本發(fā)明主要涉及無線傳感器網(wǎng)絡(luò)室內(nèi)定位領(lǐng)域，涉及基于插值的室內(nèi)指紋定位方法。
背景技術(shù)：
：隨著傳感器網(wǎng)絡(luò)的普及，用戶對于傳感器設(shè)備的實(shí)際位置信息重視程度越來越高。目前存在較多的無線定位技術(shù)，如GPS、AGPS等室外定位技術(shù)和外、WIFI、藍(lán)牙等室內(nèi)定位技術(shù)。其中GPS相對成熟，它采用基于信號傳輸時間差TDOA來定位，此定位技術(shù)在室外精度較高。在室內(nèi)定位領(lǐng)域中，由于室內(nèi)環(huán)境的復(fù)雜性和不可控性，因此很多室內(nèi)定位技術(shù)都有特定的應(yīng)用場景。目前國內(nèi)外無線傳感器網(wǎng)絡(luò)室內(nèi)定位技術(shù)取得了顯著的成果,指紋定位技術(shù)和基于RSSI的定位技術(shù)備受廣泛關(guān)注。指紋定位技術(shù)在室內(nèi)定位領(lǐng)域取得了的一定的進(jìn)展，如MaYW等人研發(fā)的新穎指紋機(jī)制(NFM)室內(nèi)定位系統(tǒng)，該系統(tǒng)使用接收器和發(fā)射器獲取定位數(shù)據(jù)，并采用六個定位機(jī)制來提高定位精度。Modamed等人使用陀螺儀與指紋匹配算法相結(jié)合的室內(nèi)定位方法對定位結(jié)果加以改進(jìn),但單陀螺儀的定向方法具有較大的局限性。李燕君等人提出利用眾包更新指紋庫的定位方法，但需定期對過期指紋進(jìn)行篩減。肖亞龍等人基于不同位置之間信號強(qiáng)度差異表征對應(yīng)物理空間距離，提出了一種基于多維標(biāo)度和區(qū)域細(xì)化的無線室內(nèi)定位方法，該方法有效地減少了訓(xùn)練階段指紋采集的開銷并且提高了定位精度。同時基于RSSI的定位技術(shù)的發(fā)展也十分迅速，如SorourS等人利用相鄰位置節(jié)點(diǎn)的RSSI固有空間相關(guān)性提出了一種基于流形對齊的定位方法，該方法使用獲取的具有RSSI空間相關(guān)性的數(shù)據(jù)集和一部分參考信息，通過半監(jiān)督學(xué)習(xí)算法得到待測的位置；但此方法需要對異常值進(jìn)行過濾而且計算復(fù)雜度較高。高仁強(qiáng)等人提出了一種結(jié)合模糊數(shù)學(xué)邏輯(FuzzyLogic)理論的WiFi定位算法，但手持設(shè)備接收信號波動性較大影響定位精度。石柯等人針對室內(nèi)定位中環(huán)境復(fù)雜、信道擁塞等問題，提出了一種基于支持向量回歸的802.11無線室內(nèi)定位方法,該方法有效地提高了最終的定位精度。徐琨等人針對未知發(fā)射功率會降低網(wǎng)絡(luò)定位性能的問題提出了一種針對未知發(fā)射功率的室內(nèi)定位優(yōu)化算法，該算法很好地提升了定位性能?；趥鞑p耗模型來提升定位精度也有一定的發(fā)展，如王躍等人針對室內(nèi)定位接收功率干擾導(dǎo)致估計位置精度偏低的問題，提出了采用馬兒可夫蒙特卡洛(MCMC)抽樣來提高定位精度的室內(nèi)定位算法。陳文建等人結(jié)合地理編碼原理和二維碼技術(shù)提出了QR(QuickResponse)標(biāo)識導(dǎo)向的室內(nèi)定位方法，提升了創(chuàng)新應(yīng)用的新平臺?，F(xiàn)存較多室內(nèi)定位方法的定位精度都有顯著的提升，但指紋定位法的精度明顯高于傳播模型法；由于傳統(tǒng)基于RSSI指紋定位算法在建立指紋過程中工作量較大，需要對測量點(diǎn)逐個進(jìn)行RSSI值測量，而這是一個繁瑣且工作量很大的過程。