本文档属于 类型a，即报告了一项单一原创性研究。以下是基于文档内容撰写的学术报告。

关于使用移动机器人校准可见光定位系统的研究

一、 研究团队与发表信息

本研究由来自比利时鲁汶大学（KU Leuven）的研究人员完成。主要作者包括 Robin Amsters、Eric Demeester、Nobby Stevens 和 Peter Slaets。通讯作者为 Robin Amsters。该研究以论文形式发表，标题为《Calibration of Visible Light Positioning Systems with a Mobile Robot》，刊登于学术期刊 Sensors。论文于2021年3月12日收到，2021年3月27日被接受，并于2021年3月30日在线发表。论文的引用格式为：Amsters, R.; Demeester, E.; Stevens, N.; Slaets, P. Calibration of Visible Light Positioning Systems with a Mobile Robot. Sensors 2021, 21, 2394.

二、 学术背景与研究目的

本研究的科学领域属于室内定位技术，具体聚焦于可见光定位。可见光定位是一种利用发光二极管（LED）发出的调制光信号进行室内位置估计的技术。与Wi-Fi、超宽带（UWB）等射频定位技术相比，VLP具有抗多径干扰能力强、可利用现有照明基础设施、定位精度高等潜在优势。然而，与大多数室内定位系统一样，VLP系统在部署后需要进行校准。基于测距（Ranging）的VLP系统需要精确知道每个光源（信标）的三维坐标；而基于指纹（Fingerprinting）的VLP系统则需要预先建立信号强度地图。传统校准方法（如手动测量信标位置或人工现场勘测）通常繁琐、耗时且容易出错。

尽管针对Wi-Fi、RFID和UWB等技术的自动或半自动校准方法已有较多研究，但针对VLP系统的校准研究相对匮乏。现有VLP校准工作大多集中于在已知接收器位置的情况下校准信道模型参数或接收器参数，或者需要已知光源位置。这些方法要么需要额外的定位系统来提供接收器位置真值，要么仍需手动测量光源坐标，未能完全解决部署便利性问题。

在此背景下，本研究团队旨在开发一种高效、自动化的VLP系统校准方法。具体研究目标是：提出并验证一种基于移动机器人的校准流程，该流程能够在不预先知晓光源数量和接收器位置的情况下，自主构建包含光源身份（调制频率）和地图坐标的环境地图。此外，研究还计划对影响校准性能的各种参数进行系统性研究，并最终通过实际的定位实验来“闭环”验证校准参数的有效性，即评估使用机器人校准出的参数进行定位时的精度。

三、 详细研究流程与方法

本研究包含三个核心部分：改进的校准算法流程、广泛的参数研究、以及校准-定位闭环验证。研究流程详细如下：

1. 改进的校准算法流程： 本研究在团队先前工作的基础上，提出了一套包含数据采集、处理和过滤的完整校准流程。研究使用了一个配备定制传感器平台的移动机器人（Kobuki平台）。传感器平台集成了激光雷达（RPLidar A1）和摄像头（初期使用OpenMV M7，后期使用Raspberry Pi相机模块V2）。四个LED光源被安装在大约1.5米的高度，每个光源通过MOSFET连接到独立的信号发生器，以独特的频率（1.57 kHz, 2.03 kHz, 2.87 kHz, 4.92 kHz）进行强度调制（方波）。

