室内定位最新研究论文总结-2

Posted 2023-03-04 程序员石磊

Multi-sensor integrated navigation/positioning systems using data fusion: From analytics-based to learning-based approaches

基于数据融合的多传感器组合导航/定位系统:从基于分析到基于学习的方法
导航/定位系统已经成为许多应用的关键，如自动驾驶、物联网、无人机和智慧城市。然而，单一的导航/定位技术难以提供鲁棒、精确、无缝的解决方案。例如，全球导航卫星系统(GNSS)无法在室内满意地工作;因此，多传感器集成系统利用不同传感器的互补特性弥补了单一技术的局限性，从而提供了解决方案。本文对多传感器数据融合技术进行了深入的研究，该技术在过去的十年中已被用于组合定位/导航系统。本文将从三个方面对不同的导航/定位系统进行分类和阐述:(1)来源;(2)算法和架构;(3)应用场景，并进一步将其分为两类:(i)基于分析的融合和(ii)基于学习的融合。对于基于分析的融合，我们讨论了卡尔曼滤波器及其变体、图优化方法和集成方案。对于基于学习的融合，将在多传感器组合定位/导航系统中说明几种监督、无监督、强化学习和深度学习技术。将从多个方面详细讨论这些集成系统的设计考虑，并对其应用场景进行分类。最后讨论了未来的研究和实现方向。

Beyond KNN: Deep Neighborhood Learning for WiFi-based Indoor Positioning Systems

超越KNN:基于wifi室内定位系统的深度邻域学习
k - nearest Neighbors (KNN)及其变体WKNN (WKNN)在基于wifi的室内定位系统中具有稳定可靠的性能，近年来在学术界和工业界得到了广泛的研究。这类算法根据选定的最近邻点的局部信息，结合WiFi接收信号强度(received signal strength, RSS)计算出一定的距离度量，从而估计出给定点的位置。然而，该过程没有考虑给定点、WiFi邻居和WiFi接入点(wap)之间的关系信息。为此，提出一种新的深度邻域学习方法(Deep Neighborhood Learning, DNL)。DNL方法将WiFi邻域转换为异构图，并利用深度图学习提取WiFi邻域更好的表示以提高定位精度。在3家大型商场26层的3个真实工业数据集上的实验结果表明，所提方法在大多数情况下可以将平均绝对定位误差降低10% ~ 50%。特别地，与传统的KNN和WKNN相比，该方法大幅降低了均方根定位误差和95%百分位定位误差，对异常值具有更强的鲁棒性

Smartphone-Based Indoor Floor Plan Construction via Acoustic Ranging and Inertial Tracking

基于声学测距和惯性跟踪的智能手机室内平面图构建
缺少室内平面图是普及室内定位服务的主要障碍之一。具有高精度传感器的专用移动机器人可以测量和生成准确的室内地图，但对公众来说，部署仍然很低。现有的一些基于智能手机的三维点云构建方法采用计算机视觉技术，存在大量的图像采集成本和隐私问题风险。文中提出BatMapper-Plus，采用声学测距和惯性跟踪技术，在智能手机上构建精确、完整的室内平面图。它会发出声音信号来测量智能手机到邻近墙壁的距离，并在步行过程中通过围绕建筑产生无障碍区域。它还完善了室内平面图，消除了分散的片段，并确定了连接区域，包括不同楼层之间的楼梯和电梯。此外，本文还提出了一种基于lstm的航位推算模型，该模型利用室外IMU读数和GPS记录进行训练，用于推断室内行走时的步长，从而提高平面图的质量。此外，还阐述了如何将构建的地图用于室内导航，即动态时间规整算法，在地图构建过程中自动匹配当前惯性读数和历史感知数据，以产生细粒度的步行指导。为了与最先进的方法进行比较，我们在教学楼和居民楼进行了广泛的实验。实验结果表明，该方法是有效的，没有任何隐私问题和纹理/光照限制。

Indoor navigation and information sharing for collaborative fire emergency response with BIM and multi-user networking

