基于平面图的室内定位：零样本学习框架、数据集与原型
信号处理
2024-05-24 v1
摘要
机器学习被认为是室内定位的有前景的方法。然而，样本效率、可扩展性和泛化能力仍是实际系统中实现基于学习的算法的开放问题。本文建立了一个无需在新通信环境中进行实际测量的零样本学习框架。具体而言，使用一个可扩展到接入点（AP）和移动设备（MD）数量的图神经网络，用于获取MD的粗略位置。基于粗略位置，利用MD与AP之间的平面图图像，以平面图辅助的深度神经网络提高定位精度。为进一步提高泛化能力，我们开发了一个合成数据生成器，提供在不同场景下的合成数据样本，其中缺乏真实样本。我们在一个原型中实现了该框架，用于估计MD的位置。实验结果表明，我们的零样本学习方法可将与现文献中三个基线相比的定位误差降低约30%到55%。
引用
@article{arxiv.2405.13339,
title = {Floor-Plan-aided Indoor Localization: Zero-Shot Learning Framework, Data Sets, and Prototype},
author = {Haiyao Yu and Changyang She and Yunkai Hu and Geng Wang and Rui Wang and Branka Vucetic and Yonghui Li},
journal= {arXiv preprint arXiv:2405.13339},
year = {2024}
}