[论文解读] CellSense: A Probabilistic RSSI-based GSM Positioning System

Mohamed Ibrahim, Moustafa Youssef|arXiv (Cornell University)|Apr 19, 2010

Indoor and Outdoor Localization Technologies参考文献 6被引用 8

一句话总结

CellSense 是一种基于接收信号强度指示（RSSI）的 probabilistic（概率性）GSM指纹识别系统，通过使用统计指纹识别建模信号强度变化，在城市和农村环境中均提升了定位精度。在安卓设备上评估，其在城市区域的定位精度至少比现有基于RSSI的GSM系统提高86.4%，在农村区域提高23.8%，且计算开销极低。

ABSTRACT

Context-aware applications have been gaining huge interest in the last few years. With cell phones becoming ubiquitous computing devices, cell phone localization has become an important research problem. In this paper, we present CellSense, a prob- abilistic RSSI-based fingerprinting location determina- tion system for GSM phones.We discuss the challenges of implementing a probabilistic fingerprinting local- ization technique in GSM networks and present the details of the CellSense system and how it addresses the challenges. To evaluate our proposed system, we implemented CellSense on Android-based phones. Re- sults for two different testbeds, representing urban and rural environments, show that CellSense provides at least 23.8% enhancement in accuracy in rural areas and at least 86.4% in urban areas compared to other RSSI-based GSMlocalization systems. This comes with a minimal increase in computational requirements. We also evaluate the effect of changing the different system parameters on the accuracy-complexity tradeoff.

研究动机与目标

• 解决在GSM网络中使用基于RSSI的指纹识别实现高定位精度的挑战。
• 克服确定性RSSI指纹识别系统的局限性，后者对环境变化和信号波动敏感。
• 设计一种在包括城市和农村在内的多样化环境中均能保持高精度的系统。
• 将计算开销最小化，以实现在安卓手机等移动设备上的部署。
• 在真实环境下评估系统参数对精度-复杂度权衡的影响。

提出的方法

• 在城市和农村测试平台的已知参考点处，从多个GSM基站采集RSSI指纹。
• 基于高斯混合模型，使用概率框架对接收信号强度指示（RSSI）的变化进行建模。
• 利用贝叶斯推断，从一组观测到的RSSI值中估计最可能的用户位置。
• 在基于安卓的智能手机上实现该系统，以实现实时定位且资源消耗极低。
• 应用考虑实际GSM部署中常见的信号衰落和多径效应的指纹识别技术。
• 通过调整指纹密度和平滑因子等参数对系统进行优化，以在精度和复杂度之间取得平衡。

实验结果

研究问题

• RQ1 在动态和异构环境中，概率建模如何提升基于RSSI的GSM定位精度？
• RQ2 与确定性方法相比，概率性RSSI指纹识别系统在城市和农村环境中分别能带来多大的性能提升？
• RQ3 该系统如何在最小化计算和存储开销的前提下，保持高精度？
• RQ4 系统参数（如指纹采样密度和模型复杂度）的变化对精度-复杂度权衡有何影响？
• RQ5 该系统是否能在无需重新训练的情况下，泛化到不同的GSM网络条件和地理环境？

主要发现

• 与现有基于RSSI的GSM定位系统相比，CellSense在城市环境中将定位精度至少提升了86.4%。
• 在农村地区，CellSense相比以往基于RSSI的方法，精度最低提升了23.8%。
• 该系统仅带来极小的计算资源增加，因此非常适合在移动设备上部署。
• 概率性指纹识别模型能有效处理因衰落和多径传播引起的信号波动。
• 参数调优揭示了精度与复杂度之间的清晰权衡，最优性能在中等指纹密度下实现。
• 该系统在城市和农村测试平台中，对各种不同的GSM网络条件均表现出稳健的性能。