SGP-RI：基于稀疏高斯过程的实时可训练和去中心化的 IoT 室内定位模型
信号处理
2024-09-04 v1 机器学习
网络与互联网体系结构
摘要
IoT 设备正在现场部署，室内计算的巨大潜力尚未被充分利用。将其用于室内定位因此成为激动人心的研究领域。传统方法的训练与部署基于具有丰富计算资源的集中服务器，这种集中方法面临数据无法适应室内电磁环境的动态不可预测性、模型再训练成本以及集中服务器易受安全 breach 等挑战。为缓解这些挑战，我们计划将传统室内定位方法的离线和在线阶段整合，提出一种基于稀疏高斯过程（Sparse Gaussian Process）的实时可训练去中心化 IoT 室内定位模型，称为 SGP-RI，其中通过 reference point 和无线接入点过滤，分别降低了输入数据的数量和维度。基于多建筑多楼层静态数据库以及单建筑单楼层动态数据库的实验结果表明，所提出的 SGP-RI 模型虽然仅使用不足原训练样本一半的诱导输入，却能产生与标准高斯过程模型（使用全部训练样本）相当的定位性能。SGP-RI 模型实现了室内定位的去中心化，便于部署到资源受限的 IoT 设备，从而提供增强的安全性和隐私性、降低成本以及减少网络依赖。该模型的实时训练能力使其能够快速适应时间变化的室内电磁环境。
引用
@article{arxiv.2409.00078,
title = {SGP-RI: A Real-Time-Trainable and Decentralized IoT Indoor Localization Model Based on Sparse Gaussian Process with Reduced-Dimensional Inputs},
author = {Zhe Tang and Sihao Li and Zichen Huang and Guandong Yang and Kyeong Soo Kim and Jeremy S. Smith},
journal= {arXiv preprint arXiv:2409.00078},
year = {2024}
}
备注
10 pages, 4 figures, under review for journal publication