[论文解读] Discriminative Learning-based Smartphone Indoor Localization

José Luis Carrera Villacrés, Zhongliang Zhao+3 more|arXiv (Cornell University)|Apr 11, 2018

Indoor and Outdoor Localization Technologies参考文献 20被引用 9

一句话总结

本文提出了一种基于判别式学习的智能手机室内定位系统，通过在增强型粒子滤波器中融合Wi-Fi RSSI、磁场和楼层平面图数据，显著减少了现场勘测的工作量。该方法仅依赖于通过判别式学习实现的房间级地标检测，而非密集指纹匹配，从而在仅需传统指纹匹配方法89%的离线工作量下，实现了1.55米的平均定位误差。

ABSTRACT

Due to the growing area of ubiquitous mobile applications, indoor localization of smartphones has become an interesting research topic. Most of the current indoor localization systems rely on intensive site survey to achieve high accuracy. In this work, we propose an efficient smartphones indoor localization system that is able to reduce the site survey effort while still achieving high localization accuracy. Our system is built by fusing a variety of signals, such as Wi-Fi received signal strength indicator, magnetic field and floor plan information in an enhanced particle filter. To achieve high and stable performance, we first apply discriminative learning models to integrate Wi-Fi and magnetic field readings to achieve room level landmark detection. Further, we integrate landmark detection, range-based localization models, with a graph-based discretized system state representation. Because our approach requires only discriminative learning-based room level landmark detections, the time spent in the learning phase is significantly reduced compared to traditional Wi-Fi fingerprinting or landmark-based approaches. We conduct experimental studies to evaluate our system in an office-like indoor environment. Experiment results show that our system can significantly reduce the learning efforts, and the localization method can achieve performance with an average localization error of 1.55 meters.

研究动机与目标

• 减少室内定位系统中现场勘测所需的时间和工作量。
• 在仅使用智能手机传感器进行最小离线校准的情况下，实现高精度定位。
• 整合判别式学习以实现房间级地标检测，替代密集指纹匹配。
• 实现实时、设备端本地定位，无需服务器支持。
• 相比传统方法（如KNN、卡尔曼滤波和 trilateration）提升鲁棒性和稳定性。

提出的方法

• 使用增强型粒子滤波器融合Wi-Fi RSSI、磁场读数和楼层平面图数据以实现状态估计。
• 采用判别式学习模型（如SVM、KNN）从Wi-Fi和磁场信号中检测房间级地标。
• 使用基于图的离散化状态表示方法建模室内环境，以提升定位一致性。
• 应用组合的NLR-LDPL测距方法以提高距离估计精度。
• 通过避免固定勘测点，降低离线阶段的复杂度；取而代之的是以3Hz的频率机会性地收集数据。
• 利用20个参考点估计测距参数，并在粒子滤波框架内应用似然估计。

实验结果

研究问题

• RQ1 基于判别式学习的地标检测是否能减少室内定位中对密集现场勘测的需求？
• RQ2 Wi-Fi、磁场和楼层平面图数据的融合如何提升定位精度和稳定性？
• RQ3 在基于智能手机的系统中，定位精度与离线校准工作量之间的权衡关系如何？
• RQ4 与KNN、卡尔曼滤波和非线性最小二乘三边测量法相比，所提方法在实时性能和精度方面表现如何？
• RQ5 该系统能否在仅收集极少离线数据的情况下实现高精度定位，同时在设备端实时运行？

主要发现

• 所提系统在真实办公环境中的平均定位误差为1.55米。
• 第90百分位定位误差为2.8米，表明在各种条件下均具有高可靠性。
• 离线校准时间减少至约49分钟，相比基于指纹匹配的KNN方法（460分钟）减少了89%。
• 系统仅用21分钟便收集了3,712个地标实例（采样频率为3Hz），显著降低了数据采集工作量。
• 该方法在精度和稳定性方面优于传统方法，如KNN、卡尔曼滤波和非线性最小二乘三边测量法。
• 系统可在智能手机上实现实时定位，且无需外部服务器支持。