大型城区复杂环境室内外无缝高精度定位理论及关键技术研究

In the recent years, with the increasing demand for indoor mobile location-based services (MLBS), the indoor and outdoor seamless localization technology for smart terminals has become a research hotspot. To cope with the problems of heavy deployment costs and maintenance burden, existing blind localization area and low localization accuracy for large-scale localization in complex urban environment, we conduct this project to study the fundamental theory and key technologies of seamless high-precision localization under the large and complex urban environments. The main research contents include complex motion pattern recognition and PDR (Pedestrian Dead Reckoning) inference based on deep learning, low-cost and multi-mode high-precision indoor floorplan mining using the camera, INS and barometer integrated in the smartphone, accurate complicated hollow floor localization based on unsupervised online probability learning and motion pattern recognition, low-power indoor and outdoor scene recognition based on deep learning and multimodal sensing fusion with user behavior mining, dynamic fingerprint update and devices clustering based on incremental learning, multi-source adaptive fusion localization architecture and fusion mechanism. We combine employing deep learning, incremental learning, principal component analysis, clustering and visual SLAM methods to solve above-mentioned problems, and a series of innovative achievements about seamless accurate localization in the large and complex urban areas will be obtained. We will publish 10-12 high-quality academic papers, apply for 4-5 patents, cultivate 3 Ph.Ds and more than 5 Masters.

近年来，移动位置服务需求日益迫切，面向智能终端的室内外无缝定位技术成为国内外研究热点。本项目针对现有大规模城区定位存在的部署及维护开销过大、存在定位盲区、定位精度较低等问题，开展面向大型复杂城区环境的室内外无缝高精度定位理论及关键技术研究。研究内容主要包括基于深度学习的复杂运动模式识别及PDR推断、基于非监督在线概率学习及运动模式识别的中空复杂楼层准确定位、融入视频信息的低开销多模融合室内拓扑高精度动态挖掘、基于深度学习和多源传感信息融合用户行为挖掘的低功耗室内外场景识别、基于增量学习的指纹动态更新和设备聚类、多源自适应融合定位架构及融合机制等关键科学问题。项目拟采用深度学习、增量学习、主成分分析、聚类及视觉SLAM等方法进行研究，在面向大型复杂城区环境的多源信息融合自适应定位理论及方法上取得系列创新成果，预期发表高质量论文10-12篇，申请发明专利4-5项，培养博士3名，硕士5名以上。

本项目针对现有大规模城区定位存在的部署及维护开销过大、存在定位盲区、定位精度较低等问题，开展面向大型复杂城区环境的室内外无缝高精度定位理论及关键技术研究。研究内容主要包括（1）在基于深度学习的复杂运动模式识别及PDR推断技术，提出了基于惯性传感器的行人导航行为模式识别算法、基于STNs和层次化LSTM的行人航向估计算法及基于在线主动学习的个性化行人步长估计方法；在（2）基于非监督在线概率学习及运动模式识别的中空复杂楼层准确定位技术，提出了基于Wi-Fi自治块模型的大尺度场景楼层识别算法并在荣耀公司得到应用；在（3）融入视频信息的低开销多模融合室内拓扑高精度动态挖掘，提出了多源融合自适应同步定位与室内拓扑高精度动态挖掘方法；在（4）基于深度学习和多源传感信息融合用户行为挖掘的低功耗室内外场景识别，提出了基于时空特征挖掘的复杂室内外场景感知方法，并在华为公司得到应用；在（5）基于多任务学习GNSS误差和噪声估计的自适应融合定位理论研究方面展开深入理论研究，提出了基于多任务学习的复杂城市场景GNSS误差和噪声估计方法，该方法在滴滴公司得到了应用；在（6）基于气压差分聚类和NLP的Wi-Fi大规模商超楼层定位技术方面，探索了基于气压差分聚类和NLP的Wi-Fi大规模商超楼层定位方法，该方法在美团公司外卖配送员人员定位及轨迹挖掘工作中得到应用。共发表学术论文37篇（其中SCI索引34篇，SCI 1区论文13篇，CCF A类会议/论文1篇，CCF C类会议1篇）、申请国家发明专利6项，获得授权5项、获得省部级以上奖励2项、参与实时定位国家标准制定4项（公布实施3项、送审1项）、获得国内/国际领域科研比赛奖励11项、培养研究生46名（其中博士后出站1名、博士研究生2名，硕士研究生43名），已毕业46名。以上研究为面向移动智能终端的低开销、室内外无缝高精度连续定位技术的大规模应用奠定理论基础。