文摘

本文提出使用wi - fi ToF和深度学习的方法来构建一个廉价、实用、和高度精确的IPS。补充,而不是使用经典的几何方法(如multilateration),它使用一个数据驱动的方法,即。位置指纹识别技术。指纹的位置,在这种情况下,是一组之间的wi - fi ToFs目标设备和一个接入点(AP)。因此,APs的数量在规定的面积的大小。指纹的位置指纹识别技术需要收集不同的位置在该地区建立一个参考数据库或地图。这个数据库或地图包含的信息用来进行位置指纹识别技术的主要任务,即估计的位置指纹设备根据其位置。对于这个任务,我们建议使用一个完全连接的深层神经网络(FCDNN)模型作为定位引擎。给出的模型是一个位置指纹作为输入来产生估计位置坐标作为输出。我们进行实验分析的影响可用美联社对数据集,从1独特的美联社,美联社2对,,使用WKNN和FCDNN来比较它们的性能。我们的实验结果表明,IPS DeepIndoor,可以达到平均定位误差或0.1749米,均方误差和均方根误差场景3的0.5740米,1 - 10美联社对或使用原始数据集。

1。介绍

5 g和物联网应用程序的目的是改善人们的日常生活,改变很多事情,从传统智能(1,2]。通过高效的数据包广播访问和可调带宽,它将提供更好的数据传输速度,减少延迟3]。其中,深入学习理论被认为是最有前途的技术之一来解决巨大highdimensional数据(4]。许多应用程序需要位置相关信息提供他们的服务。大部分的基于位置的服务(lbs)户外环境是可能由于gnss和全球导航卫星系统(5- - - - - -7)和全球定位系统(GPS) (8]。艺术的状态室外定位技术现在可以被认为是成熟的9)和足够的满足QoS(等相关的服务需求10)和用户移动性(11这取决于所使用的网络体系结构(12]。不幸的是,这为室内的情况并非如此。本地化一个对象或路线在室内使用GPS通常是不可行的由于其卫星发出的信号的损失(13]。室内环境与墙壁和各种对象的复杂性导致了这一现象。关于可以启用的许多潜在的应用,例如,室内wayfinding、资产跟踪、人群监控;不幸的是,没有标准化的室内定位系统解决方案(入侵)然而[5]。

然而,室内定位方案的主题获得了可观的产业和学术界的兴趣(14- - - - - -17]。当前景观的IPS底层连接技术主要包括蓝牙,无线上网,无线个域网,RFID(无线射频识别)和超宽频(宽带)。每个这些技术都有其特点使得IPS。每个提到的特征技术在使一个IPS表中列出1。

表1
IPS底层技术的特点。

用户在哪里的人来说,蓝牙和无线网络通常是首选的其他技术既可用在大多数智能手机了。对于部署成本,wi - fi可以优先于蓝牙的部署无线接入点(APs)在室内设施比蓝牙信号更常见。它使部署Wi-Fi-based IPS便宜比基于蓝牙IPS由于没有需要实现新的基础设施。在超宽频方面,它引导的准确性(见表1)。

然而,超宽频的可用性在智能手机还不是很常见的除了它的部署成本高(22]。这使得一个UWB-based IPS不如Wi-Fi-based IPS或实用的基于蓝牙IPS。虽然做一个IPS的基石,实现廉价、实用、和高度精确的“诱导多能性”仍然是一个挑战23- - - - - -26]。它提出DeepIndoor Wi-Fi-based IPS利用wi - fi信号的飞行时间和深度学习的方法。DeepIndoor利用的优点Wi-Fi-based IPS的实用性和部署成本低,结合深度学习的方法来提高其准确性。它使用一个数据驱动方法的位置推理技术与深度学习,即。,位置指纹。

