一种基于行为和航迹特征的室内定位方法研究

李宝林 马东群 李 都 江 艳

(西华师范大学计算机学院 四川 南充 637000)



一种基于行为和航迹特征的室内定位方法研究

李宝林 马东群 李 都 江 艳

(西华师范大学计算机学院 四川 南充 637000)

对基于Wi-Fi的指纹定位算法进行了深入研究和分析，并以LBS的应用为研究背景，解决指纹定位算法在离线阶段和实时定位阶段所存在的问题及提高室内定位的可靠性和有效性为研究目标。在对被定位目标在整个过程中所表现的行为特征研究的基础上提出一种基于行人航迹和行为特征的定位算法。该算法在有少量AP的情况下，充分利用行人的行走、转向以及轨迹连续性等特征来辅助定位，同时收集定位过程中行人产生的大量定位数据，形成历史参考信息来实现定位。在保证系统定位精度的前提下，极大缩减了系统的定位成本并在一定程度上提升了系统的定位精度。实验表明，在不同AP数量的情况下，该算法在定位精度上明显优于WiFi-FP等算法。

行为和航迹特征 指纹定位算法 行为检测 航迹检测

0 引 言

早在20世纪70年代初，GPS的出现使定位技术的发展实现了质的飞跃，一时间定位技术在人们的日常生活、军事、资源、交通、农牧业、环境、绘测等领域得到了前所未有的应用。1992年Roy等人就研发出了一种基于红外线的室内定位系统The Active Badge[6]。因为该系统需要部署大量额外的硬件设备，缺乏良好的扩展性。所以仅局限用于对商场，学校等公共室内区域的定位。2000年微软公司提出了Radio Detection and Ranging，该方法是基于信号强度指示特征的室内定位实验系统[8]，系统由指纹建库和位置解算两个阶段组成。在第一个阶段首先通过事先部署在待定位区域内的信号采集终端对该区域内各个AP的RSSI值进行采集。然后将采集到的RSSI值与其对应的位置坐标作为一条指纹数据录入指纹数据库中。第二个阶段为位置解算阶段，该阶段分为两步：第一步是记录被定位目标手持的移动智能终端所接收到的RSSI值；第二步是通过一定的位置解算算法将当前所采集的RSSI与指纹数据库中的指纹进行匹配，从而估算出被定位目标的大概位置。2005年Google公司提出了Google map系统，系统通过手机基站、WiFi信号、GPS以及提前收集到的无线信号覆盖盲点的位置信息进行定位。Google map系统主要对两个方面的问题进行了重点研究：(1) 提出“众包”思想鼓励用户按照特定格式上传建筑物的平面图到谷歌服务器以解决数据源的问题；(2) 发布Google Maps Floor Plan Marker鼓励用户按照相应的步骤生成室内地图为提高室内导航的精度服务。北京航空航天大学提出了Weyes定位系统，该系统是基于WLAN的定位系统[6]，系统通过将接收信号强度指示的值进行采样并利用差值模型对样本进行处理形成差值，然后将此差值存入无线电地图RM(Radio Map)中。实际操作中将接收到的信号与差值进行匹配达到对待定位区域中的待定位目标进行定位的目的。在该系统中差值模型的引入意在消除因不同设备在测量RSSI值的过程中而引入的测量误差，以达到无论使用何种测量设备都不会影响RM建立的目的。

而基于WiFi的室内定位技术是诸多室内定位技术中的一种，它不仅解决了室内环境无法使用室外定位技术实现精准定位的问题，而且为实现室内精准定位提供了技术支持。此外，相较于诸如RFID、Zigbee、蓝牙、红外线等技术它无需部署专属的定位网络系统，建设成本相对较低，具有便捷价廉的优点。尽管该项技术在安装方面、成本方面以及信号传播方面具有明显优势，已成为当前室内定位系统中的首选技术[1]。但事实上，该技术依然存在很多不成熟的地方，很多关键技术急需解决。

本文以定位技术在国内、国外的研究现状为着手点，对现有的定位技术作了详细分析，并建立了基于Wi-Fi的室内定位算法模型。本文在模型的基础上添加了一个轨迹搜集模块，并采取基于行为特征的指纹定位算法来进行室内定位。使用结果表明，该算法在定位精度上和能耗上明显优于类似相关算法。

