随着物联网、人工智能等技术迅猛发展，智能船舶成为未来船舶发展的必然趋势，而位置信息的有效感知正是船舶智能化技术应用的基础和前提。基于泛在无线网络的船舶舱室环境室内定位能为舱室智能监测、人员货物实时定位和异常事件检测等智能化应用提供关键的物理地址标识。然而，由于船舶环境独特的动态干扰性、结构复杂性、场景多变性等特征，现有定位技术的性能在船舶场景下会受到巨大的干扰。本书针对船舶动态环境下的室内目标定位问题，从船舶动态环境对室内定位信号影响机理研究入手，分析研究船舶动态环境多因素干扰对室内定位的干扰，运用深度学习等理论方法提出面向船舶动态环境的高精度、多目标、低部署成本的无线室内定位方法，使船舶室内定位系统具有在船舶环境下大范围部署、长时间运行的潜力。 本书可供从事船舶安全、室内定位及导航工程的研究人员参考，也可作相关专业高年级本科生、研究生参考用书。

第1章 船舶舱室环境定位与感知概述
　　1.1船舶舱室智能感知需求
　　随着物联网、人工智能等技术的迅猛发展，智能船舶成为当前人工智能应用昀为重要和活跃的研究领域之一，也是“中国制造 2025”高新技术船舶下一步发展的重要方向。根据中国船级社 2015年发布的《智能船舶规范》，智能船舶通过突破自动化技术、计算机技术、无线通信技术、物联网技术等在船舶上的应用，实现智能航行、智能船体、智能机舱、智能能效管理、智能货物和智能集成平台。智能船舶技术是指能够提升船舶在航行、管理、维护保养、货物运输等环节智能化水平的技术集合。作为航运大国，我国正在积极推动智能船舶技术的发展。2018年12月27日，《智能船舶发展行动计划 (2019—2021年)》发布，对我国智能船舶三年的发展做出了规划。2019年 5月9日，《智能航运发展指导意见》发布，对智能船舶的定义、分级标准、系统架构、技术体系和发展路线图等基础性和宏观战略性问题进行了分析。
　　信息有效感知是一切智能化技术应用的基础和前提。船舶环境中的物标位置信息作为连接信息物理系统的关键标识，是智能船舶信息感知的基础数据。物联网相关技术逐渐被引入航运事业中。船载监控传感网络即对船舶内部环境监测的无线传感器网络 (wireless sensors network，WSN)。它是由大量的无线通信传感设备部署在船舶内，感知并采集各舱室信息，以多跳的方式形成一种自组织无线通信网络系统，具有灵活度高、适应性强、成本低等优点，可以实时监测感知区域内的各种对象信息及事件状态，并及时处理信息，传递给用户。它的出现为船舶室内事件的检测和跟踪提供了新的技术手段。位置信息服务是船载监控传感网络的一个重要应用，同时在更多安全保障应用中，传感网节点都需要具有正确的位置感知能力。例如，在游船内，船载传感网络可以为游客提供所在场所的位置和资源信息，寻找昀优路线，实现游客的在船舶内部的室内定位和导航；事故发生后，船载传感网络可以为船内旅客提供昀优逃生路径，为应急指挥人员提供受困旅客的实时位置信息，帮助救助等 [1]。船舶环境的室内定位不但可以为舱室环境智能监测、人员 (货物)实时定位与跟踪、非法异常事件自动检测等提供直接物理地址标识，而且可以为船舶智能配载与自动装卸、应急响应与安全服务、能效管理与资源调配等提供重要的决策依据。基于无线信号的定位技术是人们感知客观世界的重要工具，已经成为人类生活的重要组成，从野外目标行为监测、车船导航、军事定位、工业自动化的精细定位及安防监测系统，到个人定位等领域，都有重要的应用前景。当今流行的无线信号定位技术包括基于卫星协助的全球定位系统(global positioning system，GPS)、基于无线保真 (wireless fidelity，Wi-Fi)的室内定位、基于射频识别 (radio frequency identification，RFID)的物流跟踪定位、基于 ZigBee的 WSN定位。上述定位技术 /系统，从室外到室内、从高精度到中低精度等可以满足不同定位监测场景的需求。其本质特点是要求被定位的目标携带特定设备，如 GPS模块、 RFID标签。
　　在卫星定位导航信号不可达的室内环境下，由于 Wi-Fi等室内无线信号具备穿透力强、覆盖范围广、部署便捷、隐私性好等优点，基于无线信号的室内定位已成为泛在位置感知的主流技术和重点研究。区别于陆上通用建筑物室内定位环境，船舶舱室环境具有干扰动态性、结构复杂性、场景多变性等显著特征。其室内无线信号传播表现出的多径效应、反射衍射、信道时变等特性与陆上环境相比产生了本质差异。传统室内定位方法在定位精确度、可靠性、响应速度等方面面临着全新挑战。实验研究表明，船舶运动及环境变化会对室内无线信号造成显著的干扰和影响；通用的室内定位方法在船舶动态环境下表现出明显的信号紊乱和性能下降趋势。目前多数基于移动设备的定位技术只适合在无遮挡的室外使用，由于船舶本身的金属结构及航行因素，现有的技术并不适用于船舶的舱室环境。
