Dynamic Indoor Fingerprinting Localization based on Few-Shot Meta-Learning with CSI Images
Southeast University(东南大学);National Mobile Communications Research Laboratory(国家移动通信研究实验室);Purple Mountain Laboratories(紫金山实验室)
本文提出一种基于少样本元学习和CSI图像的动态室内指纹定位方法,通过任务加权损失提升知识迁移,在有限CSI数据场景下平均欧氏距离增益达23.13%。
2024-01-11 cs.LG eess.SP
Deep Learning Methods for Fingerprint-Based Indoor Positioning: A Review
University of Denver(丹佛大学)
基于全球导航卫星系统的室外定位系统具有若干缺点,这些缺点已经被认为用于室内定位是不切实际的。利用机器学习的位置指纹由于其简单的概念和准确的性能而成为室内定位的可行方法和解决方案。过去,浅层学习算法传统上用于位置指纹识别。最近,在见证了深度学习方法相对于传统/浅层机器学习算法的巨大成功和优越性之后,研究界开始将这些方法用于指纹识别。本文对室内定位中的深度学习方法进行了全面综述。首先,讨论了用于室内定位的各种指纹类型的优点和缺点。在文献中提出的解决方案,然后进行分析,分类,并与各种性能评估指标进行比较。由于数据是指纹识别的关键,公开的室内定位数据集的详细审查。虽然将深度学习融入指纹识别带来了显著的改进,但这样做也带来了新的挑战。这些挑战以及常见的实施陷阱进行了讨论。最后,对全文进行了总结,并对未来的研究方向进行了展望.
2022-05-30 cs.LG eess.SP
AuthPrint: Fingerprinting Generative Models Against Malicious Model Providers
School of Informatics, University of Edinburgh(信息学院,爱丁堡大学)
本研究提出AuthPrint,一种针对恶意模型提供者的生成模型指纹识别方法,通过可信验证器提取隐藏指纹并训练检测器,实现高精度来源验证,且对自适应攻击鲁棒。
2025-09-25 cs.AI cs.CR cs.LG
Few-Shot Transfer Learning for Device-Free Fingerprinting Indoor Localization
Research Center for Information Technology Innovation, Academia Sinica(中央研究院资讯科技创新研究中心)
无设备无线室内定位是物联网(IoT)的关键技术,基于指纹的方法被广泛使用。基于指纹的方法面临的一个共同挑战是数据收集和标记。本文提出了一种Few-Shot迁移学习系统,该系统仅使用来自当前环境的少量标记数据,并重用先前在其他环境中收集的大量现有标记数据,从而显著降低了每个新环境中本地化的数据收集和标记成本。其核心方法是基于图神经网络(GNN)的Few-Shot迁移学习及其改进。在真实世界环境中进行的实验结果表明,该系统实现了与卷积神经网络(CNN)模型相当的性能,标记数据减少了40倍。
2022-01-29 cs.LG eess.SP
DAILOC: Domain-Incremental Learning for Indoor Localization using Smartphones
Colorado State University(科罗拉多州立大学)
DAILOC提出域增量学习框架,通过解缠策略和记忆引导对齐,联合处理时间与设备域偏移,显著提升室内定位精度,平均误差降低2.74倍。
2025-06-18 cs.AI cs.LG
Data Cleansing for Indoor Positioning Wi-Fi Fingerprinting Datasets
Universitat Jaume I(海梅一世大学);Tampere University(坦佩雷大学);Universidade do Minho(米尼奥大学)
需要定位和本地化服务的可穿戴设备和物联网设备的数量每年呈指数级增长。这种快速增长还产生了数百万个数据条目,这些数据条目在用于任何室内定位系统之前需要进行预处理,以确保数据质量并为最终用户提供高服务质量(QoS)。在本文中,我们提供了一个新的和简单的数据清洗算法的无线局域网指纹无线电地图。该算法基于指纹之间的相关性,使用接收信号强度(RSS)值和接入点(AP)的标识符。我们使用这些来计算数据集中所有样本之间的相关性,并从数据集中删除相关性较低的指纹。我们在14个独立的公开数据集上评估了所提出的方法。结果,平均有14%的指纹被从数据集中删除。2D定位误差减少了2.7%,3D定位误差减少了5.3%,地板命中率平均略有增加1.2%。因此,位置预测的平均速度也提高了14%。
2022-05-04 cs.LG eess.SP
Editing in Style: Uncovering the Local Semantics of GANs
EPFL(洛桑联邦理工学院);Palo Alto Research Center(帕洛阿尔托研究中心)
虽然近年来GAN图像合成的质量有了很大的提高,但我们控制和调节输出的能力仍然有限。聚焦于StyleGAN,我们介绍了一种简单有效的方法,用于对目标输出图像进行局部,语义感知的编辑。这是通过经由样式向量的新颖操纵从源图像(也是GAN输出)借用元素来实现的。我们的方法既不需要外部模型的监督,也不涉及复杂的空间变形操作。相反,它依赖于StyleGAN在训练过程中学习到的语义对象的紧急解开。语义编辑在生成人脸、室内场景、猫和汽车的GANs上进行了演示。我们测量了我们的方法产生的编辑的局部性和照片真实性,并发现它实现了这两个。
2020-05-21 cs.CV cs.LG
Increasing Coverage of Indoor Localization Systems for EEE112 Support
在用于室内定位的许多技术中,指纹识别已被示出为与替代技术相比提供更高的准确度。指纹识别技术需要一个初始校准阶段,在此期间,现场测量员几乎访问了感兴趣区域的每个位置,以手动收集指纹数据。然而,这个过程是劳动密集型的,繁琐的,并且需要随着环境的任何变化而重复。在这项工作中,我们提出了一种技术,用于增强基于蜂窝的室内定位指纹识别系统,通过自动增加的空间密度的参考点。这可以通过对环境中几乎所有点进行综合测量来实现,以覆盖无法到达的地方。
