Wi-Fi定位系统无线电地图构建方法的性能评估

Wi-Fi定位系统无线电地图构建方法的性能评估

无线电地图是用它们收集的位置标记的信号指纹集合。已知基于指纹的定位系统的性能与底层无线电地图的精度和准确性密切相关。然而，关于指纹采集方法和无线电地图4模型的无线电地图的性能研究很少，分别决定了无线电地图的准确性和精度。本文评估了室内和室外各种无线电地图构建方法的性能。已经比较了四种无线电地图构造方法，即逐点手动校准，步行调查，半监督学习方法和无监督学习方法。我们还评估了代表收集指纹特征的各种类型的无线电地图模型的性能。为了演示无线电地图模型的重要性，开发了一种名为信号波动矩阵（SFM）的新模型，并将其性能与三种常规无线电地图模型进行比较。评估结果显示，无线电地图的性能对无线电地图模型的设计和每个地点收集的指纹数量非常敏感。尽管使用少量指纹，但基于SFM定位的性能与其他型号的性能相当。

介绍

行人导航是建设高效多式联运系统的重要课题[1]。一个要求是人们在全球定位系统（GPS）信号被阻挡的室内，地下和室外区域的准确定位。为了在GPS拒绝区域提供准确的定位服务，已经使用Wi-Fi，超宽带（UWB），射频识别（RFID）等研究了各种无线定位技术[2]。在无线定位技术中，由于无线局域网（WLAN）的广泛可用性和相对较高的基于指纹的定位技术的分辨率，Wi-Fi指纹定位引起了相当大的关注[2]。

Wi-Fi指纹是在特定位置可见的接入点（AP）集合的接收信号强度（RSS）的模式，并且从在给定位置处收集的RSS样本训练。无线电地图是用特定建筑物或区域的位置信息标记的指纹数据库。一旦建立无线电地图，定位算法可以通过将在线指纹测量与无线电图中的指纹进行比较来估计在线指纹测量的位置[3]。因此，无线电图是Wi-Fi指纹定位系统的重要组成部分。由于指纹采集方法和无线电地图表示模型的多样性，各种无线电地图构建方法是可用的[3]。已经采取了两种研究方法来构建无线电图。一个是减少指纹收集成本，特别是在使用精确位置标记收集的指纹所需的人力工作方面。收集方法已经从逐点手动校准[4]演变为步行调查[5]，半监督学习[6] - [9]，惯性传感器[10] - [13] ]，最后是无监督的基于学习的无线电地图构建方法[14]。随着方法的发展，无线电地图建设成本有所降低，但是通常牺牲指纹识别的准确性。

另一种研究方法是开发无线电地图模型设计以尽可能精确地表示RSS模式，即使仅给出少量训练样本。为了达到这个目标，信号特性应该在无线电地图模型中有效地表现出来。无线电地图模型分为确定性模型或概率模型[3]，并且使用适合于模型的定位算法。确定性无线电地图模型通常表示在具有平均RSS的向量的位置处观察到的指纹，而诸如高斯分布和直方图模型的概率模型使用来自每个AP的RSS的分布。已知概率无线电地图模型比确定性模型获得更好的准确性[15]。然而，概率无线电地图的构建通常需要在每个位置大量的指纹样本来构建可靠的RSS分布，导致高无线电地图构建成本。

由于Wi-Fi指纹识别是一种具有噪声无线信号的模式识别，因此基于指纹的定位方法的准确性受到基础无线电图的精度和精度的影响。定位算法和系统已被广泛研究[15] - [19]。这些研究全面概述了各种无线定位方法的技术和架构。然而，无线电地图制作方法尚未得到广泛的研究。选择适当的指纹采集方法和无线电波模型将成为构建经济高效，高性能指纹基准定位系统的第一步。要做出正确的选择，就需要更广泛地了解无线电地图的施工方法。

本文提供了关于无线电地图构建方法的性能和成本的信息，特别是指纹采集方法和无线电地

图模型。我们比较了四种指纹采集方法的性能;逐点校正，步行调查，半监督学习和无监督的基于学习的无线电地图构建方法。本研究还评估了经常用于指纹定位的几种无线电地图模型的性能。

本文的另一个目标是引入一个新的概率无线电地图模型，称为信号波动矩阵（SFM）。传统上，概率无线电地图需要许多指纹样本，因为它们分别调查每个AP和位置的RSS分布。SFM 通过仅使用少量指纹样本构建RSS的通用模式来解决此问题.

