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
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
Modern WLAN Fingerprinting Indoor Positioning Methods and Deployment Challenges
The University of Texas at San Antonio(得克萨斯大学圣安东尼奥分校)
无线局域网(WLAN)作为唯一存在和建立的基础设施,已成为室内定位的一个有前途的选择,以定位室内的移动和固定用户。然而,由于WLAN最初被设计用于无线联网而不是定位,因此基于WLAN信号的定位任务具有若干挑战。在无线局域网定位方法中,无线局域网指纹定位由于其有前途的结果,最近获得了极大的关注。WLAN指纹识别面临着一些挑战,因此,在本文中,我们的目标是概述这些挑战和最先进的解决方案。本文包括三个主要部分:1)传统的定位方案; 2)最先进的方法; 3)实际部署的挑战。由于WLAN文献中提出的所有方法都是在不同的环境中进行和测试的,因此报告的结果并不具有同等的可比性。因此,我们在一个单一的真实环境中比较了一些主要的定位方案,并评估其定位精度,定位误差统计和复杂性。我们的研究结果描绘说明性的WLAN定位系统的评价和指导未来的改进机会。
2016-10-18 cs.LG cs.NI
Mean Teacher based SSL Framework for Indoor Localization Using Wi-Fi RSSI Fingerprinting
SIIT, Beijing(北京信息科技大学);Beijing College of Science and Technology(北京科学技术学院);XJTLU(新疆大学);University of Liverpool(利物浦大学)
针对Wi-Fi指纹室内定位中标记数据采集耗时、监督学习泛化差及动态环境性能下降问题,提出基于Mean Teacher的半监督深度学习框架,结合接入点选择、预训练和噪声注入,在静态和动态场景下显著降低定位误差。
2026-06-08 cs.LG
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
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
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
Xi’an Jiaotong-Liverpool University(西交利物浦大学)
在本文中,我们提出了混合建筑物/楼层分类和楼层级二维位置坐标回归使用单输入多输出(SIMO)深度神经网络(DNN)的大规模室内定位的基础上的Wi-Fi指纹。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,具有由SIMO DNN架构启用的专用输出和隐藏层。我们使用芬兰坦佩雷理工大学(TUT)提供的新Wi-Fi众包指纹数据集对混合楼层分类和楼层级二维位置坐标回归的性能进行了初步评估,覆盖了一栋五层楼的建筑。实验结果表明,所提出的基于SIMO-DNN的混合分类/回归方案优于现有的计划在地板检测率和平均定位误差。
2018-10-13 cs.LG stat.ML
Hierarchical Stage-Wise Training of Linked Deep Neural Networks for Multi-Building and Multi-Floor Indoor Localization Based on Wi-Fi RSSI Fingerprinting
School of Advanced Technology, Xi’an Jiaotong-Liverpool University(西安交通大学利物浦大学先进技术学院);Department of Electrical Engineering and Electronics, University of Liverpool(利物浦大学电子工程与电子系);Postgraduate Research Scholarships, Key Program Special Fund, Research Enhancement Fund of Xi’an Jiaotong-Liverpool University(西安交通大学利物浦大学研究生研究奖学金、重点专项基金、研究增强基金)
本文提出一种基于链接神经网络的多建筑多楼层室内定位方法,通过分层阶段式训练框架提升定位精度,实验表明该方法在UJIIndoorLoc数据库上达到8.19米的三维定位误差,优于现有神经网络模型。
2024-07-18 cs.LG
Static vs. Dynamic Databases for Indoor Localization based on Wi-Fi Fingerprinting: A Discussion from a Data Perspective
School of Advanced Technology, Xi’an Jiaotong-Liverpool University(西交利物浦大学先进技术学院);University of Liverpool(利物浦大学)
本文从数据视角讨论Wi-Fi指纹室内定位中静态与动态数据库的差异,并通过西交利物浦大学44天动态数据库案例揭示RSSI时间漂移导致定位误差增大,强调采用动态数据库的重要性。
