室內外無縫自駕車用地圖應用先期評估作業

目前廣泛使用的 GNSS 定位原理都是利用距離後方交會來實現空間定 位，也就是接收機透過測量與多顆衛星間的距離，並結合衛星精密星曆求出 衛星位置，來計算出接收機自身的位置。由於衛星信號功率非常微弱，遠低 於大自然雜訊，無法穿透建築物進入室內，導致室內成為導航盲區，近十多 年來， Google、Apple 等多家巨頭都在布局室內定位以解決衛星訊號無法用 於室內環境的問題，許多研究機構也一直尋求技術突破，無縫定位是指在人 類活動的室內外環境中，能夠聯合採用兩種或多種室內外定位技術以達到對 室內外定位應用的無縫覆蓋，室內外無縫定位及導航已成為適定性服務 (Location Based Services, LBS)的核心問題，根據文獻指出，無縫式定位技術 大致可分成兩大類，一為基於訊號系統，如：WiFi、iBeacon、IMES (Indoor MEssaging System)、RFID、UWB、紅外線、超聲波等，以及基於視覺輔助，

如影像、地標等，協助室內定位技術。

於訊號系統方面，有學者將無縫式定位技術分成四部份，首先為室外定 位模組，即利用GNSS 技術結合地圖來實現，接著為 Functional Configuration，

此系統是用來建置和管理 WiFi fingerprint 的資料，以建立室內定位的資料 庫，如此就能依照使用需求對資料庫中的資料進行瀏覽、修改或刪除的處理 機制；第三部分則為在室內定位模組，其使用WiFi fingerprint 演算法，使用 WiFi 協助室內定位的優勢在於 WiFi 現今被廣泛設置於室內環境中，此外現 在的移動式系統，如智慧型手機，大部分皆內嵌 WiFi 模組，因此不需要再 額外設置提供室內定位使用的 Wifi 設備，將 Wifi fingerprint 上的特徵訊息匹 配前述的室內定位資料庫，以推估位置資訊以協助室內定位；最後則為 Contextual Detection，在無縫式定位中，偵測環境是很重要的議題，會直接影 響無縫式定位的精度，因此利用移動式裝置中內嵌的不同感測器，如感光感 測器、溫度感測器等，利用這些感測器提供的資料協主判斷當下使用者所在 的環境，以作為室內或室外環境的偵測依據，透過上述四種系統模組相互輔 助以實現無縫式定位技術，圖 3.10 為此文獻提出的無縫式定位系統架構圖 (Jia et al., 2016)。

圖3.10 無縫式定位技術架構圖（摘錄自 Jia et al., 2016）

IMES 是由日本業者所提出的室內定位技術，其概念是將衛星定位的原 理套用於室內環境中，在室內環境中廣佈無線發送器晶片，以晶片代替衛星，

於室內傳送位置資訊，如經緯度、高度等，讓使用者進入室內後仍可進行定 位，實現無縫式定位的技術，然而若 IMES 晶片佈設的位置過於接近室外，

會使得IMES 訊號與 GNSS 訊號產生干擾，故經由訊號功率與頻率的調製，

將訊號錯開以避免訊號干擾的情形(Manandhar et al., 2008)。

超寬頻(Ultra-Wide Band, UWB)為有效的無線通訊技術，近年來被應用 於提供室內環境車輛的位置資訊，其優點在於穿透力強、功耗低、抗多路徑 效應效果好、能提供精確定位成果，常被應用於室內環境中靜止或移動物體 的定位和追蹤，能提供精確的定位成果，因此部分文獻提出結合粒子濾波 (Particle filter)演算法架構，於室外環境使用 GNSS 訊號，室內則使用 UWB 訊號以實現無縫式定位技術(Gonzalez et al., 2007)。

WiFi 在室內定位應用上被廣泛使用，但是缺點在於需耗費電池設備，一 般而言，GNSS 與室內定位技術無法檢測半戶外的環境，透過 Beacon 技術不 僅能控制能源消耗，也能檢測半戶外的環境，故有文獻提出BlueDetect 演算 法，此為基於 iBeacon 在移動設備上實現室內外的辨識與無縫之 LBS 服務，

BlueDetect 僅需要幾個小尺寸、低成本和電池供電的低功號藍芽(Bluetooth Low Energy, BLE) beacon，將其裝置放置於特定地標上，如走廊的邊界和建 築物的出入口，並能智能地控制感測器的開關，僅在室外環境中為LBS 打開 GNSS 定位模組，當使用者走到半戶外的環境（即室內和室外中間的區域）

時，GNSS 訊號會減弱，故以此作為關閉 GNSS 定位模組同時開啟藍芽的觸 發條件，BlueDetect 的 iBeacon 模式負責在半戶外環境中提供 LBS，利用設

