［读论文］ArrayTrack: A Fine-Grained Indoor Location System

最新推荐文章于 2022-03-10 15:04:06 发布
原创 最新推荐文章于 2022-03-10 15:04:06 发布 · 3.3k 阅读 · 8 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#networking #通信 #wifi #定位

本文介绍了一种名为ArrayTrack的室内定位系统，该系统基于WiFi和 Arrival of Angle (AoA) 技术。通过部署带有天线阵列的AP节点，ArrayTrack能测量设备方向并实现高精度定位。尽管室内定位已有多种方法，但ArrayTrack通过独特的技术，如Spatial smoothing和Multipath suppression，有效降低了多路径效应的影响，实现了1米以下的定位精度。该系统在NSDI 2013上的发表展示了其实用性和创新性。

这篇文章描述的是一种基于WiFi的室内定位系统，称为ArrayTrack。从作者对系统的命名中就能看出这种定位系统必然跟天线阵列有关。虽然从2000年的RADAR开始，室内定位的文章层出不穷，但这篇2013年的文章仍然能够发表在NSDI 2013上，还是有其突出的地方的。

由于我不是学通信出身，所以对其中许多问题只知道个大概，那么也只能是在high level去描述一下ArrayTrack这个系统。首先，从定位的基本原理上说ArrayTrack是基于Arrival of Angle (AoA)的，也就是说在待定位的区域先部署一系列节点（论文中即是带有天线阵列的AP），其中每一个节点都能测量出待定位设备（比如手机，称为client）的方向。一旦待定位设备能够被两个或更多的节点观测到，就能定出其具体位置了。比如下面的例子里，如果两个AP能够测量出带定位设备对应的夹角a和b，那么在假设知道AP1和AP2的坐标情况下，可以计算出待定位设备的坐标。

基于AoA的定位系统中最核心的部分是如何测量待定位设备的入射角，这也是这篇论文的重点。下图是从论文中摘出来的，左图描述了每个AP节点的结构，而右图说明了测量角度的基本原理。在完全理想的情况下，即client与AP之间无遮挡，信号传播也不受环境的反射、折射等影响，那么只需要两根天线就能测量出client与AP的相对角度。假设两根天线之间的距离是lambda/2，其中lambda表示client发出信号的波长，那么client与两根天线的距离差为1/2*lambda*sin(theta)，其中theta表示client与AP的相对角度。由于这个距离差，导致两根天线收到的信号波的相位有一定差异，这个差