1 相关工作

1.1 定位方法概述

当前，按与距离参数的相关性可将基于WLAN的定位方法分为与距离相关以及与距离无关的定位方法两大类[7]。其中与距离参数相关的定位方法主要有基于TOA(信号到达的时间)、TDOA(不同信号到达的时间差)和AOA(到达角度的测距)或RSSI(接收的信号强度)的三角定位等技术；而与距离参数无关的定位主要涉及基于信号强度(SS)的定位，其中基于信号传播模型和SS指纹定位是SS定位技术的两个主流的核心技术。但依照定位原理又可将其划分成基于几何测量、近似感知以及场景分析的定位方法[1]。

基于几何测量的定位又分为三边测量、极大似然估计、三角测量等。其原理是以测量设备与待定位目标之间的位置距离或角度为基准来计算待定位目标的大概位置。三边测量即以待定位目标到其他不在同一直线上的三个参考点的距离来推算自身的位置。极大似然法估算原理是随机选取若干个参考点去进行估算。假如在随机进行的实验中参考点A出现的概率最大则认为A是参与估计最有利的位置，利用该方法可以避免因使用三边测量而带来的误差。

基于近似感知的定位方法是通过参考点的位置信息来推算待定位目标的位置信息。该方法优点就是便于理解，但与场景分析法和几何法相比其定位精度相对较差。此外，该方法要求必须事先部署好待定位区域内的传感网络因此系统的可扩展性较差，其过程是在待定位区域内系统先布置好天线，当被定位目标靠近已知天线位置上时，已知天线将可接收到待定位目标所携带的标签信号发送出去从而计算出目标用户的位置。

1.2 室内定位概述

一系列的室内外定位算法、系统相继被提出，看似千差万别但其底层定位原理却基本相似，都包含信号采集、预估位置、性能优化等三个阶段[1]。具体如图1所示。虽其底层定位原理相似但在具体定位的过程中考虑到定位效果、应用场景的差异分别引入了不同的技术方案。将各个定位算法、系统以参考点的坐标系、系统架构、网络类型、用户的运动状态、测量信号的媒介以及定位方法等划分成了不同的类别。

图1 定位算法或系统原理

GPS定位技术在室外定位方面发展较早技术也相对成熟，能够对室外环境提供快速准确的定位。由于在室外定位的突出表现，后被移植到室内为室内环境提供定位服务。但是室内环境由于建筑墙体以及室内装饰的阻隔使信号强度因受干扰而被削弱。因此只能依靠延长每个延迟码的停留时间来提高信号的灵敏度。与室外环境不同的是，在室内环境中不能直接从广播中获取定位数据[1]。为解决这个技术难题，A-GPS应运而生。A-GPS定位原理如图2所示。

图2 A-GPS定位原理

另外还有基于蓝牙的室内定位技术、基于红外线的室内定位技术、基于超宽带的室内定位技术、基于超声波的室内定位技术、基于ZigBee的室内定位技术、基于射频识别的室内定位技术以及基于无线局域网的室内定位技术[6]。这些技术都有各自的优势和劣势以及特定的应用场景。如表1所示，是对各种技术的定位原理、定位精度、算法效率、受干扰强度以及各自的优缺点的详细比较。

表1 主要室内定位技术的比较

续表1

2 问题描述及模型建立

指纹定位算法是一种与距离无关的定位方法，它充分利用了WiFi信号在传播过程中信号强度与距离的衰减特征。通过建立被定位区域内不同位置的坐标信息与各个AP信号强度的映射关系来实现定位。该种定位算法由如下两个阶段组成：离线数据指纹库建立阶段和实时指纹比对即定位阶段，详情见图3。

图3 位置指纹定位原理图

离线数据指纹库建立阶段又名训练阶段，该阶段的主要工作是采集数据并建立指纹数据库。也就是说在建库阶段，系统需事先在待定位的区域内按一定的距离间隔部署好参考点。然后再依次采集各个参考点上的无线信号，再次将参考点上的信息按照RSSI值、位置坐标、MAC地址的顺序封装成一条完整的信息保存起来并进行编号。最后，将已编号的信号一一存入一个本地数据库，并称该数据库为Position Fingerprint Database(位置指纹数据库)或Radio Map(无线电地图)。指纹实时比对阶段就是在具体定位的过程中将被定位目标手持移动智能终端所接收到的RSSI值与Radio Map中的RSSI值进行匹配，将比对结果中相似度最高的指纹的物理坐标认定为该智能移动终端的位置坐标。

