[论文解读] OpenCSI: An Open-Source Dataset for Indoor Localization Using CSI-Based Fingerprinting

Arthur Gassner, Claudiu Musat+2 more|arXiv (Cornell University)|Apr 16, 2021

Indoor and Outdoor Localization Technologies被引用 8

一句话总结

本文提出 OpenCSI，一个通过基于软件定义无线电（SDR）的自动化系统，利用轮式机器人在室内长期演进（LTE）环境中采集信道状态信息（CSI）指纹的开源无线电地图数据集。该数据集支持基于 CSI 的指纹定位，实验表明深度学习模型可在未见过的区域实现泛化，但当参考点间距超过 50cm 时性能显著下降，表明在稀疏无线电地图场景中存在局限性。

ABSTRACT

Many applications require accurate indoor localization. Fingerprint-based localization methods propose a solution to this problem, but rely on a radio map that is effort-intensive to acquire. We automate the radio map acquisition phase using a software-defined radio (SDR) and a wheeled robot. Furthermore, we open-source a radio map acquired with our automated tool for a 3GPP Long-Term Evolution (LTE) wireless link. To the best of our knowledge, this is the first publicly available radio map containing channel state information (CSI). Finally, we describe first localization experiments on this radio map using a convolutional neural network to regress for location coordinates.

研究动机与目标

• 自动化基于指纹的室内定位中耗时的无线电地图采集阶段。
• 创建并发布一个公开可用的、高保真度的无线电地图，包含来自 LTE 链路的 CSI 测量数据。
• 评估使用卷积神经网络进行位置回归的 CSI 基于指纹定位的可行性。
• 研究参考点密度和空间覆盖范围对定位性能的影响。
• 为未来基于 CSI 的室内定位研究提供基准数据集。

提出的方法

• 将 SDR（USRP B200mini）安装在轮式机器人（Thymio II）上，自主遍历一个 3.5m × 5m 的室内区域，以采集 CSI 数据。
• 从 LTE 信号中提取 CSI，每帧表示为 1200 个复数子载波，每个子载波包含幅度和相位：$ H_i = |H_i|e^{j\angle H_i} $。
• 训练一个卷积神经网络（CNN），从 CSI 指纹回归设备的二维笛卡尔坐标。
• 数据集包含 172 个参考点（RPs）和 100 个测试点（TPs），指纹以固定间隔采集。
• 实验通过改变 RP 间距（2cm 至 200cm）并利用“孔洞”实验和模型集成评估对未见区域的泛化能力。
• 基线模型使用随机 CSI 输入预测 RPs 的质心，以评估可达到的最低误差。

实验结果

研究问题

• RQ1 基于 SDR 的自动化数据采集能否生成可靠且公开可用的 CSI 无线电地图，用于室内定位？
• RQ2 在 CSI 指纹上训练的深度学习模型在先前未见过的位置上能多大程度实现泛化？
• RQ3 参考点密度（RP 间距）如何影响基于 CSI 的定位性能？
• RQ4 使用该数据集进行定位的最低性能阈值（基线）是多少？
• RQ5 仅凭 CSI 指纹是否能在真实世界的室内 LTE 环境中实现亚米级定位精度？

主要发现

• 开源无线电地图包含 172 个参考点和 100 个测试点，通过 SDR 和轮式机器人采集 CSI，支持可复现的研究。
• 在 RP 间距为 2cm、5cm 和 10cm 时，模型优于基线（中位数误差 175cm），表明成功学习了空间指纹相关性。
• 当 RP 间距达到 50cm 及以上时，预测质心的准确性超过模型，表明在稀疏地图中模型无法泛化。
• 模型可泛化至未见区域（孔洞），孔洞实验中误差低于基线，表明在密集地图中具备空间泛化能力。
• 该数据集仅适用于评估性能优于 175cm 基线的方法，限制了其在评估低精度方法中的应用。
• 结果证实 CSI 指纹在空间上存在显著变化，适合用于基于学习的定位，但性能对无线电地图密度高度敏感。