2019-02-02 eess.SP
Artificial Fingerprinting for Generative Models: Rooting Deepfake Attribution in Training Data
University of Maryland(马里兰大学);Max Planck Institute for Informatics(马克斯·普朗克信息学研究所);CISPA Helmholtz Center for Information Security(CISPA亥姆霍兹信息安全中心)
由于生成对抗网络(GANs)的突破,真实感图像生成已经达到了一个新的质量水平。然而,这种deepfakes的黑暗面,恶意使用生成的媒体,引起了人们对视觉错误信息的担忧。虽然现有的deepfake检测研究工作具有很高的准确性,但它受制于生成技术的进步和检测对策技术的对抗性迭代。因此,我们寻求一种主动和可持续的深度伪造检测解决方案,即通过将人工指纹引入模型,对生成模型的演变不可知。我们的方法简单而有效。我们首先将人工指纹嵌入到训练数据中,然后验证这种指纹从训练数据到生成模型的可转移性,这反过来又出现在生成的deepfake中。实验表明,我们的指纹识别解决方案(1)适用于各种尖端的生成模型,(2)对生成质量产生的副作用可以忽略不计,(3)对图像级和模型级扰动保持鲁棒性,(4)难以被对手检测到,(5)将deepfake检测和归因转换为琐碎的任务,并优于最近最先进的基线。我们的解决方案关闭了发布预训练的生成模型发明及其可能的滥用之间的责任循环,这使得它独立于当前的军备竞赛。代码和型号可在https://github.com/ningyu1991/ArtificialGANFingerprints上获得。
2022-03-17 cs.CR cs.CV cs.CY
Autonomous WiFi Fingerprinting for Indoor Localization
基于WiFi的室内定位技术受到了学术界和工业界的广泛关注。然而,构建和维护WiFi指纹地图的开销仍然是基于WiFi的室内定位系统广泛部署的瓶颈。最近,机器人被采用作为专业测量员来自主地对环境进行指纹识别。但是时间和能量的代价仍然限制了机器人测量的覆盖范围,从而降低了其可扩展性。为了满足这一需求,我们设计了一个AutonomousWiFi指纹识别系统,称为AuF,它自主地构建指纹数据库,具有时间和能源效率。AuF首先在目标室内环境中进行自动初始化过程,然后分两步构建WiFi指纹数据库:(i)在不逗留的情况下测量站点;(ii)使用两种方法恢复数据库中的不可靠信号。我们已经实施和评估AuF使用先锋3-DX机器人,在我们的$70$ $\times$ $90$ m $^2$部门建设与不同的结构和部署的接入点(AP)的两个网站。结果表明,AuF在43/51分钟内完成指纹数据库的构建,两层的功耗分别为60/82 Wh,与传统的现场测量方法相比,分别降低了64%/71%和61%/64%,而定位精度没有下降。
2019-11-26 eess.SP
Embedding Space Selection for Detecting Memorization and Fingerprinting in Generative Models
University of California, Los Angeles(加州大学洛杉矶分校)
本文研究生成模型的数据记忆检测,发现ViT不同层嵌入的记忆分数对低级和高级信息敏感度不同且具有架构独特性,据此提出一种基于层间记忆分数分布的指纹识别方法,将模型识别准确率提升30%。
2024-07-30 cs.CV cs.LG
AoA-aware Probabilistic Indoor Location Fingerprinting using Channel State Information
随着无线通信的快速发展,位置指纹(LF)在物联网(IoT)领域中培育了大量室内基于位置的服务(ILBS)。对于大多数基于模式匹配的LF解决方案,以前的工作要么呼吁简单的接收信号强度(RSS),这遭受了戏剧性的性能下降,由于复杂的环境动态,或依赖于细粒度的物理层信道状态信息(CSI),其复杂的结构导致增加的计算复杂度。同时,恶劣的室内环境还可以在某些预定义的参考点(RP)之间滋生相似的无线电签名,这些参考点可以随机分布在感兴趣区域中,从而极大地篡改位置映射精度。为了解决这些问题,在离线现场调查中,我们首先采用CSI幅度的自回归(AR)建模熵作为位置指纹,它具有RSS结构简单的优点,同时保留了最多的位置特定的统计信道信息。此外,一个额外的到达角(AoA)指纹可以准确地从CSI相位通过增强的基于子空间的算法,这有助于进一步消除容易出错的RP候选检索。在在线检测阶段,利用信道状态信息的幅相信息,提出了一种新的二元核回归算法来精确估计目标的位置。从广泛的室内实验结果验证了我们提出的系统比以前的方法优越的定位性能。
2019-12-20 eess.SP
Effective Data Augmentation with Multi-Domain Learning GANs
NTT Software Innovation Center(NTT软件创新中心);Keio University(庆应义塾大学)
对于深度学习应用,海量数据开发(例如,收集、标记),这是构建实际应用的必要过程,仍然导致非常高的成本。在这项工作中,我们提出了一种有效的数据增强方法的基础上生成对抗网络(GANs),称为域融合。我们的核心思想是通过使用多域学习GAN将外部数据集中包含的知识导入到目标模型中。多域学习GAN同时学习外部和目标数据集,并为目标任务生成新的样本。同步学习过程使得GANs能够产生高保真度和多样性的目标样本。因此,即使我们只有极少量的目标数据集,我们也可以通过使用这些生成的样本来获得目标任务的准确模型。我们在3个目标数据集:CIFAR-100,FGVC-飞机和室内场景识别的图像分类任务的实验评估域融合的优势。当在每个目标数据集上训练时,将样本减少到5,000张图像,域融合比使用微调的GANs的数据增强实现了更好的分类准确性。此外,我们表明域融合提高了生成的样本的质量,并且这些改进可以有助于更高的准确性。
2019-12-25 cs.CV cs.LG stat.ML
Position Tracking using Likelihood Modeling of Channel Features with Gaussian Processes
