原文链接：(PDF) Radio SLAM: A Review on Radio-based Simultaneous Localization and Mapping (researchgate.net)
摘要
同步定位与地图构建 (SLAM) 算法使移动机器人能够在未知环境中实现自动化。它通过使用提供测量值的传感器来推断周围环境并使用此信息来定位机器人，从而使机器人能够在未知轨迹中导航。传感器技术在定义测量质量方面起着关键作用，因为它会影响 SLAM 的整体性能。虽然像相机这样的视觉传感器可以捕捉环境的丰富特征，但它们无法在低光照条件下工作。另一方面，射频传感器不受光照条件的影响，但毫米波 (mm-wave) 等高频信号容易出现严重的信道衰减，因此适合短距离室内应用。尽管毫米波频段必须提供高定位精度，但其缺点限制了为提高 SLAM 性能而开展的研究工作量。因此，本文旨在概述无线电 SLAM 的最新发展，特别关注毫米波支持的定位和 SLAM 方法。然而，也讨论了一些基于其他射频传感器的值得注意的研究工作。此外，我们强调了基于深度学习的本地化方法的作用，并确定了数据驱动实施中的一些关键挑战。
关键词
到达角 (AoA)、深度学习、到达方向 (DoA)、定位、毫米波、无线电 SLAM、SLAM、超宽带 (UWB)。
1、介绍
同步定位和地图构建 (SLAM) 的关键思想是在未知环境中自动化机器人的传感和导航系统。在 SLAM 算法的帮助下，机器人可以重建其周围的地图并在该地图内定位自己。 SLAM 在几乎所有需要自动化的领域都有应用，包括用于工业和运输的自动化机器人、自动驾驶汽车、室内定位系统、太空探索和无人驾驶飞行器 (UAV)。由于对 SLAM 系统的需求不断增长，其市场价值预计将在十年内增加到约 30 亿美元 [1]，从而增加了开发高效技术以实现 SLAM 最佳性能的需求。
实现 SLAM 的方法依赖于用于获取测量值的传感器技术以及这些传感器生成的数据类型。例如，视觉 SLAM 利用相机作为主要传感器，以图像的形式收集有关环境的信息。视觉 SLAM 在过去十年中因其捕获和创建基于特征的高维地图的能力而广受欢迎。视觉 SLAM 的分辨率已经通过使用各种视觉传感器（例如单目、深度和立体相机）得到增强 [2]。随着数据驱动方法的最新进展，基于神经网络 (NN) 的算法的潜力进一步推动了视觉 SLAM 的开发和研究。然而，视觉 SLAM 的常见缺陷之一是它无法在夜间和弱光条件下运行。此外，视觉 SLAM 不是隐私敏感应用程序的合适方法。
与视觉传感器不同，另一种最流行的传感器技术是在电磁波上运行的。由于电磁频谱跨越不同的频段，因此可以使用在相应频率下工作的独立传感器。光探测和测距 (LiDAR) 和超宽带 (UWB) 传感器是实现 SLAM 的成熟技术。其他广泛使用的传感器技术包括超声波、蓝牙、无线保真 (WiFi) 和射频识别 (RFID)。使用基于无线电信号的传感器来实现SLAM通常被称为无线电SLAM。无线电信号不仅不受环境中光线条件的影响，而且还被认为适合确保隐私。因此，无线电信号的潜力似乎有望克服上述视觉 SLAM 的挑战。图 1 突出显示了无线电和视觉 SLAM 在传感器和应用方面的差异，并列出了每种方法的一些优缺点。还值得注意的是视觉和无线电 SLAM 的传感器设置的一个关键区别。视觉 SLAM 涉及经典的传感器设置，其中传感器（即相机）仅部署在移动的机器人上。另一方面，由于无线电传感器包括两个操作模块，即发射器和接收器，因此无线电 SLAM 中的传感器设置可以有两种配置，具体取决于应用程序的要求。在经典设置中，如视觉 SLAM，发射器和接收器都部署在代理上，而在非经典设置中，代理配备接收器，而环境中的 BS 充当发射器或副反之亦然。根据应用，BS 的位置可以是已知的或未知的。
图1 无线电和视觉 SLAM 中涉及的传感器、方法、应用以及一些优缺点的比较
在无线电 SLAM 中，术语“机器人”可以称为代理、移动用户、用户设备 (UE) 或标签，具体取决于应用，在本文的图中用移动设备来描述。另一方面，术语“地标”可以归因于物体、障碍物、节点、锚节点或物理锚节点 (PAN)，在本文的图中用基站 (BS) 表示。我们将在本文的其余部分互换使用这些术语。
毫米波段提供了巨大的可用带宽，这有利于定位应用，因为它具有更高的分辨能力，可以区分间隔很近的物体。然而，由于传播环境[3]、[4]，它面临严重的衰减，因此不适合用于远程应用。因此，毫米波信号仍然是室内应用的合适选择。 2001 年发表了一篇关于实现毫米波 SLAM 的开创性论文 [5]。在这篇论文中，作者证明了 SLAM 问题的解决方案，证明了在给定足够多的观察系列的情况下，估计的地图可以收敛到准确的地图。这已在一项实验中得到证明，该实验使用真实的毫米波雷达估算了移动车辆和周围地标的位置。毫米波雷达以 77GHz 频率运行，安装在车辆上以捕获室外环境的测量值。使用 FMCW 雷达技术确定地标的范围和方位，并将其作为扩展卡尔曼滤波器 (EKF) 算法的状态输入。
然后使用 EKF 跟踪车辆和地标的位置。此外，作者还提供了一种数据关联机制，通过分析每个地标的范围和方位来丢弃非静止检测到的地标。对于地标和车辆，由此产生的位置估计误差约为 0.2m。
然而，这项研究只考虑了视线 (LoS) 环境中的固定地标。在更实际的场景和应用中，需要考虑多径传播的影响和状态估计中产生的误差。
