Interpretable Physics Informed WiFi Indoor Localization: Learning an Effective Access Point Geometry and Using It to Prune
提出物理信息驱动的分层深度学习框架,联合预测位置并学习AP几何以剪枝,在UJIIndoorLoc上降低误差26%-36%,并支持无坐标场景下的有效特征选择。
2026-09-29 cs.AI cs.LG
Attention-Enhanced Deep Learning for Device-Free Through-the-Wall Presence Detection Using Indoor WiFi Systems
National Central University(中央大学);National Yang Ming Chiao Tung University(国立阳明交通大学)
提出基于注意力机制和双向LSTM的ALPD系统,利用WiFi CSI信号实现高精度无设备穿墙人体存在检测,在干扰环境下优于现有基准。
2024-02-08 cs.AI cs.LG
Domain Adversarial Graph Convolutional Network Based on RSSI and Crowdsensing for Indoor Localization
The University of Tokyo(东京大学)
提出WiDAGCN模型,通过少量标注和大量未标注群智感知WiFi指纹构建RSSI异构图,结合GCN提取图级嵌入并采用半监督域对抗训练,有效提升了大型多层建筑的室内定位精度。
2023-03-31 cs.LG cs.NI eess.SP
Variational Information Bottleneck Model for Accurate Indoor Position Recognition
Université Bourgogne-Franche-Comté(勃艮第-弗朗什孔泰大学);UTBM(贝尔福-蒙贝利亚技术大学);Université de Lorraine(洛林大学)
利用WiFi指纹识别用户位置是解决室内精确定位问题的一种流行方法。在这项工作中,我们的目标是将WiFi指纹解释为实际的用户位置。然而,WiFi指纹数据在某些情况下可能是非常高维的,我们需要首先为学习任务找到输入数据的良好表示。否则,使用神经网络将遭受严重的过拟合。在这项工作中,我们解决了这个问题,结合信息瓶颈方法和变分推理。基于这两种方法,我们提出了一个变信息瓶颈模型的精确室内定位。该模型由编码器结构和预测器结构组成。编码器用于在输入数据中找到用于学习任务的良好表示。预测器使用潜在表示来预测最终输出。为了提高模型的泛化能力,我们还对解码器的每个隐藏层采用了Dropout技术。我们在真实世界的数据集上进行验证实验。我们还比较了所提出的模型与其他现有的方法,以量化我们的方法的性能。
2021-01-26 cs.LG
WiCluster: Passive Indoor 2D/3D Positioning using WiFi without Precise Labels
Qualcomm AI Research(高通人工智能研究院)
我们介绍WiCluster,一种新的机器学习(ML)方法,用于使用射频(RF)信道状态信息(CSI)的无源室内定位。WiCluster可以预测区域级别的位置和精确的2D或3D位置,而无需在训练期间使用任何精确的位置标签。之前基于CSI的室内定位工作依赖于使用数字信号处理(DSP)的非参数方法,以及最近的参数方法(例如,完全监督的ML方法)。然而,这些方法不能很好地处理现实世界环境的复杂性,也不能满足大规模商业部署的要求:基于DSP的方法的准确性在非视线条件下会显着恶化,而监督ML方法需要大量难以获取的厘米精度位置标签。相比之下,WiCluster是精确的,需要较弱的标签信息,可以很容易地收集,并在非视线条件下工作得很好。我们的第一个贡献是一个新的降维方法的图表。它结合了三重损失和多尺度聚类损失,将高维CSI表示映射到2D/3D潜在空间。我们的第二个贡献是两个弱监督损失,将这个潜在空间映射到笛卡尔映射中,从而得到米精度的位置结果。这些损失只需要简单地获取先验:平面布置图的草图、近似的接入点定位和用平面布置图中的对应区域标记的几个CSI分组。第三,我们报告的结果和鲁棒性研究的2D定位在两个单层办公楼和3D定位在一个两层楼的家。
2021-09-27 cs.CV cs.LG cs.NI
Graph-Based Floor Separation Using Node Embeddings and Clustering of WiFi Trajectories
本文提出一种基于图和节点嵌入的WiFi轨迹聚类方法,用于无需建筑信息的盲楼层分离,通过信号相似性和移动上下文建模,实现多层建筑的垂直定位。
2026-10-08 cs.AI cs.CR cs.LG
