上一期介紹《自然》的地面網絡定位系統（TNPS）文章，主要強調在GNSS受阻情況下，在城市峽谷中通過有無線網絡組合和通信導航融合技術來解決導航難題，擺脫了大規模建網的基建投入的限制。無獨有偶，近日，在《GNSS內參（InsideGNSS）》雜志上刊登一篇文章，直言用組合兩種技術的簡單方法其尋求室內定位的將來（The Future of Indoor Positioning: A Simplified Method Combining Two Technologies）。而且，這兩種技術也是別出心裁，不落俗套，更是不需要明顯的硬設施投入。因為所用的兩種技術：一是利用機會信號，以多徑效應協助定位；二是利用深度神經網絡（DNN）學習分析場強指紋。兩種技術結合形成的簡單方法，竟然實現了低復雜性和高性能。利用多徑，簡直是化腐朽為神奇之美事。

在具有良好天空視野的場景中，GNSS可以提供滿足多種服務和應用性能要求的定位。然而，在城市峽谷中，尤其是在室內，由于被接收信號微弱，還受多徑和非視距（NLoS）傳播或墻壁與建筑物的阻礙，它們的定位性能會急劇下降。雖然浩若煙海的文獻中有大量的室內定位方法，但目前還沒有一種方法或技術真正成為未來的室內定位方式。這里重點介紹基于無線電的定位系統。這些系統的一大優勢是，在人口稠密的地區，無線電信號往往非常豐富。例如，第五代（5G）或無線局域網（WLAN）信號可用于室內場景中的定位。與GNSS信號相比，它們在接收機處的功率通常明顯更高。然而，如果使用標準定位方法，當使用這種信號時，多徑和NLoS傳播也會降低定位性能。在此，反其道而行之，恰恰利用多徑協助定位，真所謂道高一尺魔高一丈。

在多路徑輔助定位方案中，利用多路徑傳播來定位用戶。散射和反射信號分量被視為來自所謂虛擬發射機的視距（LoS）信號。雖然這些虛擬發射機的位置取決于場景并且通常是未知的，但是它們可以通過同時定位和映射（SLAM）與接收機位置一起估計。最近引入了一種稱為協作信道SLAM的多徑輔助定位方法，其中用戶通過交換估計發射機位置的地圖來進行協作。這里發射機是指物理發射機和虛擬發射機的通用術語。

單用戶信道SLAM分兩步工作。在第一步驟中，信道估計器估計并跟蹤隨時間變化的接收信號的信號分量的參數。在第二步中，這些信道參數在Rao Blackwell化粒子濾波器中用于聯合跟蹤接收機位置，并估計發射機的位置。在協作信道SLAM中，經歷相同場景的多個用戶通過交換估計發射機位置的地圖來協作。但是，每個用戶都在本地坐標系中，相對于其他用戶的坐標系具有未知的相對旋轉和平移。估計這些變換參數和發射機對應關系是協作信道SLAM的關鍵要素，并由術語映射匹配表示。根據上下文，術語用戶可以指代用戶或用戶配備的無線電接收器。

值得指出，定位誤差和映射的熵在協作信道SLAM中收斂。然而，該方案在信道估計、粒子濾波和地圖匹配方面都具有很高的復雜性。

指紋方案代表了一種不同的室內定位方法，分兩個階段工作。在離線階段，收集已知位置的特征并將其存儲在數據庫中。例如，這些特征可以是無線信道上的信息或磁特征，它們被稱為指紋。當使用諸如WLAN或藍牙之類的無線無線電信號時，接收信號強度指示符（RSSI）值或信道狀態信息（CSI）通常被用作指紋。在在線階段，用戶可以通過將其所在位置的指紋與數據庫進行匹配來定位。

利用無線信號的指紋方法可以很容易地建立在現有基礎設施（如WLAN系統）之上。關鍵假設是無線電信號的某些特征與某些位置相關。一方面，假設在附近地點采集的指紋在某種程度上彼此接近。另一方面，在距離彼此較遠的位置采集的指紋在該度量中被假定為較遠。因此，指紋是一種數據驅動的方法，不需要復雜的模型。例如，對于基于到達時間（ToA）的定位方法，發射機和接收機之間不需要同步。指紋識別方案的一個主要缺點是離線階段的特征收集繁瑣。為了獲得良好的定位性能，需要在多個位置收集指紋。需要為每個指紋存儲精確的位置，這需要離線階段的精確定位能力。此外，環境的變化會顯著降低定位性能。更新指紋數據庫以適應這種變化可能需要很多努力。因此，需要從事某些研究，旨在在線階段更新指紋。

最近，來自機器學習的技術已被用于提高性能并彌補指紋識別的缺點，包括k近鄰（kNN）、支持向量機（SVM）和深度神經網絡（DNNs）。在后一示例的離線階段，指紋和用戶位置原則上用于訓練DNN。在指紋識別的在線階段，對神經網絡的評估產生用戶位置。與競爭方法相比，DNN往往具有更好的泛化能力。

這里提出了一種新的混合方案，將協作信道SLAM與使用DNN的指紋識別方法相結合。該計劃分兩個階段實施，將由DNN-CC-SLAM表達。在離線階段，用戶通過合作的Channel SLAM瀏覽場景。來自信道估計器的ToA估計連同各自的估計位置一起存儲在指紋數據庫中。在足夠數量的ToA指紋可用后，訓練DNN以根據這些估計的ToA預測用戶位置。因此，指紋不是用地面實況定位系統以經典方式收集的，而是來自協作信道SLAM的干擾參數。特別是，不需要安裝外部硬件或設備來收集或更新指紋。指紋采集可以被視為一種眾包計劃。在在線階段，進一步的用戶可以利用經過訓練的DNN進行定位。為了在在線階段估計信號分量的ToAs，存在具有低復雜性的估計器。因此，DNN-CC-SLAM的在線階段比協作信道SLAM的復雜程度低得多。

與標準指紋方法相比，這里使用外部基礎設施簡化了指紋方案中繁瑣的特征收集，以獲得精確的定位參考。指紋數據庫可以不時地或在需要時通過協作信道SLAM進行更新，例如，由一個或多個專用用戶或由場景中導航的特定百分比的用戶進行更新。

在這里的新方法DNN-CC-SLAM中，將SLAM方案與指紋結合。在協作信道SLAM中，多個用戶使用虛擬發射機基于信道脈沖響應來估計其位置，并且信道參數被估計為干擾參數。在DNN-CC-SLAM的離線階段，這些干擾參數和估計的用戶位置用于訓練DNN。在在線階段，用戶可以利用經過訓練的DNN來估計他們的位置。雖然協作信道SLAM具有較高的計算復雜度，但DNN-CC-SLAM中的在線階段的復雜度要低得多，而定位性能與協作信道SLM的數量級相同。