基于BIM和多用户组网的协同消防应急响应室内导航和信息共享
室内火灾应急协作要求参与者共享关于个人、火灾和资源的各种信息。为了促进响应行动，本研究开发了一个系统来提供必要的信息，计算逃生和救援的路线指导，跟踪受害者的位置，并及时与参与者共享资源。该系统包括一个利用建筑信息模型几何结构的寻路模块，一个通过粒子滤波融合惯性传感器数据和无线信号的定位模块，一个提供紧急相关属性的信息交换模块，以及一个通过多用户环境分发信息的信息共享模块。此外，为了提高计算效率和定位精度，提出了两阶段寻路算法和混合定位方法。通过对比实验，验证了该系统可减少89.29%的计算时间，将定位误差降低到1.36 m。这项研究预计将为开发协同应急响应的数字双胞胎提供明确的见解。

Indoor Positioning Framework for Training Rescue Operations Procedures at the Site of a Mass Incident or Disaster

在大规模事件或灾难现场训练救援行动程序的室内定位框架
利用现代信息技术，构建分诊与救援作业管理演练相关的训练系统。在所提出的训练系统中，我们使用基于移动设备的生命体征模拟器。这些设备生成受害者的生命周期模式，包括作为分诊分类的基础的数值(心跳和呼吸频率，收缩压和舒张压，毛细血管再灌注时间)。使用经过特殊编程的智能手机作为模拟器是一种促进系统启动的临时解决方案。目前，这些模拟器都是基于ESP32芯片实现的，能够连接多种类型的环境传感器。在本文中，我们将介绍基于ESP32片上系统(SoC)的新版受害者模拟器，以及心率监测和伤员定位等新功能。在本文提出的方案中，采用混合Wi-Fi/BLE定位系统，使用第一种技术进行粗定位，其范围较长，使用第二种技术进行细定位，其范围较短。

An Optimization Method Combining RSSI and PDR Data to Estimate Distance between Smart Devices for COVID-19 Contact Tracing

结合RSSI和PDR数据估计智能设备间距离的COVID-19接触者追踪优化方法
距离估计方法在室内定位和COVID-19接触者追踪等许多应用中出现。接收信号强度指示(received signal strength indicator, RSSI)常用于距离估计。然而，由于信号波动的影响，精度并不理想。此外，仅使用rssi的方法由于采用固定的路径损耗模型参数，测距误差较大。本文提出一种结合RSSI和行人航位推算(PDR)数据的优化方法来估计智能设备之间的距离。PDR可以提供较高的行走距离和方向的准确性。通过优化路径损耗模型参数，动态适应复杂的电磁环境。在室内和室外环境中进行了实验，并与仅使用rssi的方法进行了比较。实验结果表明，在室外和室内环境下，平均绝对误差分别降低了0.51 m和1.02 m，比仅使用rssi的方法分别提高了10.60%和64.55%。因此，所提出的优化方法比单纯的rssi方法具有更好的距离估计精度，并通过真实世界的评估验证了其可行性。

LTE RSSI Based Vehicular Localization System in Long Tunnel Environment

长隧道环境下基于LTE RSSI的车辆定位系统
目前的导航系统严重依赖全球导航卫星系统(GNSSs)， GNSSs在露天环境下提供稳定的定位结果，但在密集的城市环境、地下停车场和隧道等信号受损地区，其定位性能严重下降。目前的导航系统使用初始进入速度来估计车辆在隧道中的位置。因此，当车辆的速度发生变化时，所确定的车辆位置就会发生相应的误差。提出了一种新颖的定位技术，利用智能手机在隧道中测量的长期演进(LTE)信号来估计车辆的位置。隧道沿线安装了许多天线，以增加LTE的覆盖范围。因此，LTE接收信号强度指示器(RSSI)在隧道中形成一个独特的模式，有几个峰值。利用累积的LTE RSSI模式估计车辆在隧道中的位置;在隧道内构建LTE指纹后，确定与用户缓冲区LTE RSSI序列相关性最高的位置为当前车辆位置。为了证明所提系统的可行性，我们使用各种现成的智能手机在实际隧道中进行了广泛的现场测试。实验结果表明，该技术在整个隧道空间具有稳定的性能。

