[论文解读] DorFin: WiFi Fingerprint-based Localization Revisited

Chenshu Wu, Zheng Yang+3 more|arXiv (Cornell University)|Aug 30, 2013

Indoor and Outdoor Localization Technologies参考文献 23被引用 5

一句话总结

DorFin 提出了一种基于WiFi指纹的新型定位系统，通过解决三个被忽视的问题，在移动环境中提升了定位精度：接入点（AP）区分度多样性、因信号波动和人体遮挡导致的RSS不一致性，以及传统智能手机上过时的RSS测量。通过引入区分度因子、采用对异常值具有鲁棒性的回归方法，以及利用惯性传感器数据构建虚拟指纹，DorFin 实现了2米的平均误差和5.5米的第95百分位误差——分别比最先进的方法Horus和RADAR低56%和69%，且无需硬件改动或额外成本。

ABSTRACT

Although WiFi fingerprint-based indoor localization is attractive, its accuracy remains a primary challenge especially in mobile environments. Existing approaches either appeal to physical layer information or rely on extra wireless signals for high accuracy. In this paper, we revisit the RSS fingerprint-based localization scheme and reveal crucial observations that act as the root causes of localization errors, yet are surprisingly overlooked or even unseen in previous works. Specifically, we recognize APs' diverse discrimination for fingerprinting a specific location, observe the RSS inconsistency caused by signal fluctuations and human body blockages, and uncover the RSS outdated problem on commodity smartphones. Inspired by these insights, we devise a discrimination factor to quantify different APs' discrimination, incorporate robust regression to tolerate outlier measurements, and reassemble different fingerprints to cope with outdated RSSs. Combining these techniques in a unified solution, we propose DorFin, a novel scheme of fingerprint generation, representation, and matching, which yields remarkable accuracy without incurring extra cost. Extensive experiments demonstrate that DorFin achieves mean error of 2 meters and more importantly, bounds the 95th percentile error under 5.5 meters; these are about 56% and 69% lower, respectively, compared with the state-of-the-art schemes such as Horus and RADAR.

研究动机与目标

• 解决基于WiFi指纹的室内定位中长期存在的低精度问题，尤其是在移动环境中的表现。
• 识别并解决导致定位误差的三个被忽视的根本原因：AP区分度多样性、由信号波动和人体遮挡引起的RSS不一致性，以及在普通智能手机上存在的过时RSS测量。
• 开发一种低成本、无需硬件改动的解决方案，提升现有WiFi定位系统性能，同时保持广泛适用性且不增加部署成本。
• 在仅使用标准RSS测量的前提下，实现与使用物理层信息或额外测距信号的系统相当的高精度。

提出的方法

• 引入区分度因子，量化并加权AP基于其区分特定位置的能力，提升指纹的独特性。
• 应用鲁棒回归技术，减轻因信号衰落和人体遮挡导致的异常RSS测量的影响。
• 通过结合利用智能手机惯性传感器数据进行空间约束的多个历史RSS测量，构建虚拟指纹。
• 设计统一的指纹相似度度量方法，引入公共AP比例，以减少来自远距离或外观相似指纹的错误匹配。
• 利用智能手机惯性传感器检测用户移动状态，并估计过时RSS样本的空间上下文，从而实现指纹的准确重构。
• 将所有组件整合为一个统一框架，用于指纹生成、表示与匹配，同时保持与现有系统的向后兼容性。

实验结果

研究问题

• RQ1 为何现有基于WiFi指纹的定位系统在移动场景中仍存在高定位误差？
• RQ2 AP的差异化区分能力如何影响指纹的独特性与定位精度？
• RQ3 RSS波动和人体遮挡在多大程度上引入异常值，从而降低指纹匹配性能？
• RQ4 由硬件与软件限制导致的过时RSS测量在多大程度上导致指纹错配与定位误差？
• RQ5 是否能够通过统一的低成本方案，在不依赖物理层信息或额外无线信号的前提下，显著提升定位精度？

主要发现

• DorFin 将平均定位误差降低至2米，相比Horus和RADAR等最先进的方法降低了56%。
• 第95百分位误差被控制在5.5米以内，相比现有方案降低了69%，显著提升了真实移动使用场景下的可靠性。
• 在真实世界数据中，超过11%的RSS测量被发现为过时测量，且在指纹中普遍存在2至6米的较大过时距离。
• 使用虚拟指纹显著缓解了由过时RSS引起的误差，验证了时间不一致性对定位精度的显著影响。
• 鲁棒回归有效降低了因信号衰落和人体遮挡导致的RSS异常值的影响，提升了匹配稳定性。
• 区分度因子通过优先选择具有更强空间区分能力的AP，增强了指纹的独特性，减少了定位估计中的模糊性。