2024-02-20 cs.LG cs.NI
SURIMI: Supervised Radio Map Augmentation with Deep Learning and a Generative Adversarial Network for Fingerprint-based Indoor Positioning
Universitat Jaume I(海梅一世大学);Tampere University(坦佩雷大学);Universidade do Minho(米尼奥大学)
基于机器学习的室内定位在学术界和工业界都引起了越来越多的关注,因为可以从参考数据中提取有意义的信息。许多研究人员正在使用有监督、半监督和无监督的机器学习模型来减少定位误差,并为最终用户提供可靠的解决方案。在这篇文章中,我们提出了一种结合卷积神经网络(CNN),长短期记忆(LSTM)和生成对抗网络(GAN)的新架构,以增加训练数据,从而提高定位精度。在17个公共数据集中测试了监督和无监督模型的组合,对其性能进行了广泛的分析。结果,其中70%以上的定位误差得到了减小。
2022-07-13 cs.LG eess.SP
A Scalable Deep Neural Network Architecture for Multi-Building and Multi-Floor Indoor Localization Based on Wi-Fi Fingerprinting
XJTLU(西交利物浦大学)
未来覆盖多层建筑群的大规模位置感知服务的关键技术之一--例如,大型购物中心和大学校园-是一种可扩展的室内定位技术。在本文中,我们报告了我们的调查使用深度神经网络(DNN)的可扩展的建筑物/楼层分类和楼层水平的位置估计的基础上的Wi-Fi指纹的现状。利用建筑物/楼层估计和位置的楼层坐标估计的分层性质,我们提出了一种新的DNN架构,该架构由用于减少特征空间维度的堆叠式自编码器和用于建筑物/楼层/位置的多标签分类的前馈分类器组成,并在其上构建了基于Wi-Fi指纹的多建筑物和多楼层室内定位系统。针对给定位置的建筑物/楼层估计和楼层坐标估计的性能的实验结果证明了所提出的基于DNN的室内定位系统的可行性,其可以使用单个DNN提供接近最先进的性能,用于在移动设备处以较低的复杂度和能耗实现。
2017-12-06 cs.LG cs.NE cs.NI
Attentional Graph Meta-Learning for Indoor Localization Using Extremely Sparse Fingerprints
School of Science & Engineering, The Chinese University of Hong Kong, Shenzhen(香港中文大学(深圳)理工学院);Huawei Technologies Co., LTD.(华为技术有限公司);School of Data Science, The Chinese University of Hong Kong, Shenzhen(香港中文大学(深圳)数据科学学院)
本文提出注意力图元学习(AGML)模型,结合注意力图神经网络与元学习框架,并利用移动平台无标签指纹增强和环境数字孪生合成指纹增强,在极稀疏指纹条件下显著提升室内定位精度。
2025-04-07 cs.LG eess.SP stat.ML
Joint Indoor Localization and Radio Map Construction with Limited Deployment Load
University of Toronto(多伦多大学);Siradel
基于接收信号强度(RSS)的室内定位系统的实际实现中的一个主要瓶颈是通过指纹识别构建无线电地图所需的大量部署工作。在本文中,我们的目标是设计一个室内定位方案,可以直接使用,而无需建立一个完整的指纹无线电地图的室内环境。该方案通过积累局部化的RSS信息,可以在有限校准的情况下同时构建无线电地图。为了设计这个方案,我们采用了一个源数据集,具有相同的空间相关性的RSS在室内环境下的研究。然后,将该数据集的知识转移到有限数量的校准指纹和具有未知位置的一个或多个RSS观测,以便使用流形对准来执行这些观测的直接定位。我们测试两个不同的源数据集,即模拟无线电传播地图和环境计划坐标。对于移动用户,我们利用他们的观察,以提高定位精度的相关性。在两个室内环境中的在线测试表明,计划坐标实现了更好的结果比模拟无线电地图,和一个可以忽略不计的退化与校准负载减少70-85%。
2013-10-12 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
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
Towards Explainable Indoor Localization: Interpreting Neural Network Learning on Wi-Fi Fingerprints Using Logic Gates
Colorado State University(科罗拉多州立大学)
针对深度学习室内定位黑盒问题,提出基于逻辑门的 LogNet 框架,通过识别关键接入点解释模型决策,提升可解释性并降低定位误差、模型大小和延迟。
2025-06-18 cs.AI cs.LG
Hierarchical Multi-Building And Multi-Floor Indoor Localization Based On Recurrent Neural Networks