最低0.47元/天 解锁文章

新学期VIP享超值加赠
2021-07-22 wifi入门综述整理
qq_44118744的博客
07-22 3240
由于是刚入门的小白，然后大概看了一下关于WiFi传统定位方式的综述。 以下从几个方面来讲讲。 历史的发展 基于指纹和基于构造数学模型的定位方法也被称为基于模式和基于模型的定位方法。由于基于模式的定位方法构建离线地图的成本高，这里只考虑基于模型的定位方法。由于CSI能够刻画更加细致的信道信息，故基于模型的定位方法通常利用CSI的信息进行定位，基于CSI的人体感知模型见下图。 而CSI人体感知的经典模型主要包括AOA模型和菲涅尔模型等。AOA模型通常利用入射信号的角度来推断人类活动（通常与TOA进行联合估计）
无线感知会议系列【2】【智能无感感知 特征,算法，数据集】
4AM_明朝百晓生
09-12 1434
SpotFi是一种利用商用WiFi芯片已暴露的信息进行高精度室内定位的系统。它不需要对WiFi硬件或固件进行任何修改，即可实现与最先进定位系统相同的定位精度。SpotFi通过结合超分辨率算法和新颖的滤波及估计技术，能够准确计算多径分量的到达角（AoA）并识别出目标与接入点（AP）之间的直接路径。该论文提出了一种基于多维性的被动室内Wi-Fi追踪技术（mD-Track），该技术利用无线信号在人体上的反射来获取目标的位置和移动轨迹。系统组成：使用一个无线信号发射器和一个无线信号接收器。
推荐：室内定位API - indoor Location API
杨江的IT分享专栏
07-29 4268
indoor.rs 公司今日开放了API，包括免费free的，收费fee的版本。详情见这里，价格不是很贵哦Open API只支持Android/Linux提供工具，帮助进行地图和WiFi信号的勘测Free：只能做室内定位Lite：可以做路线规划Pro：可以做电子栅栏
AoA-ToF(信号到达角-飞行时间)联合估计详解
一去不复返的通信er
03-10 5061
引入   对于MUSIC算法，即使不考虑相干信号的影响，也要保证天线数量大于传播路径数量。现有的商用Wi-Fi设备大多数都是基于IEEE802.11n协议的，设备的天线数量为３根，而在典型的室内环境中，显著的多径数量一般都大于3[1,2]^{[1,2]}[1,2]。通过分析Kotam[1]^{[1]}[1]等人的理论思想可知，天线阵列中的传感器不单单可以是接收天线，也可以是OFDM子载波，即天线阵列中传感器的数量是不受硬件天线数量限制。 AoA在天线之间引入相位偏移，ToF在子载波之间引入相位偏移 参考文献
Multi-Attention Multi-Class Constraint for Fine-grained Image Recognition
qq_28778507的博客
07-10 1737
又回到了细粒度分类的工作，这一类工作的重点都在于attention。 菜是真的菜，同事们说话都瑟瑟发抖不敢发言，菜就是原罪，哭唧唧。 论文链接 搜了一圈好像没有代码，主要他的损失函数复现起来比较麻烦，自己写的话有点费劲 他的另一大贡献是提供了dog in wild数据，他的质量和标注都非常优秀。 主体部分 18年的ECCV，之前的细粒度都是多阶段或者多尺度，不是end to end，这篇文章提出了...
基于视觉的机器人抓取: 论文及代码(Vision-based Robotic Grasping: Papers and Codes)
dsoftware的博客
10-22 2万+
最近总结了基于视觉的机器人抓取的相关论文及代码，同步于github。根据抓取的类别，基于视觉的机器人抓取可以分为两类：2D平面抓取以及6D空间抓取。这个页面总结了近年来涉及到的各种各样的方法，其中大部分都使用了深度学习。总结的中文框架结构如下： 0.综述论文 1. 2D平面抓取 这类方法将抓取，用平面内旋转的矩形框表示； 1.1基于RGB或者RGB-D的方法 采用基于目标检测类的方法，直接得到2D...
CVPR 2017论文集锦（论文分类）—— 附录部分翻译
热门推荐
denghe优快云的博客
08-23 2万+
作为计算机视觉领域的三大顶级会议之一，CVPR 2017 又收录了很多优秀的文章。具体可参见 CVPR 的论文官网：http://www.cvpapers.com/cvpr2017.html        Machine Learning 1 （机器学习） Spotlight 1-1A  （关注的焦点 1-1 A） Exclusivity-Consistency Regular
【CVPR2019】论文完整列表一
TomRen
06-11 1万+
CVPR 2019 Paper list[1-1000] CVPR2019 完整列表二 论文题目与链接 Finding Task-Relevant Features for Few-Shot Learning by Category Traversal Edge-Labeling Graph Neural Network for Few-Shot Learning G...
室内定位关键技术（indoor location）
xiaoqiaoliushuiCC的博客
04-12 3022
一、Wi-Fi定位 Wi-Fi定位是目前相对成熟且应用广泛的定位技术，定位方法是基于信号强度的传播模型法和指纹识别法。信号强度的传播模型法，是指使用当前环境下假设的某种信道衰落模型，根据其数学关系估计终端与已知位置 AP 间的距离，如果用户听到多个 AP 信号，就可以通过三边定位算法来获得用户的位置信息；指纹识别法，则是基于 Wi-Fi 信号的传播特点，将多个 AP 的检测数据组合成指纹信息，通过...
深度学习中弱监督细粒度识别方法与应用综述
01-31
深度学习中弱监督细粒度识别方法与应用综述，李阳光，王晨升，本文归纳介深度学习下基于弱监督的细粒度识别方法与应用综述深度学习下基于弱监督的细粒度识别方法与应用综述绍深度学习时代弱监
[论文阅读]Improving Fine-Grained Recognition of Vehicles using 3D Bounding Boxes in Traffic Surveilla
sunxia233的博客
05-11 1257
这是一篇车辆细粒度识别的论文，它利用3D的bonding box来对3D包裹住的车辆对象拆分至一个平面，利用这个最终的imag进行训练，训练效果最好是在vgg16的分类精度达到84.13，追踪精度达到92.27。对于没有3D包围盒信息的，作者还提供了一种3D包围盒的预测算法。（尽管介绍这部分的写的也太不详细了，而且发布的源码来看也没有包含这部分，只包含了一份预测出的estimated_3DBB...
注意力机制+细粒度分+Residual Attention Network
xuyunyunaixuexi的博客
02-22 2018
首先要mark一下对Residual Attention Network for Image Classification讲解特别好的一篇文章： https://blog.youkuaiyun.com/auto1993/article/details/78315229
GAN系列：代码阅读(3)——Xavier初始化方法
lynlindasy的博客
03-01 1732