Machine Learning in Visible Light Communication System: A Survey

深度学习支持自由空间光通信系统
随着高带宽利用率的广泛应用，可见光通信(visible light communication, VLC)以其同时传输和照明的特点成为满足高速数据通信需求的一种潜在解决方案。然而，VLC中大量的非线性失真给信号处理带来了巨大的挑战，降低了系统的有效性。基于机器学习(ML)方法的VLC通信提供了更大的能力来抵消收发器非线性的负面影响。ML适用于各种VLC挑战，包括信道估计、抖动补偿、位置跟踪、调制检测、相位估计和安全。详细综述了几种降低室内VLC传输设计复杂度的机器学习算法，以及机器学习在不同设计方面的应用，以提高系统性能。讨论了机器学习算法在VLC中的应用、挑战和未来的研究方向。

Device discovery and tracing in the Bluetooth Low Energy domain

蓝牙低能耗领域的设备发现和跟踪
低功耗蓝牙(BLE)是一种无处不在的无线技术。它包含在过去几年制造的大多数商业消费电子设备中，每年生产数十亿台BLE-enabled设备，大多数是可穿戴或便携式设备，如智能手机、智能手表和智能手环。BLE作为物联网(IoT)和消费电子的基石，其成功既是一种优势，可以实现短距离、低成本和低功耗的无线通信，也是一种劣势，从安全和隐私的角度来看。尽管制造商试图避免检测和跟踪，但BLE暴露的数据包使潜在攻击者能够检测、查询实际设备并对其进行指纹识别。BLE标准引入了媒体访问控制(MAC)地址随机化来解决其中的一些问题。本文在对标准允许的交互行为进行分析和数据采集的基础上，讨论了如何检测和指纹识别BLE设备。在本研究中，基于用于分析BLE-enabled设备的四种不同策略，提出了低功耗蓝牙节点检测、询问、(和)识别(BLENDER)框架，用于枚举和指纹BLE设备，以用于人群监控和识别。我们将展示将BLE随机化的MAC地址与实际设备相关联是可能的。然后，我们将描述大规模数据收集的概念证明。此外，为了确定站点的最佳位置，我们基于移动模型创建了一个合成数据集，然后我们模拟了BLENDER方法。后者允许训练机器学习模型来预测在任何特定位置、日期和时间出现的设备的预期数量。

PSO-Based Target Localization and Tracking in Wireless Sensor Networks

基于粒子群优化的无线传感器网络目标定位与跟踪
在无线传感器网络(WSNs)技术应用中，目标定位与跟踪的研究一直是一个值得关注的问题。目标定位与跟踪的研究与应用有很多，如到达角(Angle of Arrival, AOA)、到达时间(Time of Arrival, TOA)、到达时间差(Time Difference of Arrival, TDOA)等。该算法对TOA、TDOA和AOA的目标定位精度优于RSS。然而，在TOA、TDOA和AOA中所需的设备比RSS更昂贵。此外，TOA、TDOA和AOA的计算复杂度也比RSS更复杂。采用基于接收信号强度指数(RSSI)信道模型的粒子群优化(PSO)算法进行室内目标定位与跟踪。当PSO算法的粒子数为12、24、52、72和100时，对随机点组合、规则点组合、固定权值组合和自适应权值组合的8种不同方法以及提出的区域分割方法(RSM)的目标定位与跟踪性能进行了研究。仿真结果表明，提出的RSM方法在不影响目标定位与跟踪精度的前提下，减少了PSO算法中使用的粒子数，提高了定位与跟踪的速度。使用RSM方法进行目标定位和跟踪的总平均定位时间分别减少了48.95%和34.14%，目标跟踪的平均精度达到了93.09%。

Indoor navigation and information sharing for collaborative fire emergency response with BIM and multi-user networking