本文基于WiFi的室内定位算法优势和不足，提出了以航迹特性和行人行为特征量为室内定位技术。该方法在不依赖额外硬件设备的前提下，很大程度上提高了定位算法的定位精度，具有一定的稳定性和扩展性。

2.1 问题描述

基于行人航迹特征的定位是指利用人在特定的活动场所的活动轨迹在一段时间内具有一定的延续性和不变性来辅助定位算法做出定位判断的一种技术方法。充分利用了人的行为特征，对系统的定位精度进行优化。

如图4所示，横纵坐标表示定位目标所处平面位置，在某一时刻定位目标在p(xn-1,yn-1)处，朝着图示的方向运动一定的时间后到达p(xn,yn)。然后改变方向，以一定的速度运动到p(xn+1,yn+1)，定位目标从p(xn-1,yn-1)到p(xn+1,yn+1)，可以看出是两段连续的动作，即从p(xn-1,yn-1)到p(xn,yn)和p(xn,yn)到p(xn+1,yn+1)。

图4 目标运动轨迹图

所谓动作的连续性是指目标从初始位置到达目标位置，运动的轨迹是连续的，每一个时刻对应轨迹上的一个具体的位置点。在室内定位的场景中，人基本上是匀速步行，那么从初始位置到达目标位置这段距离可以看成是方向和速度不变的直线运动。那么从初始位置到目标位置的过程中，只要知道上一时刻的具体坐标，那么目标对象下一刻的位置是可以预测的。因为方向和速度是一定的，根据前一时刻确定的位置可以推算出目标位置现在的具体位置。

根据图5可知，节点在场景中移动，定位目标节点从(xt1,yt1)位置运动到(xt2,yt2)位置。 根据文献[1-5]中介绍的定位算法可得到各个参考AP位置的权值信息，在计算最终的定位位置坐标时，根据运动目标行为连续性特征，引入概率系数去修正最终定位目标的位置，公式如下：

(1)

其中pi是根据目标前一时刻的运动方向和速率等行为特征得出的概率值。该方法充分利用了人在运动过程中的行为特征，一定程度上减少系统受外界环境干扰产生误差，在提高系统稳定性的同时，进一步提升了算法的定位精度。

图5 定位阶段权值修正

2.2 行人行为特征检测

人体在行走过程中产生的轨迹有一定的连续性，同时人在行走过程中动作和步态也呈现一定的规律性。这些有规律的数据可以被集成在智能手机中的传感器(如：加速度传感器、电子罗盘、陀螺仪以及气压计等)所捕获到，经过双行程双搜索算法、峰值值识别算法等处理之后能被用来实现人的实时定位。

行人的步行一般包含如下四种特征和规律：(1)整个行走过程中都由几个基本动作周期性的重复。(2)一般正常成人步行的频率在95～125次每分钟，每一步的长度一般在50～80 cm，这两个参数一般跟人的身高，行走习惯以及当时的环境有一定关系，因人而异。(3)一般情况下，一个人的步行特征在一段时间内不会存在很大变化，即步长和步子频率维持在一个很小的变化范围内。(4)人在行走时的规律特征可以被人所携带的智能设备检查到，且加速度传感器检查到的数据也呈现周期性的波动。因此，可以借助手机上的加速度传感器对步行时的加速度值进行采集，来估算行人的行走进程。因为当行走者脚跟离地时坐标轴上的加速度计的振幅最大，所以本系统通过加速度计的读数来识别用户的步幅。为此系统设计了一个峰值识别算法。只有考虑坐标轴上加速度读数的大小(具体如式(2)所示)才能确保步幅检测不受智能终端方位的影响。

(2)

在进行预处理时信号首先会通过一个平滑的过滤器。但是为了更好地提取低波段步幅组件的数据，通常会利用一个过滤器来过滤因手机随机运动而产生的高频加速度值。如式(3)是低频组件上加速度大小的计算公式：

(3)

2.3 行人转向检测

行人在室外可以通过电子指南针来判断是否该转向，但是室内环境受铁磁建筑物的影响较大无法像在室外那样利用电子指南针判断方向。并且在路程较短的情况下通过陀螺仪的读数可以判断被导航者的角度信息，而在长途旅行中加速度计可以用与判断被导航者的状态。因此，在室内环境中可以通过加速度计和陀螺仪的读数来判断是否应该转向。

