用于室内机器人WiFi-视觉定位的双层软数据融合

本文提出一种 novel 的WiFi-视觉数据融合方法，用于室内机器人（TIAGO++）定位。该方法可使用10个WiFi样本和4张低分辨率图像（像素为 $58 \times 58$）实现室内机器人定位，平均误差距离约为1.32米。实验测试在数据收集后3个月进行，数据收集地点是一间普通教学楼，其WiFi和视觉环境部分发生变化。这间接显示了所提方法的鲁棒性。该方法不关注神经网络设计，而是关注软数据融合，以防止视觉定位中的无界误差。提出一种双层软数据融合方法。所提的软数据融合包括第一层的WiFi-视觉特征融合和第二层的决策向量融合。首先，受神经网络在图像处理和识别方面卓越能力的启发，从WiFi数据中提取时空特征，这些特征以图像形式表示。其次，将以图像形式表示的WiFi时空特征与机器人摄像头获取的视觉特征组合在一起，联合由分类神经网络利用，以为WiFi-视觉定位产生可能性向量，称为第一层WiFi-视觉融合。类似地，这两种特征可分别由神经网络独立利用，以产生另外两个独立的可能性向量。第三步，通过Hadamard积和中值滤波融合这三个可能性向量，以产生用于定位的最终可能性向量，称为第二层决策向量融合。所提的软数据融合在融合过程中不应用任何阈值，也不优先考虑任何数据源，永远不会排除低概率位置，这有助于避免因硬性决策而导致的信息损失。提供了演示视频。代码将公开。