Meta-SimGNN：面向动态配置与多样场景的自适应鲁棒WiFi定位
机器学习
2025-11-19 v1
摘要
为促进深度学习定位的实用化，现有研究旨在通过 meta-learning 解决场景依赖问题。然而，这些研究主要关注环境布局的变化，忽略了设备配置变化（如带宽、接入点(APs)数量和天线数量）的影响。不同于环境变化，设备配置的变化会影响信道状态信息(CSI)的维度，从而损害神经网络的可用性。为此，我们提出Meta-SimGNN，一种集成图神经网络与 metalearning 的 novel WiFi定位系统，以提高定位的泛化性和鲁棒性。首先，我们引入一种细粒度CSI图构建方案，将每个AP视为图节点，以适应AP数量的变化。为结构化每个节点的特征，我们提出了一种幅度-相位融合方法和一种特征提取方法。前者利用幅度和相位构建CSI图像，增强数据可靠性；后者提取一致维度的特征，以解决带宽和天线数量的变化问题。其次，发展了一种基于相似性的 metalearning 策略，以提高在 diverse 场景下的适应性。fine-tuning阶段的初始模型参数通过比较新场景与历史场景的相似性来确定，促进模型快速适应新的定位场景。广泛的实验结果表明，在 various 场景下的商品化WiFi设备上，Meta-SimGNN在定位泛化性和准确性方面优于基线方法。
引用
@article{arxiv.2511.14076,
title = {Meta-SimGNN: Adaptive and Robust WiFi Localization Across Dynamic Configurations and Diverse Scenarios},
author = {Qiqi Xiao and Ziqi Ye and Yinghui He and Jianwei Liu and Guanding Yu},
journal= {arXiv preprint arXiv:2511.14076},
year = {2025}
}