面向IMU辅助BLE邻近检测中多径与有偏训练数据的应对方法
人机交互
2022-01-13 v2
摘要
邻近检测旨在判断IoT接收器是否位于信号发射器一定距离内。由于低成本与高普及度，蓝牙低能耗（BLE）已基于接收信号强度指示（RSSI）用于检测邻近。针对RSSI易受设备携带状态显著影响的问题，已有工作利用深度学习将RSSI与惯性测量单元（IMU）结合。然而，它们未充分考虑多径的影响。此外，受特殊设置所限，训练过程中收集的IMU数据可能存在偏倚，这损害了系统的鲁棒性与泛化能力。该问题此前未被研究。我们提出PRID，一种对RSSI波动与IMU数据偏倚均鲁棒的IMU辅助BLE邻近检测方法。PRID对RSSI作直方图以提取多径特征，并采用携带状态正则化来缓解因IMU数据偏倚导致的过拟合。我们进一步提出基于二值化神经网络的PRID-lite，以大幅削减资源受限设备的内存需求。我们在不同多径环境、数据偏倚水平及众包数据集上进行了广泛实验。结果表明，与现有方法相比，PRID显著减少误检案例（超过50%）。PRID-lite进一步缩减超90%的PRID模型尺寸并延长60%电池寿命，仅以微小精度损失（7%）为代价。
引用
@article{arxiv.2201.03817,
title = {Tackling Multipath and Biased Training Data for IMU-Assisted BLE Proximity Detection},
author = {Tianlang He and Jiajie Tan and Weipeng Zhuo and Maximilian Printz and S. -H. Gary Chan},
journal= {arXiv preprint arXiv:2201.03817},
year = {2022}
}