基于 UWB 的 RSSI 指纹技术在家庭环境中的日常路径跟踪研究
机器学习
2025-09-09 v1 人工智能
摘要
人体活动识别领域取得了显著进展，这很大程度上得益于物联网 (IoT) 设备技术的发展，尤其是个人设备。本研究探讨了利用超宽带 (UWB) 技术结合深度学习模型在家庭环境中跟踪居住者路径。UWB 技术通过时间差到达和到达时间差估算用户位置，这些方法在真实环境中受到墙体和障碍物的影响，导致精度下降。为解决这些挑战，我们提出了一种基于接收信号强度指示器 (RSSI) 数据的指纹识别方法，该数据来自两个公寓中居住者进行日常活动时收集的情形（60 平方米和 100 平方米）。我们比较了卷积神经网络 (CNN)、长短期记忆网络 (LSTM) 以及混合 CNN+LSTM 模型的性能，并评估了蓝牙技术的应用。此外，我们评估了未来、过去或两者结合使用的时序窗口类型和持续时间对结果的影响。我们的结果显示，平均绝对误差接近 50 cm，突出了混合模型在提供准确位置估计方面的优势，从而促进了其在住宅环境中日常人体活动识别应用的推广。
引用
@article{arxiv.2509.06161,
title = {Tracking daily paths in home contexts with RSSI fingerprinting based on UWB through deep learning models},
author = {Aurora Polo-Rodríguez and Juan Carlos Valera and Jesús Peral and David Gil and Javier Medina-Quero},
journal= {arXiv preprint arXiv:2509.06161},
year = {2025}
}
备注
25 pages, 14 figures