移动地理信息系统技术发展的3个时代

乔彦友， 常原飞

中国科学院空天信息创新研究院, 北京 100094

1 引 言

地理信息系统GIS （Geographic Information System）的概念和基础是地理和测绘，但它的技术支撑是计算机技术（龚健雅，2004），因此几乎每一次信息技术的重要进展都带动了GIS技术的重大进步，移动GIS MGIS（Mobile GIS）（Lee，1993）的出现和发展也是如此。起初，人们把用户（终端设备）处于移动情况下使用的GIS 称为MGIS（赵文斌和张登荣，2003），但实际上MGIS 的定义多种多样，随着新技术的发展也在不断变化（陈飞翔，2006）。

20 世纪90 年代末，随着美国全球定位系统GPS（Global Positioning System）部署完成，为了方便野外数据采集，桌面版GIS系统信息采集相关的功能向PDA（Personal Digital Assistant）等嵌入式设备上移植和运行，MGIS 进入了与GPS 结合的“嵌入式时代”（张时煌和方裕，2001）。在这一时期，单机版MGIS 在国土、林业、测绘等多个行业的外业数据采集中得到了成功的应用。虽然此时的MGIS 也有一些在线功能（田根 等，2004），但当时移动网络的带宽还不足以支撑高频度的网络GIS服务。

随着3G/4G等宽带移动网络兴起和智能移动终端（特别是Android 手机）的普及，MGIS 逐步从以全球卫星导航系统GNSS （Global Navigation Satellite System）为核心的时代进入了以无线通信网络为核心的“移动互联网时代”。该时代最典型的应用是谷歌、百度等电子地图服务商开发的地图类APP 和及其相关的LBS （Location Based Services）（卜健和张琦，2004）类APP。这时的MGIS 已经延伸到了整个地理信息产业链，涉及数据采集、数据处理、平台软件、行业应用等多个层面，“云+端”构成了地理信息的新生态；但是由于云计算存在欠实时、带宽不足、能耗大、不利于数据安全和隐私等问题，本时代的MGIS 业务仍然处于传统的人工地面操作阶段，难以提供实时的空间分析、目标识别等智能化处理。

随着物联网IOT（Internet of Things）的泛在化（Ubiquitous）发展，特别是计算机视觉CV（Computer Vision）、人工智能AI（Artificial Intelligence）、5G移动通讯、边缘计算（Edge Computing）等技术的发展，2019 年前后MGIS 技术逐步进入“智能物联网时代”。这个阶段主要技术特征是智能、实时、GIS 泛在化，系统架构演化为“云+边+端”（刘继军 等，2021）。本时代人人都是传感器和绘图者，涌现出大量的集成在地面移动平台（可穿戴设备、车辆等）和空中移动平台（无人机等）上的摄像头、雷达等智能传感器，能够帮助我们定位并提供声光电磁等全息地图（Holographic Maps）信息，这些物联网终端都可以作为MGIS 的运行载体，其采集的图片、视频、位置等数据不再全部上传云端，而是通过AI 等技术，将海量的原始数据在网络边缘设备上进行实时的智能分析处理，仅将结果传输到云端。这种模式极大的减轻了网络带宽和数据中心功耗的压力，有效降低了系统延迟，增强了服务响应能力；同时由于用户不再上传隐私或敏感数据（只存储于网络边缘设备上），极大减少了网络数据泄露的风险，保护了用户数据安全和隐私。

可以看出，随着信息技术的不断发展，MGIS在硬件平台、系统架构、主要特征、典型用户都发生了较为明显的变迁，可以清晰的划分为嵌入式、移动互联网、智能物联网3 个时代，对比见表1。