• 数据采集： 操作员通过遥控器驱动机器人在实验空间内移动。研究对比了两种轨迹：“之字形”连续移动轨迹和“停-走”轨迹（机器人依次移动到每个光源下方短暂停留采集数据）。机器人移动时，同步记录摄像头图像和激光雷达扫描数据。
• 数据处理与地图构建：
  • 图像处理与光源检测： 利用CMOS摄像头的滚动快门效应，调制的LED光源在图像中会呈现条纹图案。通过Canny边缘检测等图像处理算法，从每一帧图像中提取出光源在图像中的像素坐标及其对应的调制频率（通过条纹宽度计算）。
  • 同步定位与地图构建（SLAM）： 使用Google Cartographer算法处理激光雷达数据，实时构建环境的二维几何地图并估计机器人自身的运动轨迹（位姿）。
  • 光源映射： 结合图像处理得到的像素坐标（经过去畸变处理，且只使用靠近图像中心的检测结果以提高精度）和SLAM提供的机器人位姿，通过坐标变换，将检测到的光源投影到全局地图坐标系中，初步生成一个包含光源频率和估计坐标的“光源地图”。
• 关键改进：数据过滤算法： 这是本研究相较于之前工作的核心创新。初步生成的光源地图存在噪声：同一LED可能因图像处理误差被识别为略有差异的频率；其坐标估计也会因检测噪声和SLAM误差而呈簇状分布。旧方法需要预先知道光源数量，并简单地按频率平均坐标。新方法则无需此先验知识，通过以下步骤自动滤除虚假检测并合并重复项：
  • 离群值剔除： 针对每个初步识别的频率，剔除距离该频率所有坐标平均值超过2倍标准差的坐标点。
  • 坐标平均： 对每个频率剩余的点计算平均坐标。
  • 低频观测滤除： 移除观测次数过少（例如少于2次）的光源。
  • 空间过滤： 设定一个物理距离阈值（如1米）。若两个光源的平均坐标距离小于此阈值，则合并它们（保留观测次数多的，或平均两者的频率和坐标）。这解决了同一光源坐标分散成簇的问题。
  • 频谱过滤： 设定一个频率距离阈值（如0.1 kHz）。若两个光源的频率差小于此阈值，则合并它们（保留观测次数多的，或平均两者的频率和坐标）。这解决了同一光源被识别为邻近频率的问题。 经过这一系列过滤，算法能自动输出正确数量的光源及其最终估计的位置和频率。

2. 参数研究实验设计： 为了全面评估所提校准方法的鲁棒性和性能边界，研究设计并执行了一系列控制变量实验，每次实验重复三次以获取统计结果。评估指标主要是光源位置误差（通过比较校准得到的光源间距离与实际测量距离的差值）和频率识别误差。 * 机器人轨迹影响： 对比“之字形”轨迹和“停-走”轨迹对校准精度和数据采集时间的影响。 * 光照条件影响： 在四种环境下进行校准实验：1) 基线条件（关窗，仅LED光源）；2) 不同日期（类似基线条件，但季节和日光背景不同）；3) 开窗（引入自然光）；4) 开窗且开启荧光灯（引入调制环境光）。 * 发射器-接收器距离影响： 在水平实验设置下，将单个LED与摄像头之间的距离从1米增加到5米，测试在不同距离下频率检测的准确性。同时，研究固定距离（5米）下，更换不同视场角（FOV，从10度到60度）的镜头对频率检测的影响。 * 摄像头分辨率影响： 对比低分辨率（640x480像素）的OpenMV M7相机与高分辨率（3280x2484像素）的Raspberry Pi相机模块在“停-走”轨迹下的校准精度（位置和频率）以及数据采集和处理时间。 * 视场角（FOV）影响： 使用高分辨率相机，在正常实验设置下，更换不同FOV的镜头（10度至80度），评估其对光源定位和频率识别精度的影响。

3. 校准-定位闭环验证实验： 为了验证校准所得参数的实际效用，研究进行了定位实验。使用校准得到的光源位置和身份信息，作为先验知识输入到团队之前开发的基于传感器融合的VLP定位算法中（该算法融合了视觉VLP观测和机器人里程计）。研究对比了使用手动校准参数和机器人自动校准参数时，定位算法的性能差异。定位精度通过比较算法估计的机器人轨迹与真实轨迹（由高精度激光雷达SLAM提供）来评估。使用了三种滤波器：扩展卡尔曼滤波器（EKF）、粒子滤波器（PF）和混合粒子/卡尔曼滤波器（PaKa）。

四、 主要研究结果

1. 校准算法性能结果： 改进后的校准算法显著提升了性能。与之前的工作相比，光源的平均定位误差从约11厘米降低到约6厘米。误差的累积分布函数显示，超过80%的光源定位误差在10厘米以内，而之前的工作仅为20厘米。新算法在绝大多数实验（29次中的绝大部分）中都能正确识别出光源的数量，无需人工预先输入。