　　目前，我国的船舶航运业务正迅猛发展，不仅进出口量增多，乘船旅游的游客数量也大幅增长，因此船舶正向大型化发展。多数内河游轮船体积庞大、内部结构复杂、载客量庞大，且设有各种消费、娱乐场所设施，也被称为水上移动城堡。正是由于船舶内部结构特殊、人员流动巨大、航行水面状况复杂，其日常管理和应急机制就显得极为重要。若船舶发生火灾状况，船舱和甲板内部极易出现浓烟和断电情况，乘客和重要货物的疏散极易拥堵，不易快速安全地撤离。因此，对应急人员和被困人员的具体船内位置进行有效感知，是应急任务需要的重要信息。由于相关技术手段的缺乏，多数时候只能通过急救人员的经验估计和查找值班报告等方法了解受困人员信息，无法对事故发生区域人员的实时位置进行有效的监测、获取。因此，对船舶室内定位技术开展研究，有利于增强船舶安全管理，加速航运的信息化发展。
　　1.2通用室内定位技术
　　学术界对于室内定位的研究基本沿袭 GPS的系统架构。其基本工作原理是通过与多个 GPS卫星进行通信，估算目标和卫星之间的视距路径距离，从而计算坐标位置。室内定位通常在室内空间部署可通信设备作为信标节点，利用定位目标携带的通信设备与信标进行信息交互来估计位置。信标节点是物理空间的位置参考点，通常使用蓝牙信标、 RFID信标、 Wi-Fi热点等设备技术。基于无线信号的定位方法与传统基于摄像头的目标定位方法相比，具有无线信号覆盖范围广、穿墙通信能力、部署成本低，以及可在非视距的场景下工作等优点，被学术界广泛接受和深入研究。
　　1.2.1室内定位原理
　　总体上说，现有的室内定位技术大致可以分为基于模型计算的无线室内定位技术和基于特征库匹配的无线室内定位技术。
　　1. 基于模型计算的无线室内定位技术
　　此类方法主要根据无线信号传输模型，分析目标对无线链路信号强度产生的影响，结合定位系统部署的相关物理空间信息，构建目标与部署设备之间的测距模型，从而利用几何方法实现目标位置的解算。距离估算主要是利用超声波、红外线等测距传感器，测量目标与已知节点在空间上的距离和方位 (或角度)。计算距离的方法包括到达时间 (time of arrival，ToA)法、到达时间差 (time difference of arrival，TDoA)法、基于接收信号强度指示 (received signal strength indication，RSSI)的信号衰减模型法。ToA法是通过高精度的时钟对无线信号的收发时间差进行记录，利用传播时间与通信距离的关系计算目标到信标的距离。其要求通信节点之间有高精度的时钟同步。对于使用高频信号的通信节点， 1μs的时间差会导致近 300m的距离误差。TDoA是 ToA的优化算法，利用两种不同通信方式的信号 TDoA来估计距离。该方式可以降低时钟同步要求。由于以上两种方法需要利用高精度的时钟同步保证距离的估计误差，在以 Wi-Fi无线网络为代表的无线室内定位中，测距主要采用基于接收信号强度 (received signal strength，RSS)的测距模型。RSS法利用接收端信号强度与收发节点间距离的关系完成测距，可以较大地节省成本，降低测距难度。在室内环境中，常用的描述两者之间关系的无线信号衰减模型为
　　(1-1)
　　式中，是距离为的信号强度；为路径衰减系数；为环境干扰引起的随机分量。
　　模型中的参数都与特定环境有关，因此可以利用多项式模型对信号强度与距离关系进行回归分析。Kdouh等[2]根据实验测量的船内环境的衰减因数实现一种适用于船舶环境的 RSSI模型。Kotaru等[3]提出的 SpotFi系统，通过构建天线阵列和信号到达角度 (angle of arrival，AoA)的信号空间谱模型实现对运动物体的定位。Wang等[4]提出 LiFS系统，利用目标对射频信号的吸收，建立目标信号衰减模型，实现高精度的 Wi-Fi信号被动式目标定位。上述定位方式通常依赖多径效应较小的理想室内环境，且大都借助通用软件无线电外设 (universal software radio peripheral，USRP)等实验室专用设备保证信号精准、稳定获取，无法在大规模环境下部署使用。