Fraunhofer IIS(弗劳恩霍夫集成电路研究所);Fraunhofer Institute for Integrated Circuits IIS(弗劳恩霍夫集成电路研究所);Technical University of Ilmenau(伊尔梅瑙工业大学)
最近的定位框架利用复杂的信道测量(CM)的空间信息来估计准确的位置,即使在多径传播的情况下。现有技术的基于CM指纹(FP)的方法采用卷积神经网络(CNN)来提取空间信息。然而,它们需要空间密集的数据集(与高采集和维护工作相关)才能正常工作-这在实际应用中很少出现。如果这些数据不可用(或其质量低),我们无法补偿基于CNN的FP的性能下降,因为它们不提供统计位置估计,这阻止了与观测水平上的其他信息源的融合。我们提出了一种新的本地化框架,很好地适应稀疏数据集,只包含CM的特定区域内的环境具有强大的多径传播。我们的框架压缩CM到信息功能解开空间信息。然后,它回归高斯过程(GP)的每一个,这意味着统计观测模型的基础上的距离相关的协方差内核。我们的框架将训练的GPS与视线范围和粒子滤波器中的动态模型相结合。我们的测量结果表明,我们的方法优于最先进的CNN指纹识别(0.52米与1.3米MAE)在一个现实的工业室内环境中收集的空间稀疏数据。
2022-03-24 cs.LG 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
VI-SLAM2tag: Low-Effort Labeled Dataset Collection for Fingerprinting-Based Indoor Localization
基于指纹的方法特别适合于以最小的基础设施成本为行人部署室内定位系统。然而,该方法的准确性在很大程度上取决于校准阶段内收集的标记指纹的质量,当以静态方式手动完成时,这是一个繁琐的过程。我们提出了VI-SLAM2tag,一个使用ARCore的视觉-惯性同时定位和映射(VI-SLAM)模块自动标记动态收集的指纹的系统。ARCore偶尔会更新其内部坐标系。因此,通过单个变换将整个轨迹映射到目标坐标系会导致大的漂移效应。为了解决这个问题,我们提出了一个策略,用于确定局部最优的子轨迹变换。我们的系统进行评估相对于使用大地测量跟踪系统生成的位置标签的精度。对于长达15分钟的轨迹,我们实现了大约50 cm的平均标记误差,这对于基于指纹的定位是足够的。我们通过收集包括WLAN和IMU数据的多楼层数据集来证明这一点,并展示了它如何用于训练基于神经网络的模型,这些模型可以实现大约2米的定位精度。VI-SLAM2tag和数据集公开提供。
2022-07-06 eess.SP
XJTLUIndoorLoc: A New Fingerprinting Database for Indoor Localization and Trajectory Estimation Based on Wi-Fi RSS and Geomagnetic Field
Xi’an Jiaotong-Liverpool University(西交利物浦大学)
在本文中,我们提出了一个新的位置指纹数据库,包括Wi-Fi接收信号强度(RSS)和地磁场强度测量与多个设备在西安佳通利物浦大学,苏州,中国的多层建筑。我们还提供了基于卷积神经网络(CNN)和长短期记忆(LSTM)网络的定位和轨迹估计的初步结果。对于本地化,我们将参考点的RSS数据映射到类似图像的二维数组,然后应用CNN,这是在图像和视频分析和识别中流行的。对于轨迹估计,我们使用修改后的随机路径点模型来高效地生成模仿人类行走的连续脚步轨迹,并使用生成的数据训练堆叠的两层LSTM网络,以记住地磁场强度相对于(x,y)坐标的变化模式。实验结果表明,我们的新数据库的有用性和可行性的CNN和基于LSTM的定位和轨迹估计与数据库。
2018-10-17 cs.LG eess.SP stat.ML
Path Planning in Support of Smart Mobility Applications using Generative Adversarial Networks
Western Michigan University(西密歇根大学)
本文描述并评估了生成对抗网络(GANs)用于路径规划的使用,以支持智能移动应用,例如室内和室外导航应用,残疾人的个性化寻路(例如,视力障碍、身体残疾等),用于疏散、机器人导航的路径规划以及用于自主车辆的路径规划。我们提出了一种基于GANs的架构,为导航应用推荐准确可靠的路径。该系统可以使用众包数据来学习轨迹并推断新的轨迹。该系统向用户提供生成的路径,帮助他们从本地环境导航到期望的位置。作为一个用例,我们实验了所提出的方法,以支持在室内环境中的寻路应用。我们的实验断言,生成的路径是正确的和可靠的。生成的路径的分类任务的准确率高达99%,生成的路径的质量具有89%的平均意见得分。
2018-04-23 cs.HC cs.LG cs.NI
Hybrid Quantum Neural Network based Indoor User Localization using Cloud Quantum Computing
Indian Institute of Technology Delhi(印度理工学院德里分校);University of Melbourne(墨尔本大学);Centre for Applied Research in Electronics (CARE)(应用电子研究中心);Bharti School of Telecommunication Technology and Management(巴尔蒂电信技术与管理学院)
本文提出一种基于RSSI的混合量子神经网络室内定位方法,并在真实IBM量子硬件上验证其在NISQ设备上的实用性能,优于量子指纹算法。
2024-10-01 cs.LG eess.SP
CRISLoc: Reconstructable CSI Fingerprintingfor Indoor Smartphone Localization
基于信道状态信息(Channel State Information,CSI)的指纹识别技术在WIFI室内定位中得到了广泛的关注,频率多样且时间稳定的CSI比粗接收信号强度(Recovered Signal Strength,RSS)更能反映位置相关的信道特性。然而,CSI的获取需要接入点(AP)的合作并且仅涉及多个帧,这对现实世界的部署施加了限制。在本文中,我们提出了CRISLoc,第一个CSI指纹定位原型系统使用无处不在的智能手机。CRISLoc在一个完全被动的模式下运行,在他自己的CSI采集过程中偷听数据包。通过校准WiFi放大器电路施加的失真来净化智能手机CSI。CRISLoc通过联合聚类和离群值检测方法来解决改变AP的挑战。提出了一种新的迁移学习方法,在过时的指纹和一些新的测量的基础上重建高维CSI指纹数据库,并提出了一种增强的KNN方法来精确定位智能手机的位置。我们的研究揭示了智能手机CSI的稳定性和灵敏度的重要属性,这是以前没有报道过的。实验结果表明,CRISLoc在6m × 8m的研究实验室中可以实现约0.29m的平均误差。移动一个和两个AP后,平均误差分别增加了5.4 cm和8.6 cm,这验证了CRISLoc对环境变化的鲁棒性。