表1 MGIS 3个时代对比Table 1 Three stages of Mobile GIS

而在本文之前，对MGIS 的研究主要集中在移动互联网时代，早期主要研究MGIS 的原理和体系架构（李成名 等，2004；刘海新 等，2005；李海艳，2006；王攀，2006；李德仁，2008；王丹 等，2006），后期主要研究移动地图（周侗和龙毅，2012）以及基于Android 等平台的MGIS 开发技术（张俊杰 等，2013；王刚和韩振镖，2013），并把嵌入式GIS 和MGIS 混在一起（王继周和李成名，2005）或完全作为两种独立的系统区分对待（王小兵和孙久运，2012），未能论述两者之间的承继关系，对物联网时代的MGIS 则基本没有相关研究。本文在随后的章节中具体论述各个时代的技术架构和典型业务化应用，并提出新一代（智能物联网时代）MGIS的定义及其核心技术。

2 嵌入式时代

嵌入式时代的MGIS 要求硬件平台具备相应的存储能力和计算能力，能够满足空间数据存储和复杂计算的需求。当时嵌入式硬件设备主要指掌上电脑、智能手机以及车载电脑等智能终端。一般情况下，本时代的MGIS 以PDA 作为硬件平台。PDA 是集网络、计算、通讯、记事、娱乐等多种功能于一体的移动式便携设备，与电脑相比具有小巧、轻便、耗电少、可移动性强等特点，其不足之处是屏幕相对较小。PDA 能随身携带，随时随地都可以使用，在集成GNSS 模块后成为实现移动地理信息的载体。

本时代有几大类嵌入式操作系统，分别是微软的Windows CE、Windows Mobile，Palm 的Palm OS，Symbian 的EPOC 等。其中Windows CE/Mobile是微软为手持设备推出的“移动版windows”，在当时被广泛应用于智能手机和掌上电脑。

2.1 系统架构和功能

以嵌入式时代MGIS 最典型的应用场景——野外数据采集记录为例，整个系统通过PDA 进行数据采集、管理、分析和显示等工作，其中GIS功能都是由PDA 端独立完成，空间数据库与属性数据库都存放在PDA上，因而能快速响应用户的操作。

同时，考虑到PDA 性能的限制，空间数据与属性数据的预处理工作都在PC 机上完成。空间数据与属性数据处理完毕后，通过同步软件上传到PDA 端进行使用。野外调查完毕后的空间数据与属性数据再通过同步软件下载到PC 机，并将PDA的数据库转存到PC 的Access 等数据库中。图1 为嵌入式时代的典型MGIS系统架构图。

图1 嵌入式时代的系统架构Fig. 1 System architecture of embedded era

整个系统可分为移动端（PDA 端）和桌面端（PC 端）两部分。PDA 端一般包括数据采集录入、地图浏览查询、GNSS 定位导航、图层管理等基本功能，桌面端（PC 端）则实现信息传输、数据汇总导出、数据预处理、参数设置等功能。PDA 端的功能在后续的两个时代也相近，但是PC 端则演变成相应的服务器端/云端以及物联网时代的云+边。

2.2 业务化应用

野外调查一直是中国掌握林业有害生物灾害发生情况的主要途径，它具有劳动强度大、调查周期长等特点，调查数据的时效性比较差，难以及时应用于灾害防治决策活动中。在PDA 设备上将电子地图和数据库集成在一起，并与内置的GNSS 结合起来，可以方便地进行野外导航定位，并现场填写数字化的调查结果，为野外调查提供了一种全新的解决方案（武红敢 等，2007）。

针对中国林业有害生物地面调查所存在的问题，中国科学院遥感应用研究所在国家林业局植树造林司和中国林科院的指导下，于2007 年开发了“基于GIS/GPS 的林业有害生物监测数据记录系统”（何丹，2008；李卫国，2010；司敬知，2012；车振磊，2016）以便规范地面调查数据的记录工作，加强对监测数据的监督管理，提升基层的技术水平。该系统（界面如图2所示）在全国二十余省份、上千县市得到了应用，以此为基础的乡、县、省、国家级监测管理系统（乔彦友 等，2009；张迎，2007；张源，2008；常原飞 等，2011）的建设和Web 等空间信息管理技术（崔福东，2009；刘丽，2012）的应用，极大提升了中国林业有害生物管理的科学水平。