[6] 中的一项研究在存在多个接入点 (AP) 的情况下实现了基于毫米波的客户端定位。为此，作者利用了两个范围的自由方法，即三角测量验证 (TV) 和到达角度差 (ADoA) 方法，用于估计客户端的位置。 LoS 和非视距 (NLoS) 信号都已纳入实验中。在 NLoS 信号的情况下，障碍物的真实位置已通过利用虚拟锚节点 (VAN) 的使用来计算。他们的结果报告定位误差小于 2m，AoA 估计误差为 ±15°。这项研究已经在模拟和室内环境中的真实数据上得到了验证。但是，需要注意的是，本研究假定事先了解 AP 的位置、平面图和环境中的障碍物。 [7] 中的一项研究不仅实现了定位，还提出了一种识别地标形状的方法。在这项研究中，AoA 估计用于评估已知环境中接收器和地标的位置。对于未知环境，使用到达时间差（TDoA）和接收信号强度（RSS）的估计来解决定位问题。他们的结果在未知环境的情况下达到了约 0.075 米的亚厘米精度。虽然这项研究也估计了障碍物的尺寸，但是，它只考虑了环境中的固定障碍物。 [8] 中的工作利用移动网络的内置结构来渲染 SLAM 的实现。在不使用有关环境和网络 AP（也称为物理锚点（PA））的先验信息的情况下，实现了亚厘米范围内的设备定位精度。重新制定 ADoA 方法以提高定位性能。他们提出的方法还降低了计算复杂性。对于映射，利用锚点位置的估计来预测设备周围的静态对象。实验已在仿真和硬件上得到验证。然而，这项研究只考虑了环境中的静态障碍物，并且即使存在其他障碍物也只对墙壁进行映射。
在最近的发展中，研究人员利用移动架构来实现个人雷达以启用 SLAM。例如，[9]、[10] 中的研究提出了基于移动的毫米波雷达平台的想法，该平台无需额外的硬件设备即可绘制周围环境图。 [10] 中的一项研究评估了不同参数（如信号带宽和天线数量）对个人雷达测绘性能的影响。
UWB 传感器由于其较高的带宽和较低的制造成本已被广泛接受用于室内定位应用。 UWB 已被用于从无线节点检测到行人运动跟踪和机器人定位等各种应用。在许多应用中，标签的定位是在具有已知位置的多个锚点的帮助下实现的 [140]，[143]。然而，[11] 中的一项研究提出了一种自动定位方法，它不仅可以定位标签，还可以使用错误状态 EKF 计算锚点的位置估计。此外，许多基于 UWB 的定位算法使用 range-only 方法来解决 SLAM 问题。顾名思义，仅范围方法仅利用范围信息来实现定位。
不同的研究论文采用了仅范围方法来执行机器人定位 [12]、[13] 以及估计代理和锚节点的位置 [14]。一种称为“传感器融合”的混合方法结合了多种类型传感器的潜力，以提高 SLAM 的性能。无线电和/或视觉传感器的组合已广泛用于基于传感器融合的 SLAM。虽然 UWB 和 LiDAR 已广泛用于基于传感器融合的 SLAM，但它们都受到环境几何不规则性的影响，从而降低了定位和建图的准确性。在 [15] 中，提出了一种优化算法来减轻基于 UWB 和 LiDAR 的 SLAM 的几何退化问题。 [16]中的研究提出了一种基于多机器人的 SLAM 的优化方法。 UWB 和 LiDAR 传感器被部署在多个机器人上，用于快速导航和绘制环境地图 除了 LiDAR，摄像头也与 UWB 传感器一起广泛使用。 [17] 中给出的研究对 UWB 传感器和传感器融合与飞行时间 (ToF) 相机之间的 SLAM 性能进行了比较分析。 ToF 相机帮助识别锚点以加速机器人的导航过程。
过去十年的多项调查都强调了 SLAM 技术的进步。已根据技术和应用对调查进行了分类。 [19] 中的综合评论侧重于机器人 SLAM 方法的演变，并讨论了 SLAM 的各个组成部分及其相关挑战。最近的一项调查 [20] 探索了基于机器学习 (ML) 的视觉 SLAM 开发技术，并详细解释了 SLAM 的几个输入-输出组件之间的关系。该论文中引入的“空间机器智能系统”一词指的是与SLAM相同的思想，即使机器人自动化，其中借助精确测量，机器人可以成功地保持其定位，同时逐渐更新其周围的地图。此外，[21] 中的工作不仅关注最近的数据驱动发展，还涵盖了数学建模和理论界限的表征，以在 SLAM 中实现稳健的性能。除了视觉 SLAM 之外，还开发了一些涵盖不同传感器技术的评论，包括 RFID [22]、[23]、LiDAR [24]、[25]，以及最近关于使用太赫兹 (THz) 波段的 [141]、[142] .与之前的调查相比，本次调查试图突出无线电 SLAM 领域的发展和挑战，特别关注毫米波和 UWB 传感器技术。
2、SLAM基础
SLAM 目标旨在让机器人推断其周围环境并确定其在该环境中的位置。因此，机器人能够自行探索未知领域。 1986 年 [28]，概率方法首次被用于解决机器人的定位和建图问题。然而，“SLAM”一词最早是由 Durrant-Whyte 在 1995 年第七届国际机器人研究研讨会上创造的 [28]。
之后，SLAM 被应用于各种应用，包括室内、室外和海底环境 [24]、[29]-[31]。有多种资源可用于了解 SLAM 的基础知识。 Durrant Whyte [18]、[32] 和 Sebastian Thrun [33] 的教程全面概述了 SLAM 的基本概念。此外，一本关于概率机器人的书 [34] 是掌握 SLAM 中不同操作块背后的基础数学的重要且有价值的资源。
A. 数学公式
以数学方式表述问题对于理解 SLAM 至关重要。主要目标是推断机器人周围的环境并确定其在地图上的位置。由于机器人的地图和位置都是未知的，因此机器人需要机载传感器来收集和处理测量值，从周围环境中估计导航参数。导航过程的图示如图 2 所示。让我们将在时间 t 进行的传感器测量表示为 zt，那么 SLAM 的目标是计算以下联合条件率：
