[论文解读] Simultaneous Localization and Mapping Problem in Wireless Sensor Networks

Thierry Dumont, Sylvain Le Corff|arXiv (Cornell University)|Sep 26, 2012

Indoor and Outdoor Localization Technologies参考文献 18被引用 5

一句话总结

本文提出了一种用于室内WiFi定位的在线、自校准同步定位与地图构建（SLAM）框架，通过顺序数据联合估计设备位置和动态信号传播地图。通过将信号强度建模为确定性平均路径损耗模型加上具有高斯过程先验的非参数扰动场，并采用带有粒子滤波的在线期望最大化算法，该方法在无需离线校准的情况下随时间推移提升定位精度，能够适应新障碍物等环境变化。

ABSTRACT

Mobile device localization in wireless sensor networks is a challenging task. It has already been addressed when the WiFI propagation maps of the access points are modeled deterministically. However, this procedure does not take into account the environmental dynamics and also assumes an offline human training calibration. In this paper, the maps are made of an average indoor propagation model combined with a perturbation field which represents the influence of the environment. This perturbation field is embedded with a prior distribution. The device localization is dealt with using Sequential Monte Carlo methods and relies on the estimation of the propagation maps. This inference task is performed online, i.e. using the observations sequentially, with a recently proposed online Expectation Maximization based algorithm. The performance of the algorithm are illustrated through Monte Carlo experiments.

研究动机与目标

• 解决在传统固定传播地图随时间退化的情况下，如何在动态环境中保持高精度室内定位的挑战。
• 通过从移动设备观测中在线估计信号传播地图，消除对昂贵静态现场勘测的依赖。
• 开发一种可自我更新的定位系统，能够适应新障碍物或家具重新排列等环境变化。
• 利用顺序数据同时估计设备位置和传播地图参数，随时间推移提升鲁棒性和精度。

提出的方法

• 将接收信号强度指示（RSSI）观测建模为参数化平均路径损耗模型与表示阴影效应和反射等环境影响的非参数扰动场的组合。
• 实现一种贝叶斯半参数模型，其中扰动场被赋予具有未知超参数的高斯过程先验。
• 使用在线期望最大化（EM）算法，从流式RSSI数据中递归估计传播地图参数和超参数。
• 采用粒子滤波实时估计移动设备位置，基于已估计的传播地图。
• 为单个接入点（AP）引入分块更新策略，允许使用部分数据流对每个AP的信号地图进行增量优化。
• 通过定期重新初始化充分统计量并使用已知真实值的测试数据集验证性能，稳定在线EM算法。

实验结果

研究问题

• RQ1 基于WiFi的定位系统是否能在无需依赖预校准传播地图的情况下，在动态室内环境中保持高精度？
• RQ2 与固定离线模型相比，在线学习信号传播地图如何随时间影响定位性能？
• RQ3 自校准SLAM系统在多大程度上能适应新障碍物或家具重新排列等环境变化？
• RQ4 增量式、针对特定AP的地图更新对整体定位精度和收敛速度有何影响？

主要发现

• 定位误差（以估计位置与真实位置之间距离的0.8分位数衡量）随系统从新数据中学习而逐渐降低，表明其精度随经验积累而提升。
• 对于部分接入点（如AP 10），系统在约7次更新后达到稳定性能，误差稳定在2米以下。
• 最终估计的传播地图（图8）显示出通过墙体的合理信号衰减模式，证实了模型捕捉环境扰动的能力。
• 该方法对不完整数据具有鲁棒性，即使每次观测中仅可见部分AP，系统仍能有效收敛。
• 该算法在包含1,100次RSSI测量值的12条预定义路径的真实世界测试数据集上得到验证，表明每次地图更新后性能均持续提升。
• 在动态环境中，该方法优于静态地图模型，因其能持续适应环境变化而无需重新勘测。