[论文解读] Learning the Localization Function: Machine Learning Approach to Fingerprinting Localization

Linchen Xiao, Arash Behboodi+1 more|arXiv (Cornell University)|Mar 21, 2018

Speech and Audio Processing参考文献 27被引用 13

一句话总结

本文提出了一种基于深度学习的指纹室内定位方法，通过数据增强和迁移学习减少对大量训练数据的依赖。通过训练多层神经网络将RSSI测量值映射到位置，该方法在极少数据下实现了显著的性能提升：通过数据增强，平均误差最高降低了1.2米；通过迁移学习中的微调，仅使用30%的数据即可达到与完整训练相当的精度。

ABSTRACT

Considered as a data-driven approach, Fingerprinting Localization Solutions (FPSs) enjoy huge popularity due to their good performance and minimal environment information requirement. This papers addresses applications of artificial intelligence to solve two problems in Received Signal Strength Indicator (RSSI) based FPS, first the cumbersome training database construction and second the extrapolation of fingerprinting algorithm for similar buildings with slight environmental changes. After a concise overview of deep learning design techniques, two main techniques widely used in deep learning are exploited for the above mentioned issues namely data augmentation and transfer learning. We train a multi-layer neural network that learns the mapping from the observations to the locations. A data augmentation method is proposed to increase the training database size based on the structure of RSSI measurements and hence reducing effectively the amount of training data. Then it is shown experimentally how a model trained for a particular building can be transferred to a similar one by fine tuning with significantly smaller training numbers. The paper implicitly discusses the new guidelines to consider about deep learning designs when they are employed in a new application context.

研究动机与目标

• 解决基于指纹的室内定位中构建训练数据库所需的高昂成本与时间开销。
• 实现在相似建筑中对定位模型进行高效适应，且仅需极少重新训练。
• 探索数据增强与迁移学习等深度学习技术如何提升指纹定位性能。
• 为在室内定位应用中部署深度神经网络提供新的设计指导。

提出的方法

• 训练一个多层神经网络以学习从RSSI测量值到空间位置的映射，将定位问题视为函数逼近问题。
• 提出一种数据增强技术，通过置换RSSI指纹生成合成训练样本，从而在不新增测量数据的情况下扩大数据集规模。
• 应用迁移学习：在一座建筑（例如，0层）上预训练模型，并在相似建筑（例如，1层）上使用其30%的目标数据进行微调。
• 使用模拟数据和真实世界中的UJIndoorLoc数据集评估模型性能，指标包括平均误差、误差方差以及最小/最大误差。
• 利用相似室内环境之间的结构相似性，迁移学习到的特征，从而减少对完整重新训练的需求。
• 该方法在推理阶段计算效率高，因为测试时的定位仅需通过网络进行一次前向传播。

实验结果

研究问题

• RQ1 数据增强技术能否减少基于RSSI指纹定位的训练数据库所需的数据量？
• RQ2 迁移学习是否能够仅使用少量目标数据即实现在新建筑中的高精度定位？
• RQ3 在某一环境中训练的深度神经网络性能，如何推广到结构略有不同的相似环境？
• RQ4 在室内指纹定位系统中部署深度神经网络时，其设计具有哪些实际影响？

主要发现

• 在UJIndoorLoc数据集上，数据增强使平均定位误差从7.62米降低至6.69米，降幅约1米，使用了10次指纹置换。
• 误差方差也从43.00降至38.72，表明预测结果的鲁棒性与一致性得到提升。
• 通过迁移学习，仅使用30%目标数据，预训练于0层的模型在1层上实现了8.70米的平均误差，与未预训练直接微调的11.90米误差相比表现相当。
• 微调模型的性能显著优于仅用30%数据从零开始训练的模型（后者平均误差为16.76米）。
• 结果表明，迁移学习可实现仅用极少数据的高效模型更新，从而在新但相似的环境中实现快速部署。
• 该方法在推理阶段计算效率高，因为测试时的定位仅需一次前向传播，适用于实时应用。