16.5 一种高效鲁棒的多楼层室内环境指纹定位方法
同济大学
Zhao Y, Gong W, Li L, et al. An Efficient and Robust Fingerprint Based Localization Method for Multi Floor Indoor Environment[J]. IEEEa Internet of Things Journal, 2023.
2.相关工作
B.基于深度学习的方法
利用深度神经网络(DNN)模型来解决地板识别和位置估计问题。为了解决多楼层识别问题，Jang等人[18]设计了一种基于CNN的识别模型，该模型可以学习指纹的拓扑结构并识别给定移动用户的楼层索引。虽然他们提出的室内定位算法具有较高的精度，但对采样和训练要求严格。首先，需要平衡每层RSSI记录的数量。其次，CNN的超参数和复杂结构的调优非常耗时。
Jang等人[18]
摘要:室内定位由于其广泛的应用范围，几十年来一直是一个活跃的研究领域。WiFi指纹识别技术是利用预收集的WiFi信号作为参考来估计用户的位置，由于如今每个用户都可以很容易地接入WiFi网络，因此它特别受欢迎。在众多方法中，基于深度神经网络(DNN)的方法表现出了诱人的性能，但其主要缺点是对接收信号波动的敏感性(由多径引起)。因此，为了获得令人满意的性能，需要训练足够多的可能案例，这需要花费很多。在本文中，我们提出了一种基于卷积神经网络(CNN)的定位方法来解决上述问题。由于在图像分类中取得了成功，所提出的方法可以对接收信号的微小变化具有鲁棒性，因为它利用了无线电地图的拓扑结构和信号强度。通过实验结果，我们证明了所提出的CNN方法可以优于其他基于dnn的方法，使用IPIN 2015提供的公开可用数据集。索引术语:室内定位，卷积神经网络，WiFi指纹。
Kim等人[19]
Kim等人[19]提出了一种基于单输入多输出DNN的混合建筑和楼层分类模型。Shao等[11]开发了一种基于Wi-Fi自治块模型的大型建筑场景识别算法。然而，这方面的大多数研究没有考虑室内定位场景的时间变化，这在时变数据集上表现出性能下降。
K. S. Kim, “Hybrid building/floor classification and location coordinates regression using a single-input and multi-output deep neural network for large-scale indoor localization based on Wi-Fi fingerprinting,” in Proc. IEEE 6th Int. Symp. Comput. Netw. Workshops, 2018, pp. 196–201. (16.9基于Wi-Fi指纹的大规模室内定位的单输入多输出深度神经网络混合建筑/楼层分类和位置坐标回归)
摘要：本文采用单输入多输出(SIMO)深度神经网络(DNN)提出混合建筑/楼层分类和楼层二维位置坐标回归方法，用于基于Wi-Fi指纹的大规模室内定位。所提出的方案利用了建筑物/楼层和楼层位置坐标估计的不同性质，并为每个任务使用不同的估计框架，并通过SIMO DNN架构启用专用输出和隐藏层。我们使用芬兰坦佩雷理工大学(TUT)提供的新的Wi-Fi众包指纹数据集，对混合楼层分类和楼层二维位置坐标回归的性能进行了初步评估，该数据集覆盖了一栋五层楼的建筑。实验结果表明，基于simo - dnn的混合分类/回归方案在地板检测率和平均定位误差方面都优于现有方案。索引术语:室内定位，Wi-Fi指纹，深度学习，神经网络，分类，回归。
图1。一种可扩展的多建筑、多楼层室内定位DNN架构，该架构基于用于特征空间降维的堆叠自编码器(SAE)和用于多标签分类的前馈分类器[8]。
Shao等[11]
Shao等[11]开发了一种基于Wi-Fi自治块模型的大型建筑场景识别算法。然而，这方面的大多数研究没有考虑室内定位场景的时间变化，这在时变数据集上表现出性能下降。
传统的基于wi - fi的楼层识别方法主要在小型实验场景中进行测试，在大型、多层的真实环境中，其准确率普遍下降。当同一楼层的WiFi信号的复杂性超过垂直方向楼层之间的复杂性时，主要的挑战就出现了，导致楼层的可区分性降低。第二个挑战是在中庭、中空区域、夹层、中间楼层和拥挤的信号通道环境中Wi-Fi功能的复杂性。
在本文中，我们提出了一种基于wi - fi的自适应楼层识别算法，以在这些环境中实现准确的地板识别。我们的算法基于Wi-Fi接收信号强度指标和空间相似性，首先识别包裹整个环境的自治块。然后，通过提出的Wi-Fi模型进行局部楼层识别，充分利用Wi-Fi特性。最后，通过自治块和局部层模型的联合优化来估计层数。我们在超过14万平方米的三座真正的大型多层建筑中使用19种不同的设备进行了广泛的实验。最后，我们展示了我们的建议和其他最先进的算法之间的比较。实验结果表明，本文提出的方法优于其他方法，平均准确率为97.24%。
