85、基于网络的可见光定位算法的对抗域适应

基于网络的可见光定位算法的对抗域适应

1. 引言

室内定位系统（IPS）在全球定位系统（GPS）信号无法覆盖或覆盖不佳的室内环境中，提供了基础的基于位置的服务。近年来，人们努力利用室内设施，如无线保真（WiFi）、蓝牙、惯性传感器、超宽带（UWB）等，结合接收信号强度（RSS）、到达时间（TOA）、到达时间差（TDOA）、到达角度（AOA）或信道状态信息（CSI）等不同信号特征，来建立可靠的定位系统。

IPS的应用广泛，包括为大型室内区域（如医院、购物中心、机场和博物馆）的行人提供定位服务，在工厂或仓库中跟踪产品和导航机器人等。许多应用需要亚米级甚至厘米级的精度，但很多提出的技术因信号范围有限或多径干扰等问题，难以满足这些要求。

可见光通信（VLC）近年来在学术和工业领域都备受关注，它具有高输出、能源效率高以及无电磁信号干扰等优点。尽管由于网络标准不统一、VLC接入点（VAP）协作不完善和硬件信号处理速度有限等瓶颈，VLC尚未商业化，但研究已成功利用可见光信号建立了高精度定位系统。可见光定位（VLP）的另一个优势是室内LED照明基础设施的全覆盖，这些设施也可用作发射器。

近年来，许多定位算法，如三边测量、指纹识别和融合方法，都在VLP研究中得到了探索，大多数方法可以实现几厘米的精度。然而，物理环境中的多种噪声和干扰会影响VLP的鲁棒性，因此研究人员引入了机器学习方法，特别是深度学习方法，已被证明可以在具有挑战性的条件下提高VLP性能。

但基于深度学习的网络系统存在一个问题，即许多基于网络的系统假设训练数据和测试数据来自相同的分布。在物理环境中，VLP系统面临用户设备异质性和照明条件变化等风险。此外，在新区域复制相同的LED发射器布局时，部署