[论文解读] AF-DCGAN: Amplitude Feature Deep Convolutional GAN for Fingerprint Construction in Indoor Localization Systems

Qiyue Li, Heng Qu+5 more|arXiv (Cornell University)|Apr 15, 2018

Indoor and Outdoor Localization Technologies参考文献 45被引用 11

一句话总结

本文提出AF-DCGAN，一种生成对抗网络，通过合成CSI幅度特征图来扩展基于WiFi的室内定位系统中的指纹数据库，显著减少了人工数据采集的工作量。通过将采集到的CSI转换为类似图像的幅度图，并利用基于GAN的生成方法，该方法在无需额外人工干预的情况下，将定位精度提高了最高达47.43%。

ABSTRACT

With widely deployed WiFi network and the uniqueness feature (fingerprint) of wireless channel information, fingerprinting based WiFi positioning is currently the mainstream indoor positioning method, in which fingerprint database construction is crucial. However, for accuracy, this approach requires enough data to be sampled at many reference points, which consumes excessive efforts and time. In this paper, we collect Channel State Information (CSI) data at reference points by the method of device-free localization, then we convert collected CSI data into amplitude feature maps and extend the fingerprint database using the proposed Amplitude-Feature Deep Convolutional Generative Adversarial Network (AF-DCGAN) model. The use of AF-DCGAN accelerates convergence during the training phase, and substantially increases the diversity of the CSI amplitude feature map. The extended fingerprint database both reduces the human effort involved in fingerprint database construction and the accuracy of an indoor localization system, as demonstrated in the experiments.

研究动机与目标

• 减少在基于WiFi的室内定位系统中构建大规模指纹数据库所需的时间和人力。
• 解决由于环境多径效应导致的CSI指纹采集中高变异性与数据密度低下的挑战。
• 通过引入逼真且多样的CSI幅度特征图来扩充训练数据集，从而提升定位精度。
• 证明基于GAN的数据生成方法在指纹数据库构建中可优于传统方法（如高斯过程回归，GPR）。
• 实现在不增加人工参与数据采集的前提下，高效、可扩展地部署高精度指纹定位系统。

提出的方法

• 使用无设备定位方法在参考点采集CSI数据，重点关注子载波的幅度分量。
• 通过逐像素转换将原始CSI幅度数据转换为2D图像状的特征图，以供深度学习模型输入。
• 训练一种幅度特征深度卷积生成对抗网络（AF-DCGAN），以生成模仿真实CSI模式的合成幅度特征图。
• 使用生成器为每个参考点生成50%、100%、150%和200%的额外样本，以扩充初始指纹数据库。
• 将生成的数据整合进指纹数据库，并用于在线阶段定位模型的训练。
• 通过均值定位误差和不同数据库扩展水平下的范围概率等指标评估性能。

实验结果

研究问题

• RQ1 基于GAN的数据生成是否能有效扩展基于WiFi的室内定位中的指纹数据库，同时减少人工数据采集？
• RQ2 与仅使用真实数据的数据库相比，AF-DCGAN生成的合成幅度特征图对定位精度有何影响？
• RQ3 在不过度拟合的前提下，何种数据增强水平（如100%、150%、200%）能最大化定位精度？
• RQ4 在指纹数据库构建中，AF-DCGAN与传统方法（如高斯过程回归，GPR）相比表现如何？
• RQ5 生成的数据在多大程度上保留了真实CSI幅度图的空间与信号特征？

主要发现

• AF-DCGAN生成的数据使平均定位误差从初始数据库（50%增强）的1.21m降低至150%增强的0.92m，改善了24.0%。
• 通过GOAFM实现150%的数据增强后，平均误差降至0.03m，1m范围内的概率达到59%，相比初始数据库的47%显著提升。
• 与基于GPR的数据库构建方法相比，该方法将定位精度提高了47.43%，证明其具备更优的泛化能力和鲁棒性。
• 200%的GOAFM增强实现了0.03m的平均误差和59%的1m范围概率，与150% GOAFM的性能一致。
• AF-DCGAN加速了训练收敛过程，并增加了特征图的多样性，从而在不增加人工数据采集的前提下提升了模型泛化能力。
• 该方法在精度和范围概率方面均优于FIFS和DeepFI，证实其在真实室内环境中的有效性。