室内导航和信息共享，用于BIM和多用户网络的协同火灾应急响应
室内火灾应急协作要求参与者共享关于个人、火灾和资源的各种信息。为了促进响应行动，本研究开发了一个系统来提供必要的信息，计算逃生和救援的路线指导，跟踪受害者的位置，并及时与参与者共享资源。该系统包括一个利用建筑信息模型几何结构的寻路模块，一个通过粒子滤波融合惯性传感器数据和无线信号的定位模块，一个提供紧急相关属性的信息交换模块，以及一个通过多用户环境分发信息的信息共享模块。此外，为了提高计算效率和定位精度，提出了两阶段寻路算法和混合定位方法。通过对比实验，验证了该系统可减少89.29%的计算时间，将定位误差降低到1.36 m。这项研究预计将为开发协同应急响应的数字双胞胎提供明确的见解。

On the use of pre-trained image classifiers for fingerprint-based indoor localization

预训练图像分类器在室内指纹定位中的应用研究
指纹识别是一种常用的室内定位技术。它允许使用现有的基础设施，并提供令人满意的精度。指纹采集的主要缺点是采集指纹的准备时间过长。根据建筑物的大小，这可能是设置室内定位系统的重要部分。在本文中，我们将评估使用预训练图像分类器进行训练和测试的精度。首先，我们将指纹转换为图像，然后它就可以用于训练。尽管使用预训练网络可以节省时间，但它们的使用和准确性无法与自定义架构相比

AutoLoc: Toward Ubiquitous AoA-Based Indoor Localization Using Commodity WiFi

AutoLoc:使用商品WiFi实现无处不在的基于aoc的室内定位
近十年来基于射频的室内定位研究表明，基于WiFi信号的到达角(Angle of Arrival, AoA)可以实现分米级的定位精度。然而，现有的系统要么需要反复的手动校准，要么需要额外的传感器的帮助来校准不确定的初始阶段，以进行准确的AoA估计，这阻碍了它们的大规模部署。本文提出了AutoLoc，一种无所不在的定位系统，克服了上述限制，可无缝应用于广泛部署的WiFi接入点。AutoLoc的关键观点是，一旦射频振荡器被锁定频率，不确定的初始相位是恒定的。为此，提出三个主要创新。首先，通过融合不同位置的信道状态信息(Channel State information, CSI)消除初始阶段的不确定性，同时保留几何信息;其次，提出一种合作置信度感知的定位算法，通过量化所有可能的AoA候选点的置信度来精确定位目标。第三，设计了一个两阶段定位框架来增强AutoLoc在多路径丰富场景中的定位能力。我们在商用的现成WiFi设备上实现了AutoLoc。在大规模环境下的实验结果表明，与最先进的手动校准定位方法相比，AutoLoc可以达到相当的中位精度和54[数学处理误差]更高的90[数学处理误差]百分位数精度。

Graph-Based Radio Fingerprint Augmentation for Deep Learning-Based Indoor Localization

基于图的射频指纹增强的深度学习室内定位

室内定位是传感器网络实现基于位置服务(location-based services, LBSs)的关键技术，在全球卫星导航系统不可达的环境中具有重要作用。在基于深度学习的室内定位方法中，无线电数据对于基于指纹的精确定位非常重要，但往往是不完整的，或者在时间和空间上都不足以获取数据。为了利用现有的无线电指纹来进一步提高定位精度，本文提出一种基于图的指纹增强方法，用于基于深度学习的室内定位。该方法通过将参考点(reference point, RP)建模为图的一个顶点，将参考点上的无线电数据建模为图信号，在图信号模型中引入虚拟参考点作为无线数据缺失的缺失顶点。然后，探索所有真实和虚拟RPs之间潜在的空间结构，以找到图拉普拉斯算子，并用半监督图插值方法重建无线电指纹。在此基础上，利用重建的无线电指纹训练深度神经网络(DNN, CNN)进行室内定位。在真实数据集上的实验揭示了所提指纹增强方法在定位精度上的性能增益，展示了基于图的数据增强在基于深度学习的室内定位中的潜力。