2021-07-05 cs.NI eess.SP
Dynamic and Open-Set RF Fingerprinting and Localization in Crowded Indoor Environments through Contrastive Channel State Information Learning
University of South Florida(南佛罗里达大学)
本文提出ContraCSI框架,利用低成本ESP32设备通过对比学习实现射频指纹识别,采用不同编码器学习CSI和设备ID嵌入,提升设备认证性能,并通过几何熵最小化和CUSUM测试实现开放集认证,同时探索基于CSI的室内定位。
2026-05-15 eess.SP
A Survey and Future Outlook on Indoor Location Fingerprinting Privacy Preservation
Cyberspace Research Institute, Shahid Beheshti University(沙希德·贝赫什提大学网络空间研究院);Open Universiteit(荷兰开放大学)
本文综述了室内位置指纹隐私保护机制,基于密码学、匿名化、差分隐私和联邦学习,并提出新的漏洞分类和未来研究方向。
2025-10-15 cs.CR eess.SP
ST-GAN: Spatial Transformer Generative Adversarial Networks for Image Compositing
Adobe Research(奥多比研究院);Carnegie Mellon University(卡内基梅隆大学);Argo AI(阿尔戈人工智能公司)
我们解决的问题,找到现实的几何校正的前景对象,使它看起来自然合成到一个背景图像。为了实现这一目标,我们提出了一种新的生成对抗网络(GAN)架构,该架构利用空间Transformer网络(STNs)作为生成器,我们称之为空间Transformer GANs(ST-GANs)。ST-GAN通过在几何扭曲参数空间中操作来寻求图像真实感。特别是,我们利用了一个迭代的扭曲方案,并提出了一个顺序的训练策略,实现了更好的结果相比,一个单一的发电机天真的训练。ST-GAN的主要优点之一是其间接适用于高分辨率图像,因为预测的扭曲参数在参考帧之间是可转移的。我们在两个应用中展示了我们的方法:(1)可视化室内家具(例如,从产品图像)在房间中的感知方式,(2)当与真实肖像匹配时,眼镜等配件的外观会产生幻觉。
2018-03-05 cs.CV cs.LG
Indoor Localization with Robust Global Channel Charting: A Time-Distance-Based Approach
Fraunhofer Institute for Integrated Circuits IIS(弗劳恩霍夫集成电路研究所IIS);Friedrich-Alexander-Universität Erlangen-Nürnberg(弗里德里希-亚历山大-埃尔朗根-纽伦堡大学)
基于指纹的定位技术在非视距主导的室内定位中具有显著的优势。然而,它的部署和维护是成本密集型的,因为它需要地面实况参考系统进行初始训练和适应环境变化。相比之下,信道制图(CC)在没有显式参考信息的情况下工作,并且仅需要信道状态信息(CSI)的空间相关性。虽然CC在无线电环境的几何建模方面已经显示出有希望的结果,但使用多锚点大带宽测量对CC进行定位的更深入了解仍然悬而未决。我们贡献了一种新的距离度量的时间同步的单输入/单输出CSI的方法的线性相关的欧几里得距离。这允许在没有注释的情况下学习环境的全局几何。为了有效地优化全局通道图,我们近似的度量与暹罗神经网络。这使得完全CC辅助指纹识别和定位仅使用从图表到真实世界坐标的线性变换。我们将我们的方法与最先进的CC在两个不同的真实世界数据集上进行了比较,这些数据集是用5G和UWB无线电设置记录的。我们的方法优于其他方法,UWB的定位精度为0.69米,5G设置为1.4米。我们表明,CC辅助指纹识别可以实现高度准确的定位,并减少(或消除)需要注释的训练数据。
2022-10-07 cs.LG eess.SP
CSI-fingerprinting Indoor Localization via Attention-Augmented Residual Convolutional Neural Network
Imperial College London(帝国理工学院)
针对CSI指纹室内定位中CNN定位网络感受野受限、跟踪系统通用性不足的问题,提出注意力增强残差CNN与基于深度轨迹先验的去耦跟踪方案,提升了定位精度与系统通用性。
2022-10-15 cs.AI eess.SP
Comprehensive RF Dataset Collection and Release: A Deep Learning-Based Device Fingerprinting Use Case
Oregon State University(俄勒冈州立大学)
基于深度学习的RF指纹识别最近被认为是一种潜在的解决方案,可用于支持新兴的无线网络应用,例如频谱访问策略实施,自动化网络设备身份验证以及未经授权的网络访问监控和控制。现在比以往任何时候都更需要真实、全面的RF数据集,以支持对新开发的RF指纹识别方法的研究、评估和验证。在本文中,我们展示并发布了一个大规模的RF指纹数据集,该数据集使用USRP B210接收器从25个不同的LoRa物联网传输设备中收集。我们的数据集由大量符合SigMF的二进制文件组成,这些文件代表I/Q时域样本及其相应的基于FFT的LoRa传输文件。该数据集提供了一套全面的基本实验场景,考虑了室内和室外环境以及各种网络部署和配置,例如发射机和接收机之间的距离,所考虑的LoRa调制的配置,进行实验的物理位置以及用于训练和测试神经网络模型的接收机硬件。
2022-01-06 cs.LG eess.SP
