基于数据驱动建模的无校准感应磁场室内外定位
信号处理
2026-02-03 v1
摘要
基于感应磁场的定位因其对非视距条件、环境动态和无线干扰的鲁棒性，为基于波的定位技术提供了一种稳健的替代方案。然而，现有的磁定位系统通常依赖于解析场反演、手动校准或特定于环境的指纹识别，限制了其可扩展性和可迁移性。本文提出了一种数据驱动的IMF定位框架，该框架使用监督学习将感应磁场测量值直接映射到空间坐标，消除了显式的环境特定校准。通过用基于学习的推理替代显式场建模，所提出的方法捕获了非线性场相互作用和环境效应。方向不变的特征表示实现了与旋转无关的部署。该系统在多个室内环境和室外部署中进行了评估。与经典和深度学习基线的基准测试表明，随机森林回归器在2D定位中实现了低于20厘米的精度，在3D定位中实现了低于30厘米的精度。跨环境验证表明，在室内训练的模型无需重新训练即可泛化到室外环境。我们通过改变发射器间距进一步分析了可扩展性，表明可以通过部署密度来平衡覆盖范围和精度。总的来说，这项工作表明数据驱动的IMF定位是现实世界定位的一种可扩展且可迁移的解决方案。
引用
@article{arxiv.2602.00817,
title = {Calibration-Free Induced Magnetic Field Indoor and Outdoor Positioning via Data-Driven Modeling},
author = {Qiushi Guo and Matthias Tschoepe and Mengxi Liu and Sizhen Bian and Paul Lukowicz},
journal= {arXiv preprint arXiv:2602.00817},
year = {2026}
}