查看“WikiEdge:ArXiv速递/2025-02-11”的源代码

== 摘要 ==
* '''原文标题'''：Robust Indoor Localization in Dynamic Environments: A Multi-source Unsupervised Domain Adaptation Framework
* '''中文标题'''：动态环境中的鲁棒室内定位：一种多源无监督域适应框架
* '''发布日期'''：2025-02-11 04:29:22+00:00
* '''作者'''：Jiyu Jiao, Xiaojun Wang, Chengpei Han
* '''分类'''：cs.CV, physics.pop-ph
*'''原文链接'''：http://arxiv.org/abs/2502.07246v1
'''中文摘要'''：[[指纹定位]]因其成本效益高、复杂度低且效果显著而受到广泛关注。然而，传统方法虽然在静态数据中表现良好，但在动态环境中往往表现不佳，因为数据分布和特征空间会不断变化——这是现实场景中的常见现象。为了解决动态室内环境中指纹定位的鲁棒性和适应性挑战，本文提出了DF-Loc，一种基于多源无监督域适应（MUDA）的端到端动态指纹定位系统。DF-Loc利用来自多个时间尺度的历史数据，促进特定特征空间中的知识迁移，从而增强目标域的泛化能力，并减少对标注数据的依赖。具体而言，该系统集成了用于[[CSI数据]]预处理的质量控制（QC）模块，并采用[[图像处理]]技术进行CSI指纹特征重建。此外，设计了一个基于多尺度注意力的特征融合骨干网络，用于提取多层次可迁移的指纹特征。最后，通过双阶段对齐模型对多个源-目标域对的分布进行对齐，从而改善目标域的回归特性。在办公室和教室环境中进行的广泛实验表明，DF-Loc在定位精度和鲁棒性方面均优于对比方法。在使用60%的参考点进行训练的情况下，DF-Loc在“同测试”场景中的平均定位误差分别为0.79米和3.72米，在“异测试”场景中分别为0.94米和4.39米。这项工作开创了一种端到端的多源迁移学习方法用于指纹定位，为未来在动态环境中的研究提供了宝贵的见解。