（步行）。非常高的 n 意味着执行定位系统的人员的位置可能会发生重大变化。斜率定义为两个连续点之间的垂直变化与水平变化之比，当在较短的时间段 （n = 3） 内计算时，它突出了误差的急剧变化，而在较长的持续时间 （n = 10） 内，它会导致更平滑的表示.

在寻找确定该区域是室内、室外还是过渡区域的标准，从而决定定位系统何时必须从基于 GNSS 的轨迹解决方案转变为基于 VIO 的轨迹解决方案，选择 3 秒处的斜率作为指示器，因为它具有最尖锐的峰值。

按照定义的规则，它们在QGIS中进行配置，以可视化轨迹的外观。绿色表示从基于GNSS的轨迹过渡到基于VIO的轨迹的时刻，在遇到的建筑物附近可以辨别出来。在分析了这一结果后，在所有建议的情况下，改用 VIO 似乎是合适的。然而，与之前从[8]获得的结果相比，没有显着的改善。虽然这种方法最初看起来很合适，但存在显着且实质性的延迟，尤其是在进入下图所示的最后一栋建筑物时。

（应用于“PMT-LAB”轨迹的斜率测试。黄点是被归类为良好 GNSS 区域的点，而绿点是属于过渡或室内区域的点。建筑物布局以蓝色显示，而“PMT-LAB”的过渡或半室外区域则以红色显示。）

3.4. 使用 GNSS Mann-Kendall 确定区域

（MK测试应用于“PMT-LAB”的轨迹。绿色点表示良好的 GNSS 区域，橙色点表示从室外到室内的过渡区域，红色点表示从室内到室外的过渡区域。建筑物布局以蓝色显示，而“PMT-LAB”的过渡或半室外区域则以红色显示）

（MK测试应用于加拉夫镇的轨迹。绿色点是良好的GNSS区域，橙色点是从室外到室内的过渡区域。建筑物布局以蓝色显示，而加拉夫镇的过渡或半室外区域以红色显示）

（MK测试应用于Falconera（左）和Colluspina（右）的轨迹。在左图中，绿色点表示良好的 GNSS 区域，橙色表示从室外到室内的过渡区域，红色表示从室内到室外的过渡区域。在右侧，蓝点是良好的 GNSS 区域，而红点是室内区域）

3.5. 使用 MK 上下文信息与 GNSS 误差估计上下文信息改进的混合轨迹

本小节介绍使用混合轨迹估计过程获得的结果。

根据 MK 结果估计了“PMT-LAB”病例的混合轨迹，如图 18 所示。较新的混合轨迹用蓝色表示，而较旧的混合轨迹用红色显示。在室内空间中尤其引人注目，较新的轨迹更加准确，达到小于 5 米和亚公制的精度。此外，在从室内到室外的过渡过程中，更新的轨迹与实际的步行路径非常相似。这种相似性在具有GNSS开放天空条件的地区尤为明显，例如两座建筑物之间的空间。

之前的结果突出了这种方法在城市导航方面的潜力。然而，评估其在各种场景中的性能并评估其可靠性至关重要，尤其是在街道狭窄、树冠覆盖密集或隧道密集的地区，这些都是城市测绘、物流和应急管理等应用中不可或缺的一部分。为此，已经估计了Falconera、Garraf和Colluspina站点的混合轨迹，涵盖了这些不同的情景。结果如图：

Collsuspina 测试遵循一条几乎对称的步行路径，从室外开始，移动到内部区域，然后沿着相同的路线返回起点。图 19 显示了先前估计的轨迹以及从 GNSS 和 MK 测试时间序列数据得出的更新轨迹。两条轨迹之间存在明显的明显偏差，特别强调的是，与红色轨迹（前轨迹）相比，蓝色轨迹（新轨迹）中的出站路径和返回路径更接近。值得注意的是，两条轨迹之间的平均距离已从8米减少到2米。此外，还利用了建筑物内部的详细平面图来确认更新的轨迹提供了更高的精度，平均低于 5 m。

为了更有力地强调所提出的方法，我们估计了两条不同的轨迹，每条轨迹都包含不同的步行路径，这些路径在同一建筑物的室内结束，同时也遵循相同的室内路线。这些步行路径之前在图 16 和图 17（左图）中进行了说明。一个对应于 Falconera 站点，而另一个代表 Garraf 镇站点。由于Falconera覆盖的区域相当广泛，因此使用旧方法和新方法的两种估计轨迹的最后部分都显示在下面的图20中。

鉴于 Falconera 和 Garraf 轨迹的终点的室内路径是相同的，因此比较它们的最后段是可行的。在图20（左）中，根据最新的GNSS误差指示器，采用旧方法时，两条轨迹之间的距离相当远（平均为10-15 m）。相反，使用新方法（图20右）时，两条轨迹紧密对齐，平均减少不到5 m。尽管即使采用新方法仍然存在轻微的错误，但它仍然完全符合最初确定的要求。

4.结论

在本文中，提出了一种增强的方法来检测室外、室内和过渡区域，该方法基于GNSS误差统计的时间序列而不是单一时期。这种方法利用获得的上下文环境知识来改进决策策略，在基于 GNSS 或基于 VIO 的方法之间进行选择，从而提供更强大、更准确的无缝室内和室外轨迹。文章实施并测试了两种基于GNSS误差统计时间序列的空间分类方法。结果表明，基于Mann-Kendall的方法优于基于GNSS误差时间序列斜率的方法和基于单一时期GNSS误差统计量的方法。通过获取和分析与具有不同特征的各种情景相对应的估计轨迹，验证了该方法的可行性。结果表明，在5 m以下的精度和更高的精度下，可以估计无缝的室内外轨迹。

下