Indoor positioning system using WLAN channel estimates as fingerprints for mobile devices
随着移动设备中GPS等基于位置的服务(LBS)的日益集成,室内定位系统(IPS)已成为研究的重要角色。有几种IPS方法,如AOA,TOA,TDOA,它们使用三边测量进行室内位置估计,但通常基于视线。其他方法依赖于分类,例如使用WLAN室内信号的指纹识别。本文重新审视经典的WLAN指纹识别的准确性,它使用接收信号强度(RSS)的测量,通过引入信道估计的室内位置的分类改进。本文的目的是改进现有的分类算法中使用的指纹引入信道估计时,有一个低数量的AP可用。信道脉冲响应,或者在这种情况下来自接收机的信道估计,应该表征通常具有多径的复杂室内区域,从而为每个位置提供唯一的签名,这证明对更好的模式识别有用。在本实验中,从软件定义无线电(SDR)环境中提取信道估计,从而从NI-USRP模型和LabVIEW软件中利用SDR的优势。测量是从一个已知的建筑物,和几个场景与一个和两个接入点(AP)在这个实验中使用。此外,三个粒度的位置之间的距离进行了分析。支持向量机(SVM)被用作基于从RSS和信道估计系数获取的样本的不同位置的模式识别的算法。
2019-06-30 cs.NI eess.SP
Differentially Private GANs for Generating Synthetic Indoor Location Data
Cyberspace Research Institute, Shahid Beheshti University(沙希德·贝赫什蒂大学网络空间研究所);Open Universiteit(开放大学);School of Electrical and Computer Engineering, Shahid Beheshti University(沙希德·贝赫什蒂大学电气与计算机工程学院)
针对室内定位系统的隐私问题,提出采用差分隐私生成对抗网络(DPGANs)的框架,在真实室内定位数据集上验证了其生成隐私保护的真实合成位置数据、同时维持系统准确性的有效性。
2024-04-10 cs.AI cs.CR eess.SP
Towards Fine-Grained Indoor Localization based on Massive MIMO-OFDM System: Experiment and Analysis
随着室内定位服务需求的快速增长,细粒度室内定位技术受到了广泛关注。具体地,大规模(大规模)多输入多输出(MIMO)系统由于高角度分辨率而受到越来越多的关注。提出了一种基于大规模多输入多输出正交频分复用(OFDM)系统的室内定位实验平台,该系统支持物理层信道测量。而不是利用信道状态信息(CSI)直接定位,我们专注于从多径分量(MPC),这是通过空间交替广义期望最大化(SAGE)算法从CSI中提取的角度定位。在现有的MPC之上,我们提出了一个基于不同的单度量和混合度量方案的广义指纹系统。我们评估了不同天线拓扑结构、训练集大小、天线数量和有效信噪比(SNR)的影响。实验结果表明,该指纹识别方法可以实现厘米级的定位精度与一个相对较小的训练集。具体地,分布式均匀线阵获得了最高的精度与约1.63-2.5厘米的平均绝对误差,由于高的空间分辨率。
2021-09-08 eess.SP
SANGRIA: Stacked Autoencoder Neural Networks with Gradient Boosting for Indoor Localization
Colorado State University(科罗拉多州立大学)
针对室内定位中的设备异构性问题,提出融合堆叠自编码器神经网络与梯度提升树的指纹定位框架SANGRIA,实验表明其平均定位误差较现有方法降低42.96%。
2024-03-03 cs.AI cs.LG eess.SP
Reducing the Complexity of Fingerprinting-Based Positioning using Locality-Sensitive Hashing
基于信道状态信息(CSI)指纹识别的无线发射机的定位在室内以及室外场景中得到广泛使用。指纹定位首先建立一个数据库,其中包含具有测量位置信息的CSI。然后在该数据库中搜索最相似的CSI以近似无线发射机的位置。在本文中,我们研究了局部敏感哈希(LSH)的功效,以减少传统指纹定位系统所需的最近邻搜索(NNS)的复杂性。更具体地说,我们提出了一个低复杂度和内存效率的LSH函数的基础上的总和到一(STOne)变换和使用近似哈希匹配。我们评估了视线(LoS)和非LoS通道方法的准确性和复杂性(在搜索次数和存储要求方面),我们表明LSH能够实现低复杂度的指纹定位,其准确性与依赖于精确NNS或深度神经网络的方法相当。
2019-12-02 eess.SP
Multi-Head Attention Neural Network for Smartphone Invariant Indoor Localization
Colorado State University(科罗拉多州立大学)
智能手机与RSSI指纹识别一起作为提供低成本和高精度室内定位解决方案的有效方法。然而,一些关键的挑战阻止了这项技术在公共领域的广泛扩散。一个这样的关键挑战是设备异质性,即,在不同的智能手机设备上捕获的RSSI信号特性的变化。在现实世界中,用于捕获RSSI指纹的智能手机或物联网设备通常会因室内定位服务的用户而异。传统的室内定位解决方案可能无法应对可能降低其定位精度的设备引起的变化。我们提出了一种基于多头注意神经网络的室内定位框架,该框架对设备异构性具有弹性。我们提出的框架在各种室内环境中的深入分析表明,与最先进的室内定位技术相比,准确率提高了35%。
2022-05-17 cs.AI cs.LG eess.SP
Towards Sustainable Deep Learning for Wireless Fingerprinting Localization
Jožef Stefan Institute(约瑟夫·斯特凡研究所);University of Ljubljana(卢布尔雅那大学)