（1）
图2 SLAM 问题的说明：在每个时间步同时估计代理 (x) 和地标 (m) 在环境中的位置 [18]
其中，xt 和 mt 分别表示机器人和地标的估计位置。因此，给定测量值 zt，SLAM 倾向于找到机器人位于位置 xt 并被位置 mt 处的地标包围的概率。除了测量之外，机器人还有运动信息，称为里程计。里程计描述了机器人在先前位置点和当前位置点之间的运动。这有助于机器人根据其先前位置 [33] 的信息决定下一步移动到哪里。现在让我们将在时间 t 获得的里程计信息表示为 ut。那么，（1）可以修改为：
（2）
SLAM 的实现有多种分类方法，主要取决于目标应用及其具体要求。下面描述了一些重要的 SLAM 类别。
1）在线和离线SLAM
[33] 中介绍了处理 SLAM 测量的两种方法的概念，即在线和离线。在在线 SLAM 中，机器人的位置和地图根据当前获取的测量值进行更新。表达式（2）是在线 SLAM 问题的数学表示。或者，在离线 SLAM 中，机器人首先沿着它穿过的路径收集测量值，然后处理所有获取的数据以重建地图和遵循的路径。对于离线 SLAM，向量 z 和 u 分别包含传感器和里程计测量值，这些测量值已在机器人运动期间的所有时间间隔内记录下来。这些测量用于估计机器人的位置和机器人运动整个轨迹的地标。这可以在数学上表示如下：
（3）
其中 x 和 m 表示机器人经过的路径的估计位置和地图。
2）主动和被动SLAM
在大多数应用中，遵循被动或主动方法来解决 SLAM 问题。在被动方法中，机器人需要来自其他主动代理的信息来探索未知环境。另一方面，基于主动 SLAM 的机器人旨在监控环境本身。在嵌入机器人的传感器的帮助下，它可以在不需要该环境中的其他活动代理的情况下完成其任务 [33]。
3、无线电SLAM的结构
实现无线电 SLAM 涉及两个主要步骤：1）从接收到的信号（也称为多路径传播分量 (MPC)）获取测量值，以估计机器人和周围地标的状态。 2) 计算用于跟踪机器人和地标位置的状态变量的后验概率密度函数 (PDF)。对于第一步，MPC 参数通常包括接收信号的 AoA、出发角 (AoD)、TDoA、振幅、延迟、雷达截面 (RCS) 和接收信号强度指示 (RSSI)。这些参数中的一个或组合可用于计算机器人和地标的位置估计。此外，接收到的信号可能并不总是处于视距内。换句话说，当无线信号通过信道传播时，它会遇到环境中各种物体的反射，也称为 NLoS 环境。因此，得到的接收信号包含延迟多径信号的总和，影响估计MPC参数的准确性。因此，纠正 MPC 中的错误以更好地估计机器人的状态和环境特征非常重要。有多种统计技术可用于估计 MPC 参数。多信号分类 (MUSIC) [35] 是最流行和广泛使用的 AoA 估计方法。其他流行的传统技术包括 ESPIRIT 和最大似然估计 (MLE)。此外，存在许多提供高质量 MPC 参数的超分辨率无线电信道参数估计方法，例如 [36]-[41]。一些广泛使用的 AoA 估计技术在第 IV 节中详细讨论。
虽然计算 MPC 参数似乎足以了解环境和机器人的位置，但仍需要预测机器人的未来状态和环境特征，因为它们需要作为里程计单元的输入来决定下一个适当的运动机器人的步数（取决于应用）。此外，由于接收到的信号可能因信道损伤而包含噪声，因此 MPC 参数并不完全准确。为了缓解这些问题，已经设计了几个过滤器，可以从嘈杂的 MPC 测量中预测状态估计。例如，EKF [42] 和粒子滤波器 (PFs) [43] 是最常用的用于推断状态变量的后验 PDF 的滤波器。这些将在第五节中详细讨论。图 3 显示了实施无线电 SLAM 所涉及的主要步骤、算法和相关挑战。
图3 概述实施无线电 SLAM 所需的方法以及与每种方法相关的一些挑战
A. 虚拟锚节点
VAN 在 UE 和 PAN（也称为接入节点）的定位中起着决定性的作用。当 UE 和 PAN 之间没有障碍物时，存在 LoS 通信。在这种情况下，计算 PAN 的范围很简单，因为接收信号中没有多径传播延迟。另一方面，在 NLoS 场景中，信号在到达目的节点之前经过许多障碍物被散射和反射。此外，该接收信号由传播延迟和多径延迟组成。多路径延迟由各种反射表面引起，并导致在接收器端出现相同传输信号的多个副本。因此，计算此类节点的范围变得具有挑战性。为了克服这一挑战，可以使用 VAN。顾名思义，VAN是一个虚拟节点，它既不在物理上存在，也不在任何节点之间提供任何无线功能。然而，它被认为实际上存在于 PAN 的镜像位置和 LoS 障碍物后面 [44]。反射信号被视为来自 VAN 的虚拟视距 (VLoS) 信号。 VAN 的简单图示如图 4 所示，其中 sLoS、sNLoS 和 sV LoS 分别是 UE 和 PAN 之间的 LoS、NLoS 和 VLoS 信号。此外，每个 VAN 都与来自障碍物的每个反射相关联。因此，如果障碍物的表面产生多次反射，那么每次反射都会有同样多的 VAN。 PAN 的真实位置可以通过镜像 VAN 相对于障碍物的位置来计算 [6]。
在无线电 SLAM 中，使用 VAN 可以缓解 NLoS 信号的问题。例如，在[6]中使用多个 AP 实现节点定位时，VAN 的位置使用镜像平面估计计算，而 TV 算法用于节点位置估计。类似地，在 [7] 中，VAN 被用来高精度地定位接收器。接收器和检测到的周围物体的位置是通过使用三边测量、TDoA 和 RSS 估计 VAN 的位置来计算的。
