基于深度神经网络的室内定位范围-角度概率图
信号处理
2025-08-19 v1
摘要
室内定位的准确性和高精度，正如同确保户外环境中可靠导航一样重要。使用最先进的深度学习模型可提供更好的可靠性和准确性，以导航和监控飞机舱内准确位置。我们利用模拟的飞机舱环境测量数据，提出一种残差神经网络（ResNet）模型来预测机舱内的准确位置。这些测量包括标签与锚点之间的长度和角度，这些长度和角度随后被映射到网格作为长度和角度残差。这些残差图随后被转换为概率网格图，其中网格的每个单元格显示其为真实位置的可能性。这些网格图以及真实位置随后作为输入用于训练ResNet模型。由于任何深度学习模型都涉及大量参数设置，因此进行超参数优化，以获得有效训练模型、 achieving 最高准确率所需的最佳参数。一旦获得模型的最佳超参数设置，便对其进行训练以预测位置，从而实现厘米级的定位精度。
引用
@article{arxiv.2508.12746,
title = {Range-Angle Likelihood Maps for Indoor Positioning Using Deep Neural Networks},
author = {Muhammad Ammad and Paul Schwarzbach and Michael Schultz and Oliver Michler},
journal= {arXiv preprint arXiv:2508.12746},
year = {2025}
}