[论文解读] Sensor-Aided Learning for Wi-Fi Positioning with Beacon Channel State Information

Jeongsik Choi|arXiv (Cornell University)|Jul 13, 2020

Indoor and Outdoor Localization Technologies被引用 4

一句话总结

本文提出了一种基于传感器的无监督学习框架，用于Wi-Fi定位，利用信标帧的信道状态信息（CSI）提升测距精度。通过融合惯性传感器数据与Wi-Fi CSI，该方法训练测距模块，使估计轨迹与传感器推导路径对齐，从而在存在多径衰落的动态室内环境中，实现优于仅使用接收信号强度（RSS）的方法的更高精度。

ABSTRACT

Because each indoor site has its own radio propagation characteristics, a site survey process is essential to optimize a Wi-Fi ranging strategy for range-based positioning solutions. This paper studies an unsupervised learning technique that autonomously investigates the characteristics of the surrounding environment using sensor data accumulated while users use a positioning application. Using the collected sensor data, the device trajectory can be regenerated, and a Wi-Fi ranging module is trained to make the shape of the estimated trajectory using Wi-Fi similar to that obtained from sensors. In this process, the ranging module learns the way to identify the channel conditions from each Wi-Fi access point (AP) and produce ranging results accordingly. Furthermore, we collect the channel state information (CSI) from beacon frames and evaluate the benefit of using CSI in addition to received signal strength (RSS) measurements. When CSI is available, the ranging module can identify more diverse channel conditions from each AP, and thus more precise positioning results can be achieved. The effectiveness of the proposed learning technique is verified using a real-time positioning application implemented on a PC platform.

研究动机与目标

• 通过实现环境的自主表征，减少在基于Wi-Fi的室内定位中对人工现场勘测和真实坐标数据的依赖。
• 通过利用信标帧中的细粒度CSI，提升测距精度，其对多径和频率选择性衰落的捕捉能力优于仅使用RSS。
• 开发一种无监督学习方法，利用传感器轨迹作为真实坐标的代理，训练无需标注坐标的Wi-Fi测距模型。
• 通过融合CSI与惯性传感器数据，实现实时、设备端的测距模型自适应，最大限度减少人工干预。

提出的方法

• 使用移动设备的惯性传感器数据（加速度计和陀螺仪）通过行人推算航程（PDR）重建参考轨迹。
• 采用扩展卡尔曼滤波器（EKF），通过参考方向的多次初始化来估计设备位置与姿态，以PDR作为状态转移模型。
• 使用无监督学习训练Wi-Fi测距模块：该模块学习将信标帧的CSI映射为测距估计值，以最小化基于Wi-Fi的轨迹与基于传感器的轨迹之间的误差。
• 利用一种新型CSI工具，可在商用Wi-Fi芯片上捕获传统OFDM信标帧（20 MHz带宽）的CSI，实现无需修改接入点（AP）的多AP同时CSI采集。
• 通过在多个EKF候选解中最小化创新（残差）来选择最优状态估计，其中创新指预测与测量距离之间的差异。
• 融合CSI与RSS测量以改善信道条件识别，从而在衰落与遮挡条件下实现更鲁棒的距离估计。

实验结果

研究问题

• RQ1 是否能够通过利用传感器轨迹的无监督学习有效训练Wi-Fi测距模型，而无需真实坐标标注？
• RQ2 与仅使用RSS的测距相比，利用信标帧中的CSI在多大程度上提升了定位精度？
• RQ3 所提出的方法如何应对CSI带宽有限、信标帧异步传输以及信标帧采样率低等挑战？
• RQ4 CSI与惯性传感器数据的融合是否能够减少漂移并提升实时室内定位中的轨迹一致性？

主要发现

• 所提出的无监督学习框架通过将基于Wi-Fi的轨迹与传感器推导的轨迹对齐，显著提升了定位精度，且无需标注训练数据即可降低误差。
• 通过引入信标帧的CSI，系统能够识别多径分量与频率选择性衰落，从而实现比仅使用RSS更稳定、更精确的测距。
• 在多径与遮挡严重的环境中，该方法的性能优于基于RSS的指纹匹配方法，原因在于CSI能够捕捉更精细的信道特性。
• 采用多个EKF候选解并基于创新值选择最优解，提升了对初始状态不确定性和测量噪声的鲁棒性。
• 该CSI工具能够在不修改接入点的前提下，利用传统信标帧同时采集多个AP的CSI，克服了以往仅支持HT的CSI采集限制。
• 系统在PC平台实现了实时可行性，验证了该方法在商用设备中实际部署的潜力。