图2 林业嵌入式GIS软件Fig. 2 Software of embedded GIS

3 移动互联网时代

随着移动互联网的兴起和智能手机、平板等移动终端的普及，MGIS 成为地理信息产业的又一技术热点。在移动互联网时代，对MGIS 应用最多的是各种地图类APP 软件和LBS 类APP 软件，基本覆盖了用户在衣食住行及运动健身等生活各方面的需求。但这类软件主要是面向大众消费群体，由于其数据本身及服务的局限，它不能为特定行业用户提供更加全面和专业的GIS功能。

传统的专业GIS 厂商如ESRI 和超图等都推出了各自的MGIS 开发平台，很多用户和学者基于这些平台开发了本行业领域的专业MGIS 应用，以满足特殊行业、特殊部门用户的需求。常见的MGIS 支撑平台有美国ESRI 的ArcGIS for Android（或ArcGIS Mobile）以及中国科学院的SuperMap iMobile 等，这些平台支持二维和三维应用开发，支持在线应用和离线应用，支持指划制图、模板化数据采集、数据分析、三维数据展示，同时也支持扩展开发，可用于行业应用系统快速定制开发。

3.1 系统架构

如图3 所示，移动互联时代的典型MGIS 系统为3层架构模型，即数据层、服务层和应用层，各层之间具有相对独立性，能够提高系统的可用性。其中数据层负责数据的存储与访问，是MGIS 各类数据的集散地，为GIS功能实现提供基础支撑和保障；服务层负责提供可复用的服务，是MGIS 的核心部分，系统的服务都集中在该层，主要完成空间数据信息的传输、处理以及MGIS 功能的执行，包括Web 服务、GIS 服务、Map 服务等组成部分；应用层则主要负责具体业务逻辑处理，直接与用户打交道，是向用户提供GIS服务的窗口，支持各种移动操作系统的客户端（手机、PDA、车载终端等）以及Web浏览器端。

图3 移动互联时代的系统架构Fig. 3 System architecture of mobile internet era

MGIS 应 用 的 开 发 架 构 有Native 开 发、Web 开发以及混合开发3 种模式。Native 开发模式是指针对不同移动操作系统，使用特定编程语言开发原生GIS 应用程序的模式，这种模式的MGIS 应用最为普遍；Web 开发模式是指让用户通过移动终端的浏览器，获得MGIS 服务，它通过Web 技术标准解决移动平台的差异性，特别是HTML5 技术的运用使得浏览器也能够实现原来只有Native应用程序才能实现的功能；混合模式是指同时使用Native模式和Web 模式，在Native 应用中嵌入一个内置浏览器控件，既能够像Native开发模式的应用那样提供良好用户交互体验，也发挥了Web 开发模式的应用跨平台特点。目前来说Native开发模式性能较好，后两种开发模式通用性较强。

3.2 业务化应用

随着移动互联网的发展，大众生活类的APP与MGIS 结合越来越紧密，MGIS 深入到了导航、购物、打车、餐饮、旅游等城市生活方方面面，成为智慧城市建设的典型业务化应用之一。中国科学院遥感应用研究所基于自主研发的基础地理信息平台（荐军，2005），应用MGIS 技术开发了智慧城市网格化管理平台、城市感知（夏昊，2015；左进波，2018）、城市管理APP—随手拍、治理通等系统，并为有移动地图服务需求的专业人员和公众用户设计开发了空天图系统，相关APP 界面如图4所示。上述系统以移动智能手机为工具，把多种在线地图数据与离线地图数据整合在一起，突破了传统地图系统的数据源较少、数据类型单一等难点，使用户能够方便快捷地使用自己所需的地图信息。

