[论文解读] Wireless Localisation in WiFi using Novel Deep Architectures

Peizheng Li, Han Cui+5 more|arXiv (Cornell University)|Oct 16, 2020

Indoor and Outdoor Localization Technologies参考文献 26被引用 6

一句话总结

本文提出了一种新型深度学习架构——浅层神经网络（SNN）、卷积神经网络（CNN）和长短期记忆（LSTM）网络，用于基于WiFi的室内定位，利用信道状态信息（CSI）的原始数据和人工设计特征。结果表明，在使用三个接入点的情况下，所有模型均实现了约0.5米的定位精度，而CNN和LSTM将预处理时间减少了6.5小时，推理时间缩短至每样本0.1毫秒，从而实现了高泛化能力的实时部署，适用于多种运动轨迹特征。

ABSTRACT

This paper studies the indoor localisation of WiFi devices based on a commodity chipset and standard channel sounding. First, we present a novel shallow neural network (SNN) in which features are extracted from the channel state information (CSI) corresponding to WiFi subcarriers received on different antennas and used to train the model. The single-layer architecture of this localisation neural network makes it lightweight and easy-to-deploy on devices with stringent constraints on computational resources. We further investigate for localisation the use of deep learning models and design novel architectures for convolutional neural network (CNN) and long-short term memory (LSTM). We extensively evaluate these localisation algorithms for continuous tracking in indoor environments. Experimental results prove that even an SNN model, after a careful handcrafted feature extraction, can achieve accurate localisation. Meanwhile, using a well-organised architecture, the neural network models can be trained directly with raw data from the CSI and localisation features can be automatically extracted to achieve accurate position estimates. We also found that the performance of neural network-based methods are directly affected by the number of anchor access points (APs) regardless of their structure. With three APs, all neural network models proposed in this paper can obtain localisation accuracy of around 0.5 metres. In addition the proposed deep NN architecture reduces the data pre-processing time by 6.5 hours compared with a shallow NN using the data collected in our testbed. In the deployment phase, the inference time is also significantly reduced to 0.1 ms per sample. We also demonstrate the generalisation capability of the proposed method by evaluating models using different target movement characteristics to the ones in which they were trained.

研究动机与目标

• 利用商用WiFi硬件和标准信道探测技术，实现高精度、实时的室内定位。
• 评估浅层与深度神经网络在无需依赖人工特征工程的情况下，从CSI中提取定位特征的有效性。
• 比较SNN、CNN和LSTM模型在实际室内环境中的性能、复杂度和鲁棒性。
• 评估模型在不同目标运动特征和数据排列方式下的泛化能力。
• 减少数据预处理时间和推理延迟，以实现可部署的、低资源消耗的定位系统。

提出的方法

• 在从CSI中提取的人工设计特征上训练浅层神经网络（SNN），包括到达角（AoA）估计和子载波主成分分析（PCA）。
• 设计卷积神经网络（CNN）以直接处理原始CSI矩阵，采用1×1、1×3、3×1和3×3卷积核，随后进行最大池化和全连接层。
• 开发长短期记忆（LSTM）网络以建模序列CSI数据中的时间依赖性，通过处理时间序列CSI输入提升跟踪稳定性。
• 使用光学跟踪系统采集了一套新型室内数据集，实现毫米级精度的真值定位。
• 通过随机丢弃训练数据和特征，开展数据增强和消融研究，以评估模型的鲁棒性。
• 在不同场景下进行模型训练与评估，包括不同数量的接入点（APs），其中包含三AP配置。

实验结果

研究问题

• RQ1 轻量级浅层神经网络（SNN）能否利用人工设计的CSI特征实现高精度的WiFi定位？
• RQ2 如CNN和LSTM等深度学习模型能否直接利用原始CSI数据，在无需人工特征工程的情况下实现高定位精度？
• RQ3 接入点（APs）数量如何影响不同神经网络架构的定位精度？
• RQ4 在基于深度学习的定位系统中，模型复杂度、训练时间和推理延迟之间存在何种权衡？
• RQ5 所提出的模型对目标运动模式变化和数据排列变化（如缺失数据或特征）的鲁棒性如何？

主要发现

• 在三个接入点配置下，所有提出的模型——SNN、CNN和LSTM——均实现了约0.5米的平均定位误差。
• 与基础CNN相比，采用额外1×1、1×3、3×1和3×3卷积核的深层CNN架构将精度提升了约20%（从0.5663米降至0.4664米）。
• 在CNN和LSTM模型中使用原始CSI数据，相比SNN方法（需人工特征提取），将数据预处理时间减少了6.5小时。
• 深度学习模型的推理时间降低至每样本0.1毫秒，可在资源受限设备上实现实时部署。
• 当在与训练时不同的目标运动特征数据上进行测试时，模型表现出优异的泛化性能。
• 特征失效对模型精度的影响大于数据减少，当50%特征丢失时，精度下降约20%。