技術(shù)實(shí)現(xiàn)要素：本發(fā)明要解決現(xiàn)有技術(shù)的上述缺點(diǎn)，提出一種基于插值的室內(nèi)指紋定位方法，該方法僅需測量定位區(qū)域內(nèi)已知位置的少量樣本節(jié)點(diǎn)的RSSI值就能對定位區(qū)域內(nèi)的未知位置點(diǎn)RSSI值進(jìn)行最優(yōu)無偏估計，最后采用匹配算法計算出節(jié)點(diǎn)的實(shí)際位置，有效地解決了室內(nèi)環(huán)境發(fā)生變化而導(dǎo)致繁瑣的指紋重構(gòu)問題。本發(fā)明所述的基于插值的室內(nèi)指紋定位方法，包括如下步驟：步驟1，卡爾曼濾波；步驟11，以已知位置待處理的RSSI(接收信號強(qiáng)度)值為輸入，由于RSSI值易受干擾噪聲的影響，而卡爾曼濾波是高斯過程最優(yōu)濾波的一種有效算法，經(jīng)處理得到目標(biāo)RSSI值；步驟2，協(xié)同克里格插值算法；步驟21，以步驟11獲取的RSSI值為主變量、節(jié)點(diǎn)的LQI(通訊鏈路質(zhì)量)值為輔變量作為輸入，使用協(xié)同克里個插值算法對定位區(qū)域內(nèi)的未知位置點(diǎn)的RSSI值進(jìn)行最優(yōu)、無偏、線性估計，具體步驟包括為：步驟211，使用協(xié)同克里格插值算法找到樣本點(diǎn)之間的依存關(guān)系，首先利用配對關(guān)系Pairi＝(di,RSSIi)、Pairj＝(dj,LQIj)(di和dj分別表示兩個傳感器節(jié)點(diǎn)間的距離，RSSIi和LQIj表示傳感器節(jié)點(diǎn)所獲取的RSSI值和對應(yīng)的LQI值)進(jìn)行自相關(guān)性和互相關(guān)心過的空間建模，具體步驟包括為：步驟2111，根據(jù)測量的樣本點(diǎn)在空間上的分布情況，分析自相關(guān)性的半變異函數(shù)，如公式(1)所示γ(h)=12nΣi=1n(z(xa)-z(xa+h))2---(1)]]>式(1)中n表示關(guān)系對Pairi的數(shù)量，z(xa)和z(xa+h)分別表示配對的兩個節(jié)點(diǎn)的屬性值(RSSI和LQI)，h表示兩節(jié)點(diǎn)間距離，γ(h)表示半變異函數(shù)，通過公式(1)獲得關(guān)系對Pairi和Pairj各自的半變異函數(shù)值；步驟2112，根據(jù)測量的樣本點(diǎn)在空間上的分布情況，分析互相關(guān)性的半變異函數(shù)，如公式(2)示γij(h)=12nΣi=1n[zi(xa)-zi(xa+h)]×[zj(xa)-zj(xa+h)]---(2)]]>式(2)中n表示Pair的數(shù)量，zi(xa)和zi(xa+h)分別表示兩個節(jié)點(diǎn)的RSSI值，zj(xa)和zj(xa+h)分別表示兩個節(jié)點(diǎn)的LQI值，且距離均為h,γij(h)表示互半變異函數(shù)，通過公式(2)獲得各個Pairi的半變異函數(shù)值；步驟2113，以步驟2111獲取的關(guān)系對Pairi和Pairj各自的自相關(guān)的半變異函數(shù)和步驟2112獲取的互相關(guān)的半變異函數(shù)為輸入，接著采用最小二乘法進(jìn)行擬合建立相關(guān)的半變異模型；步驟212，以步驟2113獲取的自相關(guān)的和互相關(guān)的經(jīng)驗(yàn)半變異模型為輸入，對未知位置點(diǎn)的RSSI值進(jìn)行預(yù)測，預(yù)測過程如下公式所示Z0i=Σ1mλiZi+Σ1nλjZj---(3)]]>式(3)中Z0i表示待估計位置的RSSI值，Zi和Zj分別表示距離待估計位置最近的節(jié)點(diǎn)測量得到的RSSI和LQI值，m和n分別代表RSSI和LQI所對應(yīng)樣本數(shù)量(同位屬性m＝n)，λi和λj分別代表RSSI和LQI的權(quán)重系數(