[LBS] CNNLoc - 基于wifi指纹&CNN做室内定位

1. 简介

  • 本文提出基于Wifi指纹，使用CNN模型用于室内定位（CNNLoc模型），包括多建筑物和多楼层定位（multi-building and multi-floor localization）。文本发明了一个分类和定位模型，分别使用Stacked Auto Encoder（SAE）和一维的CNN网络。SAE模型主要用于从稀疏的RSS（Received Signal Strength）数据中提取关键特征，CNN模型用于高精度的位置估计。
  • 实验数据集为：UJIIndoorLoc 和 Tampere 数据集；

1.1 基于wifi指纹的室内定位

  • 基于wifi指纹的定位一般分为两个阶段，离线阶段和在线阶段；
    1）离线阶段：收集每个位置对应的wifi信号强度信息；
    2）在线阶段：根据用户手机中扫描到的wifi及其信号强度，推断出用户所在的位置；
基于wifi指纹的室内定位.png

1.2 UJIIndoorLoc数据集说明

  • UJIIndoorLoc数据集总量为21049条，总共的AP数量为520个，信号强度缺失值为100。每条记录给出了用户实际的位置坐标（LONGITUDE, LATITUDE），用户所在楼层（FLOOR），用户所在建筑物（BUILDING）。
UJIIndoorLoc数据集.png

2. 系统设计

2.1 CNNLoc系统结构

  • CNNLoc系统结构主要分为：离线阶段和在线阶段，离线需要对信号强度做归一化处理；
CNNLoc系统结构.png

2.2 输入输出说明

  • 输入：\hat{r} = (r_1, r_2, ..., r_{520}) 接收到的ap信号强度；
  • 输出：位置：(x, y)；楼层：f；建筑：b;

2.3 建筑分类模型

  • SAE模型用于将输入的特征进行压缩，提取关键特征；SAE模型压缩后的特征接几层DNN网络，用于最终建筑物分类。
building model.png

2.4 楼层分类&位置预估模型

  • SAE模型的输出结果，加入dropout层，之后介入1D-CNN网络；
  • 下面的CNN模型用于楼层分类和最终位置预估；
  • 用于位置预估的时候做了如下的修改：
    1）去除了dropout层；
    2）修改了输出，最终模型为回归问题，预测用户最终的位置（x,y）；
    3）使用Relu激活函数；
  • 位置预估模型的损失函数如下：
位置预估模型损失函数.png
Floor model.png

参考资料

最后编辑于 ：
©著作权归作者所有,转载或内容合作请联系作者
平台声明：文章内容（如有图片或视频亦包括在内）由作者上传并发布，文章内容仅代表作者本人观点，简书系信息发布平台，仅提供信息存储服务。