进行了四次实验，以评估无线电图施工方法的性能。在N1大楼七楼和韩国高科技科技研究院（KAIST）的N5大楼进行了三次实验，以评估通过逐点手动校准，半监督学习建立的室内无线电地图的性能，以及无监督的学习方法。进行了一项实验，以评估通过步行测量和两种半监督学习方法构建的户外地图的表现。

实验表明，无线电地图性能对无线电地图模型和每个地点收集的指纹样本数量非常敏感。在室内无线电地图中，当在每个位置收集超过10个样本时，基于SFM的模型总是表现出最佳的准确性。此外，Wi-Fi定位在户外环境中拥有众多Wi-Fi信号，精度优于GPS，表明它可以用于降低GPS定位误差，特别是在城市街道峡谷[20]。

本文的组织结构如下。第二节描述了各种无线电地图制作方法。第三节介绍提出的SFM模型。第四部分描述了无线电地图映射到模型和定位算法的映射策略，这取决于指纹和指纹集合方法的密度。评估结果见第五节，我们在第六节中得出结论。

无线电地图构建方法

A指纹采集和标记方法

无线电地图建设通常涉及指纹采集和位置标签活动。已经针对Wi-Fi指纹定位开发了各种指纹采集和标签方法。第一种是基于逐点手动校准的原始方法。该方法的主要目的是在不考虑校准成本的情况下实现最高精度。在点对点手动校准中，目标区域被划分成多个部分，即位置，然后专用测量员以每个位置的中心点逐点收集指纹样本作为测量点[参见图1]。图1（a）]。通常，位置的大小在2 m×2 m到5 m×5 m之间，每个位置收集了几十个样本[4]。

由于逐点手动校准需要相当多的时间和精力，因此使用步行调查来减少识别每个位置所需的

工作量[5]。在步行调查中，预先计划了调查路径，但不必规定收集点[见图。图1（b）]。只有具体点，例如测量路径的开始，转弯和终点被标记为指导测量师。当测量员沿着携带收集装置的路径行走时，收集指纹样本。

虽然步行调查可以在一定程度上减少收集工作，但仍然需要相当多的时间和精力为世界各地的大多数建筑物建造无线电地图。因此，提出了使用众包样本构建指纹样本的众包方法，并且提出了使用众包样本构建的辐射图，以降低构建无线电图的成本[11]。众包样本可以被视为未标记的数据，因为获取样本的样本位置未知。因此，要解决的问题是未标记样本的位置标注来构建无线电图。

可以使用嵌入在诸如三轴加速度计，罗盘和陀螺仪之类的无线设备中的惯性传感器的附加数据来估计未知位置标签。图1（d）]。UnLoc [10]，Microsoft Zee [11]，LiFS [12]，WILL [13]等人通过参考惯性传感器的感测数据和楼梯，电梯的位置寻求指纹识别的计算技术，和室内的其他功能。这些所谓的基于惯性传感器的方法可以减少或甚至消除指纹标注所需的手动工作。然而，附加传感器的参与阻碍了来自多个无线设备的指纹样本的贡献，因为它需要传感器操作的附加功耗。此外，嵌入在当前无线设备中的传感器不够精确，无法用位置信息正确地标记指纹。

指纹样本的未知位置也可以根据Wi-Fi信号空间的关系来估计。这种方法类似于无线传感器网络（WSN）中节点的协同定位所使用的方法。基于WSN的协同定位方法通常通过基于在其通信期间获得的节间测量来组织网络区域中的节点来确定传感器节点的位置[21]，[22]。类似地，可以在网络区域中组织在WLAN中收集的未标记的指纹样本用于其位置标签。合作定位和指纹识别的主要区别是定位的目标对象;合作定位通常估计传感器节点的当前位置[23]，而指纹标记处理在训练阶段从移动设备累积的信号测量。因此，指纹识别的目标对象的数量通常比合作定位的目标对象大得多。为了处理如此大量的目标，已采用先进的机器学习技术，如半监督学习或无监督学习，用于指纹识别。

半监督学习技术，如流行学习[6]，[7]，[14]，[25]传统的机器学习方法中，数据点和数据点之间的距离和映射函数f都是定义在欧式空间中的，然而在实际情况中，这些数据点可能不是分布在欧式空间中的，因此传统欧式空间的度量难以用于真实世界的非线性数据，从而需要对数据的分布引入新的假设。

流形(Manifold)是局部具有欧式空间性质的空间，包括各种纬度的曲线曲面，

例如球体、弯曲的平面等。流形的局部和欧式空间是同构的。流形是线性子空间的一种非线性推广。流形学习假设所处理的数据点分布在嵌入于外维欧式空间的一个潜在的流形体上，或者说这些数据点可以构成这样一个潜在的流形体。和期望最大化[26]，[27]在统计计算中，最大期望（EM，Expectation–Maximization）算法

是在概率（probabilistic）模型中寻找参数最大似然估计的算法，其中概率模型依赖于无法观测的隐藏变量（Latent Variabl）。可以应用于估计样本的未知位置，如果小数标

记样品作为位置参考。 AP或GPS定位的位置经常用于位置参考而不是标记的指纹[9]。半监督学习旨在进一步降低人工校准成本，有助于在一定程度上降低成本。然而，仍然需要一些努力来获取位置参考。

还试图应用无监督的学习范例，仅使用未标记的指纹样本构建无线电图[14]。它不同于半监督的基于学习和基于传感器的方法，因为它不需要任何明确的标签工作或感测数据作为参考。所提出的方法在混合全局局部优化方案中集成了一个遗传算法和一个分段k均值算法，以在分区室内区域中找到未标记指纹的最佳位置[14]。然而，优化任务需要大量的计算时间。大多数计算是用于防止学习被阻塞到本地最优中的全局搜索所必需的。