Enhancing the Accuracy of Device-free Localization Using Spectral Properties of the RSS
在过去的几年中,基于接收信号强度的无设备定位在研究界引起了相当大的关注,以定位和跟踪没有携带任何电子设备的人。通常,使用将时域信号强度测量与人的位置相关的空间模型来定位人。可替换地,可以利用反映无线传播介质被改变的速率的接收信号强度的频谱特性,这是在相关文献中尚未利用的机会。在本文中,信号强度测量的功率谱密度与人的位置和速度有关,以增强基于粒子滤波的跟踪算法与额外的测量。系统性能进行了评估,使用模拟和实验数据验证。与仅依赖于时域测量的系统相比,结果表明,当使用512个粒子时,对参数变化的鲁棒性增加,而跟踪精度提高了50%或更多。
2014-08-19 cs.NI
DorFin: WiFi Fingerprint-based Localization Revisited
虽然基于WiFi指纹的室内定位具有吸引力,但其准确性仍然是主要挑战,特别是在移动环境中。现有的方法要么诉诸物理层信息,要么依赖于额外的无线信号来获得高精度。在本文中,我们重新审视了基于RSS指纹的本地化方案,并揭示了作为本地化错误的根本原因的关键观察结果,但令人惊讶的是,这些观察结果在以前的作品中被忽视甚至看不到。具体而言,我们认识到AP对特定位置的指纹识别的多样性歧视,观察由信号波动和人体阻塞引起的RSS不一致性,并发现商品智能手机上的RSS过时问题。受这些见解的启发,我们设计了一个区分因子来量化不同AP的区分,结合稳健的回归来容忍离群值测量,并重新组装不同的指纹来应对过时的RSS。将这些技术结合在一个统一的解决方案中,我们提出了DorFin,一种新的指纹生成,表示和匹配的方案,它产生了显着的准确性,而不会产生额外的成本。大量的实验表明,DorFin实现了2米的平均误差,更重要的是,将第95百分位误差限制在5.5米以下;与Horus和RADAR等最先进的方案相比,这些误差分别降低了约56%和69%。
2013-08-30 cs.NI
Never Use Labels: Signal Strength-Based Bayesian Device-Free Localization in Changing Environments
无设备定位(DFL)方法使用多对RF节点之间的接收信号强度(RSS)的测量变化来提供无线网络内的人的位置估计。RSS DFL方法的基本挑战包括具有作为人的位置的函数的RSS测量的模型,以及在环境随时间变化时保持准确的模型。目前的方法依赖于标记的空区域校准或标记的指纹与一个人在每个位置。两者都需要经常重新校准或重新培训,以跟上不断变化的环境。其他DFL方法仅定位运动中的人。在本文中,我们解决这些挑战,首先,介绍了一个新的混合模型的链接RSS作为一个人的位置的函数,第二,提供的框架来更新模型参数,而无需提供标记的数据从空区或已知的位置类。我们开发了两个新的贝叶斯定位方法的基础上,我们的混合模型和实验验证我们的系统在三个测试站点,七天的测量。我们证明,我们的方法本地化的人在不断变化的环境中的非退化性能,此外,减少定位误差的11-51%相比,其他DFL方法。
2018-12-12 cs.NI
Indoor Navigation on Google Maps and Indoor Localization Using RSS Fingerprinting
与街道/室外导航的进步相比,壁挂式地图和标牌仍然是医院、购物中心、博物馆等室内导航的主要参考。移动设备的激增以及对根据当前设备位置过滤信息的位置感知系统的需求不断增长,导致了该领域研究和产品开发的增加。已经尝试在Google地图上提供室内导航的解决方案,并在Android智能手机上使用Wi-Fi信号强度提供用户在建筑物中的位置。
2014-05-22 cs.CY cs.NI
Robust Estimators for Variance-Based Device-Free Localization and Tracking
在无线链路附近的人体运动引起链路接收信号强度(RSS)的变化。无设备定位(DFL)系统,例如基于方差的无线电断层成像(VRTI),在静态无线网络中使用这些RSS变体来检测、定位和跟踪网络区域中的人,甚至穿过墙壁。然而,内在运动,如树枝在风中移动和旋转或振动机械,也会导致RSS变化,降低DFL系统的性能。在本文中,我们提出并评估两个估计,以减少由内在运动引起的变化的影响。一个估计器使用子空间分解,另一个估计器使用最小二乘公式。实验结果表明,这两种估计器减少定位均方根误差约40%相比,VRTI。此外,卡尔曼滤波器跟踪结果从两个估计器有97%的误差小于1.3米,超过60%的改进相比,跟踪结果从VRTI。
