WikiEdge:ArXiv速遞/2025-02-11

摘要

• 原文標題：Robust Indoor Localization in Dynamic Environments: A Multi-source Unsupervised Domain Adaptation Framework
• 中文標題：動態環境中的魯棒室內定位：一種多源無監督域適應框架
• 發佈日期：2025-02-11 04:29:22+00:00
• 作者：Jiyu Jiao, Xiaojun Wang, Chengpei Han
• 分類：cs.CV, physics.pop-ph
• 原文連結：http://arxiv.org/abs/2502.07246v1

中文摘要：指紋定位因其成本效益高、複雜度低且效果顯著而受到廣泛關注。然而，傳統方法雖然在靜態數據中表現良好，但在動態環境中往往表現不佳，因為數據分佈和特徵空間會不斷變化——這是現實場景中的常見現象。為了解決動態室內環境中指紋定位的魯棒性和適應性挑戰，本文提出了DF-Loc，一種基於多源無監督域適應（MUDA）的端到端動態指紋定位系統。DF-Loc利用來自多個時間尺度的歷史數據，促進特定特徵空間中的知識遷移，從而增強目標域的泛化能力，並減少對標註數據的依賴。具體而言，該系統集成了用於CSI數據預處理的質量控制（QC）模塊，並採用圖像處理技術進行CSI指紋特徵重建。此外，設計了一個基於多尺度注意力的特徵融合骨幹網絡，用於提取多層次可遷移的指紋特徵。最後，通過雙階段對齊模型對多個源-目標域對的分佈進行對齊，從而改善目標域的回歸特性。在辦公室和教室環境中進行的廣泛實驗表明，DF-Loc在定位精度和魯棒性方面均優於對比方法。在使用60%的參考點進行訓練的情況下，DF-Loc在「同測試」場景中的平均定位誤差分別為0.79米和3.72米，在「異測試」場景中分別為0.94米和4.39米。這項工作開創了一種端到端的多源遷移學習方法用於指紋定位，為未來在動態環境中的研究提供了寶貴的見解。