IndoorGNN：基于图神经网络的WiFi RSSI室内定位方法
信号处理
2023-12-14 v1 机器学习
摘要
室内定位是确定建筑物内人或物体位置的过程。室内定位的潜在用途包括导航、个性化、安全和安保以及资产跟踪。常用的室内定位技术包括WiFi、蓝牙、RFID和超宽带。其中，基于WiFi接收信号强度指示（RSSI）的定位因其广泛可用的WiFi接入点（AP）而受到青睐。我们有两个主要贡献。首先，我们开发了方法'IndoorGNN'，它采用基于图神经网络（GNN）的算法，以监督方式根据在该位置收集的RSSI值将特定位置分类到特定区域。大多数执行此分类的机器学习算法需要大量标记数据点（带有位置信息的RSSI向量）。收集这些数据点是一项劳动密集且耗时的任务。为了克服这一挑战，作为我们的第二个贡献，我们展示了IndoorGNN在受限数据集上的性能。它显示出与完整数据集相当的预测精度。我们在UJIIndoorLoc和MNAV数据集上进行了实验，这些数据集是真实世界的标准室内定位数据集。我们的实验表明，与现有的传统方法和基于GNN的方法相比，IndoorGNN在相同任务上提供了更好的位置预测精度。即使在受限数据集上，它仍然优于这些算法。值得注意的是，其性能不会随着可用数据点数量的减少而大幅下降。我们的方法可用于复杂室内环境中的导航和寻路、资产跟踪和建筑管理、增强具有基于位置服务的移动应用程序，以及在紧急情况下提高安全和安保。
引用
@article{arxiv.2312.07609,
title = {IndoorGNN: A Graph Neural Network based approach for Indoor Localization using WiFi RSSI},
author = {Rahul Vishwakarma and Rucha Bhalchandra Joshi and Subhankar Mishra},
journal= {arXiv preprint arXiv:2312.07609},
year = {2023}
}