在进行转向检测时，通过一个旋转矩阵并依据其相对Z轴垂直或水平的框架和本身的骨架描述了智能终端的方向。需要注意的是，由于缺乏值得信赖的指南针读数使得智能终端的状态局限于一个在相对Z轴垂直或水平的框架内的锥形面上而不能被唯一标识。但是即便无法获知偏转角度依然能够检测转向，因为在三维空间内旋转总是在发生的。此外，为了避免被锁定的问题，需要警惕三个坐标轴的旋转顺序。当检测到转向不发生在Z轴并且X轴的重力加速度值大于Y轴的重力加速度值，此时就应该交换X轴和Y轴。只要掌握智能终端的状态，就可以变换角速度并计算出通过集成的旋转数量。

2.4 行人高度检测

由于气压计能耗低且准确性较高，因此在对高度更改进行检测时可以通过记录气压计的读数来检测水平高度的改变。为了实现对水平高度更改的检测，论文采用了一种双行程双搜索的算法。该算法通过在前四秒内取所有样本气压的平均值来避免使用每一个气压值Pn。随后算法又会倒过去,去寻找Pn与样本在最后秒T0的不同的最大值。如果差距|Pm-Pn|大于阈值Ptr就可以推断出存在水平高度的变化。此外还可以向前搜索确定水平高度变化的具体时间。其输出值为R，若R的值为-1代表上楼，值为1代表下楼，值为0说明在同一水平面行走。但是当检测到水平高度发生更改并且轨迹记录者的步数很少时，系统默认该目标是乘坐电梯导致的高度改变。

3 实验结果

被定位目标每进行一次移动轨迹搜集模块都会被激活，随即在被定位目标运动的过程中此模块会通过磁强计、加速度计、陀螺仪和气压计等移动智能终端内嵌的传感器记录轨迹数据。当然在使用传感器获取数据时，并不只是简单地从每个传感器中依次提取数据，在必要的时候可以适当地将一些传感器进行组合。比如，通过将气压计和加速度计传感器组成一个组件然后提取组件的数据就可以检测出被定位目标是否在上楼。然后再通过一定的预处理程序将采集的数据进行处理形成轨迹数据表。下文将对所采集数据的格式进行分析，详情见表2。

表2 搜集轨迹数据格式

表2所罗列的是参考轨迹的数据记录格式。从表2可看出，地磁数据由时间戳和三维空间内各个轴上的磁强计读数组成，步数由时间戳和对应时间内所走步数Si组成，转弯数据则由转弯时间和转弯角度组成，高度改变数据则由时间戳和高度改变值即上楼或下楼组成。

值得注意的是，用户在使用本模块搜集被定位目标轨迹数据的过程中可能会存在某些延迟。比如说，峰值检测算法可能会导致步幅检测延迟，也就是说当用户已经转弯了有可能才检测到需要转弯。此外，对高度是否发生改变的检测其响应时间容易受用户爬楼梯速度的影响。由于阶梯和转弯持续的时间很短，且水平高度更改检测只在记录被定位目标的行走轨迹的过程中起作用，因此这些延迟对定位性能的影响是无关紧要的。

为了提高定位精度，在具体定位的过程中一般会通过如下三步对被定位目标的位置进行估算：(1) 利用定位算法，将被定位目标所携带的移动智能终端采集到的WiFi信号强度与离线阶段采集的指纹数据库中的数据进行匹配，确定一个位置范围；(2) 根据被定位目标的航迹特征预估被定位目标当前的位置坐标；(3) 结合上述两个步骤以及轨迹搜集模块采集的数据缩小定位范围，确定被定位目标。

假设被定位目标在一个十字路口附近，通过将其携带的智能手机采集的WiFi信号强度值与指纹数据库进行匹配，发现被定位目标可能分布在十字路口的四个方位上。那么此时单纯地利用指纹数据库的方法是很难准确定被定位目标的位置的。若此时结合轨迹搜集模块采集的数据，即可通过转向检测确定当被定位目标走到该十字路口时是往哪个方向进行了转弯。这样就可以确定被定位目标的大致方位。然后再根据被定位目标的航迹特征计算出它的位置坐标，实现精准定位，详情见图6。