转载自：https://blog.youkuaiyun.com/shuzfan/article/details/51338178#commentBox 在上一篇GAN系列：代码阅读(2)——Generative Adversarial Networks & 李宏毅老师GAN课程P1+P4 中一直没弄懂一个地方： def xavier_init(size): in_dim = size[0...
Fine-grained Classification 论文调研
一一
05-27 2898
目录 细粒度分类综述 论文一Learning to Navigate for Fine-grained Classification （ECCV2018 from PKU） 1. Abstract 2. Architecture 3. Experiment 4.conclusion 论文二：Multi-Attention Multi-Class Constraint for Fin...
一些很好的细粒度分类文章和他们的博客地址 fine-grained paper
小星星专栏
12-20 1219
1) https://blog.youkuaiyun.com/Cyiano/article/details/72081855  Object-Part Attention Driven Discriminative Localization for Fine-grained Image Classification (CVPR2017) 2) https://blog.youkuaiyun.com/HongYuSui...
Multi-Attention Multi-Class Constraint for Fine-grained Image Recognition笔记
DBG的博客
12-06 1492
Multi-Attention Multi-Class Constraint for Fine-grained Image Recognition（ECCV2018） 细粒度图像分类一直是一个颇具挑战性的问题，起因是细粒度图像很多存在类间方差小而类内方差大的问题，这样比一般的图像分类难度就大很多。细粒度图像分类有两个关键点，一个是关键性区域定位，二是从关键性区域学得辨别性特征，当前有很多方法在朝这...
关于定位、指纹匹配的相关工作总结和调研
丫头的博客
11-09 3208
无线室内定位大概分为两类： 1）基于指纹匹配的室内定位 2）基于模型的室内定位（These schemes calculate locations based on geometrical models rather than search for best-fit signatures from pre-labeled reference database. These approaches...
Bridging VLM and KMP: Enabling Fine-grained robotic manipulation via Semantic Keypoints Representation
最新发布
03-22
### 连接视觉语言模型与运动规划以实现细粒度机器人操作 为了实现通过语义关键点表示连接视觉语言模型（VLM）与运动规划（KMP），从而完成细粒度的机器人操作，可以考虑以下几个方面： #### 1. 高维决策到Meta-action的一对一映射 利用Meta-action Encoder \( \phi \)，能够将大语言模型（LLM）输出的高维度决策转化为具体的元动作（meta-action）。这一过程依赖于可学习嵌入矩阵\( E_{\text{act}} \)，它实现了从抽象的语言描述到具体物理行为的有效转换[^1]。 #### 2. 自然指导与自我指导相结合的方法 借鉴《Semi-Instruct: Bridging Natural-Instruct and Self-Instruct for Code Large Language Models》中的方法论，可以通过半监督的方式构建训练数据集。这种方法不仅增强了模型对于复杂任务的理解能力，还提高了其泛化性能[^2]。 #### 3. 数据驱动的知识获取机制 基于《Knowing When to Ask -- Bridging Large Language Models and Data》，提出了一个框架来决定何时向外部数据库查询额外的信息。这种策略有助于减少错误率并提升系统的可靠性[^3]。 #### 技术实现路径 以下是可能的技术路线图以及其实现方式： - **语义解析模块**：采用预训练好的多模态模型作为基础架构，输入图像或视频片段提取场景内的对象及其属性特征； - **关键点检测网络**：设计专门用于捕捉目标物体上特定部位位置关系的关键点预测算法； - **交互逻辑生成器**：借助强化学习或者模仿学习技术教导机械臂按照指定顺序执行一系列子任务直至达成最终目的。 ```python def execute_fine_grained_manipulation(vlm_output, kmp_plan): """ Execute fine-grained robotic manipulation based on VLM output and KMP plan. Args: vlm_output (dict): Output from the visual language model containing semantic keypoints. kmp_plan (list): Sequence of kinematic motion planning steps. Returns: bool: True if successful; False otherwise. """ meta_actions = [] for step in kmp_plan: action_embedding = phi(step) # Convert high-dimensional decision into a meta-action via φ meta_action = decode_meta_action(action_embedding) meta_actions.append(meta_action) success = perform_robotic_operations(meta_actions, vlm_output['keypoints']) return success def decode_meta_action(embedding_vector): """Decode an embedding vector back into its corresponding physical operation.""" pass # Placeholder function def perform_robotic_operations(operations, keypoints): """Perform operations according to given sequence while considering detected keypoints.""" pass # Placeholder function ``` 上述伪代码展示了如何结合来自VLM的结果与由KMP制定的动作序列共同指引实际设备运作的过程。 ---
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值