2011-09-26 cs.NI
Orientation-Aware Deep Learning Framework for RSSI-Based Indoor Localization in RIS-Aided mmWave Systems
Iowa State University of Science and Technology(爱荷华州立大学);King Abdullah University of Science and Technology (KAUST)(阿卜杜拉国王科技大学)
针对RIS辅助mmWave系统中设备方向变化影响RSSI室内定位的问题,提出O-DSG深度学习框架,结合方向分类与双流结构,在28 GHz NLoS场景下实现0.141 m中位定位误差,性能优于基准模型。
2026-10-16 cs.NI eess.SP
An Indoor Fingerprinting Localization Approach for ZigBee Wireless Sensor Networks
位置跟踪系统正日益成为无线传感器网络领域的研究热点。基于接收信号强度(RSS)的定位系统处于跟踪研究应用的最前沿。无线电定位指纹是最有前途的室内定位方法之一,由于其强大的精度和成本。然而,指纹识别系统需要在跟踪区域中收集大量的参考点以实现合理的定位精度。在本文中,我们提出了一种基于RSS技术的指纹定位方法。所提出的系统不需要收集大量的参考点,并提供良好的室内定位精度。所实现的方法是基于将跟踪区域划分为子区域,并通过从不同的参考点的RSS值的范围内分配一个独特的功能,每个子区域。为了测试所提出的系统的效率,一些实际的实验已经进行了使用Jennic传感器节点。
2013-08-08 cs.NI
Cross-Domain Inference for Human Localization: Applying Wi-Fi RSSI Data to CSI-Trained Models
University of Iceland(冰岛大学)
本文研究利用RSSI数据跨域输入CSI训练模型进行人体定位,以约80%置信度预测位置,表明广泛物联网设备可用于Wi-Fi密集环境中的隐私侵犯。
2026-09-16 cs.CR cs.LG cs.NI
On the Effective Usage of Priors in RSS-based Localization
Technische Universität Berlin(柏林工业大学);Technion – Israel Institute of Technology(以色列理工学院)
在本文中,我们研究了密集的城市环境中的定位问题。在这样的环境中,由于存在像建筑物这样的障碍物,全球导航卫星系统不能提供良好的精度,这是由于要定位的接收器(Rx)和卫星之间的视线(LOS)链路的可能性低。因此,人们不得不求助于可以在非视距(NLOS)条件下可靠地操作的其他技术。最近,我们提出了一种基于接收信号强度(RSS)指纹和卷积神经网络的算法LocUNet,并证明了其相对于广泛采用的k-最近邻(kNN)算法和最先进的到达时间(ToA)测距方法的最先进的定位性能。在当前的工作中,我们首先认识到LocUNet能够从训练数据中学习Rx位置或Rx和发射机(Tx)关联偏好的潜在先验分布,并将其高性能归因于这些。相反,我们表明,经典的方法基于概率的方法,可以大大受益于适当的纳入这样的先验信息。我们的研究还在数值上证明了LocUNet在许多设置中接近最佳性能,通过将其与理论上的最佳配方进行比较。
2022-11-28 cs.LG cs.NI eess.SP
RTI Goes Wild: Radio Tomographic Imaging for Outdoor People Detection and Localization
RF传感器网络用于定位室内人员,而无需他们佩戴侵入性电子设备。这些由低功率无线电收发器形成的无线网状网络持续测量链路的接收信号强度(RSS)。无线电断层成像(RTI)是一种生成无线电收发器覆盖的区域内的电磁场变化的2D图像以发现动物(例如,人,大型动物)或大型金属物体(例如,汽车)。在这里,我们提出了一个RTI系统,用于定位和跟踪户外的人。与室内环境相比,室外RSS信号是时变的,例如,由于风吹落叶或风吹树叶。我们提出了一种新的户外RTI方法,尽管非平稳噪声引入的RSS数据的环境,实现了高定位精度,并大大降低了传感单元的能耗。实验结果表明,该系统准确地检测和跟踪一个人在不同的环境条件下,在一个大的森林区域实时,显着减少误报,定位误差和能源消耗相比,最先进的RTI方法。