Xi'an Jiaotong-Liverpool University(西交利物浦大学)
在现代城市中,从户外生活方式转向室内生活方式的趋势越来越明显。大型购物中心、室内体育场馆、工厂和仓库的出现正在加速这一趋势。在这样的环境中,室内定位成为必要的服务之一,并且要部署的室内定位系统应该是可扩展的,足以覆盖那些室内设施的预期扩展。室内定位的最经济和实用的方法之一是Wi-Fi指纹识别,其利用使用移动设备(例如,智能手机),而无需对现有基础设施进行任何修改。传统的Wi-Fi指纹识别方案依赖于复杂的数据预/后处理和耗时的手动参数调整。在本文中,我们提出了分层的多建筑物和多楼层的室内定位的基础上,使用Wi-Fi指纹的递归神经网络(RNN),消除了复杂的数据预/后处理的需要和较少的参数调整。所提出的方案中的RNN以从一般到特定的顺序方式估计位置(例如,建筑物->楼层->位置),以便利用多建筑物和多楼层环境中的定位的分层性质。UJIIndoorLoc数据集的实验结果表明,该方案估计建筑物和地板的准确度分别为100%和95.24%,并提供8.62米的三维定位误差,这优于现有的基于深度神经网络的方案。
2021-12-23 cs.LG cs.NI
LocaGen: Low-Overhead Indoor Localization Through Spatial Augmentation
Alexandria University(亚历山大大学);The American University in Cairo(开罗美国大学)
LocaGen通过空间增强框架生成高质量合成数据,显著降低室内定位的开销,同时保持定位准确性并优于现有方法。
2025-11-22 cs.LG cs.NI
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
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
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
Structured Group Sparsity: A Novel Indoor WLAN Localization, Outlier Detection, and Radio Map Interpolation Scheme
The University of Texas at San Antonio(得克萨斯大学圣安东尼奥分校)
本文介绍了室内定位,离群点检测,无线地图插值使用无线局域网(WLAN)的新方案。定位方法由一种新的多分量优化技术,最大限度地减少无线电地图和在线接收信号强度(RSS)测量,用户的位置矢量的$\ell_{1}$-范数之间的残差的平方$\ell_{2}$-范数,和加权$\ell_{2}$ -范数分层组的参考点(RP)。RP分组使用一个新的标准的基础上,所谓的接入点(AP)覆盖向量之间的相似性。此外,由于AP读数容易包含不协调的读数,称为离群值,提出了一个增强的优化问题,以检测离群值和本地化的用户与清洁的在线测量。此外,一种新的计划,以记录指纹从一个较小的RP和估计的无线电地图RP没有记录的指纹使用稀疏恢复技术。所有的本地化方案进行了测试,从一个真实的环境中收集的RSS指纹。整个方案具有与竞争方法相当的复杂性,同时在少量AP和更细粒度的RP下具有高精度。
2016-10-18 cs.LG cs.NI
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
Tensor-Generative Adversarial Network with Two-dimensional Sparse Coding: Application to Real-time Indoor Localization
University of Electronic Science and Technology of China(电子科技大学);Columbia University(哥伦比亚大学);Shanghai Jiao Tong University(上海交通大学)
定位技术是室内定位服务发展的重要环节。全球定位系统(GPS)在室内环境中由于非视距问题而失效,因此迫切需要一种实时的【形】高精度智能手机定位方法。然而,由于诸如实时的【形】响应要求、有限的指纹样本和移动终端存储等问题,精确定位是具有挑战性的。为了解决这些问题,我们提出了一种新的深度学习架构:张量-生成对抗网络(TGAN)。我们首先引入一个基于变换的3D张量来建模指纹样本。我们的模型采用人工神经网络和深度学习来训练网络分类器,然后给出估计,而不是那些构建指纹数据库作为先验知识的被动方法。然后,我们提出了一种新的基于张量的超分辨率方案,使用生成对抗网络(GAN),采用稀疏编码作为生成器网络和残差学习网络作为训练器。此外,我们分析了张量GAN的性能,并实现了基于跟踪的定位实验,取得了更好的性能。与现有的智能手机室内定位方法相比,TGAN在定位精度、响应时间和实现复杂度等方面都有较大的提高。
2017-11-07 cs.LG cs.NI 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
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
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
