麻省理工学院及其他机构的研究人员开发了一套新系统，可帮助智能设备网络协同工作，在GPS通常失效的环境中确定各自的位置。
如今，“物联网”概念已广为人知：全球数十亿个互联传感器嵌入日常物品、设备和车辆之中，或佩戴在人类或动物身上，正在收集并共享数据，用于各类应用。
一个新兴概念“事物定位”使这些设备能够感知并传递自身位置。这一能力有助于供应链监控、自动导航、高度互联的智慧城市，甚至可以形成世界的实时“活地图”。专家预计，到2027年，事物定位市场规模将增长至1280亿美元。
这一概念依赖于精确的定位技术。传统方法利用GPS卫星或设备之间共享的无线信号，确定设备彼此之间的相对距离和位置。但存在一个难题：在反射面较多、存在遮挡或其他干扰信号的地方，例如建筑物内部、地下隧道，或两侧高楼林立的“城市峡谷”中，定位精度会大幅下降。
来自麻省理工学院、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出一套系统，即使在这些信号嘈杂、无法使用GPS的区域，也能获取位置信息。描述该系统的论文发表于《IEEE会刊》。
当网络中被称为“节点”的设备在信号受阻或“恶劣”的环境中进行无线通信时，该系统会融合节点之间交换的不稳定无线信号、数字地图和惯性数据中的多种位置信息。在此过程中，每个节点都会将与所有可能位置相关的信息（称为“软信息”）与其他所有节点的信息进行关联考量。该系统借助机器学习技术以及降低处理数据维度的技术，从测量数据和情境数据中确定可能的位置，随后利用这些信息精确定位节点的位置。
在恶劣场景的模拟测试中，该系统的表现明显优于传统方法。值得注意的是，它始终接近定位精度的理论极限。此外，随着无线环境日益恶化，传统系统的精度大幅下降，而基于新型软信息的系统则保持稳定。
“当情况愈发艰难时，我们的系统仍能保持定位准确，”麻省理工学院航空航天系教授、信息与决策系统实验室（LIDS）成员、无线信息与网络科学实验室负责人莫·温（Moe Win）说。“在恶劣的无线环境中，存在反射和回波，这使得获取准确的位置信息困难得多。斯塔塔中心（位于麻省理工学院校园内）等地方尤其具有挑战性，因为到处都是反射信号的表面。我们的软信息方法在此类恶劣无线环境中尤为稳健。”
与温共同参与该论文研究的还有：费拉拉大学的安德烈亚·孔蒂（Andrea Conti）；BCAM的圣地亚哥·马苏埃拉斯（Santiago Mazuelas）；费拉拉大学的斯蒂法尼亚·巴托莱蒂（Stefania Bartoletti）；以及南加州大学的威廉·C·林赛（William C. Lindsey）。
捕获“软信息”
在网络定位中，节点通常被称为锚点或代理。锚点是位置已知的节点，例如GPS卫星或无线基站。代理是位置未知的节点，例如自动驾驶汽车、智能手机或可穿戴设备。
为了实现定位，代理可以将锚点用作参考点，也可以与其他代理共享信息以确定自身方位。这涉及无线信号的传输，接收端接收到的信号会携带位置信息。例如，接收波形的功率、角度和到达时间与节点之间的距离和方位相关。
传统定位方法提取信号的一个特征，以估算两个节点之间的单一数值，例如距离或角度。定位精度完全依赖于这些固定（或“硬”）数值的准确性，而且研究已表明，随着环境变得更加恶劣，精度会急剧下降。
假设一个节点向另一个相距10米、位于多反射面建筑内的节点发送信号。信号可能会多次反弹，并以对应13米距离的时间到达接收节点。传统方法很可能会将这一错误的距离作为数值采用。
在这项新工作中，研究人员决定尝试使用软信息进行定位。该方法利用多种信号特征和情境信息，生成所有可能距离、角度及其他指标的概率分布。孔蒂表示：“之所以称为“软信息”，是因为我们不对这些数值做出任何硬性判断。”
该系统会对信号特征进行大量采样测量，包括功率、角度和飞行时间。情境数据则来自外部来源，例如数字地图，以及用于捕捉和预测节点移动方式的模型。
回到前面的例子：根据对信号到达时间的初始测量，系统仍会赋予节点相距13米的高概率。但基于信号的一些延迟或功率损耗，它也会赋予节点相距10米的较小可能性。随着系统融合来自周围节点的所有其他信息，它会更新每个可能数值的可能性。例如，它可以查询地图，发现房间布局表明两个节点相距13米的可能性极低。综合所有更新后的信息，系统判定该节点更有可能位于距离10米的位置。
温表示：“归根结底，保留这一低概率数值很重要。”“我不是给出一个确定的数值，而是告诉你，我非常确信你距离13米，但你也有较小的可能性离得更近。这提供了额外的信息，对确定节点位置大有助益。”
降低复杂度
然而，从信号中提取大量特征会产生高维数据，这可能会使系统过于复杂且效率低下。为提高效率，研究人员将所有信号数据压缩到一个降维且易于计算的空间中。
为此，他们基于“主成分分析”这一技术，识别接收波形中对确定位置最有用和最无用的方面。该技术可保留多维数据集中最有用的方面并舍弃其余部分，从而生成降维后的数据集。如果每个接收波形包含100次采样测量值，该技术可能会将这一数字减少至例如8个。
最后一项创新是使用机器学习技术，从测量数据和情境数据中学习描述可能位置的统计模型。该模型在后台运行，用于衡量信号反弹可能如何影响测量结果，从而进一步提高系统的精度。
研究人员目前正在设计相关方法，以便在资源受限、无法传输或计算所有必要信息的节点上减少计算资源的使用。他们还致力于将该系统扩展到“无设备”定位，即部分节点无法或不愿共享信息的情况。该方法将利用信号从这些节点反向散射的信息，使其他节点知道它们的存在及所在位置。
