摘 要：仿真实验标明，选用依据Wi-Fi指纹定位的BatSLAM模型，不仅完结了智能车室内二维阅历图的构建，并且进步了定位的精确性和精度，改善阅历图的失真问题，完结阅历图的优化作用。
引 言：同步定位与地图构建(Simultaneous Location and Mapping，SLAM) 便是运动载体运用本身带着的传感器取得周围环境的地图，一起确认自己在地图中的方位[1]。智能车在许多范畴得到了许多运用，例如室内进行快递的运送，餐厅内食物的传送等，均运用了SLAM技能。
图1 改善后的仿生声纳SLAM算法的结构框图
SLAM问题运用最成功的是概率的办法，如卡尔曼滤波算法，扩展卡尔曼滤波算法，粒子滤波算法[2]等。尽管有些传统的SLAM算法运用声纳传感器收集信息，可是更多被视觉传感器[3]、激光测距传感器[4]所替代。运用声纳传感器收集信息，常常得到的是周围环境的大略信息。生物声纳，能够完结在杂乱的环境下的定位和导航，因为它从回声中提取更多的信息，能够仿照蝙蝠声纳的发射与接纳进程，运用仿生声纳体系完结杂乱环境下的定位与导航。
概率办法广泛运用于SLAM的一起，澳大利亚昆士兰大学Michael等提出了一种依据复合位姿表征的啮齿动物海马区扩展模型（RatSLAM）[5]。RatSLAM的途径积分是通过里程计获取速度与视点信息，一起运用视觉传感器对里程计得到的信息进行批改与更新，制作精确的阅历图。文献[6]现已证明在RatSLAM基础上，能够运用仿生声纳模板来替代RatSLAM体系中的视觉模板，用双耳滑润耳蜗图来替代视觉图画，运用BatSLAM模型来构建二维阅历图。
科学技能在不断发展，现在进步定位精度的办法越来越多，当时干流定位技能首要是无线局域网（Wi-Fi）、蓝牙、惯性定位等。文献[7]提出了依据RSSI(信号接纳强度的平均值)的室内定位技能来处理当时定位体系中本钱高、定位精度低、不能适应室内环境多样性等问题。文献[8]提出了在RSSI技能的基础上引进TOA（Time of Arrive，抵达时刻）技能，然后完结依据TOA的指纹定位体系，运用无线信号的接连性改善定位精度。
本文将BatSLAM与Wi-Fi指纹定位相结合，通过进步定位的精确性和精度，改善阅历图的失真问题，完结阅历图的优化作用。
1 算法原理与规划
本文规划了1种能够进步智能车室内定位精度的改善仿生声纳SLAM的算法，在原有的BatSLAM的基础上，运用Wi-Fi指纹模板对位姿细胞进行辅佐批改，然后进步定位精度。首要运用所规划的仿生声纳硬件体系来收集智能车接纳到的回波信息，对收集到的回波信息进行处理后，将耳蜗能量谱作为仿生声纳模板，构建的仿生声纳模板生成部分场景细胞。智能车的位姿状况用位姿感知细胞进行表明。运用智能车的里程计和转角传感器来不断更新位姿感知细胞，运用部分场景细胞来完结对位姿细胞的批改，当仿生声纳模板辨认失利时，此刻运用Wi-Fi指纹模板来完结位姿细胞的批改。本文首要运用仿生声纳模板进行批改，辅佐运用Wi-Fi指纹模板批改，不光能够进步定位精度，并且能够完结阅历图的优化。
改善后的仿生声纳SLAM定位算法的结构框图如图1所示。
1.1 仿生声纳体系收集回波信号
蝙蝠在进化进程中构成了完善的声纳体系。该体系中必不可少的是发声体系和听觉体系。接连发射频率可调(CTFM)声纳是1种宽带自动式声学勘探办法，在机器人导航，以及导盲等范畴得到广泛运用。从仿生学的视点仿照蝙蝠的嘴巴和耳朵，运用CTFM模型构建仿生声纳体系来进行声纳信号的发射和数据收集。仿生声纳体系首要由信号发生模块，回波收集模块组成。
1.1.1 信号发生模块
仿生声纳体系的关键是仿照蝙蝠声纳脉冲来规划适应于该体系的勘探波源。依据STM32能够方便地结构所需波形。信号发生器运用直接数字式（DDS），首要对波形进行采样，将采样后得到的数据点进行量化并存入存储器，将存储其间地址对应的波形数据点，通过DAC转换成模仿量进行输出[8]。