shù),具體計算過程如下：Σ1mλi=1;Σ1nλj=0---(4)]]>Σi=1mλiγ11(x1i-xi)+Σj=1nλjγ12(x2j-x1)+u1=γ11(x0-xi)---(5)]]>Σi=1mλiγ21(x1i-x1)+Σj=1nλjγ22(x2j-x1)+u2=γ12(x0-xj)---(6)]]>式(4)、式(5)和式(6)中γ11和γ22分別是Zi(RSSI)和Zj(LQI)的自變異函數(shù)的理想模型，γ12和γ21代表的是兩變量的互變異函數(shù)的理想模型，其中γ12＝γ21，樣本的權(quán)重系數(shù)λi和λj之和分別均為1，m和n分別為樣本RSSI和LQI的數(shù)量，u1和u2為拉格朗日系數(shù)、權(quán)重系數(shù)λi和λj均可通過線性方程組(4)、(5)和(6)解得；步驟3，RSSI指紋建立；步驟31，采用步驟2的協(xié)同克里格插值算法可以建立一個信標(biāo)節(jié)點(diǎn)對應(yīng)在定位區(qū)域內(nèi)的單維度指紋向量；步驟32，所有信標(biāo)節(jié)點(diǎn)廣播信號建立對應(yīng)的單維度指紋向量，再對所有單維度指紋向量進(jìn)行并集操作，具體步驟包括：步驟321，定位區(qū)域的長、寬分別為L和W，并將它劃分為m行和n列，每個小格子的長和寬分別為Cl＝L/m、Cw＝W/N；步驟322，步驟321將定位區(qū)域D劃分后，通過協(xié)同克里格插值算法計算每個小格子對應(yīng)的RSSI值，這樣就建立了信標(biāo)節(jié)點(diǎn)A對應(yīng)的單維度指紋fA，fA是一個m×n的指紋；步驟323，對信標(biāo)節(jié)點(diǎn)B、C、D、E重復(fù)步驟322，分別構(gòu)建單維度指紋fB、fC、fD和fE，最后對單維度指紋做并集建立定位區(qū)域的多維度指紋向量，那么第i(i∈{1,2,3,...,m×n})個格子對應(yīng)的5維向量就是五個單維度指紋在該位置的RSSI值的并集，通過321、322、323三個步驟就可以建立完整的定位區(qū)域多維度指紋向量Ffinger＝fA∪fB∪fC∪fD∪fE(5)式(5)中fi(i∈{A,B,C,D,E})表示信標(biāo)節(jié)點(diǎn)i廣播信號在定位區(qū)域內(nèi)建立的單維指紋向量，F(xiàn)finger表示信標(biāo)節(jié)點(diǎn)A、B、C、D、E對應(yīng)的5個單維指紋向量的一個并集；步驟4，匹配定位算法；步驟41，以步驟323獲得的多維指紋向量和需定位節(jié)點(diǎn)所獲取到的多維RSSI向量為輸入，使用向量相似度匹配算法得到相似度從高到低的前number個向量對應(yīng)的格子，即是節(jié)點(diǎn)定位的范圍，多維RSSI向量如下所示T5=RSSIaRSSIbRSSIcRSSIdRSSIe---(6)]]>式(6)中RSSIi(i∈{a,b,c,d,e})表示所對應(yīng)的信標(biāo)節(jié)點(diǎn)i廣播信號時定位節(jié)點(diǎn)所獲取的RSSI值，T5表示定位節(jié)點(diǎn)所獲取到的5維RSSI指紋向量；步驟5，K-中心點(diǎn)算法聚類提取定位結(jié)果；步驟51，以步驟41獲得的前number個格子為輸入，使用K-中心店算法對這些格子進(jìn)行分類，提取出含格子數(shù)最多簇的簇首(簇的幾何中心)作為節(jié)點(diǎn)的實(shí)際定位結(jié)果輸出。本發(fā)明的優(yōu)點(diǎn)是：(1)協(xié)同克里格插值算法有效地減少了建立傳統(tǒng)指紋構(gòu)建所需要繁瑣的工作量；(2)K-中心點(diǎn)聚類算法有效地縮小了誤差范圍，最后降低了定位的誤差。