位置感知系统帮助智能设备找到自己的位置

麻省理工学院研究人员开发的一种系统可以帮助智能设备网络在GPS通常失效的嘈杂环境中合作找到它们的位置，这可能有助于供应链监控、自动导航等。

通过罗伯·马西森 10月6日

麻省理工学院、费拉拉大学、巴斯克应用数学中心(BCAM)和南加州大学的研究人员开发了一种系统，可以帮助智能设备网络在GPS通常失效的环境中合作找到它们的位置，即使在嘈杂的、没有GPS的地区也能捕获位置信息。

如今，物联网(IoT)的概念已经相当广为人知:世界各地数十亿个相互连接的传感器——嵌入在日常物品、设备和车辆中，或被人类或动物佩戴——为一系列应用收集和共享数据。

一个新兴的概念，“定位的东西”，使这些设备能够感知和交流他们的位置。这种能力可能有助于供应链监控、自动导航、高度连接的智能城市，甚至形成实时的世界“活地图”。专家预测，到2027年，物品本地化市场将增长到1280亿美元。

这个概念取决于精确的定位技术。传统方法利用GPS卫星或设备间共享的无线信号来确定彼此之间的相对距离和位置。但有一个问题:在有反射表面、障碍物或其他干扰信号的地方，如建筑物内部、地下隧道或街道两侧高楼林立的“城市峡谷”，精度会受到很大影响。

当网络中被称为“节点”的设备在一个信号阻塞或“恶劣”的环境中进行无线通信时，系统就会融合节点之间交换的各种类型的位置信息，以及数字地图和惯性数据。在此过程中，每个节点考虑与所有可能位置相关的信息——称为“软信息”——与所有其他节点相关的信息。该系统利用机器学习技术和降低处理数据维度的技术，从测量数据和上下文数据确定可能的位置。利用这些信息，它可以确定节点的位置。

在恶劣场景的模拟中，该系统的运行效果明显优于传统方法。值得注意的是，它始终接近定位精度的理论极限。此外，随着无线环境的日益恶劣，传统系统的精度急剧下降，而新的基于软信息的系统保持稳定。

航空航天系和信息与决策系统实验室(LIDS)教授、无线信息与网络科学实验室负责人Moe Win说:“当困难变得更大时，我们的系统保持定位准确。”“在恶劣的无线环境中，会有反射和回声，这使得获取准确的位置信息变得更加困难。像麻省理工学院校园里的Stata中心这样的地方尤其具有挑战性，因为到处都有反射信号的表面。我们的软信息方法在这种恶劣的无线环境中尤其稳健。”

获取软信息

在网络本地化中，节点通常被称为锚或代理。锚点是位置已知的节点，如GPS卫星或无线基站。代理是位置未知的节点，比如自动驾驶汽车、智能手机或可穿戴设备。

为了本地化，代理可以使用锚作为参考点，也可以与其他代理共享信息来定位自己。这包括传输无线信号，这些信号到达接收器时携带着位置信息。例如，接收到的波形的功率、角度和到达时间与节点之间的距离和方向相关。

传统的定位方法提取信号的一个特征来估计单个值，比如两个节点之间的距离或角度。定位精度完全依赖于那些不灵活(或“硬”)值的精度，随着环境变得更恶劣，精度已经被证明会急剧下降。

假设一个节点向10米外有许多反射表面的建筑物中的另一个节点发送信号。信号可能会四处反弹，并在13米外对应的时间到达接收节点。传统方法可能会将不正确的距离赋值。

对于这项新工作，研究人员决定尝试使用软信息进行定位。该方法利用许多信号特征和上下文信息来创建所有可能的距离、角度和其他指标的概率分布。费拉拉大学的安德里亚·孔蒂说:“这被称为‘软信息’，因为我们不会对价值观做出任何艰难的选择。”

该系统对信号特征进行了许多采样测量，包括功率、角度和飞行时间。上下文数据来自外部来源，例如数字地图和模型，它们捕捉和预测节点如何移动。

回到前面的例子:基于信号到达时间的初始测量，系统仍然分配一个节点相距13米的高概率。但根据信号的延迟或功率损失，它给出了一个很小的可能性，即它们相距10米。当系统融合来自周围节点的所有其他信息时，它会更新每个可能值的可能性。例如，它可以ping一张地图，看到房间的布局显示两个节点相距13米的可能性很小。结合所有更新的信息，它确定该节点更有可能位于10米外的位置。

“最后，保持低概率值很重要，”Win说。“我没有给出一个确切的值，而是告诉你，我非常确信你在13米之外，但你更近的可能性更小。这为确定节点位置提供了额外的信息。”