蝙蝠宣布的声响信号，脉冲首要分为3种类型：恒频（CF）、调频（FM）和复频(CF-FM)。在对生物声纳勘探的研讨进程中，CF脉冲和FM脉冲的运用最为遍及。CF脉冲继续时刻长，具有能量值大的长处，合适对方针的远间隔勘探。FM脉冲归于宽频带脉冲，频率一般由高到低，合适对近间隔物体的辨认和定位。为取得侦测、辨认和定位的才能，蝙蝠许多时分宣布的脉冲是由CF和FM的混合而成。CF脉冲的频率为c，具有长度和发送速度可调的特性。FM脉冲频率为(c-d)-(c+d)（c>d），频率随时刻线性改换。为愈加契合蝙蝠啁啾脉冲的特征，将FM脉冲的幅值进行半波调制。FM脉冲的函数表达式如式（1）所示。
f(t) = f` + at ;
（1）
H(t) = A sin (πt/T)
其间，f`为（c+d），a为频率相关于时刻的改换率，T为脉冲时刻长度。这2种波形通过STM32的DA芯片转换成模仿量，通过电压扩展与驱动电路后运用超声波换能器进行输出。
2.1.2 回波收集模块
信号发生器宣布仿生声纳信号来对前方的障碍物进行检测，通过超声波换能器来接纳反射波并将反射波信号转化为电信号，电信号通过信号调度电路进行电压扩展以及滤波处理，通过数模转换器转换为数字信号送至STM32，STM32接纳到的回波信号别离为xL(t)，xR(t)。
1.2 仿生声纳模板的构建
STM32接纳到的信号别离为 XL(t) ，XR(t) 。耳蜗图作为部分视图模板，其构建进程如下：关于接纳到的信号运用1组Gammachirp滤波器处理，运用Gammachirp听觉滤波器组来模仿人类耳蜗基底膜，别离得到左耳与右耳的耳蜗能量谱，核算公式如式（2）式（3）所示。
XL(t) = XL(t)*gr(t)*ulp(t) (2）
XR(t) = XR(t)*gr(t)*ulp(t)（3）
其间，XL(t) ，XR(t) 别离为左耳与右耳耳蜗能量谱， Ulp(t)为一阶低通滤波，。
在运用耳蜗谱作为仿生声纳模板时，这儿运用高斯滤波器进行滑润处理，进一步扫除细微方位改动带来的影响。2个滑润和二次采样的单声道耳蜗图衔接起来，构成1个双耳耳蜗图如式（4）所示。
（4）
其间，
为左边二次采样耳蜗图，
为右侧二次采样耳蜗图，Gs高斯滑润滤波器。
运用标准化双耳滑润耳蜗图，核算公式如式（5）所示。
（5）
将标准化双耳滑润耳蜗图作为当时仿生声纳模版，核算公式如式（6）所示。
（6）
1.3 位姿感知细胞
智能车抵达室内详细方位时，其处于空间中的位姿感知细胞网络（X，Y和
）中。此刻会运用接连招引子网络（CAN）来实时操控智能车在（X，Y和）空间中的活动状况。途径积分是指通过不断地获取智能车的里程计、转角传感器的数据以及智能车在（X，Y和）空间中的位姿改动状况来的完结位姿感知细胞的更新，并且运用生成的仿生声纳模板来完结位姿感知细胞的位姿批改。
1.3.1 CAN模型
位姿细胞内部动态进程首要包含振奋度更新，对一切细胞的大局按捺。运用1个三维离散高斯散布来创立振奋度权重矩阵，如式(7)所示。
(7)
其间，Km，Kn别离表明方位与方向的常数。a、b、c为x`、y`、Θ`的散布系数；
因为振奋性形成的位姿感知细胞的活动改动如式(8)所示。
(8)
其间，Nx`,Ny`,Nθ`为（x`,y`,θ`）空间中的位姿感知细胞三维矩阵元素。关于位姿感知细胞的活动改动的大局按捺如式(9)所示。
(9)
其间，按捺常数φ操控大局按捺水平，且振奋度水平被约束在非负数规模。
1.3.2 途径积分
