深度强化学习（DRL）：无监督无线定位的另一视角
机器学习
2020-04-10 v1 信号处理
机器学习
摘要
位置是将物联网（IoT）数据空间化的关键。然而，使用低成本 IoT 设备进行鲁棒的无监督定位（即无需具有已知位置标签的训练数据的定位）具有挑战性。因此，本文提出一种基于深度强化学习（DRL）的无监督无线定位方法。主要贡献如下。(1) 本文提出一种将连续无线定位过程建模为马尔可夫决策过程（MDP）并在 DRL 框架中处理的方法。(2) 为缓解使用无标签数据（如日常众包数据）时获取奖励的困难，本文提出一种奖励设置机制，从无标签无线接收信号强度（RSS）中提取鲁棒地标数据。(3) 为降低使用 DRL 进行定位时对模型重训练的要求，本文使用 RSS 测量值与智能体位置共同构建 DRL 输入。所提方法通过使用来自牧场中多个 Bluetooth 5 智能耳标的外场测试数据进行了测试。同时，实验验证过程反映了在无线定位中使用 DRL 的优势与挑战。
引用
@article{arxiv.2004.04618,
title = {Deep Reinforcement Learning (DRL): Another Perspective for Unsupervised Wireless Localization},
author = {You Li and Xin Hu and Yuan Zhuang and Zhouzheng Gao and Peng Zhang and Naser El-Sheimy},
journal= {arXiv preprint arXiv:2004.04618},
year = {2020}
}