图4 VAN 形成在 PAN 的镜像位置，越过障碍物表面。
B. 无线电SLAM的应用
SLAM 的应用通常涵盖从自动驾驶汽车（例如自动驾驶汽车和机器人）到探索和导航人类难以触及的地方以及许多室内应用。然而，值得一提的是，无线电 SLAM 的大多数应用都是针对实现无线网络中的定位。例如，SLAM 技术已广泛用于在存在多个 BS 的情况下定位移动用户。类似的方法用于使用多个锚节点的机器人定位和导航。最近，个人移动雷达的概念正在出现。这个概念旨在利用移动设备的内置架构和天线阵列来执行定位和映射。表 1 列出了为无线电 SLAM 中的不同应用而实施的一些相关论文。
4、到达角估计方法（AOA）
如第 III 节所述，第一步是计算 MPC，例如距离、AoA 和 TDoA。 AoA 是广泛用于定位的 MPC 参数，因为它对噪声具有很强的鲁棒性。已经针对毫米波信号研究了 RSS、ToA 和 AoA 等几种 MPC 对定位性能的影响 [48]。在这项研究中，AoA 方法的使用已被证明可以显着提高定位性能。顾名思义，AoA 是指入射信号相对于某些参考方向的方向，例如接收器的视轴方向 [49]。连同范围或 ToF 的知识，有关 AoA 的信息不仅有助于推断周围目标物体的位置，而且还提供有关环境几何形状的信息。因此，MPC，即范围和 AoA，往往在无线电 SLAM 的实施中发挥关键作用。下一节将简要讨论估计 AoA 的一些常用方法。
A. 经典估计技术
MUSIC 是信号处理领域的开创性算法，由 Smith 于 1983 年首次提出 [35]。 MUSIC 通过特征值分解估计信号参数多个传感器阵列上接收信号的协方差矩阵。另一种流行的基于子空间的信号参数估计方法是通过旋转不变性技术，通常称为 ESPRIT [50]。 AoA 估计的一种简单方法是计算 TDoA [51]。图 5 显示了对天线的均匀线性阵列 (ULA) 进行 TDoA 计算的示例。该技术的优势在于它不需要发射机和接收机节点之间的任何同步。 [52] 中的一项研究利用 TDoA 以及有关接收器天线几何形状的信息来计算 AoA。其他广泛使用的 AoA 估计技术包括 Capon 方法 [53]、[54] 和 MLE [55]-[57]。
图5 使用两个 ULA 天线的 AoA (θ) 估计的几何图示。
在过去的几十年里，对 MUSIC 和 ESPRIT 的性能比较进行了彻底的分析 [58]-[60]。尽管采用直接的方法，但经典统计技术的性能受到各种因素的影响。例如，MUSIC 和 Capon 等高分辨率技术对噪声和多径通道很敏感。此外，在 3D 扫描时，即在方位角和仰角方向 [61]，MLE 的计算复杂度呈指数级增长。此外，对于 MUSIC 和 MLE [62]、[63]，还必须事先知道接收信号的数量。另一方面，ESPRIT 需要使用更多的传感器来进行快速计算 [64]，并且其效用仅限于天线阵列的特定几何形状，即 ULA [65]。为了克服上述经典技术强加的限制，已经为 MUSIC [66]-[70] 和 ESPRIT [65]、[71]、[72] 设计了许多变体。
已经进行了大量的研究工作来使用 MUSIC 算法来估计 AoA。 [73] 中的工作使用 MUSIC 和 root-MUSIC 算法来估计移动定位的 AoA，并使用软件定义无线电 (SDR)（即带有子板 UBX-160 和 TwinRX 的 USRP X310）验证实验。使用 NI-PXIe 平台开发了使用 MUSIC 和 ESPRIT 进行测向的概念验证 (PoC)。 [74] 中的工作提出了一种基于 TDoA 的方法，使用网络中所有可用的锚节点来估计 AoA。从每个节点计算 AoA 导致对 AoA 的估计更有把握。使用 TDoA 方法解决了任意两个节点之间的同步问题。除了基于射频的测向应用，上述经典算法也被广泛用于声源分离和定位应用[75]-[77]。下一节将介绍用于 AoA 估计的流行传统技术和 DL 技术。
B. 深度学习技术
随着过去十年技术的最新进步，通过各种设备和数字平台生成了大量数据。数据的爆发带来了人工智能 (AI) 的全新时代，其中包含数据驱动的算法，其性能似乎可以取代传统的信号处理算法。基于 NN 的 DL 算法 [78] 在计算机视觉 [79]、自然语言处理 [80] 以及最近的无线通信应用 [81] 领域变得非常流行。事实上，许多研究人员现在正试图利用 DL 的潜力来估计室内定位应用的 AoA。设计用于 AoA 估计的 DL 模型有两种方法：回归和分类。表 2 列出了一些为优化 AoA 估计而设计的基于回归和分类的 DL 模型。然而，值得注意的是，表 2 中列出的每个实验都考虑了一组不同的实验参数，例如源反射器的数量、视场 (FoV)、信噪比 (SNR)、以及接收器的天线阵列配置，例如 ULA、非均匀线性阵列 (NULA)、均匀圆形阵列 (UCA) 和对称嵌套阵列 (SNA)。因此，AoA 估计的性能根据实验中使用的参数集而变化。下面的小节将进一步讨论基于回归和分类的方法。
1）回归模型
在ML中，回归是指一种预测数量连续值的方法[82]。换句话说，回归模型的输出是一个随机变量的数值。对于 AoA 估计的应用，回归模型的输出将是 AoA 的预测值。基于单层神经网络的回归模型的图示如图6所示。输入层包含由pn表示的N个特征，而wn和b分别是单层神经网络的权重和偏差。输出是表示预测 AoA 的标量值。
