少样本无标签室内定位论文精华-20241102

通过深度相似度网络实现可扩展Wi-Fi指纹定位

摘要翻译

Wi-Fi接收信号强度（RSS）指纹定位因其广泛的基础设施支持而成为一种领先的室内定位方法。传统的指纹定位通过信号距离与参考点（RP）的关系来判断位置，假设路径距离与无线信号距离具有相似性。最近，基于深度学习的模型已被用于通过识别无线电环境中的模式来估算位置。然而，该方法往往忽视了空间与信号之间的相似性，因而在无测量点上需要重新训练。为了解决这些限制，我们提出了一种可扩展的深度相似模型，可在无需重新训练的情况下，动态添加新的参考点。通过嵌入网络的中心估计器，我们的模型保持了距离与RSS的特征分布一致性。然后，使用一个基于缩放点积相似度（SDPS）的深度相似网络（DSN）来比较RSS特征与参考点。我们设计了端到端的模型，并通过交叉熵损失进行了优化。结果表明，该模型在添加和删除RP的情况下仍能保持较高性能。

研究问题

如何在不依赖重新训练的情况下，使Wi-Fi RSS指纹定位系统能够动态添加参考点（RP）。

提出方法

提出了一个可扩展的深度相似度模型，利用中心估计器和嵌入网络保持RSS特征分布，使用基于Scaled Dot Product Similarity (SDPS)的深度相似网络（DSN）估算位置。

创新点

引入了SDPS和中心估计器，保障模型在添加和删除RP时的扩展性和一致性，避免了重新训练的需求。

结