[论文解读] CRISLoc: Reconstructable CSI Fingerprintingfor Indoor Smartphone Localization

Zhihui Gao, Yunfan Gao+3 more|arXiv (Cornell University)|Oct 15, 2019

Indoor and Outdoor Localization Technologies参考文献 47被引用 4

一句话总结

CRISLoc 是一种基于智能手机的被动式室内定位系统，通过迁移学习和联合聚类/异常检测技术重建信道状态信息（CSI）指纹，从而在接入点（AP）变更时仍能保持高精度。在6m×8m的实验室内，其平均定位误差仅为0.29m，当一个或两个AP被移动时，误差仅分别增加5.4cm和8.6cm，展现出出色的鲁棒性与在市售智能手机上的实际可部署性，且无需AP协作。

ABSTRACT

Channel state information (CSI) based fingerprinting for WIFI indoor localization has attracted lots of attention very recently.The frequency diverse and temporally stable CSI better represents the location dependent channel characteristics than the coarsereceived signal strength (RSS). However, the acquisition of CSI requires the cooperation of access points (APs) and involves only dataframes, which imposes restrictions on real-world deployment. In this paper, we present CRISLoc, the first CSI fingerprinting basedlocalization prototype system using ubiquitous smartphones. CRISLoc operates in a completely passive mode, overhearing thepackets on-the-fly for his own CSI acquisition. The smartphone CSI is sanitized via calibrating the distortion enforced by WiFi amplifiercircuits. CRISLoc tackles the challenge of altered APs with a joint clustering and outlier detection method to find them. A novel transferlearning approach is proposed to reconstruct the high-dimensional CSI fingerprint database on the basis of the outdated fingerprintsand a few fresh measurements, and an enhanced KNN approach is proposed to pinpoint the location of a smartphone. Our studyreveals important properties about the stability and sensitivity of smartphone CSI that has not been reported previously. Experimentalresults show that CRISLoc can achieve a mean error of around 0.29m in a6m times 8mresearch laboratory. The mean error increases by 5.4 cm and 8.6 cm upon the movement of one and two APs, which validates the robustness of CRISLoc against environment changes.

研究动机与目标

• 在不依赖AP协作或连接的情况下，实现在市售智能手机上的基于CSI的指纹定位。
• 通过检测位置或身份发生变化的AP，应对动态AP部署带来的挑战，并重建过时的CSI指纹。
• 利用经过校准的、高维的CSI数据，提升真实室内环境中定位的精度与鲁棒性。
• 开发一种实用且可部署的系统，克服现有CSI工具包依赖主动连接或专用硬件的局限。

提出的方法

• 使用Nexmon工具包在智能手机上以被动模式提取数据帧、ACK和Beacon中的原始CSI，无需与AP建立连接。
• 应用AGC校准和子载波滤波以稳定CSI幅度，使约50个子载波可被使用——几乎是Intel 5300 CSI工具的两倍。
• 采用联合聚类与异常检测方法，通过分析估计位置的空间聚类模式，识别出发生改变的AP。
• 提出一种新颖的迁移学习框架，将过时和新鲜的CSI投影到共享子空间中，以重建失效的指纹。
• 引入一种增强型KNN（EEKNN）匹配规则，结合基于方差和空间相关性的自适应权重，提升定位精度。
• 采用序列分析与Jenks优化方法，设定可靠性阈值，以检测AP变更并验证指纹的一致性。

实验结果

研究问题

• RQ1 能否在完全被动模式下，无需AP协作，在市售智能手机上有效实现CSI指纹定位？
• RQ2 在动态室内环境中，当AP的位置或身份发生变化时，如何实现其变更的自动检测？
• RQ3 在AP变更后，能否通过迁移学习有效重建过时的CSI指纹，以维持定位精度？
• RQ4 AP移动对定位误差有何影响？系统在环境变化下是否仍能保持鲁棒性？

主要发现

• CRISLoc 仅使用智能手机获取的CSI，在6m×8m的实验室内实现了0.29m的平均定位误差。
• 当一个AP被移动时，平均误差仅增加5.4cm；当两个AP被移动时，误差仅增加8.6cm，展现出极强的鲁棒性。
• 联合聚类与异常检测方法在仅一个AP改变时的F1得分达到0.893，在两个AP改变时达到0.827，有效检测出被更改的AP。
• 迁移学习能够有效重建过时的CSI指纹，无需重新全面勘测即可保持系统精度。
• 与传统WKNN相比，EEKNN匹配规则通过引入基于方差的自适应加权，使定位误差降低了21.3%。
• 该系统成功在Nexus 5智能手机上，利用2.4GHz频段的20MHz带宽，在未与AP建立连接的情况下提取出可用的CSI。