基于强化学习信息融合的混合室内定位
人工智能
2022-10-28 v1 信号处理
摘要
本文的动机源于智慧城市（SC）概念对未来全球城市化管理的重要性。在所有基于物联网（IoT）的通信技术中，低功耗蓝牙（BLE）在全城范围的决策和服务中扮演着至关重要的角色。然而，接收信号强度指示器（RSSI）的剧烈波动，使得该技术在动态室内跟踪/定位方法中，无法成为应对不断变化的智慧城市环境时具有可接受精度的可靠解决方案。最新版本的BLE v.5.1通过利用基于到达角（AoA）的测向方法，为跟踪用户提供了更好的可能性，该方法更为可靠。但仍有一些根本性问题有待解决。现有工作主要侧重于实现独立模型，忽视了潜在的融合策略。本文针对这一空白，提出了一种新颖的基于强化学习（RL）的信息融合框架（RL-IFF），该框架将AoA与基于RSSI的粒子滤波和基于惯性测量单元（IMU）的行人航位推算（PDR）框架相结合。通过一系列全面的实验对所提出的RL-IFF解决方案进行了评估，结果表明其性能优于同类方案。
引用
@article{arxiv.2210.15132,
title = {Hybrid Indoor Localization via Reinforcement Learning-based Information Fusion},
author = {Mohammad Salimibeni and Arash Mohammadi},
journal= {arXiv preprint arXiv:2210.15132},
year = {2022}
}