图4 智慧城市网格化管理APPFig. 4 Grid management APP of smart city

此外，移动互联网时代的野外数据采集也升级为云+端架构。以松材线虫病死松树管理系统为例，系统由云服务端（内业）和移动端（外业）两部分构成，为松材线虫病死松树的外业精准信息采集和内业规范化建库提供了一套整体解决方案（武红敢 等，2019）。移动端软件安装在具备导航卫星定位模块的移动终端上，护林员在外业调查和核查时，可对病死松树编号、拍照等快速记录，同时记录调查时的位置和时间信息，并可将数据实时或随后上传云平台数据库，实现病死松树信息的精准采集（Wang 等，2016）。服务端部署在云服务器上，负责存储与汇总调查数据等内业管理工作，可以根据任务定制相应格式的外业调查表格，对调查任务进行监督和检查，将合格的数据进行汇总统计，并导出为标准报表格式，实现内业报表的规范化管理。移动端和服务端界面如图5所示。

图5 松材线虫病死松树管理系统界面Fig. 5 User interfaces of management system for trees attacked by pine wood nematode disease

4 智能物联网时代

近年来，随着物联网的泛在化发展以及5G 移动通信网络的部署，边缘计算的热度持续上升。国际数据公司IDC（International Data Corporation）预计，2020 年全球将有超过500 亿的终端与设备联网，超过40%的数据要在网络边缘侧进行分析、处理与存储。在智能物联网时代，MGIS 可以部署在集成有雷达、摄像头等传感器的各种移动无人值守设备上，在5G 等高速无线网络的支持下，实时的将空间信息自动采集到移动终端，并传输到最近的边缘计算设备上进行智能处理和分析，从而平衡移动端算力和边缘设备算力来提高系统性能。

移动边缘计算MEC（Mobile Edge Computing），是由IBM、Nokia 和Siemens 于2013 年共同推出的一款计算平台上引出的概念，具体指在接近智能手机或者移动终端的地方提供计算能力，即将计算能力下沉到分布式基站，在无线网络侧增加计算、存储、处理等功能，将传统的无线基站升级为智能化基站。就应用场景来看，MEC 主要致力于为应用降低时延（Mukherjee 等，2018），适合物联网、车联网、AR/VR等多种应用场景。

4.1 系统架构

基于MEC 的系统架构中不同的功能实体可划分为3 个层级：云服务器层（Cloud Servers Level）、移动边缘主机层（Mobile Edge Servers Level）、智能感知设备层（Smart Sensing Devices Level），这3 层之间通过核心网络和边缘网络连接，系统架构如图6所示。

图6 智能物联网时代的系统架构Fig. 6 System architecture of IOT era

在云上，GIS 功能拆分为微服务（陆懿帆 等，2021），可按需弹性伸缩，实现地图、三维、大数据、AI 功能的全面微服务化，支持GIS 容器化（徐蕴琪 等，2021）部署和自动化编排，并对所有微服务资源实时监控。

在边缘侧可进行GIS前置代理、服务聚合、数据分发和分析处理，即在GIS云服务和智能感知设备之间设置移动边缘主机节点，对GIS服务进行代理加速，将不同来源、不同内容的GIS服务聚合为一个服务，通过分发实现瓦片等数据在边缘GIS节点的自动更新，并按照智能感知设备实际需求进行GIS分析和计算，有效提升GIS服务性能。

在智能感知设备层则将采集的信息传输到就近的移动边缘节点，并实时调用其提供的各种分析计算服务满足最终用户需求。例如在使用无人机遥感监测疑似目标时，可在飞行过程中实时与边缘侧设备通信，传输采集的图像/视频数据以及自身状态信息；边缘侧通过图像分析目标的异常情况，可实时的对无人机飞行路线、数据采集策略等进行调整（张继贤 等，2021）。

