文献来源：Nowicki M, Wietrzykowski J. Low-effort place recognition with WiFi fingerprints using deep learning[C]//Automation 2017: Innovations in Automation, Robotics and Measurement Techniques 1. Springer International Publishing, 2017: 575-584.
https://arxiv.org/abs/1611.02049v2
CatalyzeX: machine intelligence to catalyze your projects
GitHub - vohoaiviet/indoor_localization
GitHub - kyeongsoo/indoor_localization: Research on indoor localization
摘要
使用WiFi信号进行室内定位是现有个人室内定位系统在移动设备上运行的主要定位方式。WiFi指纹识别也用于移动机器人，因为WiFi信号通常在室内可用，可以提供粗略的初始位置估计，也可以与其他定位系统一起使用。目前，最好的解决方案依赖于过滤、手动数据分析和耗时的参数调优来实现可靠和准确的定位。
在这项工作中，我们提出使用深度神经网络来显著降低定位系统设计的人力负担，同时仍然取得令人满意的结果。假设采用最先进的分层方法，我们采用深度神经网络系统进行建筑/楼层分类。
我们证明了堆叠自编码器可以有效地减少特征空间，以实现鲁棒和精确的分类。在公开可用的UJIIndoorLoc数据集上验证了所提出的架构，并将结果与其他解决方案进行了比较。
1 Introduction
室内定位是一项具有挑战性的任务，目前还没有适用于所有可能应用的通用解决方案。外部基础设施，如网络摄像机，在有限的区域内是有效的定位[1]。在大型建筑物中，最精确的agent姿态估计是通过激光扫描仪[2]、被动摄像机[3]或主动RGB-D传感器[4]获得的。使用这些传感器可以同时定位智能体和构建环境地图，从而解决同步定位和地图(SLAM)问题。不幸的是，激光扫描仪价格昂贵，而处理相机或RGB-D图像的计算要求很高，需要复杂的处理管道才能达到令人满意的结果[5]。在SLAM中，我们假设没有关于建筑结构的先验信息可用。然而，在实际应用中，通常可以在定位系统运行之前收集建筑物平面图。有了先验地图，我们就可以利用WiFi信号信息进行室内定位。
如今，WiFi网络在公共建筑、办公室、商场等无处不在。此外，几乎每个移动机器人都配备了WiFi适配器，用于连接互联网或远程操作。这些适配器也常见于手机和平板电脑中，可用于个人室内定位[6]。因此，WiFi信息可以用来提供粗略的全球位置估计，而不需要额外的外感传感器成本。阻碍这种解决方案在室内定位中广泛应用的一个重要问题是，在定位系统运行之前，需要对整个环境进行调查，以获得WiFi信号强度图。因此，在本文中，我们研究深度学习-一种最新且强大的机器学习范式是否可以从稀疏扫描地图上的WiFi数据提供全球位置识别解决方案，并且大大减少了手动调优的工作量。
2 Related Work
移动机器人使用WiFi进行室内定位是一个古老的想法[7]，在使用粒子滤波方法并将WiFi定位与里程计读数相结合的系统中被证明是有效的[8]。可能的应用环境包括已有WiFi基础设施的建筑物，而其他解决方案过于昂贵或不够可靠，例如炼油厂检查[9]。虽然最先进的WiFi系统用于移动设备(智能手机)的个人室内定位，以便在建筑物内提供有效的导航，并允许收集有关购物中心，机场等客户活动的统计信息。
使用移动设备或移动机器人中的WiFi适配器进行的典型WiFi扫描包含了观察到的WiFi网络名称、MAC地址和相应的信号强度(以dBm为单位)。位置估计方法可分为WiFi测距[10]和WiFi指纹[11]两大类。在WiFi测距中，利用WiFi信号波的特性直接估计到接入点(ap)的距离。这些解决方案适用于清晰的视线，但由于多重信号遮挡、墙壁反射和人的整体影响，在建筑物内不切实际。WiFi指纹识别方法侧重于有效地将已实现的WiFi扫描与预先记录的建筑物内扫描数据库进行比较，因此对局部信号干扰的鲁棒性更强。
基于参加室内定位和室内导航年度会议(indoor Positioning and indoor Navigation conference)智能手机定位挑战赛的系统，提出了使用WiFi指纹识别的室内定位系统(ILS)的处理流程[12]。目前最先进的WiFi指纹识别方法采用分层方法进行室内定位，其中捕获的扫描首先用于精确估计用户所在的建筑物。最常见的解决方案是将每个接入点与在记录的数据库中观察到该网络最强信号的建筑物相关联。在定位过程中，对WiFi扫描中的每个网络进行分析，并基于对每个网络的简单投票来定位建筑物。然后提出了类似的程序来估计建筑物内部的适当楼层。建筑物和楼层通常在85% - 95%的情况下正确预测[12]。
估计用户在识别楼层位置的黄金标准是使用kNN (k nearest neighbors)[11]方法，从数据库中查询与分析的WiFi扫描最相似的k个扫描，并对其位置进行平均，从而实现位置估计。一种改进的方法是使用加权kNN[13]，其中最终位置的计算与kNN相似，但每次查询的扫描都由与当前扫描的相似度加权。不幸的是，为了实现精确定位，需要在环境中每1 - 1.5 m记录一次密集而精确的WiFi扫描无线电波图。获取过程很耗时，并且kNN或wkNN算法通常在适合所选建筑的网格参数搜索中进行调整[14]。此外，需要一个耗时的数据分析过程来过滤具有挑战性的数据以提高系统精度。
这些解决方案很难在一个较大的建筑物的情况下进行调整，如果有大量的数据可用。如今，越来越多的可用数据是由配备WiFi适配器的移动设备的普及造成的。因此，机器学习方法是一个很有前途的解决方案，因为它在更大的环境中具有更少的参数调优和更好的可扩展性。在最近的研究中，随机森林[15,16]的应用已经取得了一些成功。据作者所知，这篇文章是第一次介绍使用深度神经网络(DNN)进行WiFi指纹识别