[论文解读] CoMuTe: A Convolutional Neural Network Based Device Free Multiple Target Localization Using CSI

Tahsina Farah Sanam, Hana Godrich|arXiv (Cornell University)|Mar 6, 2020

Indoor and Outdoor Localization Technologies参考文献 44被引用 7

一句话总结

CoMuTe 提出了一种基于卷积神经网络（CNN）的设备无关多目标定位系统，利用来自多个无线链路的信道状态信息（CSI）。它将 CSI 表征为多链路时频（MLTF）图像，并采用带 Sigmoid 激活函数的多标签分类方法，实现对多个目标的同时定位，达到厘米级精度，其预测误差在 0.5 米以内的比例高达 42%，优于现有最先进方法。

ABSTRACT

With the growth of Internet-of-Things (IoT), Location based Services (LBS) are gaining significant attention over the past years. Location information is one of the important ingredients for many LBS where the system requires to localize multiple targets in indoor setting. As an emerging technique, device-free localization (DFL) is promising to localize the target without attaching any transceivers. In this paper, we propose CoMuTe, the first convolutional neural network (CNN) based device free multiple target localization leveraging the Channel State Information (CSI) from multiple wireless links. The system represents the CSIs as Multi-link Time-Frequency (MLTF) image by organizing them as time-frequency matrices and utilize these MLTF images as the input feature for CNN network. The CoMuTe models multi target localization as a multi label spot classification approach under the assumption that each MLTF image is associated with multiple labels/spots. The localization is performed with a training stage and a localization stage. In the training stage, the CSI based MLTF images are constructed with single target at each location. The constructed images are used to train the CNN via a gradient based optimization algorithm. In the localization stage, the test MLTF image obtained for targets at multiple spots is fed to the CNN network and locations of the targets are calculated using sigmoid activation function in the output layer under the multi label classification framework. Extensive experiments are conducted to select appropriate parameters for the CNN architecture as well as for the system design. The experimental results demonstrate the superior performance of CoMuTe over existing multi target localization approaches.

研究动机与目标

• 解决利用现有无线基础设施对多个无发射器-接收器目标实现高精度、可扩展的室内定位挑战。
• 通过利用细粒度且稳定的信道状态信息（CSI）来克服基于接收信号强度（RSS）方法的局限性，提升定位鲁棒性。
• 开发一种设备无关的定位系统，避免依赖人工采集的指纹数据，利用深度学习实现对不同目标配置的泛化能力。
• 实现在无需目标携带任何设备或标签的情况下进行多目标定位。
• 通过优化接入点-探测器（AP-DP）链路数量和单元格分辨率，在定位精度与部署成本之间取得平衡。

提出的方法

• 通过将来自多个 AP-DP 链路的 CSI 组织为时频矩阵，构建多链路时频（MLTF）图像，每个链路构成独立的信道。
• 使用包含三个卷积层和两个全连接层的五层卷积神经网络（CNN），从 MLTF 图像中提取时空特征。
• 将多目标定位问题建模为多标签分类问题，其中每个潜在位置被视为一个二元标签。
• 在输出层应用 Sigmoid 激活函数和二元交叉熵损失，以支持对多个目标位置的独立预测。
• 使用基于梯度的优化方法，在每个位置仅放置单个目标时采集的训练数据上训练网络。
• 推理阶段，将测试用的 MLTF 图像输入已训练的 CNN，预测每个位置目标存在的概率。

实验结果

研究问题

• RQ1 基于 CNN 的方法能否有效利用来自多个无线链路的 CSI 实现对多个设备无关目标的定位？
• RQ2 AP-DP 链路数量如何影响定位精度与系统可扩展性？
• RQ3 在定位精度与训练数据稀疏性之间取得最佳平衡的最优单元格分辨率是什么？
• RQ4 与现有基于 RSS 和 CSI 的多目标设备无关定位（DFL）方法相比，CoMuTe 在定位误差分布方面表现如何？
• RQ5 采用 Sigmoid 输出的多标签分类框架能否实现对多个同时存在目标的准确检测？

主要发现

• CoMuTe 在定位误差 ≤ 0.5 米的预测中达到 42% 的成功率，显著优于现有最先进方法（其他方法最高仅 9%）。
• 约 68% 的 CoMuTe 预测误差低于 1 米，而 SA-M-SBL 和 FitLoc 分别仅为 32% 和 8%。
• 随着 AP-DP 链路数量增加，定位误差减小，但当链路数超过 9 条后性能提升趋于平缓，因此选择 9 条链路作为性能与成本之间的平衡点。
• 更小的单元格宽度（如 0.5 米）会因 CSI 变化不足而降低性能，导致平均误差增加；而 1.00 米的单元格宽度提供了最佳平衡。
• MLTF 图像表示能有效捕捉多链路之间的时频与空间多样性，使 CNN 能够提取丰富且具有判别力的特征，实现多目标检测。
• CoMuTe 在多目标定位中展现出卓越的鲁棒性与精度，在室内环境中实现了厘米级定位精度。