4.2 业务化应用

与AI技术深度结合是本时代MGIS的典型业务化应用，特别是在无人机遥感监测等实时性要求较高的场景（廖小罕 等，2019）。近年来，林业上开始采用甚高空间分辨率遥感技术进行大范围、周期性的松材线虫病罹病木监测。由于疫情监测粒度为单木，为了满足这种高精度、高时效性的识别和定位需求，整个应用系统采用“云+边+端”的架构：在移动端集成可见光/红外相机、激光雷达LiDAR （Light Detection and Ranging）、GNSS、IMU（Inertial Measurement Unit）等装置，形成集目标实时探测、定位及协同高倍率成像为一体的航空MGIS 硬件（图7）；在边缘计算节点基于亚米级影像的变色松树实时智能探测技术（王成波，2015），实现目标所在区域厘米级影像自动协同获取与精准识别；在云端负责系统管理，包括节点管理、资源动态调度、智能处理、统一时空参考框架等整体技术，实现罹病木、森林火点的大范围快速精准监测。

图7 目标实时探测、定位的智能化机载MGIS硬件Fig. 7 Intelligent airborne mobile GIS hardware for real time target detecting and locating

智能森林监测系统工作流程如图8所示：首先系统采用具备程控飞行能力的无人机平台，可自主起降，并自行降落到GIS系统中的充电站进行自动充电，能够大范围（万亩/架次）、快速（1 小时内）获取目标区域超高分辨率（不低于0.1 m）影像；其次，影像数据实时传输至边缘计算设备，通过部署在边缘节点上的人工智能算法对影像进行处理，实现影像中危害木的自动提取，实时、准确识别罹病木位置和数量（90%以上）；随后护林员可基于地面MGIS 终端完成外业数据抽样核查，构建遥感影像野外标志数据库；最后用户汇总外业成果并制作专题地图，总结上述工作，完成监测工作报告。

图8 智能森林监测系统工作流程图Fig. 8 Work flow chart of intelligent monitoring system for forest

此外，MGIS 技术也非常适合于机场、港口等有车辆、无动力设备等众多活动目标监管需求的业务场景。通过构建以雷达为核心的空地雷达网、视频网、物联网等协同感知网络，采用GNSS 差分定位与惯导定位的融合技术，实现复杂环境条件下机场飞行区状态、性能、主体行为等信息的立体化综合实时精准感知，解决当前飞行区运行管控中监测不准、环境不清、态势不明等问题。

5 新一代MGIS及其核心技术

随着新技术的不断出现、演变与融合，以及行业需求向实时、智能、精准等方向的转变，MGIS逐步从本底数据可视化、GNSS导航定位、数据采集与查询分析等传统形态开始升级（张智 等，2021）。即在基础空间数据与统一时空参考框架的基础上，综合运用无人机/车等平台、多源传感器、实时感知定位技术、5G 通信、智能计算与决策技术，自主获取空间环境中的照片、视频、点云、温湿度等几何或物理信息，进行实时感知与建图、提取感兴趣目标信息，将现实世界映射到数字世界中，以时空可视化方式实时、动态呈现工作现场空间环境，并根据业务需求智能化、标准化的完成作业任务。

可以看出，物联网时代的MGIS 具备新一代MGIS 泛在化、实时化、智能化的特征，它是建立在移动计算环境、有限处理能力的终端条件下，结合边缘计算和云计算，为用户提供移动中、分布式、随遇性、实时性移动地理信息服务的信息系统，是一个集GIS、GNSS、5G、AI和CV 等信息技术于一体的智能系统。它的核心支撑技术有：跨平台GIS 内核、同步定位和全息高精度导航地图、语义地图和智能决策。

5.1 跨平台GIS内核

面对泛在化、多样化的移动平台设备，一般来说基于标准C++实现GIS 内核是跨平台的最佳方案。标准C++具有一次编码到处编译的特征，既支持Windows、Linux 等桌面运行环境，Linux、UNIX内核的服务器运行环境，以及以Android、iOS 等的移动终端运行环境，同时在数据与计算双密集类应用中也有着显著的性能优势，因此与实时GIS的应用需求有很好的结合，可实现高性能的跨平台。