WiFi Based Distance Estimation Using Supervised Machine Learning
Huawei Technologies Co., Ltd.(华为技术有限公司);Heriot Watt University(赫瑞瓦特大学);University of Edinburgh(爱丁堡大学)
本文针对 WiFi 指纹间地理空间距离估计受信号距离函数影响的问题,利用 13 个开放数据集和遗传算法特征选择,训练并跨场所验证了通用监督式机器学习模型。
2022-08-15 cs.LG eess.SP
CHISEL: Compression-Aware High-Accuracy Embedded Indoor Localization with Deep Learning
Colorado State University(科罗拉多州立大学)
GPS技术彻底改变了我们在户外定位和导航的方式。然而,GPS信号在建筑物中的不良接收使得其不适合于室内定位。基于WiFi指纹的室内定位是满足这一需求的最有前途的方法之一。不幸的是,该领域的大多数工作未能解决与资源有限的嵌入式设备上的可部署性相关的挑战。在这项工作中,我们提出了一个压缩感知和高精度的深度学习框架,称为CHISEL,它在保持嵌入式设备的本地化鲁棒性的同时,优于该领域最知名的作品。
2021-07-02 cs.AI cs.LG
Statistical learning for sensor localization in wireless networks
Institut Charles Delaunay(查尔斯·德洛奈研究所);Université de Technologie de Troyes(特鲁瓦技术大学);Université de Rouen(鲁昂大学)
室内定位已成为无线传感器网络的一个重要问题。本文提出了一种基于分区的定位技术,该技术使用WiFi信号并在室内环境中有效工作。目标区域由多个区域组成,目标是使用基于统计学习的观察模型来确定传感器的区域。
2020-05-11 cs.LG eess.SP stat.ML
A CNN-LSTM Quantifier for Single Access Point CSI Indoor Localization
本文提出CNN-LSTM量化网络用于单接入点WiFi CSI指纹室内定位,同时提取时空特征并以量化模型替代传统分类模型,实验表明平均定位误差2.5米,80%误差低于4米,性能优于其他算法约50%。
2025-11-07 cs.LG eess.SP stat.ML
Using GAN to Enhance the Accuracy of Indoor Human Activity Recognition
Shahid Beheshti University(沙希德·贝赫什提大学);Middlesex University(密德萨斯大学)
室内人体活动识别(HAR)探索人体运动与反射的WiFi信号之间的相关性,以分类不同的活动。通过分析WiFi信号模式,特别是信道状态信息(CSI)的动态,可以区分不同的活动。从定时和设备的角度来看,收集CSI数据都是昂贵的。在本文中,我们使用合成数据,以减少对实际测量CSI的需要。我们提出了一种用于基于CSI的活动识别系统的半监督学习方法,其中采用长短期记忆(LSTM)来学习特征并识别七种不同的动作。我们应用主成分分析(PCA)的CSI幅度数据,而短时傅里叶变换(STFT)提取的特征在频域。首先,我们用完全原始的CSI数据训练LSTM网络,这需要更多的处理时间。为此,我们的目标是通过使用50%的原始数据与生成对抗网络(GAN)相结合来生成数据。我们的实验结果证实,该模型可以提高3.4%的分类准确率,并减少了近16%的日志损失在考虑的情况下。
2020-04-23 cs.LG eess.SP
AI and Machine Learning Driven Indoor Localization and Navigation with Mobile Embedded Systems
Colorado State University(科罗拉多州立大学)
该文综述室内导航因GPS失效而依赖WiFi与传感器的现状,分析前沿方案挑战,并说明移动嵌入式系统上的AI算法如何实现定位与导航。
2024-08-09 cs.AI cs.LG cs.RO
Wireless Localisation in WiFi using Novel Deep Architectures
Bristol Research & Innovation Laboratory, Toshiba Europe Ltd.(东芝欧洲有限公司布里斯托尔研究与创新实验室);University of Bristol(布里斯托大学)