基于位置的服务已经在终端用户中流行,现在不可避免地成为新的无线基础设施和新兴业务流程的一部分。越来越流行的深度学习(DL)人工智能方法在基于大量室内无线电测量数据的无线指纹定位中表现得非常好。然而,随着复杂性的增加,这些方法在训练和后续操作方面都变得计算非常密集和耗能。仅考虑移动用户,预计到2025年底将超过74亿,并假设服务于这些用户的网络平均每小时只需对每个用户执行一次定位,则用于计算的机器学习模型每年需要执行65*10^12次预测。再加上数百亿其他联网设备和应用程序严重依赖更频繁的位置更新,很明显,除非开发和使用更节能的模型,否则本地化将大大增加碳排放。这激发了我们对一种新的基于DL的室内定位架构的研究,与相关的最先进的方法相比,该架构更节能,同时仅显示出边际性能下降。详细的性能评估显示,与我们集团外部的最先进模型相比,所提出的模型只产生58%的碳足迹,同时保持98. 7%的整体性能。此外,我们详细介绍了一种方法来计算DL模型的复杂性,从而在其训练和操作过程中的CO2足迹。
2022-01-22 cs.LG cs.NI eess.SP
QuickLoc: Adaptive Deep-Learning for Fast Indoor Localization with Mobile Devices
Colorado State University(科罗拉多州立大学)
室内定位服务是在未来城市中实现智能网络物理系统的关键方面。这些服务有望重塑在各种室内和地下环境中导航和跟踪人员和资产的过程。随着智能手机拥有量的不断增加,通过深度学习实现基于便携式指纹的室内定位奠定了基础。然而,随着对精确定位的需求增加,相关联的深度学习模型的计算复杂性也增加。我们提出了一种方法,用于减少基于深度学习的室内定位框架的计算需求,同时保持定位精度目标。我们提出的方法在多个智能手机上进行了部署和验证,与最知名的基于基线深度学习的室内定位模型相比,预测延迟减少了42%,预测能量减少了45%。
2021-04-15 cs.LG cs.NI eess.SP
Measuring Uncertainty in Signal Fingerprinting with Gaussian Processes Going Deep
Riemann Laboratory(黎曼实验室);Noah’s Ark Laboratory(诺亚方舟实验室);Laboratories, Huawei(华为2012实验室);University of Cambridge(剑桥大学)
在室内定位中,信号波动高度依赖于位置。然而,信号的不确定性是要进行指纹识别的无线电信号的一个关键但通常被忽视的维度。本文回顾了常用的高斯过程(GP)的概率定位,并指出使用GP模型信号指纹的不确定性的陷阱。本文还提出了深度高斯过程(DGP)作为解决这个问题的一个更有用的替代方案。DGP如何更好地测量信号指纹的不确定性,通过模拟和现实收集的数据集进行评估。
2022-08-23 cs.AI eess.SP
A Framework for CSI-Based Indoor Localization with 1D Convolutional Neural Networks
Colorado State University(科罗拉多州立大学)
现代室内定位技术是克服室内环境中GPS覆盖弱的关键。近年来,基于信号指纹的信道状态信息(CSI)室内定位技术取得了很大进展。然而,CSI信号模式在具有复杂内部的大且高度动态的室内空间中可能是复杂的,因此迫切需要用于解决该问题的解决方案以将CSI的应用扩展到更广泛的室内空间。在本文中,我们提出了一个端到端的解决方案,包括数据收集,模式聚类,去噪,校准和一个轻量级的一维卷积神经网络(1D CNN)模型与CSI指纹来解决这个问题。我们还创建了一个CSI数据集,并计划将其开源,该数据集包含在科罗拉多州立大学复杂的室内环境中收集的大量数据。实验表明,与最著名的深度机器学习和基于CSI的室内定位工作相比,我们的方法在最少参数的情况下实现了高达68.5%的性能改进(平均距离误差)。
2022-05-17 cs.AI cs.LG eess.SP
SALC: Skeleton-Assisted Learning-Based Clustering for Time-Varying Indoor Localization
National Yang Ming Chiao Tung University(国立阳明交通大学);University of California at Berkeley(加州大学伯克利分校);California PATH, Institute of Transportation Studies(加州交通研究所加州PATH项目)
针对室内指纹定位的RSS时变问题,提出融合骨架最短路径与RSS相似性的SALC系统,通过ROMAC、CODE和CsLE动态重建数据库并改进WkNN定位。
2023-07-14 cs.AI cs.LG eess.SP
Evaluation of RF Fingerprinting-Aided RSS-Based Target Localization for Emergency Response
目标定位是应急调度的关键。最大似然估计(MLE)方法被广泛用于基于接收信号强度测量来估计目标位置。然而,MLE解算器的性能受到初始化(即,解或解搜索空间的初始猜测)。为了解决这个问题,以前的研究提出了基于半定规划(SDP)的MLE初始化。然而,基于SDP的初始化技术的性能在很大程度上受到目标和接收机之间的阴影方差和几何多样性的影响。在这项研究中,提出了一种基于射频(RF)指纹的MLE初始化。此外,目标定位结合RF指纹的最大似然问题制定。在开放空间、城市和室内三种测试环境下,与初始化为SDP的MLE算法相比,本文提出的射频指纹辅助目标定位方法的性能提高了63.31%,平均提高了39.13%.此外,与SDP-MLE方法不同,在我们的实验中,所提出的方法不受目标和接收器之间的不良几何形状的显著影响。
2022-06-19 eess.SP
Using Synthetic Data to Enhance the Accuracy of Fingerprint-Based Localization: A Deep Learning Approach
Shahid Beheshti University(沙希德·贝赫什提大学);University of East London (UEL)(东伦敦大学);Middlesex University(密德萨斯大学)
以人为中心的数据收集通常成本高昂,并涉及隐私问题。在文献中已经提出了各种解决方案来降低这种成本,例如众包数据收集或使用半监督算法。然而,半监督算法需要未标记的数据源,而众包方法需要大量的活跃参与者。另一种被动数据收集方式是基于指纹的定位。这种方法使用无线传感器网络中的接收信号强度(RSS)或信道状态信息(CSI)来定位室内/室外环境中的用户。在本文中,我们介绍了一种新的方法,以减少训练数据收集成本的指纹定位通过使用合成数据。生成对抗网络(GANs)用于学习收集的数据的有限样本的分布,并在此之后产生可用于增强真实收集的数据的合成数据,以提高整体定位精度。在基准数据集上的实验结果表明,通过应用所提出的方法,并使用10%的收集数据和90%的合成数据的组合,我们可以获得基本上类似的定位精度,这将通过使用完整的收集数据集获得。这意味着通过使用GAN生成的合成数据,我们可以使用90%的真实数据,从而降低数据收集成本,同时达到可接受的准确性。
