[论文解读] Autonomous WiFi Fingerprinting for Indoor Localization

Shilong Dai, Liang He+1 more|arXiv (Cornell University)|Nov 26, 2019

Indoor and Outdoor Localization Technologies参考文献 25被引用 4

一句话总结

AuF 是一种自主的WiFi指纹定位系统，可在无需机器人驻留的情况下构建室内指纹数据库，利用2.4/5GHz信号相关性和空间建模技术恢复丢失和异常信号。与传统方法相比，其调查时间减少61–71%，能耗降低64–64%，同时保持基线定位精度。

ABSTRACT

WiFi-based indoor localization has received extensive attentions from both academia and industry. However, the overhead of constructing and maintaining the WiFi fingerprint map remains a bottleneck for the wide-deployment of WiFi-based indoor localization systems. Recently, robots are adopted as the professional surveyor to fingerprint the environment autonomously. But the time and energy cost still limit the coverage of the robot surveyor, thus reduce its scalability. To fill this need, we design an AutonomousWiFi Fingerprinting system, called AuF, which autonomously constructs the fingerprint database with time and energy efficiency. AuF first conduct an automatic initialization process in the target indoor environment, then constructs the WiFi fingerprint database of in two steps: (i) surveying the site without sojourn, (ii) recovering unreliable signals in the database with two methods. We have implemented and evaluated AuF using a Pioneer 3-DX robot, on two sites of our $70$$ imes$$90$m$^2$ Department building with different structures and deployments of access points (APs). The results show AuF finishes the fingerprint database construction in 43/51 minutes, and consumes 60/82 Wh on the two floors respectively, which is a 64%/71% and 61%/64% reduction when compared to traditional site survey methods, without degrading the localization accuracy.

研究动机与目标

• 解决传统WiFi指纹图构建中使用人工或机器人调查员带来的高时间和能耗成本。
• 克服因机器人调查驻留导致的局限性，避免频繁加速/减速带来的额外时间和功耗。
• 实现在大型室内环境中完全自主、可扩展的WiFi指纹定位部署。
• 在无驻留调查过程中减少信号采集的情况下，仍保持高定位精度。
• 开发信号恢复技术，以补偿无驻留调查模式下的不可靠测量值。

提出的方法

• 通过自动楼层识别和地图分割，实现机器人导航的高效路径规划。
• 在不于参考点停顿的情况下执行现场调查（即无驻留移动调查），以最小化时间和能耗。
• 利用两频段间强经验相关性，通过双频段WiFi接入点恢复丢失的2.4/5GHz信号。
• 基于空间信号强度模型检测异常WiFi样本，通过空间一致性识别异常值。
• 利用先前构建的数据库数据作为先验知识，通过高斯过程回归恢复异常信号。
• 采用分区域信号恢复策略，限制计算负载，确保与调查区域呈线性扩展。

实验结果

研究问题

• RQ1 基于机器人的WiFi指纹定位系统能否通过在调查期间消除驻留，显著节省时间和能耗？
• RQ2 在高速调查过程中，2.4GHz与5GHz信号的相关性在多大程度上可被利用以恢复丢失的信号测量值？
• RQ3 在无驻留环境下，空间建模与数据库相关性能否有效检测并恢复异常WiFi信号样本？
• RQ4 与传统指纹定位方法相比，所提出的信号恢复机制是否能保持定位精度？
• RQ5 该系统能否在不产生禁止性计算成本的前提下，高效扩展至大型室内环境？

主要发现

• 与传统基于驻留的方法相比，AuF在3楼将现场调查时间减少了64%，在6楼减少了71%。
• 能耗分别降低了61%（3楼）和64%（6楼），对应能耗为60Wh和82Wh。
• 使用AuF的指纹数据库进行定位时，精度未下降：贝叶斯推理下平均误差为2.4m（基线为2.2m），最大误差为4.9m（基线为7.5m）。
• 使用AuF数据后，第80百分位误差从2.1m改善至1.9m，表明整体性能分布更优。
• 信号恢复计算仅耗时14秒（3楼）和23秒（6楼），与调查时间相比可忽略不计，验证了可扩展性。
• 系统通过自动楼层识别、路径规划和信号恢复实现了完全自主，无需人工干预。