[论文解读] DeepPos: Deep Supervised Autoencoder Network for CSI Based Indoor Localization

Peyman Yazdanian, Vahid Pourahmadi|arXiv (Cornell University)|Nov 27, 2018

Indoor and Outdoor Localization Technologies参考文献 10被引用 13

一句话总结

DeepPos 提出了一种用于基于信道状态信息（CSI）的室内定位的新型深度监督自编码器（SAE）框架，该框架通过单一学习模型对整个环境进行建模，无需为每个训练点存储单独的指纹。通过在不同假设标签下重建 CSI 输入，并选择重建误差最小的标签，该方法在训练和测试复杂度方面显著低于先前的深度学习方法（如 DeepFi），同时保持了高精度。

ABSTRACT

The widespread mobile devices facilitated the emergence of many new applications and services. Among them are location-based services (LBS) that provide services based on user's location. Several techniques have been presented to enable LBS even in indoor environments where Global Positioning System (GPS) has low localization accuracy. These methods use some environment measurements (like Channel State Information (CSI) or Received Signal Strength (RSS)) for user localization. In this paper, we will use CSI and a novel deep learning algorithm to design a robust and efficient system for indoor localization. More precisely, we use supervised autoencoder (SAE) to model the environment using the data collected during the training phase. Then, during the testing phase, we use the trained model and estimate the coordinates of the unknown point by checking different possible labels. Unlike the previous fingerprinting approaches, in this work, we do not store the {CSI/RSS} of fingerprints and instead we model the environment only with a single SAE. The performance of the proposed scheme is then evaluated in two indoor environments and compared with that of similar approaches.

研究动机与目标

• 解决现有基于指纹的室内定位系统因为每个训练点存储单独模型而导致的高存储与计算开销问题。
• 通过用单一统一的深度 SAE 模型替代逐点模型存储，提升离线（训练）和在线（测试）阶段的效率。
• 在大幅降低执行时间和内存使用量的同时保持高定位精度，尤其在训练点数量增加时表现更优。
• 证明单一 SAE 能够有效捕捉室内环境中空间变化的 CSI 特性，实现鲁棒定位。
• 提供一种可扩展且高效的基于 CSI 的室内定位深度学习解决方案，在复杂度指标上优于现有方法，且不牺牲精度。

提出的方法

• 使用在环境中预设的训练点（SPs）采集的原始 CSI 测量值，训练一个单一深度监督自编码器（SAE）。
• 在监督训练过程中，将 SP 的 ID（位置标签）作为输入引入 SAE 的中间（瓶颈）层，使网络能够学习特定位置的表示。
• 将训练好的 SAE 的参数（权重和偏置）作为完整的环境模型进行存储，替代原始的 CSI 指纹。
• 在测试阶段，将未知测试点的原始 CSI 输入 SAE，并针对每个可能的标签（即每个 SP 位置）评估重建误差。
• 选择重建误差最小的标签作为测试点的估计位置。
• SAE 的解码层充当监督回归器，基于 CSI 重建保真度，将提取的特征映射到最可能的位置。

实验结果

研究问题

• RQ1 单一深度监督自编码器是否能够在不存储逐点指纹的情况下，有效建模整个室内环境的 CSI 特性？
• RQ2 与现有指纹方法（如 DeepFi）相比，所提出的 DeepPos 方法在定位精度和计算复杂度方面表现如何？
• RQ3 随着训练点数量的增加，DeepPos 系统与传统方法在精度和执行时间方面的差异如何？
• RQ4 与逐点模型训练和存储相比，使用统一 SAE 模型是否显著降低了训练和测试的开销？
• RQ5 在 SAE 框架中，CSI 的重建误差是否可作为室内环境中定位估计的可靠度量？

主要发现

• DeepPos 在教室环境中的平均定位误差为 1.872 m，在走廊和大厅中的平均定位误差为 1.824 m，执行时间显著优于 DeepFi，同时保持了相近的精度。
• DeepPos 在教室中的平均执行时间为 1.1449 s，在走廊和大厅中为 1.053 s，显著低于 DeepFi 的 3.7072 s 和 3.457 s。
• 随着训练点数量的增加，DeepPos 的训练时间增长速度远低于 DeepFi，尤其是在顺序训练模式下。
• DeepPos 在训练过程中使用的内存远少于 DeepFi，因为后者必须为每个训练点存储并训练独立的模型。
• 即使在并行训练假设下，由于其单一模型架构，DeepPos 仍保持更低的内存使用量。
• DeepPos 和 DeepFi 的定位精度随训练点数量增加而相似提升，证实 DeepPos 在降低复杂度的同时保持了高性能。