位置指纹识别技术可以被认为是更健壮的比经典的几何方法(如multilateration)。它不依赖于视距(LOS)沟通良好的估计。位置指纹的位置估计基于其指纹(或一组功能),在这种情况下是一组wi - fi的航班(ToFs)。任务,建议使用一个完全连接深层神经网络(FCDNN)模型作为定位引擎。给出的模型是一个位置指纹作为输入来产生估计位置坐标作为输出。深度学习在不同领域的成功应用27)计算资源变得更便宜和更容易获得,它鼓励我们应用它在这一领域。通过本研究,可以看到我们的主要贡献如下:(我)我们设计一个廉价、实用、和高度精确的IPS使用wi - fi ToF和深度学习的方法。(2)我们进行大量的实验来评估可用美联社对场景的条件和优化WKNN算法和定位引擎的性能或DeepIndoor公开数据集可以访问(28]。(3)我们详细的结构和配置定位引擎,鼓励其应用在其他台或者使用其他功能比wi - fi ToF未来的发展。

本文的其余部分被分为几个部分:部分2提出了一些以前的相关工作,部分3我们的系统模型细节,部分4涵盖了我们的实验设置,部分5显示了我们的研究结果发现,部分6提供了本研究的结论。

室内定位系统或IPS由无线电frequency-based系统和nonradio-frequency-based系统。frequency-based系统,即wi - fi,有几个本地化参数,包括基于距离和方向(29日]。在距离为基础,基于信号和时间。在基于信号,有RSSI和CSI。在基于时间的,有ToF和RTT。本地化参数,ToF是APs的时差开航时间和到达时间的用户。缺点是时间同步,需要对APs和用户,和更高的成本。优势包括巨大的抗多径效应和高定位精度。其他本地化参数,RSSI接收信号强度指示器,由功率损耗计算距离,APs和用户之间的信号强度不足。弱点是容易噪声、多路径效应,仿真结果,力量很容易实现,不需要同步的时间和额外的硬件。因此,如果优先级是高精度,ToF可以被视为RSSI定位参数。 However, the RSSI localization option might be preferred over ToF if the priority is low price. To estimate the user position, the positioning algorithm is needed to calculate the localization parameter.

基于范围的方法有三边测量和range-free方法像指纹利用本地化参数。用户的位置估计方法在二维空间需要至少三个测量APs (30.,至少有四个APs所需的3 d空间。

马等。31日)提出了一个新颖的定位算法来提高wi - fi RTT测距的定位结果。他们也解释了wi - fi好时间测量(英尺分)的特征。的结果,该方法实现了定位误差1.20米的静态和动态定位的1.31米。

周et al。32)提出了一种新颖的室内定位系统算法和矩阵完成和锚的选择。的结果,该方法实现了定位误差为1.52米。

在指纹识别算法,有确定性如卡尔曼滤波器的方法,神经网络,然而,WKNN,支持向量机,DT, PCA,神经网络和概率方法如高斯分布,粒子滤波,内核方法,隐马尔科夫模型和朴素贝叶斯方法。例如,使用指纹识别算法和卡尔曼滤波器,Giovanelli et al。33)提出了一种新颖的室内定位系统和ToF RSSI数据融合。数据融合的平均均方根误差约为50%低于使用RSSI数据时,分别为5.69米和2.78米。该系统利用ToF和RSSI的依赖所在的特点。ToF测量可能有大的波动,因为抖动,解决有限时间间隔,或两者的结合。因此,它可以减少与平均(34- - - - - -36]。虽然ToF的影响范围可能会降低测量的距离,不过,RSSI测量的不确定性可能会随着距离的。因此,RSSI和ToF数据可能是相辅相成的。

Rizk et al。37)提出了一种使用wi - fi RTT和RSSI的室内定位系统。解决信号波动的问题,指纹识别的干扰,多路径传播错误,和仿真结果传输,该系统实现了0.51米和0.59米的定位误差,分别为办公室和实验室环境。

辛格et al。38]概述基于机器学习的室内定位系统与wi - fi RSSI指纹。这项调查提供了一个ML-based wi - fi RSSI指纹的室内定位和比较它们的性能。毫升的性能预测模型如DT,支持向量机,然而,安,延时,CNN, RNN,和DQN比较基于分类精度,定位误差、健壮性、可伸缩性、复杂性、定位空间和数据库使用。同时,作者评估,CNN (39)具有较高的鲁棒性、高可伸缩性和低复杂性。然后,从室内定位方案的观点总结表,它可以得出结论,然而,可以增加鲁棒性和减少定位误差,而主成分分析可以减少复杂性减少计算时间。他们还总结了可用的开源数据集的列表。