本文研究了基于商品芯片组和标准信道探测的WiFi设备的室内定位。首先,我们提出了一种新的浅神经网络(SNN),其中的特征提取从对应于不同天线上接收的WiFi子载波的信道状态信息(CSI),并用于训练模型。这种本地化神经网络的单层架构使其重量轻,易于在计算资源受到严格限制的设备上部署。我们进一步研究了深度学习模型的本地化使用,并为卷积神经网络(CNN)和长短期记忆(LSTM)设计了新的架构。我们广泛评估这些定位算法在室内环境中的连续跟踪。实验结果证明,即使是SNN模型,经过精心的手工特征提取,可以实现准确的定位。同时,使用组织良好的架构,神经网络模型可以直接使用来自CSI的原始数据进行训练,并且可以自动提取定位特征以实现准确的位置估计。我们还发现,基于神经网络的方法的性能直接受到锚接入点(AP)的数量的影响,而不管它们的结构。对于三个AP,本文提出的所有神经网络模型都可以获得0.5米左右的定位精度。此外,与使用我们测试平台中收集的数据的浅NN相比,所提出的深度NN架构将数据预处理时间减少了6.5小时。在部署阶段,每个样本的推理时间也显著减少到0.1 ms。我们还证明了所提出的方法的泛化能力,通过评估模型使用不同的目标运动特性,他们在其中进行了训练。
2020-10-16 cs.LG eess.SP
Multi-Surrogate-Teacher Assistance for Representation Alignment in Fingerprint-based Indoor Localization
University of Twente(特文特大学);Viettel AI, Viettel Group(越南电信人工智能公司,越南电信集团)
针对RSS指纹室内定位中数据集差异导致表示迁移困难的问题,提出多代理教师辅助的即插即用知识迁移框架,通过专家训练和蒸馏阶段实现表示对齐,在三个基准数据集上显著提升定位性能。
2024-12-13 cs.AI cs.CV cs.LG
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
A Variational Auto-Encoder Enabled Multi-Band Channel Prediction Scheme for Indoor Localization
Shanghai Institute for Advanced Communication and Data Science(上海先进通信与数据科学研究院);Shanghai University(上海大学)
本文提出利用变分自编码器预测另一信道的CSI值并拼接多频段信息,以提升室内指纹定位精度,并在仿真和实测WiFi数据上验证了方案有效性。
2023-09-19 cs.LG cs.SI eess.SP
Recurrent Neural Networks For Accurate RSSI Indoor Localization
University of Victoria(维多利亚大学);Fortinet Canada Inc.(Fortinet加拿大公司)
本文提出了递归神经网络(RNN)的指纹室内定位使用WiFi。我们的RNN解决方案不是像传统算法那样一次定位一个用户的位置,而是针对轨迹定位,并考虑到轨迹中接收信号强度指示符(RSSI)测量之间的关系。此外,一个加权平均滤波器的输入RSSI数据和顺序输出的位置,以提高RSSI的时间波动之间的准确性。使用不同类型的RNN,包括香草RNN,长短期记忆(LSTM),门控递归单元(GRU)和双向LSTM(BiLSTM)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$80\%$的误差小于$1$ m,在相同测试环境下,比传统KNN算法和概率算法的性能提高约$30\%$。
2019-10-22 cs.LG eess.SP stat.ML
Deep Transfer Learning for WiFi Localization
Bristol Research & Innovation Laboratory(布里斯托尔研究与创新实验室);Toshiba Europe Ltd.(东芝欧洲有限公司);University of Bristol(布里斯托尔大学)
研究了一种基于深度学习模型的WiFi室内定位技术及其传输策略。我们以通过WiFi标准信道探测收集的CSI数据包作为训练数据集,并在三个实验环境中收集的子集上验证了CNN模型。我们在没有障碍物的理想$(6.5m \times 2.5m)$办公室中实现了46.55 cm的定位精度,在有障碍物的办公室中实现了58.30 cm的定位精度,在体育馆$(40 \times 35m)$中实现了102.8 cm的定位精度。然后,我们评估所提出的模型的传输能力,以不同的环境。实验结果表明,对于一个训练过的定位模型,特征提取层可以直接转移到其他模型,只有完全连接的层需要重新训练,以实现与非转移的基础模型相同的基线精度。这可以节省60%的训练参数,减少一半以上的训练时间。最后,对训练数据集的消融研究表明,在办公室和体育馆场景中,在重用基础模型的特征提取层之后,仅需要55%的训练数据就可以获得与基础模型相似的模型精度。