Flexible K Nearest Neighbors Classifier: Derivation and Application for Ion-mobility Spectrometry-based Indoor Localization
Faculty of Information Technology and Communication Sciences, Tampere University(坦佩雷大学信息技术与传播学院)
本文提出一种灵活KNN变体,确保最近邻接近样本并自动确定K值,在理论场景和离子迁移谱室内定位中比标准KNN准确率更高,计算需求相同。
2024-03-13 cs.LG eess.SP
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
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
DIY-IPS: Towards an Off-the-Shelf Accurate Indoor Positioning System
The University of Sydney(悉尼大学)
我们提出DIY-IPS-自己动手-室内定位系统,一个开源的实时室内定位移动应用程序。DIY-IPS通过使用可用WiFi接入点的双频RSSI指纹来检测用户的室内位置。该应用程序可以用于实时的检测用户的室内位置,而无需额外的基础设施成本。我们将我们的应用程序作为开源发布,以节省其他研究人员重新创建它的时间。该应用程序使研究人员/用户能够(1)收集带有地面实况标签的室内定位数据集,(2)定制应用程序以实现更高的准确性或其他研究目的(3)通过地面实况实时测试来测试修改方法的准确性。我们进行了初步实验,以证明该应用程序的有效性。
2022-09-08 cs.LG cs.NI
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
Siamese Neural Encoders for Long-Term Indoor Localization with Mobile Devices
Colorado State University(科罗拉多州立大学)
基于指纹的室内定位是用于增强室内场所内的人和资产的定位和跟踪的新兴应用领域。无处不在的WiFi信号与具有计算能力的智能手机的出色配对将彻底改变室内定位领域。然而,从独立维护的WiFi接入点观察到的信号特性随时间变化很大。此外,在初始部署阶段可见的一些WiFi接入点可能会随着时间的推移而被替换或移除。这些因素通常在室内定位框架中被忽略,并导致部署后(数周和数月)的定位精度逐渐和灾难性的下降。为了克服这些挑战,我们提出了一个基于Siamese神经编码器的框架,与该领域的最先进技术相比,随着时间的推移,定位精度的下降降低了40%,而不需要任何再培训。
2021-11-28 cs.AI cs.LG
EKF-Based Fusion of Wi-Fi/LiDAR/IMU for Indoor Localization and Navigation
School of Advanced Technology, Xi'an Jiaotong-Liverpool University(西安交通大学利物浦大学先进技术学院);Department of Electrical Engineering and Electronics, University of Liverpool(利物浦大学电子工程系);Zhejiang University of Technology(浙江工业大学);School of Artificial Intelligence, Suzhou Vocational Institute of Industrial Technology(苏州工业职业技术学院人工智能学院)
提出一种基于EKF融合Wi-Fi RSSI指纹、LiDAR SLAM与IMU的室内定位导航框架,实验证明其可抑制噪声与漂移,显著提升多路径场景下的定位精度与稳定性。
2025-09-27 cs.LG cs.NI cs.RO
A Joint Indoor WLAN Localization and Outlier Detection Scheme Using LASSO and Elastic-Net Optimization Techniques
University of Texas at San Antonio(得克萨斯大学圣安东尼奥分校);University of Tennessee at Chattanooga(田纳西大学查塔努加分校)
在本文中,我们介绍了两种室内无线局域网(WLAN)定位方法,使用增强稀疏恢复算法。这些方案呈现稀疏用户的位置向量,并且并行地,最小化在线测量和无线电地图之间的距离。这两种方法的总体定位方案包括三个步骤:1)粗定位,通过比较在线测量与聚类无线电地图获得。提出了一种基于图的离线指纹聚类方法。在在线阶段,选择感兴趣区域(ROI),在其中搜索用户的位置; 2)接入点(AP)选择; 3)通过新的稀疏恢复算法进行精细定位。由于在线测量受到过度的测量读数,称为离群值,稀疏恢复方法进行修改,以联合估计离群值和用户的位置向量。异常值检测过程识别其读数不可用或错误的AP。所提出的定位方法已经过测试,在一个典型的办公室环境中的接收信号强度(RSS)的测量结果表明,他们可以定位用户具有显着的高精度和分辨率,这是优于竞争的WLAN指纹定位方法的结果。
2016-10-18 cs.LG cs.NI
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
