基于极度稀疏指纹的室内定位注意性图元学习
机器学习
2025-04-08 v1 信号处理
机器学习
摘要
基于指纹的室内定位由于需要密集的网格和跨时间和空间的重复测量，往往工作量大。维持极度稀疏指纹的高定位精度仍是一个持久的挑战。现有基准方法主要依赖测量得到的指纹，忽略了有价值的空间和环境特征。在本文中，我们提出了一种系统性的集成方法，结合注意性图神经网络（AGNN）模型，能够学习空间相邻关系并聚合来自相邻指纹的信息，以及利用具有相似环境特征的数据集来增强模型训练的元学习框架。为最小化指纹收集的工作量，我们引入两种新的数据增强策略：1) 利用移动平台进行无标签指纹增强，使半监督AGNN模型能够整合来自无标签指纹的信息；2) 通过环境数字孪生实现合成标签指纹增强，有效提升元学习框架，通过实际分布对齐来最小化合成指纹与真实世界指纹之间的特征差异。在整合这些新模块后，我们提出了注意性图元学习（AGML）模型。该新模型结合了AGNN模型和元学习框架的优势，以解决极度稀疏指纹所面临的挑战。为验证我们的方法，我们从消费级WiFi设备和专业设备中收集了多个数据集，覆盖多种环境。在合成和真实世界数据集上进行的广泛实验表明，基于AGML模型的定位方法在所有评估指标上均显著优于使用稀疏指纹的所有基线方法。
引用
@article{arxiv.2504.04829,
title = {Attentional Graph Meta-Learning for Indoor Localization Using Extremely Sparse Fingerprints},
author = {Wenzhong Yan and Feng Yin and Jun Gao and Ao Wang and Yang Tian and Ruizhi Chen},
journal= {arXiv preprint arXiv:2504.04829},
year = {2025}
}