途径积分首要对位姿感知细胞活性进行更新。途径积分令位姿感知细胞的功能能够独立于感知改动速率和里程计速度与角速传感器获取的角速度，不光能够获取较为精确的智能车运转轨道，并且不需要改动详细的参数。通过途径积分，位姿感知细胞活性得到更新如式（10）所示。
(10)
其间，
为在x`，y`，θ`方向被四舍五入后的整数差错，
由式(11)核算得到。
其间，kx`,ky`,kθ`是途径积分常数，v表明加速度计速度，w表明陀螺仪得到的角速度。
(11)
1.2.3 仿生声纳模板批改位姿感知细胞
选用双耳滑润耳蜗图作为仿生声纳模板，部分场景细胞由1个一维细胞阵列组成，每个细胞单元对应1个特定的仿生声纳模板。在途径积分时，因为方位和方向上的累计差错，运用仿生声纳模板来进行批改。关于每个新的场景，算法会树立新的仿生声纳模板，一起树立部分场景细胞与位姿感知细胞间的联络。进行更新的衔接强度如式(12)所示。
(12)
其间，G1为部分场景细胞的活动水平，Px`y`θ`为位姿感知细胞的活动水平。
关于每一个双耳滑润耳蜗图运用肯定差值和(SAD)模块进行处理发生部分场景。SAD模块将当时耳蜗图与模板库中的耳蜗图进行比较，通过核算一切模板中耳蜗图的像素亮度与当时耳蜗图的像素亮度之差，如式(13)所示。
(13)
其间，Ucur表明当时耳蜗图的像素亮度，Ui表明数据库中的第i个仿生声纳模板的像素亮度。假如像素亮度之差低于某一阈值，当时耳蜗图被辨认出来，对位姿感知细胞进行校对，如式(14)所示。
(14)
假如像素亮度之差高于某一阈值τ，当时耳蜗图成为新的仿生声纳模板并加入到模板库中。阈值τ如式(15)所示。
其间，nG为数据库中的仿生声纳模板的数量，αt为调整体系的份额因子，设置为0.5。
(15)
1.3 Wi-Fi指纹模版批改位姿感知细胞
本文所规划Wi-Fi指纹定位算法与传统的方位指纹定位算法相类似，是将实践环境中的详细方位和Wi-Fi指纹相联络，详细的方位与特定的Wi-Fi指纹相对应。本文选取的Wi-Fi指纹特征是详细方位检测得到的基站信号的RSS(信号接纳强度)。依据RSS(信号接纳强度)的Wi-Fi指纹定位算法首要包含离线收集阶段和在线定位阶段。
2.3.1离线练习阶段
离线练习阶段的首要作业是完结离线指纹数据库的构建，首要包含3个部分：选取参阅点、收集指纹、构建指纹数据库。首要制作出室内环境的地图，接下来合理的选取进行测验的参阅点，一起对各个参阅点接纳到的不同AP（无线接入点）的RSSI进行计算，不同AP的RSSI作为参阅点的特征，并将其记载在Wi-Fi指纹数据库中。
离线指纹数据库的详细构建进程：在Wi-Fi设备调试完结后首要设置N个AP，接下来在室内环境中坚持相同的间隔设置参阅点,共设置w个参阅点，参阅点的坐标为，终究在每个参阅点上收集不同AP的RSSI，并且将每个AP的均值存储于Wi-Fi指纹模板数据库中，Wi-Fi指纹数据库如式（16）所示：
(16)
其间，表明所选取参阅点的调集， , 为参阅点的方位，参阅点的数目为w；为所设置的无线接入点，即观测点的调集；N为观测点的数目，是Wi-Fi指纹悉数均值的调集，如式（17）所示。
（17）
其间，为第j个AP在方位处的均值。
离线阶段的原理图如图2所示。
图2 离线练习阶段原理图
1.3.2在线定位阶段
在线定位阶段首要是运用智能车本身带着的通讯设备在室内空间中的详细方位对各个AP的RSSI进行收集，收集完结后运用必定的匹配算法，将收集到的实时数据与离线的Wi-Fi指纹数据库中的数据进行比照，通过比照能够在离线的Wi-Fi指纹数据库中得到与实时数据类似的Wi-Fi指纹，然后完结智能车的实时定位，本文选用的在线指纹匹配算法是K加权近邻算法。