2021-03-08 cs.LG eess.SP
(Weighted) Adaptive Radius Near Neighbor Search: Evaluation for WiFi Fingerprint-based Positioning
Faculty of Information Technology and Communication Sciences, Tampere University(蒂卡大学信息科技与通信科学学院);Department of Computer Science, University of Valencia(瓦伦西亚大学计算机科学系);Faculty of Medicine and Health Technology, Tampere University(蒂卡大学医学与健康技术学院)
本文提出自适应半径近邻(ARNN)和加权ARNN(WARNN)方法,通过自适应距离和权重提升WiFi指纹室内定位的准确性,实验表明WARNN在多数情况下性能优于kNN变体。
2026-04-17 cs.LG stat.AP
Moving Object Classification with a Sub-6 GHz Massive MIMO Array using Real Data
Ericsson AB(爱立信公司)
使用无线信号在室内环境中的不同活动之间进行分类是用于各种应用(包括入侵检测、病人护理和灵巧家庭)的新兴技术。研究人员已经展示了不同的方法来利用WiFi信号对活动及其潜在益处进行分类。在本文中,我们分析分类的运动对象采用机器学习的真实数据从一个大规模的多输入多输出(MIMO)系统在室内环境中。我们在视线和非视线场景中对不同的活动进行测量,并在3.7 GHz下运行大规模MIMO测试平台。我们提出了利用基于幅度和相位的特征分类任务的算法。对于所考虑的设置,我们对分类性能进行了基准测试,并表明即使使用少量实验,我们也可以使用真实的大规模MIMO数据实现高达98%的准确率。此外,我们证明了增益的性能结果与一个大规模的MIMO系统相比,有限数量的天线,如在WiFi设备。
2021-02-09 cs.IT cs.LG eess.SP
Simple and Effective Augmentation Methods for CSI Based Indoor Localization
University of Southern California(南加州大学);Korea University(高丽大学)
本文提出两种简单有效的数据增强算法用于基于CSI的室内定位,仅需10%原始数据即可达到相同性能,并使测试精度提升三倍以上。
2023-05-16 cs.LG eess.SP
Deep-Learning-Aided Path Planning and Map Construction for Expediting Indoor Mapping
Hebrew University of Jerusalem(耶路撒冷希伯来大学);Technion - Israel Institute of Technology(以色列理工学院);Bar-Ilan University(巴伊兰大学);Holon Institute of Technology(霍隆理工学院)
解决了自主室内测绘的问题。目标是最大限度地减少达到预定义的暴露百分比的时间,并具有某些所需的确定性水平。为了加快映射过程,提出了在路径规划和地图构建中使用预训练的生成式深度神经网络作为地图预测器。结合两个不同的布图规划数据集的几个基于边界的路径规划器,该方法进行了检查。模拟运行几种配置的集成映射预测器,其结果表明,通过利用预测映射时间的显着减少是可能的。当预测集成在路径规划和地图构建过程中,它表明,在某些情况下,映射时间可以减少超过50%。
2022-08-13 cs.LG cs.RO
Integrating Deep Reinforcement and Supervised Learning to Expedite Indoor Mapping
Hebrew University of Jerusalem(耶路撒冷希伯来大学);Technion - Israel Institute of Technology(以色列理工学院)
解决了绘制室内环境的挑战。求解运动规划问题的典型启发式算法是基于前沿的方法,这在环境完全未知时特别有效。然而,在关于环境的架构特征的先前统计数据可用的情况下,这样的算法可能远非最佳。此外,它们的计算时间可能随着更多的区域被暴露而显著增加。在本文中,我们提出了两种方法来克服这些缺点。一个是使用深度强化学习来训练运动规划器。第二个是包含一个预训练的生成式深度神经网络,用作地图预测器。每一个都有助于通过使用环境的学习结构统计来改进决策,并且两者都被实现为神经网络,确保恒定的计算时间。我们表明,结合这两种方法可以缩短映射过程的持续时间高达4倍,相比基于前沿的运动规划。
2022-02-27 cs.AI cs.LG cs.RO