2014-07-30 cs.ET cs.NI
Lookup Lateration: Mapping of Received Signal Strength to Position for Geo-Localization in Outdoor Urban Areas
在城市环境中,基于接收信号强度(RSS)的移动设备精确定位受到信号传播路径障碍物的影响,现有的定位方法各有优缺点。三角测量(TL)是快速和可扩展的,但采用单调的RSS到距离的转换,不幸的是假设移动设备在视线上。射频指纹(RFP)方法采用参考数据库,这确保了准确的定位,但不幸的是,阻碍了可扩展性。在这里,我们提出了一种新的,简单的,强大的方法称为查找测边(LL),它结合了TL和RFP的优点,而没有它们的缺点。像RFP一样,LL采用参考位置的数据集,但将它们存储在相对于RSS和天线塔的单独查找表中。通过仅在关联查找表中标识公共位置来定位查询观察。由于这种去中心化,LL比RFP快两个数量级,使其特别适用于大城市。此外,我们表明,分析和实验,LL实现更高的定位精度比RFP以及。例如,在Urban Hannover Scenario数据集上,使用网格大小20 m,LL达到9.11 m和55.66 m,而RFP分别达到72.50 m和242.19 m的定位误差,分别为67%和95%。
2018-09-25 cs.NI
Real-time Outdoor Localization Using Radio Maps: A Deep Learning Approach
TU Berlin(柏林工业大学);Technion - Israel Institute of Technology(以色列理工学院);LMU Munich(慕尼黑大学);University of Tromsø(特罗姆瑟大学)
针对城市环境中卫星定位精度差的问题,提出端到端卷积神经网络LocUNet,利用基站路径损耗无线电地图估计和少量基站RSS测量值实现高精度实时室外定位,无需区域RSS指纹,并发布两个城市环境数据集,数值实验证明其优于现有RSS和ToA方法。
2023-04-09 cs.LG cs.NI eess.SP
Dataset of Pathloss and ToA Radio Maps With Localization Application
Technical University of Berlin(柏林工业大学);Technion – Israel Institute of Technology(以色列理工学院);Ludwig Maximilian University of Munich(慕尼黑大学);University of Tromsø(特罗姆瑟大学);Munich Center for Machine Learning (MCML)(慕尼黑机器学习中心)
本文公开了一组密集城市场景下的路径损耗/RSS与ToA无线地图数据集,可用于深度学习路径损耗预测与无线定位研究,能支撑两类定位方法的公平对比。
2024-09-16 cs.LG cs.NI eess.SP
Detecting Human-induced Reflections using RSS of Narrowband Wireless Transceivers
射频传感器网络作为一种室内定位和监测技术,用于获得对周围环境的不显眼的态势感知,正变得越来越流行。这些网络中的定位工作是建立在这样一个公认的事实上的,即接收信号强度测量值由于人在发射机-接收机对的视线上的存在而变化。到目前为止,建模这种接收信号强度的下降,并利用它定位的目的已经收到了相当多的关注,在研究领域。然而,当人在视线附近但不阻挡视线时,从人体反射的信号也影响接收信号强度,并且可以用于占用评估目的。在本文中,我们首先建模的影响,人为引起的反射作为通信频率的函数,然后使用该模型作为基于能量的占用检测的基础。推导出的方法进行了数值评估,并与实验数据的检测器的检测概率进行了验证。结果表明,当使用超过8个频道时,可以使用单个发射-接收对的RSS测量来检测人的存在,在2 m x 2.5 m的区域中检测概率高于0.95,虚警概率小于0.01。此外,还详细讨论了所研究的方法对现有窄带射频传感器网络应用的重要影响。