下巴等。40)提出了一个MIMO-based室内定位与CSI数据使用人工神经网络。他们比较的性能GCNN、CNN和FCNN。低于0.2米的误差距离GCNN超过90%,误差低于0.2米的距离是75%的提议CNN,和错误是FCNN以上0.4米的距离。

3所示。系统模型

3.1。位置指纹

位置指纹是一个位置推理技术,利用位置无关的特征来推断估计位置在哪里(它把41]。指纹,在这种情况下,一组特征或特征的位置。本研究利用wi - fi ToF,指纹是一组wi - fi ToFs。位置指纹识别技术包括两个阶段:(i)离线阶段,(2)在线阶段。收集实验中不同位置的特点建立一个参考数据库或地图在离线阶段。这个数据库包含各种指纹与各自的位置坐标。在线阶段,一个未知的位置收集的特点建立其指纹。指纹未知的位置然后与指纹存储在数据库的引用来估计未知的位置在哪里。的高级视图位置指纹技术是描绘在图1。


图1
位置指纹技术的高级视图。
3.2。wi - fi ToF

测量的ToF wi - fi信号已经成为可能的时间介绍了细时间测量(英尺分)协议在-2016年IEEE 802.11标准。客户端之间的通信设备和AP英尺分协议如图2。


图2
英尺分协议说明。

两个设备之间的ToF视为往返时间(RTT)的一半。因此,客户端设备和AP之间ToF(如图2)可以计算如下: 在哪里t1,t2,t3,t4时间戳记录在本地设备指示到达时间(ToA)或开航时间(ToD)相应的消息。

本研究使用一个公开的数据集(可以在[访问28对我们的实验)。数据集由记录wi - fi信号从一个传输 设备接收 设备。托德和ToA相应的wi - fi信号在每个记录是可用的。每个记录的ToF可以制定如下:

指纹特征基于ToF, ToF 来 ,ToA信号的评估 ,托德信号的评估 ,和评估错误路径ψ, , , ,和 ,分别。注意的价值 不是提供的数据集。然而,它认为的价值e的愿意被捕获的特征,因为它代表了区域条件。

3.3。FCDNN作为定位引擎

FCDNN作为定位引擎的作用,在这种情况下,估计客户端设备的位置是基于其位置指纹。FCDNN的输入层神经元的个数等于数据集特征的数量。此外,在输出层神经元的数目取决于二维或三维空间坐标。在我们的例子中,有6中可用的特性数据集和10 APs在该地区,他们使用三维笛卡尔坐标系来表示客户端设备的位置。然而,我们只是用5特性和省略的列显示AP指数以评价模拟情况。FCDNN对于这种情况下的结构如图3。另一方面,隐藏层的数量和他们的神经元没有指定最初(在另一个部分)。


图3
FCDNN作为定位引擎的结构与6 APs的区域。
3.4。使用FCDNN

使用FCDNN,它需要喂它的输入位置指纹。在图3,所示输入层的每个元素输入连接到一个神经元。因此,对于输入的 ,输入层中的每个神经元的激活值如下: 在哪里xj表示jth输入的元素 表示的激活值jth输入层神经元。

为其余层,每个神经元连接到所有的神经元在前面的层(见图3)。确定隐层和输出层神经元的激活值如下:

激活的价值jth神经元在我th层,链接的重量 来 ,激活的偏见jth神经元在我th层,层数表示 , , ,和l分别。注意,在方程(4),它实现了修正线性单元(ReLU)函数在计算神经元的激活值。

生成的输出FCDNN基于输出层神经元的价值。如图3,输出层中的每个神经元连接到一个输入元素。因此,FCDNN的输出计算如下: 在哪里 表示输出,即估计位置坐标(或标签) 表示输出层神经元的数目。

3.5。优化FCDNN

通过改变模型的参数 ,如重量和偏见,FCDNN优化。这个过程的目的是使模型更好地做它的任务。为此,它使用梯度下降法来最小化代价函数 通过更新的每个元素 相反的方向成本函数的梯度 w.r.t.的元素 (41]。

模型的成本使用均方根误差(RMSE),因为它认为这个问题是一个回归的问题如下:

样本数量,重量和偏见,真正的标签我th样本,估计的标签我th样本所示米,d, ,和 ,分别。请注意, 和 平等既取决于模型的参数。

使用梯度下降法来更新参数,采用随机梯度下降法(SGD)算法(41]。此外,minibatch SGD提高计算效率。我们使用梯度加速收敛的时刻的估计和减缓学习的快速衰减率(42,43]。首先,计算 这是成本函数的梯度w.r.t.参数 的步伐t如下:

在获得 ,计算的值 和 ,的指数移动平均梯度和平方梯度,分别。计算如下: 在哪里 是hyperparameter控制相应的移动平均线和指数衰减率 和 是第一个时刻(均值)和第二个生的时刻(偏心方差)的梯度估计,分别。

自的价值 和 初始化为0,配重校正和偏差纠正 和 执行来抵消目前估计,偏向零在最初的步伐。bias-corrected的价值 和 计算如下: 在哪里 和 分别表示weight-corrected和bias-corrected。最后,它可以更新模型的参数如下: 的参数 ,最大限度地减少 估计。每个被加数函数 通常是相关的吗我th观测数据集(用于培训)。的hyperparameter ,或学习速率,控制每个迭代的步长。

4所示。实验设置

4.1。试验台的地图

本研究中使用的数据集是来自28]。数据集由ToF测量在特定区域的4410个地点。在创建每个位置的指纹之前,我们检查了所有的APs可在每4410个地点。一双的地点1,2,3,可以听到更多的APs区域。然后,我们让这些APs对位置3的场景。美联社1 AP对,2 - 10对,美联社1 - 10对,还是原始数据集模拟如表所示2。ToF测量样品在4410个不同的地点在特定区域。在我们的实验中,我们的目标是评估客户端设备位置基于客户端设备之间的wi - fi ToFs和可用的APs在该地区。表3提供了一个例证的测量数据在一个特定的地点,在每个客户端位置(X,Y,Z),有ψ或ToF-based特性之间的Tx设备和设备或用户处方设备或APs。然后,这些特性可从距离(m)的数据集。一些客户端位置(X,Y,Z)可能有1、2、3、4、5或更多可以从附近的APs ToF-based特性。例如,在表中4,可用的数据集有4 ToF-based特性从4附近APs端位置(−0.74769843米,7.46585460米,1.4米)和(−0.72188836米,8.71135620米,1.4米)。

表2
模拟场景。
表3
测量数据在某个位置的一个例子。
表4
的指纹点(−0.74769843,7.46585460,1.4),(−0.72188836,8.71135620,和1.4)根据测量数据表3。
4.2。培训、验证和测试数据集

从ToF测量样本,它可以创造4410个指纹,每个指纹试验台属于一个位置。这些指纹分成不同训练集和测试目的。80%的人用于训练,剩下的20%是用于测试。因此,指纹在训练和测试数据集的数量是3528和882,分别。在表4为场景1,1006美联社从数据集过滤和指纹。因此,指纹在训练和测试数据集的数量是805和201,分别。此外,包含2689年的指纹被过滤的数据集对于场景2,其中包括2美联社对以上,10美联社对。因此,指纹在训练和测试数据集的数量是2151和538,分别。此外,场景3,至少有一对美联社和十美联社对过滤掉的数据集4410指纹。因此,指纹在训练和测试数据集的数量是3528和882,分别。请注意,舍入。然后,对于这三个场景,2算法WKNN和提出FCDNN模拟比较性能预测用户的位置。

4.3。模型的Hyperparameters

每个hyperparameter的价值模型的详细表5。有批量大小的选择,时代,隐层,隐层神经元,和 。

表5
我们的模型的hyperparameter设置。

5。结果

5.1。探索模型结构

实验开始通过训练WKNN和拟议中的FCDNN模型,每个模型都有一个不同组合的AP对过滤的数据集。获得他们的准确性,3场景模拟来预测用户的位置(X,Y,Z)。因此,在美联社对数量方面,这些模型测试的准确性。请注意,准确性和over-fitness之间有一个权衡;因此,两者之间的平衡的目的。定位误差的计算l2范数估计和真实之间的位置方程(11), 表示的定位误差我th的例子。