图6 航迹行为算法定位示意图

用户在定位过程中手持的智能终端设备采集了用户在室内行走过程中的步态、转向以及高度信息。这些信息可以通过智能终端设备传回到定位服务器，组成了从起点到目的地的一个动作序列，这些序列可以用来实现对目标对象的定位。定位服务器存储的信息如下：

S(xi,yi),D(xj,yj),,…,,…,

(4)

式中S(xi,yi)和D(xj,yj)分别是被定位和导航区域的起始点和目的地的坐标位置，后面的序列表示用户从起始点到目的地所经过的一系列行为动作的序列。这些行为信息收集到定位服务器后可以经过处理得到一个起始点集合到目的地集合的行为序列，当下一个被定位目标出现时，与定位服务器交互，同时收集自己的行为特征数据，可以快速而准确得出从当前起始点到目的地的导航提示。

图7展示的是如何利用历史的行为轨迹进行行人的导航。假如a花费t1秒到达位置B，并且在搜集痕迹时候出现了一个左转弯。那么在导航阶段，根据相似的地磁观察，导航模块会推断b会在花费t1′时间后到达位置B并指示b该向左转了。

论文根据某残校实际试用环境作为测试环境，具体试用环境如图8所示。在实验场景范围内部署5～15个AP，在离线阶段均匀部署50个指纹采集点，采集的数据作为指纹数据库的参考点。在每个参考点上采集30个有效的样本值，在实验场地范围内随机选取15个测试点，每个测试点采集5～20个实时的定位样本数据。在实验阶段，为了模拟现实应用的真实性，定位时手持终端设备朝各个方向获取信号进行定位，记录这些大量的从服务器传回来的定位的具体位置。最后计算每一次的定位误差，并统计出这个在这个测试点的误差累计概率分布，并将这些数据可视化，可得出相应的路径图，在不同定位技术在各个场景下的累计误差概率分布情况。

该系统试用于某残校管理系统中，本文将目前较为通用的基于WiFi的指纹定位算法(WiFi-FP算法)与本文提出的基于行人航迹和行为特征的定位算(behave-based算法)进行了比较。利用这两种定位算法进行定位时，指纹数据建立阶段以及测试定位阶段所采集的数据样本和采样时段等条件保持一致，这样能体现两种定位算法在同等条件下的差异性。

图9-图11分别是在实验环境所部署的AP数量分别是5、10、15时两种定位技术在不同定位误差的概率累计分布。从图中可以看出在AP数量分布为5、10、15的情况下，本文提出的基于行人航迹和行为特征的定位技术要好于现有的基于WiFi的指纹定位算法，同时也表现出了良好的稳定性。当AP的数量为5时，基于WiFi的指纹定位算法的定位精度表现得相对较差，定位误差在4 m以内的概率不到60%，而本文提出的定位技术的精度达到了80%以上。这主要是因为基于WiFi的指纹定位技术不管是在离线阶段还是实时定位阶段，很大程度上依赖于WiFi节点的信号和稳定性，而本文提出的基于行人行为特征的定位算法在部分依赖WiFi信号的同时，也利用了手机自带传感器收集行人的运动特征来定位。所以当WiFi数量较少时，依然能实现较高的定位精度。从性能曲线上可以看出本文提出的定位技术波动较少，较基于WiFi的指纹定位算法就有良好的稳定性。当AP=15时基于行人行为特征的定位技术的定位误差在4 m以内的概率在90%以上，这一定位效果基本上能满足在大型商场和医院等室内的时间需求。

图9 AP数量为5时的定位误差概率累计分布图

图10 AP数量为10时的定位误差概率累计分布图

图11 AP数量为15时的定位误差概率累计分布图

4 结 语

本文提出了一种基于行人航迹和行为特征的定位技术，然后从航迹特征和行人行为特征两个方面分别对该技术的定位原理进行阐述。其中航迹特征主要是利用人在特定的活动场所的活动轨迹在一段时间内具有一定的延续性和不变性来辅助定位算法做出定位判断的一种技术方法；而行为特征主要是通过步态检测、转向检测、高度更改检测对被定位目标的轨迹进行记录来辅助定位算法进行定位。

