基于多输出高斯过程的大型建筑群室内定位指纹数据多维增强
网络与互联网体系结构
2022-11-22 v1 机器学习
摘要
Wi-Fi 指纹定位因无需新建基础设施和专用设备的显著优势，成为大规模室内定位的主流方案。然而，在离线阶段用于测量 RSSI 等定位指纹的参考点（RPs）的数量与分布极大影响定位精度；例如，已知 UJIIndoorLoc 存在建筑与楼层间 RPs 空间分布不均的问题。数据增强被提出作为一种可行方案，不仅可改善现有指纹库中 RPs 数量少与分布不均的问题，还能降低构建新指纹库的 labor 与时间成本。本文提出基于多输出高斯过程（MOGP）的大型建筑群室内定位指纹数据多维增强方法，并基于 UJIIndoorLoc 数据库与基于层次化 RNN 的最先进神经网络室内定位模型，系统研究增强比例以及 MOGP 核函数与模型及其超参数对室内定位性能的影响。基于实验结果的调研表明，通过所提基于 MOGP 的多维数据增强，可生成多达原始数据十倍（即增强比例为 10）的合成 RSSI 指纹数据，而相比仅用原始数据不会显著影响室内定位性能，这扩展了组合 RPs 的空间覆盖，从而可能提升非测试数据集所含位置的定位性能。
引用
@article{arxiv.2211.10642,
title = {On the Multidimensional Augmentation of Fingerprint Data for Indoor Localization in A Large-Scale Building Complex Based on Multi-Output Gaussian Process},
author = {Zhe Tang and Sihao Li and Kyeong Soo Kim and Jeremy Smith},
journal= {arXiv preprint arXiv:2211.10642},
year = {2022}
}
备注
10 pages, 6 figures, under review for journal publication