2021-05-06 cs.LG eess.SP
Oversampling Highly Imbalanced Indoor Positioning Data using Deep Generative Models
位置指纹识别方法,其通常利用监督学习,已被广泛采用作为室内定位问题的可行解决方案。许多室内定位数据集是不平衡的。在不平衡数据集上训练的模型可能在少数类上表现出较差的性能。这个问题,也被称为“不平衡数据的诅咒”,在类分布高度不平衡时变得更加明显。受深度生成建模的最新进展的启发,本文提出使用变分自编码器和条件变分自编码器作为过采样工具来生成类平衡指纹。基于蓝牙低功耗指纹的实验结果表明,该方法在少数类精度和整体精度上都优于SMOTE和ADASYN。为了促进可重复性和促进新的研究工作,我们公开了与这项工作相关的所有代码。
2021-08-30 eess.SP
NetDiffus: Network Traffic Generation by Diffusion Models through Time-Series Imaging
University of Moratuwa(莫拉图瓦大学);University of New South Wales(新南威尔士大学);Data61-CSIRO(澳大利亚联邦科学与工业研究组织数据61所);Colorado State University(科罗拉多州立大学);The University of Sydney(悉尼大学)
针对网络数据获取受限的问题,提出端到端框架NetDiffus,将一维时序流量转二维图像后用扩散模型生成合成数据,在7类流量轨迹上验证其性能优于GAN类方法,可提升多项下游网络任务效果。
2023-09-23 cs.LG cs.NI
A Reproducible Analysis of RSSI Fingerprinting for Outdoor Localization Using Sigfox: Preprocessing and Hyperparameter Tuning
Geneva School of Business Administration, HES-SO Geneva(日内瓦工商管理学院,HES-SO日内瓦)
指纹技术是室内定位的常用方法,最近已成功应用于室外环境。特别地,诸如Sigfox的低功率广域网(LPWAN)的通信信号已经被用于定位。在这一相当新的研究领域,到目前为止,还没有多少公开可用的数据集,这将有助于不同定位系统的一致比较。在目前的研究中,使用比利时安特卫普部署的Sigfox网络上的RSSI测量数据集来分析预处理步骤的适当选择,并调整kNN指纹识别方法的超参数。首先,调整超参数k的各种距离度量,并选择有效的数据转换方案,提出了相关的作品。此外,在这项研究中,通过详细检查适当调整的数据转换方案的参数测试,并处理超出范围的值,实现了精度的提高。通过适当调整这些因素,实现的平均定位误差为298米,中位误差为109米。为了促进试验的重现性和结果的可比性,本研究中使用的代码和训练/验证/试验分割可用。
2019-08-14 cs.LG eess.SP stat.ML
Weakly Supervised Indoor Localization via Manifold Matching
推断室内环境中的移动终端的位置是一个非常重要的公开问题。一种不需要部署昂贵基础设施的领先方法是指纹识别,其中训练分类器以基于其捕获的信号预测设备的位置。这种方法的主要警告是,获得足够大和准确的训练集可能是非常昂贵的。在这里,我们提出了一种弱监督的方法,只需要少量设备的位置。通过将信号的低维频谱表示与室内环境的给定草图相匹配来完成定位。我们在模拟和真实数据上测试了我们的方法,并表明它可以产生数米的精度,这与完全监督的方法相当。我们的方法的简单性和它的准确性与最小的监督,使其非常适合在室内定位系统的实施。
2022-02-07 eess.SP
One-shot Generative Distribution Matching for Augmented RF-based UAV Identification
National Center for Supercomputing Applications(国家超级计算应用中心);University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
针对有限射频环境下无人机识别困难的问题,提出利用单样本生成方法增强变换后的RF信号,在低数据场景下优于GANs和VAEs,并提供了理论保证。
2024-07-24 cs.CR cs.LG stat.AP
Reliable Wireless Indoor Localization via Cross-Validated Prediction-Powered Calibration
School of Electrical Engineering, Korea Advanced Institute of Science and Technology(韩国科学技术院电子工程学院);King’s Communications, Learning & Information Processing (KCLIP) Lab, Centre for Intelligent Information Processing Systems (CIIPS), Department of Engineering, King’s College London(伦敦国王学院信息与通信实验室,智能信息处理系统中心,工程系);Institute for Intelligent Networked Systems, Northeastern University London(伦敦东北大学智能网络系统研究所)
本文提出一种利用有限校准数据同时优化预测器和估计合成标签偏差的方法,通过交叉验证预测驱动校准提高无线室内定位的可靠性。
2026-05-20 cs.LG eess.SP stat.ML
Multi-Modal Recurrent Fusion for Indoor Localization
Virginia Tech(弗吉尼亚理工学院暨州立大学)