Conformal Prediction for Indoor Positioning with Correctness Coverage Guarantees
College of Electronic and Information Engineering, Southwest University(西南大学电子与信息工程学院);School of Automation, Chongqing University of Posts and Telecommunications(重庆邮电大学自动化学院)
本文提出将共形预测应用于深度学习室内定位,通过预测集和共形风险控制提供正确性覆盖与错误率统计保证,并在UJIIndoLoc数据集上验证了其有效性和不同模型的差异。
2025-05-03 cs.LG
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
Semi-Sequential Probabilistic Model For Indoor Localization Enhancement
Georgia Institute of Technology(佐治亚理工学院);Twentieth Century Fox(二十世纪福克斯公司);Starfleet Academy(星际舰队学院)
本文提出了一种半序贯概率模型(SSP),它应用了一个额外的短期记忆,以提高性能的概率室内定位。传统的概率方法通常不加区别地对待数据库中的位置。相比之下,SSP利用先前位置的信息来确定可能的位置,因为用户在室内环境中的速度是有界的,并且靠近先前位置的位置比其他位置具有更高的概率。虽然SSP利用先前的位置信息,但它不需要用户的精确移动速度和方向。利用接收信号强度指示符(RSSI)和信道状态信息(CSI)指纹进行定位的现场实验表明,SSP降低了最大误差,并将现有概率方法的性能提高了25% -30%。
2020-01-08 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
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
Supervised and Semi-supervised Deep Probabilistic Models for Indoor Positioning Problems
Université Bourgogne Franche-Comté(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);LORIA(洛林计算机科学与应用实验室);CNRS(法国国家科学研究中心)
利用WiFi指纹预测智能手机用户的位置是近年来的一个热门研究课题。在这项工作中,我们提出了两个新的基于深度学习的模型,卷积混合密度递归神经网络和基于VAE的半监督学习模型。结合卷积神经网络、递归神经网络和混合密度网络的优点,设计了一种用于路径预测的卷积混合密度递归神经网络。此外,由于大多数真实世界的数据集没有标记,我们设计了基于VAE的半监督学习任务的模型。为了验证所提出的模型,我们在真实世界的数据集上进行了验证实验。最后的结果验证了我们的方法的有效性,并显示出优于其他现有的方法。
2021-03-16 cs.LG stat.ML
Analysis and Visualization of Deep Neural Networks in Device-Free Wi-Fi 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);Institute of Electronics, National Chiao Tung University(国立交通大学电子研究所)
无设备Wi-Fi室内定位作为许多物联网(IoT)应用的关键使能技术受到了极大的关注。基于机器学习的位置估计器(例如,深度神经网络(DNN))在通过从噪声无线信号测量自动学习辨别特征来实现高精度定位性能方面具有经证实的潜力。然而,DNN的内部工作是不透明的,并且没有被充分理解,特别是在室内定位应用中。在本文中,我们为DNN学习过程以及DNN在此过程中学习的关键特征提供了定量和可视化的解释。为此,我们建议使用几种可视化技术,包括:1)降维可视化,将高维特征空间投影到2D空间,以便于可视化和解释,以及2)可视化分析和信息可视化,量化每个特征的相对贡献与建议的特征操作程序。这些结果提供了DNN在使用信道状态信息(CSI)指纹的无设备Wi-Fi室内定位中的有见地的观点和合理的解释。
2019-05-22 cs.LG cs.NI
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
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
Feature-wise change detection and robust indoor positioning using RANSAC-like approach