图6 用于回归和分类的单层 NN 的图示
在过去几年中，回归模型已被广泛用于预测 AoA。 [83] 中的工作提出了一个基于回归的 DL 模型来估计点源的数量及其相关的 AoA。他们使用了密集神经网络 (DNN)，并将其结果与其他神经网络架构（例如卷积神经网络 (CNN) 和全连接网络 (FCN)）进行了比较。此外，他们还将他们的结果与传统估计器（例如 MUSIC 和 MLE）进行了比较，并展示了所提出的 DNN 如何优于它们。此外，其他人提出了一种混合方法，在这种方法中，他们将传统方法的特征与数据驱动模型相结合。例如，[61] 中所做的工作使用 MUSIC 算法的输出作为 ML 模型的输入，以降低输入数据的维度和模型的复杂性。他们利用包括 NN、高斯过程和回归树在内的不同 ML 框架来提高 AoA 的估计精度。与 MUSIC 等传统方法相比，他们的混合方法取得了相当大的改进。
[84] 中的工作遵循类似的混合方法来估计 AoA，但是，与模拟不同的是，他们使用低成本的 SDR 来执行实验并验证他们在无线数据上的结果。在这项工作中，DL 模型（例如 FCN 和 CNN）仅用于估计两个 AoA。 MUSIC 算法应用于同相（I）和正交相（Q）信号的接收。生成的协方差矩阵用作训练 DL 模型的输入。 IQ 信号数据集是使用称为 KerberosSDR [85] 的低成本 SDR 收集的。他们的结果显示出优于 MUSIC 和支持向量回归 (SVR) 的显着性能。对近场和远场源及其相关范围和 AoA 进行分类的问题已经在[86]中进行了探索。首先，接收到的信号被转换到频域，其中每个峰值对应一个反射源。使用峰值的位置，为每个源计算相位差矩阵，然后使用它来训练 CNN 模型以预测每个源的 AoA。此外，还采用了自动编码器来执行近场和远场源之间的分类。自动编码器有助于仅学习输入数据中的主要成分，并丢弃冗余和不相关的信息，从而增强 DL 模型很好地泛化未见数据的能力。之后，使用另一个 CNN 预测了近场源的范围。这个包含回归和分类的三步链提高了定位精度。 [87] 中提出了一种基于回归的端到端模型，其中设计了一个 CNN 来使用来自接收信号的空间协方差矩阵的相位特征来估计 AoA。所提出的方法证明了比 MUSIC 和径向基函数 NN (RBFNN) 更高的准确性。
2）分类模型
在分类模式下，模型预测给定类别标签集的结果概率。换句话说，分类器的输出为每个类分配一个概率，概率最高的类被认为是预测类 [82]。与回归不同，分类模型的输出是一个包含每个类的预测概率的向量，如图 6 所示。对于 AoA 估计，类的数量可以根据反射源的预期数量分配，而每个类别都定义了每个角度成为真正反射源的可能性。
[88] 中的一项研究考虑了传感器阵列的多种配置。他们提出了多个 DL 模型，这些模型协同工作以实现 AoA 估计的稳健性能。自动编码器已用于空间过滤，然后使用多层 DNN 分类器来估计 AoA。 [89] 中的另一项工作解决了天线 NULA 的 AoA 问题。他们设计了一个 CNN 网络（命名为 RFDOA-Net）来预测 AoA。此外，RFDOANET 包含多个子模块，可增强特征提取以提高 AoA 估计器的性能。他们创建了一个模拟数据集来训练模型对 181 类 AoA 进行分类。结果与 MUSIC 和其他最先进的 DL 模型（例如 ResNET 和 SqueezeNet）进行了比较。提出了一种无监督方法 [90] 来使用 CNN 估计 AoA。所提出的方法不涉及预先输入数据的任何注释来训练网络，相反，作者设计了一个基于 l1 范数的损失函数来优化网络的权重。网络的输入是接收到的影响天线 ULA 的信号的协方差矩阵。 CNN 模型根据最高概率对 AoA 进行分类。
这项工作的实验已经在使用合成数据集的模拟中进行和验证。此外，在 [91] 中，已经开发了基于特征到特征的 DL 模型，以学习接收信号的失真相位和干净相位之间的复杂函数映射。从多维 CNN 重建的干净相位用于创建协方差矩阵，然后用于通过定向波束成形和 MUSIC 等传统方法计算 DoA。特征到特征学习方法的主要目标是减轻由多径分量引起的相位失真的影响。对从基于 21 个天线元件的 VHF 雷达收集的真实数据进行了实验。在一项类似的工作中 [92]，DNN 被用作分类器，根据从输入信号获得的相关矩阵来预测 AoA。与 MUSIC 算法相比，它显示出更高的估计精度。
5、状态预测方法
根据应用的复杂性和要求，SLAM 算法主要有三种范式，已广泛用于跟踪机器人和地标的状态变量。下面简要讨论这些范例：
A. 卡尔曼滤波器
KF 最初是在 1960 年设计的，从那时起就被广泛用于跟踪和估计来自嘈杂观测的参数 [93]。然而，KF 往往只适用于线性系统。为了合并非线性系统，引入了 EKF [42]。 EKF 的基本思想是将非线性系统线性化，然后将基本 KF 应用于它。对于 SLAM，测量和状态转换本质上几乎总是非线性的，因此，EKF 通常用作解决 SLAM 问题的常规方法。EKF-SLAM 旨在计算（2）中定义的联合条件概率。该技术包括一个状态向量，其中包含需要估计的状态，例如机器人和地标的位置。 EKF 计算估计状态向量的均值和相关联的协方差矩阵，其中协方差矩阵表示估计位置的不确定性。由于 EKF 是一种递归算法，因此当机器人在环境中移动时，状态向量和协方差矩阵都会更新。因此，EKF 被认为是用于实现在线 SLAM 的合适算法。
