基于相似性感知抽样的5G室内定位域增量学习
计算机视觉与模式识别
2025-07-08 v1
摘要
基于5G数据的室内定位通过采用最新机器学习（ML）技术已实现高精度。然而，随着环境条件变化，基于学习的方法性能显著下降，限制了其在新场景中的应用。为每个环境变化获取新训练数据并微调ML模型既耗时又占用资源。本文引入一种名为5G-DIL的域增量学习（DIL）方法，用于动态5G室内定位，实现快速适应环境变化。我们提出一种基于切比雪夫距离的相似性感知抽样技术，旨在高效从先前环境中选择特定示例，同时仅在新环境的修改区域上进行训练。这无需在整个区域上训练，显著减少了适应所需的时间和资源。该方法仅需约50个来自适应域的示例，大幅缩短训练时间，同时在先前环境中保持高定位精度。针对具有挑战性的真实室内数据集进行的与现有SOTA DIL技术的比较评估表明，所提抽样选择方法有效。我们的方案适用于非视线传播场景，动态环境下的定位误差MAE仅为0.261米。代码：https://gitlab.cc-asp.fraunhofer.de/5g-pos/5g-dil
引用
@article{arxiv.2505.17684,
title = {5G-DIL: Domain Incremental Learning with Similarity-Aware Sampling for Dynamic 5G Indoor Localization},
author = {Nisha Lakshmana Raichur and Lucas Heublein and Christopher Mutschler and Felix Ott},
journal= {arXiv preprint arXiv:2505.17684},
year = {2025}
}
备注
7 pages, 6 figures