2014-05-28 cs.NI
Hybrid Radio-map for Noise Tolerant Wireless Indoor Localization
在无线网络中,基于无线地图的定位技术通常用于应对无线信号的复杂衰落特性,其中无线地图通过在离线阶段校准训练位置处的接收信号强度(RSS)签名来构建。然而,在恶劣的恶劣环境中,例如在船舱中,无处不在的金属结构造成严重的阴影,阻塞和多径衰落效应,即使是无线电地图也无法捕捉RSS的动态。提出了一种适用于强噪声环境的多特征无线电地图定位方法。提出在无线电地图中加入低方差特征。由于低方差签名通常是昂贵的获得,我们专注于低方差签名是稀疏的情况下。研究了多特征无线电地图离线阶段的高效构造,提出了可行域缩小和基于粒子的在线跟踪算法。仿真结果表明,与传统的无线电地图方法相比,该方法在定位精度和抗RSS噪声的鲁棒性方面都有明显的提高。
2013-12-14 cs.NI
Multi-Output Gaussian Process-Based Data Augmentation for Multi-Building and Multi-Floor Indoor Localization
Xi’an Jiaotong-Liverpool University(西交利物浦大学);University of Liverpool(利物浦大学)
针对COVID-19下室内定位数据收集困难,提出基于MOGP的三种RSSI数据增强方法,实验证明按单建筑增强UJIIndoorLoc训练RNN模型效果最佳,定位误差8.42米。
2023-08-01 cs.LG cs.NI eess.SP
Device-free Localization using Received Signal Strength Measurements in Radio Frequency Network
基于射频链路接收信号强度(RSS)测量的无设备定位(DFL)是利用目标存在时RSS的变化来定位目标,而无需附加任何设备的方法。大多数DFL方法利用链路在阻塞时会经历很大衰减的事实。因此,定位精度取决于模型,该模型描述了由障碍物引起的RSS损失与目标位置之间的关系。现有的模型过于粗糙,无法解释实验测量中观察到的一些现象。在本文中,我们提出了一个新的模型的基础上的衍射理论,其中的目标被建模为一个圆柱体,而不是一个点质量。该模型能很好地拟合实验测量数据,并能很好地解释路段穿越和沿路段行走等情况。由于测量模型是非线性的,粒子滤波跟踪被用来递归地给出位置的近似贝叶斯估计。还推导了所提出的跟踪方法的后验Cramer-Rao下界(PCRLB)。8个无线电传感器和3.5米3.5米的监测区域的现场实验结果表明,该模型的跟踪误差至少改善了36%,在单目标的情况下,在两个目标的情况下,与其他模型相比,25%。
2015-05-13 cs.NI
Digital Twin-Conditioned RSS-Fingerprint Localization in Cell-Free Millimeter-Wave Networks
Iowa State University of Science and Technology(爱荷华州立大学);King Abdullah University of Science and Technology (KAUST)(阿卜杜拉国王科技大学)
本文提出DTCond框架,融合真实与DT波束域指纹实现无小区毫米波网络定位,经测试其平均误差优于纯真实k-NN,在未见过区域性能提升48%,可降低测量预算并优化波束选择。
2026-10-16 cs.NI eess.SP
People-Sensing Spatial Characteristics of RF Sensor Networks
“RF传感器”网络可以监视网络中的链路上的RSS值并执行无设备定位,即,定位在部署网络的区域中移动的人或物体。本文提供了一个统计模型的RSS方差作为一个函数的人的位置w.r.t.发射机(TX)和接收机(RX)。我们发现,RSS方差的系综平均值与预期的总影响功率(ETAP)有近似线性关系。然后,我们使用分析来获得近似表达式ETAP作为一个函数的人的位置,散射和反射。反直觉地,我们表明,反射,而不是散射,导致RSS方差轮廓形状像卡西尼椭圆形。实验测试报告在这里和过去的文献中所示,以验证分析。
2009-11-10 cs.NI
LocUNet: Fast Urban Positioning Using Radio Maps and Deep Learning