为了计算 (2)，需要为机器人的观察和运动定义概率分布模型 [18]。观察模型通常表示为在给定地图和机器人位置的情况下找到测量 zt 的概率：
另一方面，运动模型描述了在给定先前位置的情况下机器人当前位置的概率以及测距测量。这可以表示为：
尽管 EKF 在简单性和鲁棒性方面是一种很有前途的算法，但计算测量更新的计算复杂性会随着地标数量的增加而增加。具体来说，计算复杂度随地标数量呈二次方增长，这会影响 SLAM 的实时性能。除此之外，EKF-SLAM 使用线性来表示机器人观察的分布模型以及通常本质上是非线性的运动。这种警告通常会导致某些环境中的性能不佳 [18]。[5] 中介绍的工作使用毫米波雷达测量车辆和周围地标的范围和方位。使用 EKF 进一步预测状态。 [7] 中提出了一种识别地标形状的方法，其中通过移动移动接收器在不同位置获得反射功率测量值，并使用 EKF 更新状态估计。除了距离和方位之外，[9] 中的研究还采用了 RCS 参数，该参数是使用 EKF 估计的，用于重建地图。在 [46] 中进行了类似的工作，其中状态向量由在每个转向角收集的 RCS 组成，并通过 EKF 进行估计。然而，考虑到天线波束宽度导致的多次测量之间的相互依赖性，修改了 EKF 的后验置信度。为了感知和映射动态环境，[94] 中开发的基于毫米波的移动传感系统使用基于多模型的交互式 EKF 跟踪环境中的移动散射体。实验已在仿真和硬件上得到验证。
B. 粒子过滤器
PF [43] 是一种非参数优化方法，它使用一组粒子来表示随机变量的后验分布。每个粒子都被认为是对真实状态的估计。例如，如果我们希望估计机器人的位置，那么每个粒子代表环境中可能找到机器人的可能位置之一。当粒子对机器人的真实位置有最接近的估计时，它们往往会存活下来。图 7 说明了粒子如何在多个时间步长内收敛到目标的真实位置的过程。蓝点代表所有粒子的集合，其位置代表目标位置的估计。因此，更多的粒子需要表示具有高维特征空间的地图。因此，该方法的计算复杂度随着地图中特征的增加而增加 [33]。然而，为了降低计算复杂性，FAST SLAM [95] 方法成为最受欢迎和广泛使用的基于 PF 的方法之一，它有效地缓解了解决 SLAM 问题时昂贵的计算问题。此外，与 EKF-SLAM 不同，PF 可以同时处理非线性模型和多峰分布，因此可以重建复杂环境的更准确表示。表 3 列出了 KF 和 PF [96] 的特性。
图7 PF算法的图示。粒子在时间步长 = 0 时初始化。在每个时间步长，状态接近目标真实状态的粒子更有可能被重新采样，直到它们在某个时间步长 = K 收敛
[97] 中使用商用现成的 802.11ad 实现了一个真正的基于毫米波的室内用户定位系统，其中由于用户传输的不规则波束形状而导致性能下降。 PF 连同傅里叶分析的使用已被用来克服 802.11ad 网络的经济高效硬件带来的限制。在基于 UWB 的传感器网络中，另一种基于 PF 的移动定位方法已在 [44] 中提出。他们使用 Rao-Blackwellized PF [98]、[99] 来估计 MPC，即移动用户、周围 VAN 及其相关 PAN 的位置范围。此外，Rao-Blackwellized PF 已用于行人跟踪的应用 [47]，其中行人被建模为移动主体，固定锚点被放置在位置未知的周围环境中。在事先不知道锚点位置的情况下，使用 Rao-Blackwellized PF 估计和跟踪行人和锚点之间的距离。其他作品 [100]、[101] 提出了一种称为通道 SLAM 的移动定位方法。它使用 EKF 和 PF 来估计接收信号的 MPC 参数，包括幅度、AoA 和延迟。除了用户定位应用之外，在 PF 的帮助下，[102] 还实现了使用毫米波的联合车辆定位和映射，用于估计车辆状态，而概率假设密度 (PHD) 滤波器已用于建图环境。他们提出的方法被证明适用于未知数量的地标。最近的工作已经开始规避更高计算复杂性的问题带有 PF 的复杂变体。 [103] 中提出了一种新颖的 5G 毫米波 SLAM，它证明了与基于 PHD 的 Rao-Blackwellized PF 相比，计算复杂度有所降低。这项工作已经扩展到新型毫米波无线电 SLAM 滤波器的设计，使用泊松多伯努利混合滤波器 [104] 进一步降低了复杂性。
C. 图SLAM
开发了基于图的技术 [106]-[108] 以利用非线性稀疏优化来解决 SLAM 问题。在图 SLAM 中，节点表示移动机器人和周围地标的位置。而弧线表示机器人的两个连续位置 xt1 和 xt 之间的关系，以及当前机器人位置 xt 与机器人观察到的地标之间的关系，如图 8 所示。与 EKF SLAM 不同，图 SLAM 可以重建环境的高维地图 [33]。最初，图 SLAM 的制定仅限于解决离线 SLAM 问题，但是，也引入了可以处理在线 SLAM [109] 测量的在线变体。
图8 移动和节点的给定轨迹和位置形成图形矩阵
在无线电 SLAM 的背景下，[45] 中的工作提出了一种基于置信传播 (BP) 的联合概率数据关联方法，用于移动代理、PA 和 VA 的联合定位和映射。实验涉及真实的室内 UWB 数据集 [110]，用于验证所提出的方法。
