[论文解读] A CNN-LSTM Quantifier for Single Access Point CSI Indoor Localization

Minh Tu Hoang, Brosnan Yuen+6 more|arXiv (Cornell University)|May 13, 2020

Indoor and Outdoor Localization Technologies参考文献 30被引用 13

一句话总结

本文提出一种基于单接入点WiFi指纹定位的CNN-LSTM量化模型，通过联合提取CSI的空间与时间特征以提升定位精度。仅使用一个WiFi路由器，该方法实现了2.5米的平均定位误差，80%的误差低于4米，在相同环境下相比现有方法性能提升约50%。

ABSTRACT

This paper proposes a combined network structure between convolutional neural network (CNN) and long-short term memory (LSTM) quantifier for WiFi fingerprinting indoor localization. In contrast to conventional methods that utilize only spatial data with classification models, our CNN-LSTM network extracts both space and time features of the received channel state information (CSI) from a single router. Furthermore, the proposed network builds a quantification model rather than a limited classification model as in most of the literature work, which enables the estimation of testing points that are not identical to the reference points. We analyze the instability of CSI and demonstrate a mitigation solution using a comprehensive filter and normalization scheme. The localization accuracy is investigated through extensive on-site experiments with several mobile devices including mobile phone (Nexus 5) and laptop (Intel 5300 NIC) on hundreds of testing locations. Using only a single WiFi router, our structure achieves an average localization error of 2.5~m with $\mathrm{80\%}$ of the errors under 4~m, which outperforms the other reported algorithms by approximately $\mathrm{50\%}$ under the same test environment.

研究动机与目标

• 为解决RSSI定位方法存在的不稳定性与分辨率不足问题，尤其是在仅存在单个接入点的环境中。
• 克服现有CSI方法依赖分类模型、无法估计参考数据库中不存在位置的局限性。
• 开发一种量化模型，实现对与参考点不完全相同的测试点的精确定位，提升泛化能力。
• 通过利用单个路由器CSI的空间特征（子载波幅度/相位）与时间特征（时序动态），提升定位精度。
• 在不同环境条件及具有不同天线配置的多种移动设备上，验证所提模型的鲁棒性。

提出的方法

• 设计一种混合CNN-LSTM架构，利用卷积层提取CSI子载波的空间特征，利用长短期记忆（LSTM）网络捕捉时间依赖性。
• 采用全面的滤波与归一化方案对CSI数据进行预处理，以减轻多径衰落与相位噪声带来的不稳定性。
• 将定位任务视为量化任务而非分类任务，从而实现对参考数据库中未明确存在的位置的估计。
• 从CSI幅度与相位数据中提取空间特征，将其组织为类似图像的时间-频率矩阵以输入CNN。
• 通过将随时间变化的CSI快照序列输入LSTM层，实现时间建模，捕捉用户运动模式。
• 最终输出为通过融合空间与时间表征生成的连续位置估计，实现在无需完全匹配参考点的情况下实现精确定位。

实验结果

研究问题

• RQ1 能否通过一种联合学习CSI空间与时间特征的深度学习模型，在单接入点场景下提升定位精度？
• RQ2 所提出的量化模型在泛化能力方面与传统基于分类的CSI指纹定位方法相比如何，特别是在未见测试位置上的表现？
• RQ3 设备级硬件特性（如天线数量）对使用所提CNN-LSTM模型的CSI定位性能有何影响？
• RQ4 在仅使用一个接入点的情况下，CSI定位在多大程度上可实现低于4米的精度？与最先进方法相比表现如何？
• RQ5 所提模型在不同环境条件（如网络流量变化、一天中不同时段）下的稳定性如何？

主要发现

• 所提出的CNN-LSTM模型仅使用一个WiFi路由器，即可实现2.5 ± 1.6米的平均定位误差，显著优于现有方法。
• 80%的定位误差低于4米，远低于BiLoc的6米阈值以及ConFi和FILA的8米阈值。
• 模型将最大定位误差降低至8米，而BiLoc和ConFi的误差超过15米，表明其具有更强的鲁棒性。
• Intel 5300网卡（2.5 ± 1.6米）性能优于Nexus 5智能手机（3.0 ± 2.0米），主要得益于其三根天线配置提供的更丰富的CSI数据。
• 在相同测试环境中，与BiLoc（3.9 ± 2.8米）相比，CNN-LSTM模型精度提升约50%；与ConFi（5.9 ± 3.5米）和FILA（5.5 ± 2.9米）相比，性能提升超过2.5倍。
• 该模型的量化方法可实现对参考数据库中不存在位置的精确估计，展现出优于基于分类方法的泛化能力。