K加权近邻算法是将收集到的实时数据与离线的Wi-Fi指纹数据库中的数据进行比照，通过求解收集的实时数据（不同AP的RSSI）与Wi-Fi指纹数据库中相应AP的RSSI间的欧式间隔，然后将匹配获取的K个与实时定位点类似的Wi-Fi指纹，得到这K个Wi-Fi指纹的方位坐标，并且将这些方位坐标依据类似度特点给予不同的权重值，终究依据这些权重值对方位坐标进行加权求和，然后获取终究的定位。K加权近邻算法如图所示。
首要收集到实时的第i个Wi-Fi方位指纹，其与指纹数据库中的离线Wi-Fi指纹间的欧式间隔为，如式（18）所示。
（18）
其间，
是第j个AP在第i个参阅点的信号接纳强度的平均值，
是实时收集的参阅点在第j个AP的信号接纳强度的平均值。
接下来将获取的Di进行排序，得到K个欧式间隔最小的参阅点，再依据这些参阅点的类似度特点赋予不同的加权系数ui，如式（19）所示。
（19）
终究对这K个参阅点进行加权求和，定位坐标如式（20）所示。
（20）
是K个Wi-Fi指纹对应的坐标。在线阶段原理图如图3所示。
图3 在线定位阶段原理图
1.3.3 Wi-Fi指纹模板批改
关于每个新的场景，算法会树立新的Wi-Fi指纹模板。一起树立Wi-Fi指纹与位姿感知细胞间的联络。进行更新的衔接强度如式(21)所示。
(21)
其间，指的是第i个Wi-Fi指纹模板。将当时Wi-Fi指纹和数据库中Wi-Fi指纹模板进行比照，若低于阈值则对位姿感知细胞进行批改，如式(22)所示。
(22)
假如高于阈值，当时Wi-Fi指纹成为新的Wi-Fi指纹模板并加入到Wi-Fi指纹模板库中。
1.4 阅历图的构建与校对
每个阅历 exi,yi,θi=〈Ei,Pxi,yi,θi,Yi,Gi〉 相关阅历能级Ei，位姿细胞Pxi,yi,θi和部分场景细胞Gi，与Wi-Fi指纹模板Yi，第i个阅历如式(23)所示。
exi,yi,θi=〈Ei,Pxi,yi,θi,Yi,Gi〉 (23)
当时位姿感知细胞的活性或当时的Wi-Fi 指纹决议阅历能级Ei的各组成要素，如式（24）所示。
(24)
其间，X`pc,Y`pc,θ`pc为最大活性姿势细胞坐标；
为与该阅历相关的位姿感知细胞坐标；ra为(X`,Y`)平面的区域常数；θa为θ`维上区域常数：Gcur为当时部分场景细胞；G`为与阅历i相关的部分场景细胞,Ycur为当时的音频感知哈希，Yi与阅历i相关的音频感知哈希。
运用当时位姿信息、Wi-Fi指纹模板和仿生声纳模板与阅历图进行匹配时，当抵达阅历过的地方时，进行1次闭环检测，并对阅历图进行校对，阅历位姿改动如式(25)所示。
(25)
其间，α为校对常数，Nf为阅历i到其他阅历的衔接数；Nt为从其他阅历到阅历i的衔接数。
图4 仿生声纳体系收集与传输
2 实验与剖析
2.1 仿生声纳体系在对音频信号收集
本文通过3个超声波换能器作为蝙蝠的耳朵和嘴，3个超声波换能器依照“一字型”进行摆放。“二耳”别离将收集的信息通过信号接纳电路，通过AD芯片转换为数字信号传递给智能车的STM32主控芯片；STM32主控芯片宣布信号，经三极管扩展和变压器升压，到达满足功率后运用“嘴”宣布声波。仿生声纳体系收集音频信号并传输给上位机取得左右耳蜗图，仿生声纳体系收集与传输的进程，如图4所示。
图5(a) BatSLAM阅历图
2.2 改善算法与原算法的阅历图比照实验
挑选室内长度为14米宽度为8米的空间作为实验场所，运用GPS获取方位信息作为基准。让智能轿车在一段相同途径上循环行进2次，记载智能轿车在不同算法条件下的阅历图状况。如图5(a)所示，BatSLAM算法下，在最初时，阅历图与实践的运动轨道简直重合，当智能车运动到（1.8, 1.8）后，阅历图与实践运动轨道呈现较大的差错，并且差错越来越大；如图5(b)所示,智能车的阅历图与实践的运动轨道的差错呈现先扩展后缩小的状况，当运动到（9, 6.3）时，阅历图和实践轨道呈现重合，以上状况阐明因为外界搅扰等原因，BatSLAM算法因为定位的不精确，会形成阅历图的失真。