此外，还有其他基于多路径的 SLAM 研究使用 FG，这些研究利用了 MPC 而不仅仅是多路径延迟，例如 [111]-[113]。 [111] 中的研究不仅利用了延迟，还利用了来自无线电信号 MPC 的 AoA，根据位置、速度和方向定位移动代理和周围的 PA 和 VA。为了实现 MPC 估计，提出了一种基于 BP 的算法，该算法还利用 MPC 的复振幅来实现概率数据关联。 [112] 中进行的一项类似研究提出了 UE 在毫米波 MIMO 通信基础设施中的定位策略。在这项研究中，提出了一种基于 BP 的算法来估计 UE 的状态以及环境中反射面的映射。此外，[113] 中的一项研究解决了处理代理和地图特征状态动态变化的问题。这是通过将交互的多个模型参数合并到 FG 中并使用所提出的基于 BP 的算法估计代理的时变状态来实现的。在使用 FG 的无线电 SLAM 的最新发展中，与基站之间相同反射表面相关的多路径测量和高阶反射融合在一起，并由单个主 VA [26]、[27] 表示。这种方法导致映射的更快收敛，同时减少了映射错误。
6、建图技术
了解环境地图对于机器人和移动用户找到合适的轨迹路径至关重要。重建环境地图的过程涉及对周围地标位置的了解。可以通过估计最能代表环境特征的状态来执行推理过程。在无线应用的上下文中，这些状态可以是一组 MPC 参数，例如范围、RCS 和 AoA。常用的状态跟踪滤波器包括 EKF 和 PF。除了使用传统的状态估计器外，[114] 中的研究还使用凸优化和 Hough 检测器算法将距离估计分配给组合复杂度较低的正确反射器。这项工作的实验针对凸多边形房间中的 LOS 和单次反弹反射信号进行了验证。
构建地图是 SLAM 中最具挑战性的任务之一。由于环境（无论是室内还是室外）通常具有丰富的特征，因此开发一个可以处理高维数据并且还可以区分用于识别某些感兴趣的地标的几个特征的方法。然而，表示环境的基本类别有两种，即基于特征的地图和占用网格地图（OGM）。每种映射技术都经过专门设计，可在使用某些传感器和特定环境场景时发挥最佳效果 [115]。表 4 总结了现有无线电 SLAM 实现中涉及的方法和映射表示。
A. 基于特征的地图
由于周围存在大量特征，基于特征的地图主要用于表示室外环境。为了开发基于特征的地图，传感器还必须能够进行高分辨率测量，这些测量可以被处理以区分不同的地标。因此，基于相机的传感器适用于重建基于特征的地图。处理图像数据最成功的方法涉及彻底改变图像处理领域的计算机视觉方法。在计算机视觉技术的帮助下，可以识别、分割和区分地标，以获得环境的丰富特征表示。然而，使用从无线电传感器获得的测量值来区分地标具有挑战性。因此，在无线定位应用中采用基于特征的映射方法具有挑战性。另一方面，OGM 是一种使用无线电传感器创建简单地图的合适方法，尤其是对于室内环境。OGM 方法将在下一节中进一步讨论。
B. 占用网格图（OGM）
顾名思义，这种方法将环境划分为均匀的网格，其中网格单元的大小取决于传感器的分辨率以区分特征。如图 9 所示，每个网格单元都有一个特定的占用值，代表检测到的地标的存在或强度。在二元网格图中，每个网格单元要么由 0 表示，表示空气或没有任何地标，或 1，表示该位置存在地标。这是一种粗略的映射方法，因为它无法区分环境中存在的不同类型的地标。为了克服这个问题，每个网格单元可以根据从该位置接收到的信号强度由一个值表示。在 [44] 中，重建的地图将 PA 和 VA 的位置显示为点地标，其状态使用 FG 和 PF 更新。同样，其他作品 [100]、[101] 使用 EKF 和 PF 来跟踪 MPC 参数，例如振幅、AoA 和延迟，并使用点障碍物表示地图。
图9 OGM 概念的说明。环境被划分为网格单元，其中每个网格单元都根据从该方向接收到的反射幅度分配一个值
7、实验资源
虽然有很多无线电 SLAM 的模拟实现，但到目前为止只开发了少数 PoC。要开发 PoC，需要有合适的传感器设备来执行实验。此外，随着 DL 方法的兴起，需要大量的数据集，用于模拟实验或开发 PoC。以下部分描述了一些可用的适合实验无线电 SLAM 实施的数据集和硬件设备。
A. 数据集
随着过去几十年技术的进步，数据的爆发使研究人员能够设计出数据驱动的算法，这些算法可以从数据本身学习复杂的非线性函数，并且往往比传统的分析方法更稳健。关于 SLAM，很少有数据集被收集并开源，使研究人员能够设计和验证新的方法。大多数数据集包含环境的室内和室外图像集，可与 3D 照片逼真模拟器（例如 AI Habitat [116]）一起使用，以模拟和测试机器人在特定环境中的行为。然而，这些基于图像的数据集主要旨在使用计算机视觉算法实现视觉 SLAM，因为在这种情况下相机是主要传感器。尽管如此，最近的一项工作 [117] 在 Gibson 数据集 [119] 中借助无线信道模拟器（例如 Remcom [118]）集成了无线传播信息。他们验证了 AI Habitat [116] 上的模拟，并发布了一个增强的 Gibson 数据集 [120]，其中还包含无线光线追踪数据以及相机和 LiDAR 数据。 Gibson 数据集包含多个室内场所的虚拟图像。它包含1447层572座建筑物的图像，总面积为211平方公里。 Gibson 环境以类似于使用真实相机观察周围环境的顺序连续生成这些图像。因此，我们的想法是模拟一个接近真实环境的模拟环境，以降低复杂性以及在现实场景中部署和验证所提出方法的时间。