5.2。探索模型结构

加权再:如图4的定位误差X,Y,Z在WKNN算法所示。可以看出,如果真值的分布更浓缩的预测线附近也是线性的,该算法可以被认为是更准确。此外,因为每个用户的z位置是相同的(1.4米),WKNN算法可以识别用户的分布z立场和预测,所有用户z职位将在一个位置的值几乎1.4。这可能推断WKNN能够区分用户xy和z位置分布,用户x和y位置有不同的分布。此外,区分用户z位置和他们都有相同的值在一个分布。数据5和6显示WKNN损失K= (1,39]。可以看出,0.9424米和1.3635米RMSE场景3中是最低的K= 3,所使用的数据集1以上,10美联社对分布。场景1和2,损失和RMSE最低K= 2。此外,场景1K= 2最大3.1136米和2.4771米RMSE损失。因此,为了让WKNN实现低损耗和RMSE,美联社对分布2甚至1场景3中是必要的。

(一)
(一)
(b)
(b)
(c)
(c)
图4
WKNN预测(a) 1 AP对美联社(b) 2 - 10对,(c) 1 - 10美联社对。
(一)
(一)
(b)
(b)
(c)
(c)
图5
WKNN损失(a) 1 AP对美联社(b) 2 - 10对,(c) 1 - 10美联社对。
(一)
(一)
(b)
(b)
(c)
(c)
图6
WKNN RMSE (a) 1 AP对美联社(b) 2 - 10对,美联社和(c) 1 - 10对。
5.3。完全连接神经网络

在图7的定位误差X,Y,Z在提出FCDNN算法所示。可以看出,如果真值的分布更浓缩的预测线附近也是线性的,该算法可以被认为是更准确。此外,因为每个用户的z位置是相同的(1.4米),FCDNN预测用户的方法z位置有多种点值从1.39米到1.49米,但无法辨别用户的z位置分布。因此,可以推断,一个分布,FCDNN无法区分用户z用户位置分布x和y位置有不同的分布,无法区分用户z在一个地方,因为他们都有相同的值分布。数据8和9显示该FCDNN损失1000时代进行训练和测试。可以看出,0.1749米和0.5740米RMSE在场景3最低,所使用的数据集1以上,10美联社对分布,0.6277损失和0.6277 RMSE场景1中是最高的。因此,为了让FCDNN实现低损耗和RMSE,美联社对分布2甚至1场景3中是必要的。

(一)
(一)
(b)
(b)
(c)
(c)
图7
FCDNN预测(a) 1 AP对美联社(b) 2 - 10对,(c) 1 - 10美联社对。
(一)
(一)
(b)
(b)
(c)
(c)
图8
FCDNN损失(a) 1 AP对美联社(b) 2 - 10对,(c) 1 - 10美联社对。
(一)
(一)
(b)
(b)
(c)
(c)
图9
FCDNN RMSE (a) 1 AP对美联社(b) 2 - 10对,美联社和(c) 1 - 10对。
5.4。性能比较WKNN FCDNN

在表6损失和RMSE, FCDNN低于WKNN在所有3个场景,如果有更多样的APs可访问,两种算法的性能更有可能得到改善。WKNN有最低损失和RMSE 0.9424米和1.3635米,分别在场景3或1 AP对。FCDNN有最低损失和RMSE 0.1749米和0.5740米,分别在场景3或1 AP对原始数据集。

表6
WKNN误差指标(a)和(b) FCDNN。

6。结论

拟议的IPS, DeepIndoor结合wi - fi ToF和深度学习的方法,成功地实现本研究的目标,即让实现高精度,廉价、实用的“诱导多能性”。使用深度学习模型,建立FCDNN是为这一目的,允许精度高。DeepIndoor的平均定位误差是0.1749米和RMSE 0.5740米。实现DeepIndoor也便宜和实用,因为它利用wi - fi底层技术,无线网络的可用性在大多数智能手机和无线网络的部署在许多室内设施导致这些优势。因此,精度会增加如果有一双更大的各种各样的美联社分布中可用数据集用于训练和测试。

数据可用性

wi - fi ToF数据集用于支持本研究的结果可在GitHub库(https://github.com/intel/WiFi-Location-Core-PE-and-Measurement-Database)。

的利益冲突

作者宣称没有利益冲突。

确认

作者要感谢大学之间,万隆,愿意提供研究经费和出版成本。FCT /特定部分基金这项工作。这项工作是由之间的大学。