基于指纹的定位是一种有前途的室内定位解决方案,由于传感器丰富的移动设备的普及,机会主义可测量的位置相关信号的繁荣以及数据驱动算法的进步,基于指纹的定位已经被广泛探索。一个关键的挑战是控制和提高参考指纹地图(RFM)的质量,这是建立在离线阶段,并应用于在线定位。RFM质量控制的关键概念是根据新的测量数据更新RFM。虽然已经提出了各种方法来调整RFM,但它们通过引入额外的定位方案(例如PDR或UGV)来解决问题,并且直接调整RFM而不区分是否发生了关键变化。本文的目的是提出一种额外的定位免费的解决方案,充分利用冗余的可测量的功能。受随机抽样一致性(RANSAC)的启发,从在线测量中随机抽取特征子集,生成多重采样,用于估计中间位置。在重新定位的方式,它可以减轻改变的特征对定位的影响,并能够检索准确的位置估计。通过使用修改的Jaccardindex(MJI)从这些中间位置中识别候选位置来鲁棒地计算用户位置,并且根据RFM的世界模型和估计的特征变化来计算特征变化信念。为了验证我们提出的方法,两个层次的实验分析已经进行。在模拟数据集上,平均变化检测准确率约为90%。同时,与使用所有测量特征进行位置估计相比,通过丢弃在执行定位时检测为改变的特征,定位精度在2m内的提高约为20%。在长期收集的数据集上,平均变化检测准确率约为85%。
2019-12-18 cs.LG eess.SP stat.ML
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
(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
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
Indoor Localization using Compact, Telemetry-Agnostic, Transfer-Learning Enabled Decoder-Only Transformer
本文提出Locaris,一种仅解码器Transformer的紧凑LLM,将Wi-Fi AP测量视为标记,无需校准即可直接映射原始遥测到位置,在异构部署中实现亚米级精度,并支持少样本适应新设备。
2025-10-13 cs.AI cs.LG
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
DataLoc+: A Data Augmentation Technique for Machine Learning in Room-Level Indoor Localization
Alexandria University(亚历山大大学);James Madison University(詹姆斯·麦迪逊大学);Virginia Tech(弗吉尼亚理工大学);Nara Institute of Science and Technology(奈良先端科学技术大学院大学)
室内定位是近二十年来的研究热点。自问世以来,它一直在稳步利用新兴技术来提高准确性,而机器学习一直是其核心。机器学习已经越来越多地用于基于指纹的室内定位,以替代或仿真用于在给定位置签名的情况下预测位置的无线电地图。机器学习模型的预测质量主要取决于模型训练的好坏,而训练的好坏又取决于用于训练模型的数据的数量和质量。数据增强通过综合产生更多的训练数据来提高训练模型的质量,文献中使用了几种方法,从不同角度解决训练数据不足的问题。在本文中,我们提出了DataLoc+,一个数据增强技术的房间级室内定位,结合不同的方法在一个简单的算法。我们评估的技术,通过比较它的典型的直接快照的方法,在医院进行的现场实验收集的数据。我们的评估表明,使用所提出的技术训练的模型实现了更高的准确性。我们还表明,该技术适用于更大的问题,使用有限的数据集,同时保持高精度。
2021-01-21 cs.CV cs.LG cs.NI
SENTINEL: Securing Indoor Localization against Adversarial Attacks with Capsule Neural Networks
Colorado State University(科罗拉多州立大学)
针对室内定位受对抗攻击、设备异构和RSS波动影响的问题,提出基于改进胶囊神经网络的SENTINEL框架及RSSRogueLoc数据集,显著降低定位误差。
2024-07-14 cs.CR cs.DC cs.LG
Decentralized Indoor Localization Based on A Sparse Gaussian Process with Reduced-Dimensional Inputs for Real-Time Sensing and Training on IoT Devices
Institute of Cyberspace Security, College of Information Engineering, Zhejiang University of Technology(浙江工业大学信息工程学院网络空间安全研究所);Binjiang Institute of Artificial Intelligence, Zhejiang University of Technology(浙江工业大学滨江人工智能研究院);School of Artificial Intelligence, Suzhou Institute of Industrial Technology(苏州工业职业技术学院人工智能学院);School of Advanced Technology, Xi’an Jiaotong-Liverpool University(西交利物浦大学先进技术学院);University of Liverpool(利物浦大学);D5 Data Co., Ltd.(D5数据有限公司)
针对传统集中式室内定位的缺陷,提出基于SGP-RI模型的去中心化框架,在IoT设备上实现时变环境下的室内定位,且SGP-RI用更少样本达到与标准GP相当的性能。
2026-08-10 cs.LG cs.NI eess.SP