定訊號閾值與 iBeacon 佈設距離來判斷使用者所在環境，透過比較放置在建 築物入口兩側的兩個 BLE beacon 的信號，可以實現半戶外和室內環境之間 的轉換，這是 GNSS 或室內定位系統無法輕易實現的區域，經實驗證明 BlueDetect 演算法在耗能方面的優勢，並能在半戶外環境中提供準確可靠的 定位服務，表3.3 為各式室內外定位技術之優勢分析(Zou et al., 2016)。 Acoustic

signal 室內 0.3~0.8 不需要 低 中 文獻提出 hybrid image-based positioning system 提供在室內外 LBS 服務的無 縫定位解（即位置與姿態角），此系統能應用於智慧型手機或是車輛上，利用 視覺感測器的資訊以匹配直接地理對影像以提供基於影像的定位成果，並且 移動式系統中內嵌的感測器，如內建GNSS 接收機和電子羅盤，以輔助視覺 定位，根據實驗顯示此系統能在 GNSS 訊號不佳的區域提升定位精度，也能 提供精確的室內定位成果(Li et al., 2013)；此外，由於室內外會存在特定的地 標(Landmark)，室外如建物、雕像，室內則如出入口、公佈欄等，這些地標 都是固定不動的，因此可以藉由拍攝已知位置的地標，進行影像處理及特徵 高精度的三維地圖，SLAM(simultaneous localization and mapping)的特色在於 能同時估計和感知周圍環境並定位於地圖上，部分文獻使用 Lu 和 Milions 提 出的全局掃描演算法有效的將 GNSS、IMU 和雷射掃描資料整合在地圖上，

並使用機器人系統快速獲取高精度三維地圖以達到無縫式室內外地圖整合，

一般而言室內無法收到 GNSS 訊號，然而機器從室外移動到室內，使得機器 人在地圖上的姿態和 GNSS 觀測量變成間接關聯，若將 GNSS 資訊的附加於 三維地圖上能提高室內地圖的精度(Montemerlo et al., 2006)，圖 3.11 為室內 外整合三維地圖，可以發現有 GNSS 資訊輔助的室內圖資成果較好。

圖 3.11 室內外整合三維地圖：（左）未作任何處理之成果；（右）加入 GNSS 資訊輔助之成果

綜合上述無縫式定位技術，基於訊號的室內定位技術被廣泛應用於現今 的室內定位需求上，定位成果也相當可靠，然而利用訊號傳遞訊息的缺點在 於訊號容易受到環境所干擾，若位於磁場干擾較強的場域則會影響室內定位 技術的定位成果，基於影像輔助室內定位的演算法即便尚未成熟且未被廣泛 使用，但是影像處理等相關演算法已相當成熟，以影像輔助室內定位具備可 行性，此外，對於自駕車來說，影像能提供環境判釋的資訊，故能顯現影像 作為無縫式定位技術的價值。

對室內外無縫高精地圖應用而言，必須先攻克高精度室內室外定位技術 難關，車載高精度定位系統在高等級自駕系統中是不可或缺的要件，配合多 元感測器融合與高精地圖成為整合式系統，提升自駕正確性和安全性。一個 理想的定位系統首先應該具備精確追蹤任何地點目標位置的能力，無論目標 是位於室內還是室外，其次應盡可能地使用已有的無線基礎設施，減少系統 部署成本，提高系統的定位覆蓋率。如圖3.12 所示，自駕車室內外無縫銜接 的定位設備可讓自駕車無論處於室內或室外皆能取得統一坐標之地理定位 地圖，將 GNSS 定位技術延伸到室內，實現無縫銜接的室內外定位，同時搭 配自動切換室內室外高精地圖進行導航應用。

圖 3.12 自駕車室內外無縫銜接定位設備

自駕車用高精地圖無論是室內地圖或是室外地圖兩者空間資訊特徵與 屬性模型創建的意涵皆相同，因為室內建築物可到之處，可視為室外特殊地 形地貌之特例，兩者皆須作空間資料查詢、路徑導引，室內需進行建築物內 部車道路網分析，室外則需進行道路與車道路網分析。近年來，產學界亦涉 足於室內外自駕車導航的任務，針對多層室內停車場的情境，為了能夠讓自 駕車在大範圍且多樓層的室內停車場進行自主導航，自駕車必須有建築物的 地圖以規畫路徑，並且要能夠在三維建物中定位，最後需要沿著規畫的路徑 安全行駛以達到目的地，Kummerle 等人(2009)提出利用多層室內建物(Multi-Level Surface, MLS)地圖規劃在多樓層中起點至終點的最佳全局路徑，並基 於點雲觀測量進行穩定定位，區域路徑規劃演算法則用於障礙物規避，以及 當下所在樓層的路徑規劃，整合上述理念讓自駕車在不依賴外部資訊的情況 下在多層室內停車場進行導航任務，多層室內停車場建物結構是以 MLS 地 圖來表示，此地圖將環境架構儲存在二維網格地圖中，並在每個網格中存取 高度估計資訊，藉此能夠用於判斷是否為自駕車的可行駛範圍，並且有效展 示可行駛區域與垂直障礙物輔助定位，如圖 3.13 所示，除了高度資訊外，

MLS 地圖也記錄了樓層資訊，為自駕車行駛過程切換樓層的必要資訊，其實 驗場域為四樓層的室內停車場，如圖 3.14 所示，自駕車依據全局路徑規劃軌 跡行駛，並透過搭載的 Velodyne 光達掃描周圍環境，偵測出不可行駛的範 圍，以規劃避開障礙物的路徑，如圖3.15 所示，在實驗過程中使用粒子濾波 演算法基於點雲觀測量與MLS 地圖實現在室內環境的精準定位，圖 3.16 為 最後自駕車在室內停車場的行進軌跡(Kummerle et al., 2009)。

圖3.13 局部 MLS 地圖（摘錄自 Kummerle et al., 2009）

圖3.14 多樓層室內停車場：（左）自駕車行駛之起終點位置；（右）實驗中 所使用之 MLS 地圖，藍線為經由 SLAM 演算法處理後之行駛軌跡（摘錄

圖3.14 多樓層室內停車場：（左）自駕車行駛之起終點位置；（右）實驗中 所使用之 MLS 地圖，藍線為經由 SLAM 演算法處理後之行駛軌跡（摘錄