在跨平台内核支持下，各种异构的移动智能终端就能在云+边+端的架构下无缝的衔接在一起，形成无所不在的智能感知网络。

5.2 同步定位和全息高精度导航地图

同步定位与地图构建SLAM （Simultaneous Localization and Mapping） 起源于机器人领域（Durrant-Whyte 和Bailey，2006；Bailey 和Durrant-Whyte，2006），如今在自动驾驶、无人机、实时空间制图等方面都已得到广泛的研究和实践。

近年来，经过实践证明，依靠多传感器信息深度融合的方式解决高精度、实时定位、导航和地图构建问题已成为学术界的共识（Qian 等，2017）。多传感器的信息融合具有巨大优势和研究价值：（1）对传感器本身而言，多传感器组合导航系统是一种有效弥补单一传感器缺陷的方式（Xia 等，2019），例如，通过与惯性传感器组合解决卫星导航中信号受到遮挡导致的失锁问题；通过与测距传感器组合弥补相机无法获取影像景深的不足。（2）从算法层面看，多传感器组合为解决导航、定位与地图构建问题提供了更多可能。一方面，在保证一定观测精度的前提下，更多的观测信息有助于建立更加完备的状态估计函数模型，从而保证载体位姿估计的精度；另一方面，不同类型的观测信息可以相互辅助，提高解决问题的效率。例如采用惯性测量单元IMU（Inertial Measurement Unit）辅助GNSS实现模糊度的快速固定；IMU辅助LiDAR消除点云运动畸变等。（3）在实际应用层面，多传感器组合导航、定位、地图构建系统更具有实际应用价值。一方面，利用点云和影像等视觉观测信息可以实现室内外环境一体化的三维地图构建，从而为载体感知环境、感兴趣目标探测与定位、导航控制提供重要的数据资料，同时也为用户提供更加精细的位置信息服务。

除了上述的多传感器融合技术之外，高精度导航地图是实现车路协同演示、路径规划的另一个基础支撑（姚海敏 等，2022）。适用于自动驾驶的道路高精度地图相较普通导航电子地图而言，具有更高精度、更加详细的地图素、更加丰富的属性，对于无人车定位、导航、控制及安全至关重要，是自动驾驶的核心技术之一（陈宗娟 等，2018；刘经南 等，2018）。地图数据采集一般使用集成GNSS+IMU+超宽带UWB（Ultra Wide Band）+激光雷达（LiDAR）的测绘车采集数据，要保证车辆在地图上准确显示，地图精度和定位精度是关键。在路口、停车场、车库出入口等重点部位提高感知能力和定位精度，安装LiDAR、UWB 定位系统，实现场端传感器对机动车、非机动车、障碍物的连续可靠感知定位。首先，地图采集工作开始前需要通过已知点校核，以保证坐标系统一致；其次可通过在园区内布置足够的校正点、比对点用于地图纠偏和精度验证，特别是车辆行驶的道路、停车位附近，以及地下车库，保证误差控制在容许范围内。

此外，车辆智能导航还需要周围环境全场景信息。全息位置地图（周成虎 等，2011）和全息地图概念的相继提出和发展，为高精度导航地图应用的推进和内涵的拓展提供了参考。全息地图（周成虎，2014）是随着移动互联网络、传感网、物联网和智能移动终端的飞速发展，使得信息内容更丰富、获取形式更多样，可实现人与人、人与物、物与物之间按需进行信息获取、传递、存储、认知、决策等功能的地图新形式。全息高精度导航地图（余卓渊 等，2020）是一种面向机器（车辆）的移动运算，集环境感知、全要素融合、高精度定位、规划决策的智能化导航地图。现有的高精度导航地图是全息高精度导航地图的一种基本形式、一个子集，它为全息高精度地图提供了重要的基础数据；全息地图的数据集成和表达方式则是全息高精度导航地图的范式指导。全息高精度导航地图的相关技术和方法通过获取和融合卫星遥感影像、激光雷达、声光电磁传感器、泛在信息网等多种类型数据，生成高精度和全要素的道路静态信息、动态信息。

