[论文解读] Improving the Performance of Deep Learning for Wireless Localization

Ramdoot Pydipaty, Johnu George+2 more|arXiv (Cornell University)|Jun 16, 2020

Indoor and Outdoor Localization Technologies参考文献 15被引用 4

一句话总结

本论文通过引入自动超参数优化和一种结合自编码器与朴素采样的混合数据增强技术，改进了无线定位中的深度学习方法。该方法在真实世界的BLE RSSI数据集上将平均定位误差降低了15%（从23.2英尺降至19.7英尺），所有代码均已公开发布，以确保可复现性和可重用性。

ABSTRACT

Indoor localization systems are most commonly based on Received Signal Strength Indicator (RSSI) measurements of either WiFi or Bluetooth-Low-Energy (BLE) beacons. In such systems, the two most common techniques are trilateration and fingerprinting, with the latter providing higher accuracy. In the fingerprinting technique, Deep Learning (DL) algorithms are often used to predict the location of the receiver based on the RSSI measurements of multiple beacons received at the receiver. In this paper, we address two practical issues with applying Deep Learning to wireless localization -- transfer of solution from one wireless environment to another \emph{and} small size of labelled data set. First, we apply automatic hyperparameter optimization to a deep neural network (DNN) system for indoor wireless localization, which makes the system easy to port to new wireless environments. Second, we show how to augment a typically small labelled data set using the unlabelled data set. We observed improved performance in DL by applying the two techniques. Additionally, all relevant code has been made freely available.

研究动机与目标

• 解决在动态、真实无线环境中部署深度学习模型时，人工调参不切实际的挑战。
• 通过利用未标记数据增强小样本、类别不平衡的标记数据集，提升模型在低数据量场景下的泛化能力。
• 实现在无需从头开始训练的情况下，快速、自动地将深度学习模型适配至新的室内布局。
• 开发一种可扩展、开源的无线定位解决方案，兼具高精度与跨不同环境的可移植性。

提出的方法

• 使用贝叶斯优化对深度神经网络（DNN）进行自动超参数优化，以调整学习率、批量大小和隐藏单元数量，用于基于RSSI的定位任务。
• 使用标准自编码器学习未标记RSSI测量值的分布，并生成针对代表性不足位置的合成样本。
• 实施一种朴素的数据增强方法，通过在每个位置的每个信标最小和最大RSSI值之间进行均匀采样，生成新样本。
• 将朴素增强与自编码器增强方法结合，形成混合方法，以最大化标记数据的多样性与覆盖范围。
• 在增强后的数据集上使用Adam优化器训练并评估DNN，比较原始数据、朴素增强、自编码器增强和混合增强数据的性能表现。
• 在真实世界中采集的图书馆环境中BLE指纹数据集上验证结果，该数据集包含1420个原始标记样本和5191个未标记样本。

实验结果

研究问题

• RQ1 自动超参数优化是否能在无需人工调参的情况下提升无线定位中深度学习模型的性能？
• RQ2 使用自编码器的无监督数据增强是否能有效提升RSSI指纹识别在低数据量场景下的模型泛化能力？
• RQ3 结合朴素与自编码器增强方法是否能优于单独使用任一方法？
• RQ4 这些技术在稀疏且类别不平衡的真实室内环境中，能在多大程度上降低定位误差？

主要发现

• 混合数据增强方法将平均定位误差从原始数据的23.2英尺降低至19.7英尺，实现了15%的性能提升。
• 仅使用自编码器增强的方法得到20.7英尺的平均误差，优于朴素方法的21.9英尺。
• 朴素增强方法将标记数据集从1420个样本增加至1608个样本，性能优于原始数据。
• 混合方法生成了346个新标记样本（其中188个来自朴素方法，158个来自自编码器），实现了模型准确率的最大提升。
• 自动超参数优化的使用实现了在不同室内环境中更快、更可扩展的模型适应。
• 所有代码和模型均已公开发布于GitHub，支持可复现性，并推动开源无线定位研究的进一步发展。