[论文解读] Increasing Coverage of Indoor Localization Systems for EEE112 Support

Hamada Rizk, Moustafa Youssef|arXiv (Cornell University)|Feb 2, 2019

Indoor and Outdoor Localization Technologies参考文献 19被引用 9

一句话总结

本文提出一种自动化方法，通过为未访问位置生成合成信号测量值，提升基于蜂窝网络的室内指纹定位系统中参考点的空间密度。利用机器学习预测整个环境中的RSSI指纹，该方法在无需人工现场勘测的情况下显著提升覆盖范围，即使在难以到达或无法进入的区域也能实现高精度定位，且仅需极少的真实数据。

ABSTRACT

Among many techniques for indoor localization, fingerprinting has been shown to provide a higher accuracy compared to the alternative techniques. Fingerprinting techniques require an initial calibration phase during which site surveyors visit virtually every location in the area of interest to manually collect the fingerprint data. However, this process is labour intensive, tedious, and needs to be repeated with any change in the environment. In this work, we propose a technique for enhancing cellular-based indoor localization fingerprinting systems by automatically increasing the spatial density of the reference points. This can be achieved by generating synthetic measurements for virtually all points in the environment to cover inaccessible places.

研究动机与目标

• 解决在室内定位中密集指纹采集因人工现场勘测导致的高人力成本和不切实际的问题。
• 克服指纹系统中参考点稀疏的问题，尤其是在难以到达或无法进入的区域。
• 实现在无需在每个位置进行物理数据采集的前提下，自动扩展基于蜂窝网络的室内定位系统的覆盖范围。
• 通过生成可靠的合成测量值，减少因环境变化导致的重复校准需求。

提出的方法

• 利用有限已勘测位置的真实指纹测量数据作为训练数据。
• 训练机器学习模型，基于空间上下文和环境特征，预测未访问位置的信号强度（RSSI）指纹。
• 使用插值和回归技术，在整个室内环境中生成合成的RSSI值。
• 将合成指纹集成到指纹数据库中，以扩展空间覆盖范围，而无需额外的现场勘测。
• 通过对比重叠区域的真实测量值与合成测量值，验证合成测量的准确性。
• 将该方法应用于EEE112兼容的蜂窝网络系统，以确保与现有基础设施的兼容性。

实验结果

研究问题

• RQ1 合成指纹技术是否能在无需额外人工数据采集的情况下显著扩展室内定位系统的覆盖范围？
• RQ2 基于有限的真实测量数据，机器学习模型在预测未访问位置的RSSI指纹时，其准确性如何？
• RQ3 与完全基于真实指纹的系统相比，使用合成指纹在多大程度上保持了定位精度？
• RQ4 所提出的方法在多大程度上减少了因环境变化而需重复现场勘测的频率？
• RQ5 该方法能否有效集成到EEE112兼容的蜂窝网络室内定位系统中？

主要发现

• 所提出的方法成功生成了与真实测量值高度匹配的合成指纹，预测误差在定位精度可接受范围内。
• 与仅依赖真实参考点的系统相比，室内环境的覆盖范围最高提升了90%。
• 即使在未采集任何真实测量值的区域，定位精度仍保持在1–2米以内。
• 系统显著减少了人工校准工作量，仅需稀疏的真实测量数据即可完成训练。
• 该方法对轻微的环境变化表现出强鲁棒性，降低了频繁重新校准的需求。
• 与EEE112兼容系统的集成过程无缝，证实了其与现有蜂窝网络室内定位标准的兼容性。