2. 参数研究结果： * 机器人轨迹： “停-走”轨迹在定位精度上显著优于“之字形”轨迹。“之字形”轨迹常导致光源漏检或定位不准。两种轨迹的总耗时相近，“停-走”轨迹因图像处理量稍大，后处理时间略长（约25.26秒 vs 24.46秒），但差异可忽略。 * 光照条件： 环境光照（自然光、荧光灯）对校准精度没有显著影响。在不同日期、开窗、开荧光灯等多种条件下，校准精度与基线条件相比变化很小（误差差异通常在2厘米内）。这表明算法对调制光源的识别能力很强，能有效抑制非调制环境光的干扰。 * 发射器-接收器距离与FOV： 当使用60度FOV镜头时，在1.5米距离内能保持高精度（>94%）的频率检测；距离增至2米时，检测完全失败。原因是距离增加导致图像中光源所占像素减少，条纹数量不足。然而，通过减小FOV可以显著提升探测距离。在5米距离上，使用10度FOV镜头可以恢复94.44%的检测准确率。这表明在实际高天花板环境中，应选用较小FOV的镜头。 * 摄像头分辨率： 使用高分辨率RPi相机相比低分辨率OpenMV相机，进一步将平均定位误差从6厘米降低到4厘米，最大误差也从13厘米降至11厘米。频率识别精度提升更为明显，高频光源的识别误差大幅降低（平均频率误差从236.66 Hz降至124.51 Hz）。代价是数据采集和处理时间大幅增加（轨迹时间从115秒增至266秒，处理时间从25秒增至63秒），主要瓶颈在于RPi相机硬件和随之增加的激光雷达数据量。 * 视场角（FOV）： 在正常实验设置下，FOV对精度的影响呈现权衡关系：较小的FOV（如10-40度）有利于提升光源定位精度，但会损害频率识别精度；较大的FOV（如60度）则在两者间取得较好平衡。FOV增大到80度时，校准程序开始失效。

3. 校准-定位闭环验证结果： 定位实验表明，使用机器人自动校准得到的参数进行定位，其精度与使用手动校准参数相当甚至略有提升。三种滤波器（EKF, PF, PaKa）在两种校准参数下的定位误差累积分布曲线几乎重合，差异极小（对于混合滤波器PaKa，差异常小于1毫米）。这证明机器人校准方法获得的参数精度足以支持高精度的VLP定位系统。同时，实验也验证了设备异构性不是问题：使用RPi相机校准的参数，可以用于OpenMV相机进行定位。

五、 研究结论与价值

本研究成功提出并验证了一种基于移动机器人的、全自动的可见光定位系统校准方法。该方法的核心贡献在于： 1. 实现了无需先验知识的自动化校准： 算法能够自动确定环境中光源的数量、身份（频率）和位置，无需人工测量或计数，大大简化了VLP系统的部署流程。 2. 显著提升了校准精度： 通过引入空间和频谱过滤算法，将光源定位精度相比之前工作提升了近一倍。 3. 系统性的鲁棒性评估： 通过全面的参数研究，明确了该方法的适用条件和性能边界，为实际应用提供了重要指导（如推荐使用高分辨率相机、60度左右FOV、“停-走”采集轨迹）。 4. 完成了校准-定位的闭环验证： 研究不仅停留在校准阶段，还通过实际的定位实验证明了校准参数的有效性，表明该方法可以实际用于部署高精度的VLP系统。

本研究的科学价值在于为VLP这一新兴领域贡献了一个切实可行的自动校准解决方案，填补了该领域的研究空白。其应用价值在于能够降低VLP系统的部署成本和复杂度，推动其走向实际应用。研究指出，未来工作可以探索在机器人平台上增加光电二极管以同时校准信道模型参数，以及研究机器人自主执行校准任务的路径规划算法。

六、 研究亮点

1. 方法新颖性： 这是首个深入探讨并实现利用移动机器人对VLP系统进行自动校准的研究，将机器人SLAM与视觉VLP检测相结合，思路具有创新性。
2. 算法创新： 提出的“空间-频谱”联合过滤算法是关键创新点，有效解决了光源身份混淆和坐标聚类问题，实现了无需先验光源数量的自动校准。
3. 研究全面性： 研究不仅提出了新算法，还进行了极其详尽的参数影响分析（轨迹、光照、距离、分辨率、FOV），并进行了校准到定位的端到端性能验证，工作非常系统和完善。
4. 实用指导性强： 实验结果给出了明确的硬件选型和使用建议（如相机分辨率、FOV选择、采集方式），对工程实践具有直接的指导意义。

七、 其他有价值的内容

研究在讨论部分将本工作与相关的RFID、Wi-Fi自动校准研究进行了对比，指出了各自的异同和优劣。例如，与需要二维码辅助的Wi-Fi SLAM校准相比，本方法无需额外信标；与基于众包（Crowdsourcing）的指纹构建方法相比，本方法精度更高但需要专门的勘测。这些对比有助于读者理解本工作在更广阔的室内定位校准领域中的位置。此外，附录提供了实验设置的成本明细，增加了研究的可复现性和实用性。