Multimodal Indoor Localization Using Crowdsourced Radio Maps
作者: Zhaoguang Yi, Xiangyu Wen, Qiyue Xia, Peize Li, Francisco Zampella, Firas Alsehly, Chris Xiaoxuan Lu
分类: cs.CV, eess.SP
发布日期: 2023-11-17 (更新: 2024-03-12)
备注: 7 pages, 4 figures; ICRA'24 https://youtu.be/NTTKwJBFN5w
💡 一句话要点
提出基于众包无线电地图的室内定位系统以解决传统方法的局限性
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 室内定位 众包无线电地图 不确定性感知 贝叶斯融合 WiFi定位
📋 核心要点
- 现有室内定位系统依赖建筑平面图，存在可用性和更新滞后的问题，限制了其广泛应用。
- 本文提出利用众包无线电地图替代建筑平面图，设计了不确定性感知神经网络和贝叶斯融合技术。
- 实验结果显示，所提系统在多个真实场地上性能提升显著，较最佳基线提高约25%。
📝 摘要（中文）
室内定位系统（IPS）传统上依赖于里程计和建筑基础设施，如WiFi，通常还需建筑平面图以提高准确性。然而，建筑平面图在可用性和更新及时性方面的局限性挑战了其广泛应用。相对而言，智能手机和WiFi机器人普及使得众包无线电地图（将位置与相应的接收信号强度（RSS）配对的数据库）变得越来越可获取。这些无线电地图不仅提供WiFi指纹-位置对，还编码了类似于建筑平面图所施加的运动规律。本文探讨了利用这些无线电地图作为多模态IPS中建筑平面图替代品的可能性。我们提出了一个新框架，以应对无线电地图不准确性和覆盖稀疏性的问题。对多个真实场地的广泛评估表明，性能显著提升，结果显示相比最佳基线提高了约25%。
🔬 方法详解
问题定义：本文旨在解决传统室内定位系统对建筑平面图的依赖，指出其在可用性和更新及时性方面的不足。
核心思路：通过利用众包无线电地图作为替代方案，结合不确定性感知神经网络和贝叶斯融合技术，提升室内定位的准确性和可靠性。
技术框架：整体框架包括数据采集、无线电地图构建、定位模型训练和融合模块。数据采集通过智能手机和WiFi机器人进行，构建无线电地图后，使用神经网络进行定位，最后通过贝叶斯方法进行结果融合。
关键创新：最重要的创新在于将众包无线电地图与不确定性感知神经网络结合，克服了传统方法对建筑平面图的依赖，提供了更灵活的定位解决方案。
关键设计：在网络结构上，采用了适应性损失函数以处理不确定性，同时在贝叶斯融合中引入了动态权重调整机制，以优化定位结果。
🖼️ 关键图片
📊 实验亮点
实验结果显示，所提系统在多个真实场地上实现了约25%的性能提升，相比最佳基线表现出显著的改进，验证了众包无线电地图在室内定位中的有效性。
🎯 应用场景
该研究的潜在应用领域包括智能建筑、室内导航、机器人定位等。通过提供更灵活和准确的室内定位解决方案，能够显著提升用户体验和操作效率，未来可能在智能家居和自动化服务中发挥重要作用。
📄 摘要（原文）
Indoor Positioning Systems (IPS) traditionally rely on odometry and building infrastructures like WiFi, often supplemented by building floor plans for increased accuracy. However, the limitation of floor plans in terms of availability and timeliness of updates challenges their wide applicability. In contrast, the proliferation of smartphones and WiFi-enabled robots has made crowdsourced radio maps - databases pairing locations with their corresponding Received Signal Strengths (RSS) - increasingly accessible. These radio maps not only provide WiFi fingerprint-location pairs but encode movement regularities akin to the constraints imposed by floor plans. This work investigates the possibility of leveraging these radio maps as a substitute for floor plans in multimodal IPS. We introduce a new framework to address the challenges of radio map inaccuracies and sparse coverage. Our proposed system integrates an uncertainty-aware neural network model for WiFi localization and a bespoken Bayesian fusion technique for optimal fusion. Extensive evaluations on multiple real-world sites indicate a significant performance enhancement, with results showing ~ 25% improvement over the best baseline