用于设备定位与跟踪的邻域无关学习（NObLe）
信号处理
2020-12-01 v1 机器学习
摘要
设备端定位与跟踪对各类应用愈发关键。伴随位置数据量的快速增长，机器学习（ML）技术正被广泛采用。一关键原因在于，在可比精度下ML推断远比GPS查询节能，且GPS信号在特定场景中极不可靠。为此，已有深度神经网络等多种技术被提出。然而在训练时，它们几乎均未融入已知结构信息（如楼层平面图），而此类信息在室内或其他结构化环境中尤为有用。本文认为，最先进系统因无法利用这些关键结构信息，其精度显著更差。该问题极难，因结构属性并非显式可得，使多数结构学习方法不适用。鉴于输入与输出空间均可能蕴含丰富结构，我们借流形投影的直觉研究本方法。现有基于流形的学习主动利用邻域信息（如欧氏距离），而我们方法执行邻域无关学习（NObLe）。我们在两项正交应用上论证本方法有效性，包括基于WiFi的指纹定位与基于惯性测量单元（IMU）的设备跟踪，并表明其相较最先进预测精度有显著提升。
引用
@article{arxiv.2011.14954,
title = {Neighbor Oblivious Learning (NObLe) for Device Localization and Tracking},
author = {Zichang Liu and Li Chou and Anshumali Shrivastava},
journal= {arXiv preprint arXiv:2011.14954},
year = {2020}
}