试用结果表明，本文提出的基于行为和航迹特征的定位技术解决了指纹数据库算法在特定情况下可能存在定位不精准的问题。系统将指纹样本数据与行为特征数据相结合，一方面使系统的定位效率和精度得到了较大提升；另一方面提高了系统的稳定性的同时，减少了定位之前的指纹数据库的准备工作。实验表明，当AP=15时基于行人行为特征的定位技术的定位误差在4 m以内的概率在90%以上。

本文在现有的基于WiFi的指纹定位算法的基础上提出了一种基于行人行为和航迹特征的定位技术。相比现有的室内定位技术提高了定位精度和系统稳定性，减少了一定的硬件成本和部署实施成本，但定位技术在很多方面可以有改进的空间。比如定位技术在定位过程如何避免硬件差异带来的系统误差等问题。

[1] 王青.WIFI室内定位系统的设计与实现[D].北京交通大学,2014.

[2] 陈丽娜.WLAN位置指纹室内定位关键技术研究[D].华东师范大学,2014.

[3] 陈淼.基于信号强度的WLAN室内定位跟踪系统研究[D].武汉大学,2012.

[4] 陈永光,李修和.基于信号强度的室内定位技术[J].电子学报,2004,32(9):1456-1458.

[5] 刘军发,陈益强,赵中堂,等.基于WiFi的室内定位方法及系统[J].信息技术快报,2010,8(5).

[6] 杜海涛,全春来,周翔.基于无线传感器和视频融合的室内定位技术研究[J].计算机工程与设计,2011,32(1):347-350.

[7] Bahl P,Padmanabhan V N.RADAR:an in-building RF-based user location and tracking system[C]//INFOCOM 2000.Nineteenth Joint Conference of the IEEE Computer and Communications Societies. Proceedings.IEEE.IEEE Xplore,2000:775-784.

[8] 梁韵基,周兴社,於志文,等.普适环境室内定位系统研究[J].计算机科学,2010(3):112-116.

[9] Jiayou Luo,Xingqun Zhan.Characterization of Smart Phone Received Signal Strength Indication for WLAN Indoor Positioning Accuracy Improvement[J].Journal of Networks,2014,9:739-746.

[10] Luoh L.ZigBee-based intelligent indoor positioning system soft computing[J].Soft Computing,2014,18(3):443-456.

[11] Liu H,Darabi H,Banerjee P,et al.Survey of wireless indoor positioning techniques and systems[J].Systems,Man,and Cybernetics,Part C:Applications and Reviews,IEEE Transactions on,2007,37(6):1067-1080.

[12] Niculescu D,Nath B.Ad hoc positioning system (APS) using AOA[C]//Joint Conference of the IEEE Computer and Communications.IEEE Societies.IEEE,2003,3:1734-1743.

ASTUDYONINDOORLOCATIONMETHODBASEDONBEHAVIORANDTRACKCHARACTERISTICS

Li Baolin Ma Dongqun Li Du Jiang Yan
(SchoolofComputer,ChinaWestNormalUniversity,Nanchong637000,Sichuan,China)

In this paper, we studied and analyzed the fingerprint localization algorithm based on Wi-Fi. And based on the application of LBS, we need to solve the problems of the fingerprinting localization algorithms in the offline stage and the real-time positioning stage and improve the reliability and effectiveness of the indoor positioning. Based on the study on the behavior characteristics of the target in the whole process, we propose a localization algorithm based on pedestrian track and behavior characteristics. In the case of a small amount of AP, the algorithm makes full use of pedestrian walking, turning and track continuity and other characteristics to assist in positioning. At the same time the algorithm collects a large number of positioning data generated by the pedestrian in the positioning process, and forms the historical reference information to realize the positioning. Under the premise of ensuring the positioning accuracy of the system, it greatly reduces the positioning cost of the system and to a certain extent, enhances the positioning accuracy of the system. Experiments show that the algorithm is superior to WiFi-FP algorithm in positioning accuracy in the case of different AP number.

Behavior and track characteristics Fingerprint location algorithm Behavior detection Track detection

2016-10-08。四川省科技厅支撑项目(2013SZ0056)；四川省科技厅支撑项目(2014SZ0104)。李宝林，副教授，主研领域：网络应用技术。马东群，硕士生。李都，硕士生。江艳，工程师。

TP311

A

10.3969/j.issn.1000-386x.2017.08.021