[论文解读] Fusion-DHL: WiFi, IMU, and Floorplan Fusion for Dense History of Locations in Indoor Environments

Sachini Herath, Saghar Irandoust+4 more|arXiv (Cornell University)|May 18, 2021

Indoor and Outdoor Localization Technologies参考文献 23被引用 4

一句话总结

该论文提出Fusion-DHL，一种多模态融合系统，结合WiFi、IMU和楼层平面图数据，生成密集且高度准确的室内位置历史记录。通过融合惯性导航与基于WiFi的地理定位，并利用CNN对轨迹进行楼层平面图一致性优化，该方法实现了约5米的RMSE——准确度是当前最先进水平（如Google Fused Location Provider）的两倍，且位置记录密度高出数个数量级。

ABSTRACT

The paper proposes a multi-modal sensor fusion algorithm that fuses WiFi, IMU, and floorplan information to infer an accurate and dense location history in indoor environments. The algorithm uses 1) an inertial navigation algorithm to estimate a relative motion trajectory from IMU sensor data; 2) a WiFi-based localization API in industry to obtain positional constraints and geo-localize the trajectory; and 3) a convolutional neural network to refine the location history to be consistent with the floorplan. We have developed a data acquisition app to build a new dataset with WiFi, IMU, and floorplan data with ground-truth positions at 4 university buildings and 3 shopping malls. Our qualitative and quantitative evaluations demonstrate that the proposed system is able to produce twice as accurate and a few orders of magnitude denser location history than the current standard, while requiring minimal additional energy consumption. We will publicly share our code, data and models.

研究动机与目标

• 为接触追踪和空间利用率等应用解决缺乏密集、高精度室内位置历史记录系统的问题。
• 通过实现密集、离线的位置历史推断，克服现有系统更新频率低和能耗高的局限。
• 通过整合惯性、无线和空间上下文数据，将定位精度超越现有解决方案。
• 开发一种可扩展、低功耗的系统，仅使用标准智能手机，无需专用硬件。
• 为未来研究创建一个新的基准数据集，涵盖多样化的室内环境，提供真实位置数据。

提出的方法

• 使用RoNIN——一种最先进的数据驱动惯性导航算法——从原始IMU传感器数据中估计相对运动轨迹。
• 利用Google Fused Location Provider（FLP）API获取稀疏的、基于WiFi的全局位置固定点，并将惯性轨迹对齐至地图。
• 应用两阶段优化过程，通过最小化与FLP位置的偏差，同时尊重楼层平面图的几何结构，以优化轨迹。
• 采用卷积神经网络（CNN）进一步校正轨迹，通过惩罚墙体穿透和不可行走区域，强制实现与楼层平面图的一致性。
• 使用合成数据增强技术，提升系统在未见建筑和楼层平面图上的泛化能力。
• 根据FLP位置聚类对楼层平面图进行裁剪，以减少内存占用并提升推理效率。

Figure 1: System pipeline: We use a data-driven inertial algorithm to estimate relative motion trajectories from IMU sensor data. We geo-localize the trajectory with a floorplan by solving an optimization problem subject to the constraints from the state-of-the-art Indoor GPS system (i.e., Google Fu

实验结果

研究问题

• RQ1 WiFi、IMU和楼层平面图数据的融合是否能显著提升室内位置历史记录的准确度和密度，相较现有系统？
• RQ2 基于CNN的校正步骤在强制实现楼层平面图一致性并校正轨迹漂移方面效果如何？
• RQ3 该系统在训练过程中未见过的不同建筑类型和楼层平面图上的泛化能力如何？
• RQ4 该系统能否在标准智能手机上实现高准确度和高密度，同时保持低能耗？
• RQ5 所提出方法的性能与工业标准（如Google Fused Location Provider）相比如何，特别是在更新频率和位置误差方面？

主要发现

• 所提出的Fusion-DHL系统实现了约5米的平均RMSE，误差约为当前最先进水平（Google Fused Location Provider）的二分之一（12米）。
• 系统以50Hz生成位置历史记录，远超FLP系统1/60Hz的更新频率，密度高出数个数量级。
• 增加第二轮优化和CNN迭代后，与单次处理相比，定位误差减少了约1米，证明了迭代优化的有效性。
• 即使在未见过的建筑中（如新商场），系统仍保持高精度，误差始终低于10米，优于FLP和MapCraft。
• 使用合成训练数据将所有测试场景下的平均定位误差从6.85米降低至5.57米，证实其在泛化能力上的价值。
• 定性结果显示，CNN能有效防止轨迹穿过墙壁或自动扶梯，同时保留FLP或MapCraft中缺失的高频运动细节。

Figure 2: Quantitative evaluation: Localization accuracy for 4 groups of test data (data groups described in VI-A ). We compare the proposed approach (DHL) against four competing methods and two variants of our system. Each bar shows the mean and the first/third quartiles of the localization errors.