基于众包指纹与迁移学习的自校准室内定位
信号处理
2021-01-27 v1
摘要
精确的室内定位是第五代（5G）及未来各类无线通信系统的关键需求之一，其应用横跨不同垂直行业。尽管近来已提出许多基于信号指纹的高精度定位方法，但它们绝大多数在部署于传播环境快速变化的室内系统时面临性能退化的问题。为解决此问题，人们采用了众包方法，即经由用户上报在相应数据库中频繁更新指纹。然而，现有晚期众包技术需要精确的室内楼层平面图且无法提供令人满意的精度。本文提出一种低复杂度自校准室内众包定位系统，其结合历史指纹与频繁更新的指纹以实现高精度用户定位。我们提出一种多核迁移学习方法，利用原始与更新信道测量之间的内在关联。我们使用所提方法、采用 2.4GHz 带宽 20MHz 的 Nexus 5 智能手机所进行的室内实验室实验结果表明，在合理的指纹更新开销下达到约一米级精度是可行的。
引用
@article{arxiv.2101.10527,
title = {Self-Calibrating Indoor Localization with Crowdsourcing Fingerprints and Transfer Learning},
author = {Chenlu Xiang and Shunqing Zhang and Shugong Xu and George C. Alexandropoulos},
journal= {arXiv preprint arXiv:2101.10527},
year = {2021}
}
备注
To appear at ICC 2021