索引术语:自主街区，指纹，楼层识别化，多层建筑，智能手机，Wi-Fi模式。
Song等[20]
Song等[20]为了优化多层环境下的位置估计，提出了一种基于CNN网络的定位模型CNNLoc。具体来说，他们利用堆叠自动编码器来获取收集的RSSI指纹的关键特征。此外，他们利用CNN模型来估计建筑物或楼层的指数和位置。
随着无线系统的普遍部署和智能设备的普遍可用性，室内定位正在为许多基于位置的服务提供支持。随着无线地图的建立，WiFi指纹识别已经成为定位移动用户最实用的方法之一。然而，大多数基于指纹的定位算法都是计算密集型的，对离线训练阶段和在线定位阶段都有很大的依赖。本文提出了一种基于卷积神经网络(CNN)的WiFi指纹室内定位系统CNNLoc，用于多楼多层定位。具体而言，我们通过将堆叠自编码器(SAE)与一维CNN相结合，设计了一种新的分类模型和定位模型。利用SAE从稀疏的接收信号强度(RSS)数据中精确提取关键特征，同时训练CNN在定位阶段有效地实现高精度。我们在UJIIndoorLoc数据集和Tampere数据集上评估了所提出的系统，并与几种最先进的方法进行了性能比较。此外，我们进一步提出了一个新采集的WiFi指纹数据集UTSIndoorLoc，并在其上测试了CNNLoc的定位模型。结果表明，CNNLoc在建筑物级定位和地板级定位上的成功率分别为100%和95%，优于现有的解决方案。室内定位，深度学习，卷积神经网络，WiFi指纹。
Wang等[21]
Wang等[21]采用残差共享学习架构设计了一种基于指纹的室内定位方法。他们采用了一种增强的概率方法，以未知的测量值估计移动设备的位置。
摘要：基于wi - fi的室内指纹识别由于在室内环境中无处不在而引起了研究界越来越多的兴趣。在本文中，我们提出了一种基于深度残差共享学习的室内指纹识别系统ResLoc，该系统使用双峰通道状态信息(CSI)张量数据。本文提出的ResLoc系统利用一小部分已知坐标的训练点收集的CSI张量数据(包括到达角度和振幅)来训练所提出的双通道深度残差共享学习模型。该模型对传统的深度残差学习模型进行了扩展，将两个或多个信道合并，并在每个残差块之后让信道交换残差信号。与之前基于深度学习的指纹识别方案不同，ResLoc只需要为所有训练位置训练一组权重。提出的ResLoc系统在商用Wi-Fi设备上实现，并在三个代表性的室内环境中进行了广泛的实验评估。实验结果验证了该系统在室内环境下使用单个Wi-Fi接入点即可实现较高的定位精度。
索引术语-通道状态信息(CSI)，深度学习，深度残差学习，深度残差共享学习，指纹识别。
Hoang等人[22]提出了一种用于定位的递归神经网络(RNN)模型，该模型使用RSSI为移动用户生成不同的轨迹。此外，他们还使用加权平均滤波器来减小轨迹误差。目标是基于序列RSSI记录预测轨迹定位。输出是顺序位置。
Hoang等人[22]
摘要:本文提出了用于WiFi指纹室内定位的递归神经网络(rnn)。与传统算法一次定位一个移动用户的位置不同，我们的RNN解决方案旨在定位轨迹，并考虑到轨迹中接收信号强度指标(RSSI)测量之间的相关性。为了提高RSSI时间波动之间的准确性，对输入RSSI数据和顺序输出位置都提出了加权平均滤波器。介绍了不同类型的RNN，包括vanilla RNN、长短期记忆(LSTM)、门控循环单元(GRU)、双向RNN (BiRNN)、双向LSTM (BiLSTM)和双向GRU (BiGRU)的结果。现场实验表明，该结构的平均定位误差为0.75 m，其中80%的误差在1米以内，在相同的测试环境下，该结构的定位误差比k近邻算法和概率算法高约30%。索引术语:指纹定位、长短期记忆(LSTM)、接收信号强度指标(RSSI)、循环神经元网络(RNN)、WiFi室内定位。
结论：综上所述，我们提出了用于WiFi指纹室内定位的rnn。我们的RNN解决方案考虑了一系列RSSI测量之间的关系，并将确定用户的移动路径作为一个问题。实验结果一致表明，LSTM结构的平均定位误差为0.75 m，其中80%的误差在1 m以下，优于前馈神经网络、KNN、卡尔曼滤波和概率方法等传统方法。有效地解决了传统方法存在的空间模糊性、RSSI不稳定性和RSSI采集时间短等主要问题。此外，还详细讨论了具有损失函数、记忆长度、输入输出特征等重要参数的vanilla RNN、LSTM、GRU、BiRNN、BiLSTM和BiGRU的分析。
Wang等[23]采用残差网络和LSTM网络进行室内定位，可以有效提取连续RSSI切片的时空特征。然而，在大规模的室内场景中，由于人群的随机和不可控的移动行为，所采集的样本往往具有空间不平衡和间歇性。其他一些基于深度学习模型的代表性室内定位方法包括DL-RNN[24]、RBF Network[25]和GCN[26]。
文献[25]考虑了RSSI数据的校准和更新，但[25]中的方法没有充分利用RSSI指纹的时间动态。为了获得更好的定位精度和鲁棒性，本文利用模型集成方法对单个弱模型的部分知识进行有效的正则化和利用。
