面向深度学习的室内定位无线信道感知数据增强方法

室内定位是一个具有挑战性的问题——与户外定位不同——缺乏一种通用且稳健的解决方案。机器学习（ML），特别是深度学习（DL）方法被视为有前景的解决方法。虽然这些方法带来了显著的定位精度，但它们高度依赖于从环境中收集的训练数据。数据收集通常是一项繁琐且耗时的任务，但数据增强（DA）可用于缓解这一问题。本文提出了不同于以往方法的 DA 方法，利用关于无线传输信道和设备的领域知识。这些方法利用收发器中典型的硬件组件漂移和/或信道的统计行为，结合测量的功率时延特征（PDP）。我们全面评估了所提出的方法以显示其有效性。这项调查主要关注诸如测量次数、增强比例以及感兴趣环境等因素对不同 DA 方法有效性的影响。我们显示，在低数据 regime（可用实际测量较少）下，定位精度可提高最高 50%，在高数据 regime 中匹配非增强结果。在此基础上，使用仅 1/4 实际测量数据，所提出的方法可能通过最高 33% 超越仅测量的高数据性能。我们还展示了不同的训练数据分布和质量对 DA 有效性的影响。最后，我们演示了在解决目标和/或源环境数据不足时，将所提出的方法与迁移学习（TL）一起使用的力量。