TU Berlin(柏林工业大学);LMU München(慕尼黑大学)
本文论述了在密集的城市场景中的蜂窝网络中的定位问题。全球导航卫星系统(GNSS)通常在城市环境中表现不佳,在城市环境中视线条件的可能性较低,因此需要替代的定位方法以获得良好的精度。我们介绍LocUNet:一种用于定位的深度学习方法,其仅基于来自基站(BS)的接收信号强度(RSS),与依赖于到达时间或到达角度信息的方法不同,其不需要在用户设备处相对于设备标准操作的计算复杂度的任何增加。在所提出的方法中,待定位的用户将来自BS的RSS报告给可以位于云中的中央处理单元(CPU)。或者,可以在用户处本地执行定位。使用BS的估计路径损耗无线电地图,LocUNet可以以最先进的精度定位用户,并且对无线电地图中的不准确性具有很高的鲁棒性。所提出的方法不需要预先采样的环境,是适合于实时应用,由于RadioUNet,一个基于神经网络的无线电地图估计。我们还介绍了两个数据集,允许在现实的城市环境中的RSS和到达时间(ToA)方法的数值比较。
2022-02-03 cs.LG cs.NI eess.SP
Localization in Ultra Narrow Band IoT Networks: Design Guidelines and Trade-Offs
远程物联网网络的本地化是一项具有挑战性的任务,主要是由于使用的距离长和带宽低。此外,成本、功率和尺寸限制限制了GPS接收器在每个设备中的集成。在这项工作中,我们介绍了一种新的基于接收信号强度指示器(RSSI)的定位解决方案,用于超窄带(UNB)远程物联网网络,如Sigfox。我们的方法的本质是利用网络中存在的几个支持GPS的传感器(GSN)将广泛的覆盖范围划分为几类,从而实现基于RSSI的其他传感器(SN)的指纹识别。通过在网络后端使用机器学习算法,所提出的方法不施加额外的功率、有效载荷或硬件要求。为了全面验证所提出的方法的性能,一个基于测量的数据集,已收集在安特卫普市。我们表明,位置分类的准确性为80%,实现了几乎分裂成七个类的半径为2.5公里的城市。此外,通过增加它们之间的间距来分离类,根据我们的测量,分类准确率高达92%。此外,当GSN节点的密度足够高以实现设备到设备通信时,使用简化,我们在测量场景中将定位误差低于20 m的SN的概率提高了40%。
2019-07-25 cs.NI
CollabLoc: Privacy-Preserving Multi-Modal Localization via Collaborative Information Fusion
Rutgers University(罗格斯大学);Department of Homeland Security Science & Technology Directorate(国土安全部科学与技术局)
移动电话为构建上下文感知应用程序提供了一个绝佳的机会。特别地,基于位置的服务是重要的上下文感知服务,其越来越多地用于实施安全策略、用于支持室内房间导航以及用于提供个性化帮助。然而,一个主要的问题仍然没有得到解决--缺乏跨建筑物工作的解决方案,同时不使用额外的基础设施,也考虑到隐私和可靠性的需求。本文提出了一种基于Wi-Fi RSSI(现有基础设施)、蜂窝RSSI、声音和光线水平的隐私保护、多模态、跨建筑、协作定位平台,其使房间级定位成为主要应用(尽管子房间级粒度是可能的)。隐私本质上内置于基于洋葱路由和扰动/随机化技术的解决方案中,并利用加权协作的思想来增加可靠性以及限制嘈杂设备的影响(由于传感器噪声/隐私)。已分析了所提出的解决方案的隐私,准确性,最佳参数,以及其他开销的位置数据收集在多个室内和室外位置使用Android应用程序。
2017-09-29 cs.LG cs.NI
Dial It In: Rotating RF Sensors to Enhance Radio Tomography
无线电断层成像(RTI)系统使用由静态无线网络中的RF传感器测量的接收信号强度(RSS)来定位部署区域中的人员,而无需他们携带或佩戴电子设备。本文讨论了这样一个事实,即小规模的变化,每个RF传感器的天线的位置和方向可以显着影响成像和定位性能的RTI系统。然而,传感器的最佳放置在部署时是未知的。提高已部署的RTI系统的性能需要部署者反复地“猜测和重新测试”,即,选择要移动的传感器,然后重新运行校准实验,以确定定位性能是提高了还是降低了。我们提出了一个RTI系统的伺服节点,射频传感器配备了伺服电机,自动“拨号”,即,改变位置和方向来优化网络链接上的RSS。通过这样做,RTI系统的定位精度迅速提高,而不需要从部署者的任何校准实验。在三个室内环境中进行的实验表明,伺服节点系统的定位误差平均减少了32%相比,一个标准的RTI系统组成的静态RF传感器。