附圖說明圖1本發(fā)明的樣本配對關(guān)系圖圖2本發(fā)明的互變異函數(shù)擬合圖圖3本發(fā)明的預(yù)測過程圖圖4本發(fā)明的傳感器節(jié)點(diǎn)部署圖圖5本發(fā)明的定位區(qū)域劃分圖圖6本發(fā)明的目標(biāo)節(jié)點(diǎn)定位區(qū)域圖圖7本發(fā)明的分簇定位圖圖8是實(shí)現(xiàn)本發(fā)明方法的系統(tǒng)示意圖。具體實(shí)施方式下面結(jié)合附圖進(jìn)一步說明本發(fā)明。本發(fā)明所述的基于插值的室內(nèi)指紋定位定位方法，包括如下步驟：步驟1，卡爾曼濾波；步驟11,本發(fā)明通過建立定位區(qū)域RSSI向量指紋的方法進(jìn)行定位。然而傳感器采集的RSSI信號并不穩(wěn)定，易受干擾噪聲的影響。而卡爾曼濾波是高斯過程最優(yōu)濾波的一種有效算法，經(jīng)處理得到目標(biāo)RSSI值；步驟2，協(xié)同克里格插值算法；步驟21，協(xié)同克里格(Cokriging)算法能夠?qū)τ邢迏^(qū)域內(nèi)的區(qū)域化變量進(jìn)行最優(yōu)、無偏地估計，因此能夠很好地適用于區(qū)域內(nèi)的RSSI值預(yù)測。協(xié)同克里格算法是指除了主變量外，同時還引入了協(xié)同區(qū)域變量的一種多變量的克里格算法；協(xié)同區(qū)域化變量是指在同一空間域內(nèi)既有空間相關(guān)性又有統(tǒng)計相關(guān)性特點(diǎn)的一組變量。本發(fā)明采用的協(xié)同克里格算法以RSSI為主變量、LQI(鏈路通訊質(zhì)量)為輔變量進(jìn)行計算；因?yàn)镽SSI和LQI在空間分布上呈正相關(guān)，因此符合此算法的變量要求。這兩個變量除了進(jìn)行自相關(guān)性預(yù)測外，還進(jìn)行兩變量間交叉相關(guān)性的預(yù)測，因此協(xié)同克里格算法在理論上具有更高的精確度。協(xié)同克里格算法具體的實(shí)現(xiàn)過程如下：步驟211建立依存關(guān)系；若使用協(xié)同克里格插值算法預(yù)測未知位置RSSI值，首先我們需要建立樣本之間的依存規(guī)則。本發(fā)明使用采集的樣本節(jié)點(diǎn)RSSI值和LQI值來進(jìn)行對定位區(qū)域內(nèi)未知位置RSSI值的預(yù)測；首先進(jìn)行樣本之間的配對，所有節(jié)點(diǎn)進(jìn)行兩兩配對，配對后建立傳感器節(jié)點(diǎn)之間距離d和RSSI之間的關(guān)系對Pairi＝(di,RSSIi)和Pairj＝(dj,LQIj)。配對過程如圖1所示，利用關(guān)系對Pair進(jìn)行自相關(guān)性和互相關(guān)性的空間建模，具體步驟如下：步驟2111根據(jù)測量的樣本點(diǎn)在空間上的分布情況，分析自相關(guān)性的半變異函數(shù)，如公式(1)所示。γ(h)=12nΣi=1n(z(xa)-z(xa+h))2---(1)]]>式(1)中n表示關(guān)系對Pairi的數(shù)量，z(xa)和z(xa+h)分別表示配對的兩個節(jié)點(diǎn)的RSSI值,h表示兩節(jié)點(diǎn)間距離，γ(h)表示半變異函數(shù)。通過公式(1)獲得各個Pairi的半變異函數(shù)值。步驟2112根據(jù)測量的樣本點(diǎn)在空間上的分布情況，分析互相關(guān)性的半變異函數(shù)，如公式(2)示。γij(h)=12nΣi=1n[zi(xa)-zi(xa+h)]×[zj(xa)-zj(xa+h)]---(2)]]>式(2)中n表示Pairi的數(shù)量，zi(xa)和zi(xa+h)分別表示兩個節(jié)點(diǎn)的RSSI值，zj(xa)和zj(xa+h)分別表示兩個節(jié)點(diǎn)的LQI值，且距離均為h,γij(h)表示互半變異函數(shù)，通過公式(2)獲得各個Pairi的半變異函數(shù)值。