[论文解读] Fine-grained Indoor Localization with Adaptively Sampled RF Fingerprints.

Xiaoyang Liu, Shuchin Aeron+3 more|arXiv (Cornell University)|Aug 10, 2015

Indoor and Outdoor Localization Technologies被引用 3

一句话总结

本文提出了一种基于张量的自适应采样方法，用于使用RF指纹进行细粒度室内定位，将指纹空间建模为三维张量，并通过管状采样利用低秩结构以减少现场勘测工作量。在模拟和真实环境条件下，该方法在保持相近定位精度的同时，将采样数量减少了55–71%。

ABSTRACT

Indoor localization is a supporting technology for a broadening range of pervasive wireless applications. One promis- ing approach is to locate users with radio frequency fingerprints. However, its wide adoption in real-world systems is challenged by the time- and manpower-consuming site survey process, which builds a fingerprint database a priori for localization. To address this problem, we visualize the 3-D RF fingerprint data as a function of locations (x-y) and indices of access points (fingerprint), as a tensor and use tensor algebraic methods for an adaptive tubal-sampling of this fingerprint space. In particular using a recently proposed tensor algebraic framework in [1] we capture the complexity of the fingerprint space as a low-dimensional tensor-column space. In this formulation the proposed scheme exploits adaptivity to identify reference points which are highly informative for learning this low-dimensional space. Further, under certain incoherency conditions we prove that the proposed scheme achieves bounded recovery error and near-optimal sampling complexity. In contrast to several existing work that rely on random sampling, this paper shows that adaptivity in sampling can lead to significant improvements in localization accuracy. The approach is validated on both data generated by the ray-tracing indoor model which accounts for the floor plan and the impact of walls and the real world data. Simulation results show that, while maintaining the same localization accuracy of existing approaches, the amount of samples can be cut down by 71% for the high SNR case and 55% for the low SNR case.

研究动机与目标

• 解决传统基于RF指纹的室内定位现场勘测所面临的高时间和人力成本问题。
• 在不牺牲性能的前提下，减少实现精确定位所需的参考点数量。
• 开发一种数据驱动的自适应采样策略，以识别指纹空间中最具有信息量的参考点。
• 理论分析证明，在非一致性条件下，恢复误差有界且采样复杂度接近最优。
• 在射线追踪生成的数据和真实测量数据上验证该方法，以确保其实际适用性。

提出的方法

• 将三维RF指纹数据建模为以空间坐标(x, y)和接入点索引为索引的张量。
• 应用张量代数方法，特别是[1]中的管状采样框架，将指纹空间表示为低维张量列空间。
• 利用自适应机制选择最能帮助学习低维子空间的参考点。
• 利用指纹空间中的非一致性条件，以确保恢复误差和采样效率的理论保证。
• 将采样过程公式化为一种结构化优化问题，优先考虑信息增益而非随机性。
• 整合张量代数，以高效捕捉指纹数据中的空间和接入点相关性。

实验结果

研究问题

• RQ1 自适应采样是否能在保持精度的同时，减少基于RF指纹的室内定位所需的参考点数量？
• RQ2 与随机采样相比，自适应采样在定位误差和采样复杂度方面表现如何？
• RQ3 在所提出的基于张量的框架中，恢复误差和采样效率可提供哪些理论保证？
• RQ4 该方法在不同信噪比（SNR）条件和真实环境下的泛化能力如何？
• RQ5 指纹空间的低秩张量结构能否被有效利用以最小化现场勘测工作量？

主要发现

• 所提出的自适应采样方法在高SNR条件下，相比现有方法，将所需采样数量减少了71%。
• 在低SNR条件下，该方法在保持相同定位精度的同时，将采样需求减少了55%。
• 理论分析证实，在非一致性假设下，恢复误差有界且采样复杂度接近最优。
• 在仿真和真实世界验证中，该方法均优于随机采样策略，体现出自适应的优势。
• 在射线追踪生成的数据和真实测量数据上的验证结果，证实了其在多样化室内环境中的鲁棒性和实际可行性。