2013-12-19 cs.NI
Packet Reception Probability: Packets That You Can't Decode Can Help Keep You Safe
针对BLE基于RSSI测距受采样偏差和多径影响的问题,提出利用丢包的PRP度量及含多径模型的Bayesian-PRP定位法,仅需6个设备和12个训练点即可实现米级精度。
2023-06-02 cs.NI eess.SP
On the Multidimensional Augmentation of Fingerprint Data for Indoor Localization in A Large-Scale Building Complex Based on Multi-Output Gaussian Process
University of Liverpool(利物浦大学);Xi’an Jiaotong-Liverpool University(西交利物浦大学)
Wi-Fi指纹识别由于其不需要新的基础设施和专用设备的主要优势而成为大规模室内定位的主要解决方案。然而,在离线阶段期间用于测量定位指纹(如RSSI)的参考点(RP)的数量和分布极大地影响定位精度;例如,已知UJIIndoorLoc具有RP在建筑物和楼层上的不均匀空间分布的问题。数据增强作为一种可行的解决方案已经被提出,不仅可以改善现有指纹数据库中RP数量较少和分布不均匀的问题,而且可以减少构建新指纹数据库的人力和时间成本。本文在分析了现有文献的基础上,本文提出了一种基于多输出高斯过程(MOGP)的指纹数据多维增强方法,并利用UJIIndoorLoc数据库和现有的室内定位系统,系统地研究了增强率、MOGP核函数和模型及其超参数对室内定位性能的影响。提出了一种基于分层RNN的神经网络室内定位模型。基于实验结果的研究表明,我们可以生成高达原始数据十倍的合成RSSI指纹数据-即,增强比为10 --通过所提出的基于多维MOGP的数据增强,与单独的原始数据相比,不会显著影响室内定位性能,这扩展了组合RP的空间覆盖范围,从而可以提高不属于测试数据集的位置处的定位性能。
2022-11-19 cs.LG cs.NI
IoT-based Smart Home Device Monitor Using Private Blockchain Technology and Localization
基于物联网(IoT)的灵巧家庭应用正在普及。然而,这种趋势吸引了恶意活动,这导致对具有成本效益的安全性的需求很高。本文提出了一种低端设计,加强了家庭网络的安全性。它使用私有区块链技术,并通过基于RSSI的三边测量进行本地化。我们研究了私有区块链相对于公共区块链的优势,并通过测试不同的无线技术来提高定位算法的精度。结果得出结论,使用私有区块链和基于WiFi的通信系统可以产生最有效的设计迭代。
2021-03-29 cs.CR cs.NI
Indoor Localization Algorithm For Smartphones
越来越多的传感器测量和先验知识的来源已经变得可用于智能手机上的室内定位。如何有效地利用这些资源来提高定位精度是一个重要而具有挑战性的问题。在本文中,我们提出了一个区域状态辅助定位算法,利用各种来源的信息。具体来说,我们引入区域状态的概念来指示用户在室内地图上的区域。然后,借助于区域状态,使用惯性测量单元(IMU)测量来估计用户的位置。进而基于位置估计更新区域状态。为了避免IMU测量的累积误差,我们的算法使用WiFi接收信号强度指示器(RSSI)来指示用户到路由器的附近。实验结果表明,在典型的室内环境中,该系统能够达到满意的定位精度。
2015-03-26 cs.NI
RFID-Assisted Indoor Localization Using Hybrid Wireless Data Fusion
University of Maine(缅因大学)
本文提出一种基于分区的混合室内定位方法,结合RFID跟踪设备与多种IoT无线技术,通过仅在分区边界布置标签以降低成本,并利用RSSI进行蓝牙、WiFi和ZigBee的线性位置估计,实验验证了该方法的有效性。
2023-07-28 cs.LG cs.NI eess.SP