在线动态窗口辅助的两阶段 LSTM 框架用于室内定位
机器学习
2021-09-28 v2 信号处理
摘要
近年来，基于物联网（IoT）的室内定位获得了显著关注，以满足日益增长的室内基于位置服务（LBS）需求。在此背景下，基于惯性测量单元（IMU）的定位备受关注，因为它提供了一种不依赖任何专有传感器/模块的可扩展方案。然而，现有基于 IMU 的方法主要基于统计航向与步长估计技术，存在累积误差问题且计算耗时大，限制了其在实时室内定位中的应用。为解决上述问题，我们提出在线动态窗口（Online Dynamic Window, ODW）辅助的两阶段长短期记忆（LSTM）定位框架。提出了三种 ODW，其中第一个模型使用受自然语言处理（NLP）启发的动态窗口（DW）方法，显著减少了所需计算时间。第二个框架基于信号处理动态窗口（SP-DW）方法开发，以进一步降低两阶段基于 LSTM 模型所需的处理时间。第三种 ODW 称为 SP-NLP，结合了前两种窗口机制以进一步提升整体精度。相较于遭受高张量计算需求或低精度问题的传统基于 LSTM 的定位方法，所提 ODW 辅助模型能够以高精度近实时地执行室内定位。所提 ODW 辅助模型的性能基于真实行人航位推算（PDR）数据集进行评估。结果展示了所提 ODW 辅助技术在以显著减少的计算时间实现高分类精度方面的潜力，使其适用于近实时实现。
引用
@article{arxiv.2109.00126,
title = {Online Dynamic Window (ODW) Assisted Two-stage LSTM Frameworks for Indoor Localization},
author = {Mohammadamin Atashi and Mohammad Salimibeni and Arash Mohammadi},
journal= {arXiv preprint arXiv:2109.00126},
year = {2021}
}