　　2. 基于特征库匹配的无线室内定位技术
　　为解决上述技术在实际使用中面临的多径问题，有学者提出基于特征库匹配的室内定位方法。其核心思想是利用无线信号在不同位置的空间差异性，将无线信号作为物理位置的特征 (位置指纹 )，通过构建一个目标位置 -信号特征关系的定位特征库，以特征识别和匹配的方式实现对目标位置的估计。在**的 Wi-Fi信号指纹的定位方法中，定位特征库又称为指纹地图。无线特征库匹配定位方法流程图如图 1-1所示。在训练阶段，工程人员在定位区域进行位置采样，在每个采样位置收集信号特征，存入位置 -特征数据库。这个过程称为现场勘测。在定位阶段，通过采集目标位置实时的信号测量值，利用定位算法在定位特征库中查找相似度昀高的特征位置作为目标的位置估计。
　　图 1-1无线特征库匹配定位方法流程图
　　指纹定位方法的开山之作是微软研究院在 2000年设计的 RADAR算法[5]。RADAR算法提出将 Wi-Fi信号作为特征库实现定位的新思路，并设计了基于 RSSI特征匹配定位方法的原型。其后，很多室内定位系统都基于 RADAR原型进行改进和性能提升，如 Horus系统[6]。随着群智感知等技术的发展，自主构建 RSSI特征库得以实现，使该方法更易部署和使用，如 Unloc室内定位算法 [7]和免勘探式无线室内定位 (wireless indoor localization without site surrey，WILL)方法[8]。信道状态信息 (channel state information，CSI)定位特征因其具有区分多径的特性而取得更高精度的定位，是目前昀新的研究方向之一。Wang等[9]提出 DeepFi系统，利用深度神经网络学习和训练 CSI特征的抽象表达和分类。一些研究人员将 CSI 特征与其他技术结合，进一步提升基于 CSI特征室内定位方法的精度，如 Li等[10]通过融合惯导技术和 CSI特征实现细粒度室内跟踪。特征库匹配定位方法的优势在于所需定位的参考测量节点少，可在非视距路径下工作，降低定位硬件成本且可保证较高定位精度，但问题是定位特征库会随环境的变化而失效。人工采集定位特征的部署成本和特征库定期更新的维护成本过高，会限制其普适化和规模化程度。
　　1.2.2常用定位技术
　　根据所用设备的不同，室内定位可以分为两大类。
　　1. 基于专用无线电设备的定位方法
　　基于专用无线电设备的室内定位技术，包括 RFID、超宽带 (ultra wide band， UWB)和 WSN等。UWB昀初用于无线通信，后来被用于二维和三维的室内定位系统[11]。UWB可以抑制室内复杂的多径效应，同时具有较高的时间分辨率，可以大大提高定位精度。室内机器人和四旋翼飞行器的日益普及也吸引了人们使用UWB进行高度精确的测距和定位 [12]。但是，金属和液体是 UWB信号的干扰源，而且短通信范围 (小于 10m)限制了它的大规模应用。RFID是一种基于射频信号的自动识别技术。基于 RFID的定位技术已经广泛应用到物联网。例如，LANDMARC[13]系统是将有源 RFID标签应用于定位的*次尝试，采用密集部署的 RFID标签作为感兴趣定位区域的接收器，使已知位置的参考标签适应动态环境，从而提高定位的准确性。BackPos系统[14]提出一种基于相位的双*线定位技术，并实现平均
　　12.8cm的定位精度。多入多出 (multi-input multi-output，MIMO)技术进一步将基于 RFID的定位精度提高到厘米级。WSN以

目录
“交通安全科学与技术学术著作丛书”序
前言
第1章船舶舱室环境定位与感知概述1
1.1船舶舱室智能感知需求1
1.2通用室内定位技术2
1.2.1室内定位原理3
1.2.2常用定位技术5
1.2.3室内定位模式7
1.3船舶室内定位与感知8
1.3.1船舶人员室内定位8
1.3.2敏感区域入侵检测10
1.3.3驾驶员行为检测11
参考文献12
第2章船舶环境对无线室内定位的影响15
2.1船载无线自组织网络15
2.1.1通用无线自组织网络概述15
2.1.2船载无线自组织网络特点17
2.1.3船载无线自组织网络模型18
2.1.4船载无线自组织网络节点部署方案22
2.2船舶环境无线信号传输特性23
2.2.1无线信号传播特性23
2.2.2**无线信号衰减模型25
2.2.3船舶舱室无线信号传播特性26
2.3船舶环境因素对无线定位信号的影响30
2.3.1船舶航行状态对RSSI信号的影响31