本文考虑使用包括Wi-Fi、惯性测量单元(IMU)和超宽带(UWB)在内的多模无线信号进行室内定位。通过将定位问题描述为多模态序列回归问题,提出了一种多流递归融合方法,该方法在递归神经网络的背景下结合每个模态的当前隐藏状态,同时考虑直接从其自身的最近状态学习的模态不确定性。在大规模SPAWC 2021多模态定位数据集上对所提出的方法进行了评估,并与包括三边测量方法、传统指纹方法和基于卷积网络的方法在内的各种基线方法进行了比较。
2022-03-02 cs.CV cs.HC cs.NI
Descriptor: A Hybrid Indoor and Indoor-Outdoor Positioning Multi-Technology Dataset (HYMN)
Institute of Traffic Telematics, TUD Dresden University of Technology(德累斯顿工业大学交通遥测研究所)
HYMN数据集结合五种定位技术,涵盖室内外过渡场景,支持多传感器融合和无缝定位研究,克服单一技术限制。
2026-04-22 eess.SP
Improving RF-DNA Fingerprinting Performance in an Indoor Multipath Environment Using Semi-Supervised Learning
针对室内多径衰落导致物联网设备 SEI 认证性能下降的问题,提出 CGAN 和 JCAECNN 两种半监督深度学习均衡方法以校正多径并保留信号特征,使 SEI 性能较现有技术提升 10%。
2023-04-02 cs.CR eess.SP
DeepPos: Deep Supervised Autoencoder Network for CSI Based Indoor Localization
Amirkabir University of Technology(阿米尔卡比尔理工大学)
移动设备的普及促进了许多新应用程序和服务的出现。其中包括基于用户位置提供服务的基于位置的服务(LBS)。已经提出了几种技术来实现LBS,即使在全球定位系统(GPS)具有低定位精度的室内环境中。这些方法使用某些环境测量(如信道状态信息(CSI)或接收信号强度(RSS))来进行用户定位。在本文中,我们将使用CSI和一种新的深度学习算法来设计一个强大而高效的室内定位系统。更准确地说,我们使用监督自动编码器(SAE)使用在训练阶段收集的数据来对环境进行建模。然后,在测试阶段,我们使用训练好的模型,通过检查不同的可能标签来估计未知点的坐标。与以前的指纹识别方法不同,在这项工作中,我们不存储指纹的{CSI/RSS},而是只使用单个SAE对环境进行建模。该方案的性能,然后在两个室内环境中进行评估,并与类似的方法进行比较。
2018-11-27 cs.AI cs.LG 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
LEO Satellite and RIS: Two Keys to Seamless Indoor and Outdoor Localization
针对传统GNSS室内定位不足、现有室内技术成本高覆盖有限的问题,本文提出融合LEO卫星与RIS的方案,通过特性综述、位置误差界评估案例研究及系统架构讨论,挖掘其实现全球覆盖无缝室内外定位的潜力。
2025-02-13 cs.SY eess.SP eess.SY
Improving the Performance of Deep Learning for Wireless Localization
室内定位系统通常基于WiFi或蓝牙低功耗(BLE)信标的接收信号强度指示符(RSSI)测量。在这种系统中,两种最常见的技术是三边测量和指纹识别,后者提供更高的精度。在指纹技术中,深度学习(DL)算法通常用于基于在接收器处接收的多个信标的RSSI测量来预测接收器的位置。在本文中,我们解决了将深度学习应用于无线定位的两个实际问题-将解决方案从一个无线环境转移到另一个\emph{and}小尺寸的标记数据集。首先,我们将自动超参数优化应用于用于室内无线定位的深度神经网络(DNN)系统,这使得系统易于移植到新的无线环境。其次,我们展示了如何使用未标记的数据集来增强一个典型的小标记数据集。通过应用这两种技术,我们观察到DL的性能有所提高。此外,所有相关代码都是免费提供的。
2020-06-16 cs.NI eess.SP
Radio Foundation Models: Pre-training Transformers for 5G-based Indoor Localization
Fraunhofer Institute for Integrated Circuits (IIS)(弗劳恩霍夫集成电路研究所);Faculty of Engineering, Friedrich-Alexander-Universität Erlangen-Nürnberg(弗里德里希-亚历山大-埃尔兰根-纽伦堡大学工程学院)
本文提出一种自监督学习框架,在实时采集的5G信道测量上预训练通用Transformer,通过随机掩码与重建任务隐式学习传播环境时空模式,使室内定位在达到最先进精度的同时将参考数据需求降低十倍。
2024-10-01 cs.LG eess.SP
GONet: A Semi-Supervised Deep Learning Approach For Traversability Estimation
Stanford AI Lab(斯坦福人工智能实验室);Stanford University(斯坦福大学)
我们提出了半监督深度学习方法,用于鱼眼图像的可通行性估计。我们的方法GONet和提出的扩展利用生成对抗网络(GANs)来有效地预测输入图像中看到的区域对于机器人穿越是否安全。这些方法是用许多可穿越地点的正面图像训练的,但只有一小部分描绘封锁和不安全区域的负像。这使得所提出的方法具有实用性。通过简单地操作机器人穿过可穿越的空间,可以很容易地收集正面的例子,而获得负面的例子是耗时的,昂贵的,并且可能是危险的。通过大量的实验和一些演示,我们表明,所提出的遍历性估计方法是强大的,可以推广到看不见的情况。此外,我们证明了我们的方法是内存高效和快速,允许实时操作的移动机器人与单个或立体鱼眼相机。作为我们贡献的一部分,我们开源了两个新的数据集用于可遍历性估计。这些数据集由来自超过25个室内环境的大约24小时的视频组成。我们的方法在这些新数据集上的可遍历性估计方面优于基线方法。
2018-03-08 cs.CV cs.LG cs.RO