由于低成本无线电收发器的可用性有限，目前可用于定位应用的无线无线电数据集较少。对于 AoA 估计，[84] 中的研究使用 KerberosSDR [85] 作为 VHF/UHF 接收器来生成复杂 IQ 信号的数据集 [121]。该数据集包含 LoS 和 NLoS 组件，影响天线的 ULA。一些基于毫米波的数据集也可用于室内 [122] 和室外环境 [123] 用于用户定位。使用 National Instrument PXI 信号收发器记录了基于 28 GHz 不同金属物体反射测量的毫米波数据集 [124]。还提供了其等效的模拟光线追踪数据，这些数据是通过 Remcom 的 Wireless Insite 软件生成的。该数据集由在室内和室外环境中获得的信道脉冲响应组成。已经为 DoA 估计开发了另一个数据集 [125]。它包括在 30° 和 −30° 之间的不同方位角和仰角处获得的压缩信号。但是，论文中并未明确描述生成数据集的来源。为了促进 5G 新无线电 (NR) 技术的研究，已在[126] 包括在室内和室外设置中为 MIMO 配置获得的信道频率响应。数据集是根据第三代合作伙伴计划 (3GPP) 第 16 版 (R16) 标准使用 3.5 GHz 和 40 GHz 的载波频率生成的。在 [127] 中可以找到很少的其他毫米波数据集。
虽然一些数据集是公开可用的，但其他数据集需要购买订阅才能访问。表 5 总结了一些可用的数据集，可用于室内定位和无线电 SLAM 的应用。
B. 传感器
具有成本效益的传感器在 PoC 的快速开发和实验验证中发挥着关键作用。 Decawaves DW1000 [130] 是一种低成本的 UWB 收发器，可用于基于 UWB 的定位和本地化 [47]，[137]。对于毫米波，德州仪器 [138] 和 Joybein [139] 提供了一些廉价的评估套件，可用于在现实场景中验证基于毫米波的定位和 SLAM 方法。评估套件 [131]、[132]、[134] 处理接收到的信号并提供 MPC 参数，例如距离、AoA、多普勒和 SNR。为了访问原始 IQ 数据样本，TI 提供了一个额外的 DCA1000EV M 套件 [133]，它可以与 TI 的毫米波套件连接。访问原始 IQ 数据可以让研究人员开发和测试他们自己的自定义信号处理算法，用于室内定位和 radioSLAM。表 6 总结了一些可用于实施 PoC 的可用收发器。
8、挑战和未来方向
A. MM-WAVE SLAM
毫米波段由于其提高的定位精度而广泛用于定位应用。然而，它在远程应用中表现出相对较差的性能，因为与低频信号相比，它在通过信道传播时会遭受高衰减（路径损耗）。因此，需要开发能够减轻路径损耗问题的稳健算法。
B. 超越毫米波 SLAM
毫米波频段以外的频率（例如太赫兹频段）最近在 6G 通信和本地化中受到关注。由于位置感知通信正在成为 6G 通信的核心，并且 6G 很快将支持 sub-THz 频段，因此对基于 THz 的定位的研究兴趣随着时间的推移而迅速增加。对基于太赫兹的定位的最新发展和挑战进行了广泛的审查 [141]。最近的研究已经验证了基于太赫兹的 SLAM 在室内环境中的实施 [142]，并证明太赫兹波段有可能胜过基于毫米波的定位 [141]。太赫兹频段似乎有望用于未来的通信和定位网络，但是，它仍然需要探索挑战和适当的应用范围。
C. 基于深度学习的实现的局限性
如前所述，基于深度学习的方法继续优于经典估计方法。但是，需要事先知道要估计的参数的数量。例如，在 AoA 估计的情况下，回归和分类模型的输出节点转换为环境中可能的反射器或节点的数量。这意味着，为了设计 DL 模型，必须事先知道有关源反射器的信息。对于分类模型，不仅要事先知道源反射器的数量，而且还必须先验知道与每个反射器相关的AoA值。如果部署在不熟悉的环境中，这些限制可能会导致此类 DL 模型完全失败。
D. 分布外性能
与计算机视觉领域不同，无线技术领域只有少数数据集可用，而且这些数据集仅限于特定应用。此外，无线信号的分布会受到许多参数的影响。其中一些参数是 SNR、无线传播信道、调制类型、频带、带宽以及由硬件组件的非线性行为引起的扰动。此外，上述因素进一步受到各种其他参数的控制，这使得创建一个考虑所有因素组合的广义数据集具有挑战性。因此，ML 和 DL 模型倾向于过度拟合包含特定参数分布的数据集。但是，一旦遇到这些参数的分布略有变化的数据，该模型就无法概括。在 DL 中，这被称为分布外问题。当模型在特定训练数据分布上进行训练时，通常会发生这种情况，但由于实际数据分布相对于训练数据集发生变化，因此在实时场景中表现不佳。
为了提高数据驱动模型对分布变化的鲁棒性，必须进行研究以设计智能方法来管理广义数据集以及设计对数据分布变化不变的 DL 模型。此外，就像 CNN 和 Transformer 模型主要设计用于分别处理图像和序列数据一样，可以开发一种不同的 DL 框架，以最佳地处理无线数据。
9、结论
本文全面概述了基于无线电的定位和映射方法，特别强调了毫米波和一些基于 UWB 的方法。它广泛概述了用于实现无线电 SLAM 的传统方法和基于 DL 的方法的潜力和挑战。虽然基于 DL 的定位方法发展迅速，但映射方法仍然遵循经典方法，例如 EKF 和 PF，为合并基于数据驱动的方法以提高映射性能留出了空间。此外，同样重要的是要注意，使用 DL 算法提高定位精度通常是以通用性为代价的。因此，不仅需要创建泛化良好的数据集，而且探索为无线数据设计泛化 DL 模型的途径也很重要。毫米波的潜力以及广义数据驱动模型可以为未来强大的无线电 SLAM 铺平道路。
标签：based,AoA,Localization,机器人,估计,SLAM,Radio,传感器,方法 From： https://www.cnblogs.com/kodiak-bear/p/17111250.html