2.3.2船舶内部结构对RSSI信号的影响33
2.3.3人员因素对定位信号稳定性影响33
2.3.4船舶环境对无线室内定位的影响35
2.4小结37
参考文献38
第3章基于ZigBee的船载传感器网络节点定位方法39
3.1基于区域分割的低代价节点定位方法39
3.1.1区域分割模型建立39
3.1.2区域分割容错机制41
3.1.3区域分割定位方法44
3.1.4定位性能分析47
3.2基于位置指纹的高精度节点定位方法50
3.2.1空间位置指纹特征提取50
3.2.2时间位置指纹特征提取57
3.2.3时-空间指纹特征提取59
3.2.4基于支持向量机的位置指纹定位算法62
3.2.5位置指纹的SVM模型训练64
3.2.6位置指纹的SVM定位测试分析66
3.3基于需求响应的多粒度节点定位方法68
3.3.1船舶环境下定位系统及需求分析69
3.3.2粗粒度定位算法72
3.3.3细粒度定位算法75
3.3.4多粒度定位算法测试81
3.4船载环境节点部署策略及优化84
3.4.1问题分析84
3.4.2节点布置策略相关参数子区域个数86
3.4.3节点布置的优化策略89
3.4.4节点布置优化策略仿真实验92
3.5小结93
参考文献93
第4章基于Wi-Fi的被动式船舶室内人员定位方法95
4.1基于船速感知三维指纹库的被动式人员定位方法95
4.1.1基于CSI指纹的被动式定位问题建模95
4.1.2船舶环境下基于CSI指纹的被动式定位面临的挑战97
4.1.3船舶环境下CSI指纹影响假设与验证100
4.1.4船速感知三维指纹库的构建与定位方法104
4.2基于有向菲涅耳特征的多目标人员定位方法110
4.2.1基于菲涅耳特征的被动式定位问题建模110
4.2.2基于菲涅耳特征的被动式定位在船舶环境中面临的挑战113
4.2.3基于有向菲涅耳特征的多目标人员感知与定位方法117
4.3基于Wi-Fi信号AoA的人员动态跟踪方法126
4.3.1基于AoA的主动式定位问题建模126
4.3.2基于AoA的船舶环境室内定位方法129
4.3.3面向船舶动态环境的AoA定位方法133
4.4船舶舱室Wi-Fi定位平台与性能评估136
4.4.1基于CSI指纹的被动式人员定位系统定位精度137
4.4.2基于菲涅耳区的多目标人员定位精度评估140
4.4.3基于Wi-Fi信号AoA的人员动态跟踪系统精度评估144
4.5小结147
参考文献148
第5章基于深度学习的船舶动态环境无线室内定位方法150
5.1基于迁移学习的船舶室内指纹特征迁移方法150
5.1.1船舶动态航行CSI指纹干扰影响评估150
5.1.2指纹迁移模型设计面临的挑战及系统设计152
5.1.3基于卷积自编码器的船舶运动描述符提取方法155
5.1.4基于循环神经网络的无监督指纹漫游模型与目标定位158
5.2基于对抗生成网络的多维度定位特征学习方法162
5.2.1多维度定位特征库构建162
5.2.2基于循环对抗网络的多维定位特征迁移模型设计166
5.2.3基于多维定位特征的定位算法设计170
5.3基于循环神经网络的船舶环境多维特征定位方法172
5.3.1船舶环境对多维特征定位的影响及系统设计173
5.3.2基于稀疏变分贝叶斯SAGE算法的多维定位特征提取方法174
5.3.3船舶环境下基于循环神经网络的室内定位方法178
5.4基于深度学习的船舶室内定位系统性能评估181
5.4.1系统平台搭建181
5.4.2基于非监督学习的船舶室内指纹特征迁移效果182
5.4.3基于多维度特征的定位方法结果187
5.5小结192
参考文献193
第6章船载舱室无线感知技术及应用196
6.1船舶舱室异常入侵检测方法196
6.1.1船载环境下的信号敏感子载波提取196
6.1.2基于敏感子载波的人员入侵检测方法202
6.1.3基于CSI的入侵人员数量检测方法208
6.1.4入侵检测方法测试及分析214
6.2驾驶员值班行为分析与安全管理方法220
6.2.1驾驶员研究现状221
6.2.2OOW值班行为的CSI特征提取221
6.2.3基于CSI的OOW行为识别方法描述224
6.2.4实验结果与分析226
6.3基于超宽带的船载室内无线定位系统229
6.3.1船载室内无线定位系统架构230
6.3.2船载室内无线定位系统硬件设计234
6.3.3船载室内无线定位系统嵌入式软件设计236
6.3.4船载室内无线定位系统集成与测试243
6.4小结246
参考文献247