5.3 语义地图和智能决策

传统SLAM 依赖于基于点、线、面等空间层次的特征提取与匹配算法来估计运动，其场景重建只能生成三维稠密地图（Whelan 等，2016），缺乏相关的语义信息，限制了移动端对环境物体信息的理解（邹斌 等，2020）。为了既保留传统SLAM构建的几何信息，同时又能提供环境中的语义信息，McCormac 等（2017）利用神经网络生成类别概率图，从而在地图中添加预测结果进行形成语义地图；Girshick 等（2016）设计了基于区域的卷积神经网络RCNN（Region-based Convolutional Neural Networks） 经典检测算法，进而衍生出Faster RCNN、Mask RCNN（Ren等，2017；He等，2020）等优秀架构。YOLO（You Only Look Once）（Redmon 等，2016）系列算法通过单阶段的网络结构，使深度学习在移动芯片上的实时目标检测成为可能。这些研究在基于自动驾驶车辆、无人机、机器人等硬件平台的新一代智能移动GIS应用中具有非常重要的参考意义。

决策能力是智能移动GIS应用的核心，系统对图像中语义的理解可以用于后续的决策（张帆和刘瑜，2021）。基于学习的途径，即基于数据驱动的途径，通过环境感知来定义应该解决什么样的问题，更有可能解决真实环境中做决策的问题。若将机器决策放在学习的框架上，则可以分为无监督学习、监督学习和强化学习3大类技术，其中强化学习的本质就是要解决做决策问题，即自动进行决策，并且可以做连续决策，是机器学习中的一个重要研究领域（姚兴虎和谭晓阳，2021）。它主要包含事件、环境状态、行动和奖励四个元素，强化学习的目标就是从大量数据中反复学习找到最优解，获得最多的累计奖励，从而不断改进和升级各种无人值守设备的智能决策机制，是未来智能决策的重要方向之一。

6 结 语

MGIS 发展到现在已有20 年，期间随着移动终端硬件平台、操作系统的不断更新迭代，经历了单机版的嵌入式时代、以云计算为中心的移动互联网时代、去中心化边缘计算的智能物联网时代。嵌入式时代的MGIS 集成了GNSS 模块，实现了野外数据采集的数字化和精准化；移动互联网时代的MGIS 集成了移动宽带网络模块，结合云服务平台实现了随时随地的电子地图和LBS 服务，但这两个时代的MGIS 仍然局限于地面的人工信息采集方式。

与传统的MGIS 相比，新一代的智能物联网MGIS 集成了GNSS、5G、AI和CV 等信息技术，对地理空间数据的采集与处理具有更加智能化、实时化以及泛在化的特征。这时候终端的类型不再局限于原先的地面移动终端设备，而是还包括空中的无人机、地上地下的各种传感器以及各种人体可穿戴设备等。这些设备采集的视频、图像、文本等具备位置数据的多媒体信息，被传输到就近的边缘设备上进行处理，实时生成高精度的空间和语义地图，即时为用户提供智能化的辅助决策，全方位的方便人们日常工作和生活。

志 谢文中论述的研发工作得到了赵健、荐军、梁寒冬、高雪迪、何忠信、张迎、韩鹏、许哲、邓书斌、何丹、张源、刘朔、崔福东、李扬、李卫国、刘丽、梁威、刘智慧、王志宝、司敬知、赵飞飞、邵红兰、王成波、夏昊、石木耀、马贤迪、赵仁辉、李爽、车振磊、殷文斌、左进波、肖京格、李佳蓉、卫春阳、付东、张隆裕、武天丽、刘希浩、权一卓、吴宇昂等老师和同学的鼎力支持，在此表示衷心的感谢！