步驟2113經(jīng)過公式(1)和公式(2)我們得到了關(guān)系對Pairi的自相關(guān)的半變異值γ(h)(包含RSSI和LQI的兩個屬性各自的半變異值)和互相關(guān)的半變異值γij(h)與對應(yīng)兩節(jié)點(diǎn)間距離h的關(guān)系，接著采用最小二乘法擬合，擬合建立相關(guān)的半變異模型。如圖2中三角形代表Pairi關(guān)系對，曲線是互變異函數(shù)擬合模型的結(jié)果，根據(jù)擬合曲線匹配一個已有且誤差最小的模型，然后根據(jù)統(tǒng)計模型生成預(yù)測表面，最后成功建立依存關(guān)系。步驟212預(yù)測估計；利用自相關(guān)的半變異模型和互相關(guān)的半變異模型對未知點(diǎn)位置的RSSI值進(jìn)行最優(yōu)無偏估計，如公式(3)所示。Z0i=Σ1mλiZi+Σ1nλjZj---(3)]]>式(3)中Z0i表示待估計位置的RSSI值，Zi和Zj分別表示距離待估計位置最近的節(jié)點(diǎn)測量得到的RSSI和LQI值，m和n分別代表RSSI和LQI所對應(yīng)樣本數(shù)量(同位屬性m＝n)。為了滿足協(xié)同克里格插值算法最優(yōu)無偏方差估計的要求，本發(fā)明必須滿足以下兩個條件，如公式(4)所示。本發(fā)明采用距離待預(yù)測點(diǎn)最近的4個樣本點(diǎn)對Σ1mλi=1,Σ1nλj=0---(4)]]>待估計位置進(jìn)行RSSI值的預(yù)測，m＝n＝4，并且引入兩個拉格朗日公式進(jìn)行推導(dǎo)可得式(5)和(6)。Σi=1mλiγ11(x1i-xi)+Σj=1nλjγ12(x2j-x1)+u1=γ11(x0-xi)---(5)]]>Σi=1mλiγ21(x1i-x1)+Σj=1nλjγ22(x2j-x1)+u2=γ12(x0-xj)---(6)]]>式(5)和式(6)中γ11和γ22分別是Zi和Zj的自變異函數(shù)的理想模型，γ12和γ21代表的是兩變量的互變異函數(shù)的理想模型，其中γ12＝γ21。求解線性方程組式(4)，(5)和(6)即可獲得權(quán)重系數(shù)λi和λj以及兩個拉格朗日乘數(shù)u1和u2的值，最后由(3)式可得到研究區(qū)域內(nèi)任一點(diǎn)Z0i的插值估計，預(yù)測過程采用距離待預(yù)測點(diǎn)最近的四個已知樣本點(diǎn)進(jìn)行預(yù)測，如圖3所示。步驟3RSSI指紋建立；步驟31，傳統(tǒng)指紋構(gòu)建是一個復(fù)雜和繁瑣的過程，需要對定位區(qū)域內(nèi)的測量點(diǎn)逐一地測量。本發(fā)明采用協(xié)同克里格插值算法構(gòu)建定位區(qū)域的指紋，該方法僅需有限的樣本點(diǎn)對定位區(qū)域內(nèi)未知位置點(diǎn)RSSI值進(jìn)行線性無偏的估計；一旦室內(nèi)環(huán)境發(fā)生變化，RSSI指紋重構(gòu)也很方便。本發(fā)明采用25個已知位置的傳感器節(jié)點(diǎn)組成傳感器網(wǎng)絡(luò)，其中5個用于定位的錨節(jié)點(diǎn)，剩余的20個普通節(jié)點(diǎn)用于輔助構(gòu)建定位區(qū)域的RSSI指紋，如圖4所示，圖中5個錨節(jié)點(diǎn)依次廣播信號，定位區(qū)域內(nèi)建立5維指紋向量。