一种基于元学习利用信道状态信息的可泛化室内定位模型
机器学习
2023-06-16 v2 人工智能
摘要
由于智能家居、工业自动化和医疗保健中的各种应用，尤其因更多人依赖无线设备获取基于位置的服务，室内定位近年来受到显著关注。基于深度学习的方案已在使用信道状态信息（CSI）和接收信号强度指示（RSSI）等无线参数准确估计室内环境无线设备位置方面展现出有前景的结果。然而，尽管基于深度学习的方法在获得高定位精度上取得成功，这些模型缺乏泛化性，且无法在新环境部署或在动态环境中不经重训练而运行。本文中，我们提出基于元学习的定位模型，以解决常规训练的基于 DL 的定位模型中持续存在的泛化性不足问题。此外，由于元学习算法需要来自若干不同场景的多样数据集，在定位背景下难以收集，我们设计并提出一种新元学习算法 TB-MAML（Task Biased Model Agnostic Meta Learning，任务偏置模型无关元学习），旨在数据集有限时进一步提升泛化性。最后，我们评估了基于 TB-MAML 的定位相对于常规训练定位模型及使用其他元学习算法定位的性能。
引用
@article{arxiv.2305.13453,
title = {A Meta-learning based Generalizable Indoor Localization Model using Channel State Information},
author = {Ali Owfi and ChunChih Lin and Linke Guo and Fatemeh Afghah and Jonathan Ashdown and Kurt Turck},
journal= {arXiv preprint arXiv:2305.13453},
year = {2023}
}
备注
6 pages, 6 figures, submitted to IEEE GLOBECOM 2023 Added Distribution Statement in first page footnote