如图5所示，依据Wi-Fi指纹定位的BatSLAM算法下，图6(a)中智能车的阅历图简直与实践的运动轨道相重合，尽管图6(b)中的阅历图和实践运动轨道存在必定的差错，可是基本上优化了阅历图的失真问题，进步了定位的精确性。
图5(b) BatSLAM阅历图
图6(a) 依据Wi-Fi指纹定位的BatSLAM阅历图
2.3 改善算法与原算法定位精确度比照实验
在特定的差错条件下，能够进行成功定位的概率作为定位的精确度。定位差错的累积概率指的是方位差错小于或等于某个值的概率。如图6所示，当差错间隔不断扩展时，累积差错概率也不断上升。相同的差错间隔时，相关于BatSLAM算法，依据Wi-Fi指纹定位的BatSLAM算法下定位差错的累积概率都相对较高，定位差错的累积概率上升速率越快，在差错间隔到达0.12时，定位差错的累积概率现已到达了100%，充沛的表现了依据Wi-Fi指纹定位的BatSLAM算法精确度高，有用的进步了定位精度。
图6(b) 依据Wi-Fi指纹定位的BatSLAM阅历图
2.4 改善算法与原算法定位精度比照
本文运用平均差错，最大差错这二项目标来衡量2种算法的定位精度，如表1所示。改善算法的最大差错和平均差错相对较小，定位精度更高。
表1 算法精度指数比照表
|
定位办法 |
最大差错/m |
平均差错/m |
|
依据Wi-Fi指纹定位 的BatSLAM算法 |
0.13 |
0.09 |
|
BatSLAM |
0.20 |
0.14 |
3 定论
本文提出的依据Wi-Fi指纹定位的BatSLAM模型，不只完结了不只完结了智能车室内二维阅历图的构建，并且进步了定位的精确性和精度，改善阅历图的失真问题，完结阅历图的优化作用。
图7 改善算法与原算法精度比照
参阅文献：
[1] 迟健男,徐心和.移动机器人即时定位与地图创立问题研讨[J].机器人,2004,26(1):92-96．
[2] 张凤,黄陆君,袁帅,等. NLOS环境下依据EKF的移动机器位研讨[J]. 操控工程,2015,22(1):14-19.
[3] 李晓晨,姚素英,黄碧珍,等.一种运用于高动态规模CMOS图画传感器的曝光操控技能[J].传感技能学报,2013(3):328-332.
[4] 李琳,林炳强,邹焱飚.依据条纹式激光传感器的机器人焊缝盯梢体系研讨[J].我国激光, 2015,(5):34-41.
[5] MILFORD M J,PRASSER D P,WYETH G F. Effect of representation size and visual ambiguity on RatSLAM system performance [C].Australasian Conference on Robotics and Automation. Australian Robotics and Automation Society (ARAA), 2006: 1-8.
[6] SCHILLEBEECKX F, MEY F D, VANDERELST D, et al. Biomimetic Sonar: Binaural 3D Localization using Artificial Bat Pinnae[J]. International Journal of Robotics Research, 2011, 30(8):975-987.
[7] 苏松, 胡引翠, 卢光耀, 等. 低功耗蓝牙手机终端室内定位办法[J]. 测绘通报, 2015(12): 81–84, 97.
[8] 王雪莉, 卢才武, 顾清华, 等. 无线定位技能及其在地下矿山中的运用[J]. 金属矿山, 2009(4): 121–125.