步驟32，首先錨節(jié)點(diǎn)A向其他節(jié)點(diǎn)廣播信號，剩余節(jié)點(diǎn)接收到錨節(jié)點(diǎn)A廣播的信號并獲取信號強(qiáng)度RSSI值；本發(fā)明中已知節(jié)點(diǎn)分布在定位區(qū)域內(nèi)的位置是已知的，且節(jié)點(diǎn)均能獲取到信號強(qiáng)度RSSI值和通訊鏈路質(zhì)量LQI值，因此我們就可以建立步驟211中的Pairi和Pairj關(guān)系對；再采用協(xié)同克里格插值算法對定位區(qū)域內(nèi)未知點(diǎn)位置的RSSI值進(jìn)行線性最優(yōu)無偏估計；最后就成功建立錨節(jié)點(diǎn)A在定位區(qū)域內(nèi)的單維RSSI向量指紋。剩余四個錨節(jié)點(diǎn)采用同樣的方法構(gòu)建向量指紋，那么定位區(qū)域內(nèi)5維RSSI指紋向量就完成構(gòu)建。定位區(qū)域的多維向量指紋構(gòu)建具體實(shí)現(xiàn)過程如下：步驟321，定位區(qū)域的長、寬分別為L和W，并將它劃分為m行n列，每個小格子的長和寬分別為Cl＝l/m，Cw＝w/n，如圖5所示。步驟322，上一步驟將定位區(qū)域劃分后，在這一步驟中利用Node節(jié)點(diǎn)建立的Pairi(RSSI)和Pairj(LQI)與h的關(guān)系，通過協(xié)同克里格插值算法計算每個小格子對應(yīng)的RSSI值。這樣就建立了信標(biāo)節(jié)點(diǎn)A對應(yīng)的單維度指紋fA，fA是一個m×n的指紋。步驟323，通過上一步我們建立錨節(jié)點(diǎn)A的RSSI指紋向量，同樣對B、C、D、E錨節(jié)點(diǎn)重復(fù)進(jìn)行步驟二操作就可以分別建立單維度指紋fB、fC、fD和fE，最后對定位區(qū)域內(nèi)的fA、fB、fC、fD和fE的五個RSSI指紋向量做并集,如式(7)所示。Ffinger＝fA∪fB∪fC∪fD∪fE(7)步驟4，匹配定位算法；步驟41，在步驟323成功構(gòu)建了定位區(qū)域內(nèi)的多維RSSI向量指紋，用于此步驟對目標(biāo)節(jié)點(diǎn)實(shí)現(xiàn)定位。多維RSSI指紋向量構(gòu)建成功之后，將定位區(qū)域內(nèi)的普通節(jié)點(diǎn)全部撤離定位區(qū)域，目標(biāo)節(jié)點(diǎn)進(jìn)入定位區(qū)域內(nèi)，五個錨節(jié)點(diǎn)依次向目標(biāo)節(jié)點(diǎn)廣播信號，如圖6所示，紅色三角形代表目標(biāo)節(jié)點(diǎn)。目標(biāo)節(jié)點(diǎn)先獲取到一個有序的5維RSSI指紋向量T5，如公式(8)所示，再進(jìn)行基于向量相似度算法的匹配，提取出向量相似度最高的Number個小格子，即可獲得定位結(jié)果的定位范圍。T5=RSSIARSSIBRSSICRSSIDRSSIE---(8)]]>步驟5，K-中心點(diǎn)算法聚類提取定位結(jié)果；步驟51，因?yàn)閷?shí)驗(yàn)過程中可能存在誤差，所以在步驟41提取出向量相似度最高的Number個小格子中存在一些誤差小格子。本發(fā)明采用K-中心聚類算法將誤差范圍剔除，步驟41提取的Number個小格子分布如圖7所示，斜線陰影部分表示誤差較大的格子，這些格子的數(shù)量比較少，全陰影的格子表示精度較高的格子，這些格子數(shù)量比較多。我們使用k-中心點(diǎn)聚類算法對Number個結(jié)果進(jìn)行聚類，將得到一個含有格子數(shù)最大的簇，此簇的簇首作為目標(biāo)節(jié)點(diǎn)的實(shí)際位置。如果我們將m×n個格子分的足夠細(xì)，那么節(jié)點(diǎn)的定位誤差控制在接受范圍之內(nèi)。目標(biāo)節(jié)點(diǎn)定位的結(jié)果如圖7中的三角形位置所示，該算法以格子的幾何中心作為定位結(jié)果。因?yàn)槲覀儼讯ㄎ粎^(qū)域D劃分為m×n個小格子，只要劃分的足夠精細(xì)，則定位誤差就可控制在可被接受的范圍內(nèi)。當(dāng)前第1頁1 2 3