用于单接入点 CSI 室内定位的 CNN-LSTM 量化器

本文提出了一种卷积神经网络(CNN)与长短期记忆(LSTM)量化器相结合的网路结构,用于 WiFi 指纹室内定位。与仅利用空间数据结合分类模型的常规方法不同,我们的 CNN-LSTM 网络从单个路由器提取接收到的信道状态信息(CSI)的时空特征。此外,所提出的网络构建了一个量化模型,而非如多数文献工作中的有限分类模型,从而能够估计与参考点不完全相同的测试点位置。我们分析了 CSI 的不稳定性,并给出了采用综合滤波与归一化方案的缓解方法。定位精度通过大量现场实验进行了验证,实验使用包括手机(Nexus 5)和笔记本电脑(Intel 5300 NIC)在内的多种移动设备,在数百个测试位置上进行。仅使用单个 WiFi 路由器,我们的结构实现了 2.5~m 的平均定位误差,其中 $\mathrm{80\%}$ 的误差小于 4~m,在相同测试环境下优于其他已报道算法约 $\mathrm{50\%}$。