基于类 RANSAC 方法的特征级变化检测与鲁棒室内定位

基于指纹的定位作为一种有前景的室内定位方案，由于富含传感器的移动设备的普及、可机会性测量的位置相关信号的丰富以及数据驱动算法的进展而得到广泛探索。一个关键挑战是控制并提升参考指纹地图（RFM）的质量，该地图在离线阶段构建并用于在线定位。关乎 RFM 质量控制的关键概念是根据新测量数据更新 RFM。尽管已提出多种方法来适配 RFM，它们均通过引入额外定位方案（如 PDR 或 UGV）并直接调整 RFM 而不区分是否发生了关键变化来解决问题。本文旨在提出一种无额外定位的方案，充分利用可测特征的冗余性。在随机采样一致性（RANSAC）的松散启发下，从在线测量中任意采样的特征子集用于生成多重重采样，这些重采样用于估计中间位置。通过重采样方式，可减轻变化特征对定位的影响，并能够恢复准确的位置估计。用户位置通过使用修正 Jaccard 指数（MJI）从这些中间位置中识别候选位置而鲁棒地计算，且特征级变化置信度根据 RFM 的世界模型与估计的特征变异性来计算。为验证所提方法，进行了两个层次的实验分析。在模拟数据集上，平均变化检测准确率约为 90%。同时，在执行定位时丢弃被检测为已变化的特征相较于使用所有测量特征进行位置估计，2 m 内的定位精度提升约为 20%。在长期收集的数据集上，平均变化检测准确率约为 85%。