BeSound: Bluetooth-Based Position Estimation Enhancing with Cross-Modality Distillation

📄 arXiv: 2404.15999v1 📥 PDF

作者: Hymalai Bello, Sungho Suh, Bo Zhou, Paul Lukowicz

分类: cs.LG, eess.SP

发布日期: 2024-04-24

备注: Accepted in IEEE 6th International Conference on Activity and Behavior Computing

期刊: 2024 IEEE International Conference on Activity and Behavior Computing

DOI: 10.1109/ABC61795.2024.10651851

💡 一句话要点

提出基于蓝牙的定位估计方法以解决工人隐私问题

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)

关键词: 蓝牙定位 知识蒸馏 超声波信号 工人追踪 智能工厂 多模态融合

📋 核心要点

  1. 现有的工人追踪系统主要依赖摄像头方法，存在隐私和技术保护方面的挑战。
  2. 本文提出结合BLE和超声波的定位估计方法，通过知识蒸馏提升BLE的定位精度。
  3. 实验结果表明，采用该方法后，F1-score较基线提升了11.79%。

📝 摘要（中文）

智能工厂利用先进技术优化制造过程，提高效率。现有的工人追踪系统主要依赖摄像头方法，然而隐私和技术保护问题促使探索替代方案。本文提出一种非视觉、可扩展的解决方案，结合蓝牙低能耗（BLE）和超声波坐标。BLE定位估计具有低功耗和成本效益，适用于智能手机用户，便于工人定位和安全协议传输。超声波信号响应速度快、精度高，但需定制硬件，增加成本。我们采用知识蒸馏（KD）将超声波信号的知识迁移至BLE RSSI数据，训练后的模型仅需BLE-RSSI数据进行推断，保持BLE的普遍性和低成本优势。实验结果显示，F1-score较基线提高了11.79%。

🔬 方法详解

问题定义：本文旨在解决现有工人追踪系统中因使用摄像头而引发的隐私和技术保护问题。现有方法在准确性和隐私保护之间存在矛盾，亟需探索新的定位技术。

核心思路：论文提出了一种结合蓝牙低能耗（BLE）和超声波的定位估计方法，通过知识蒸馏技术将超声波信号的优势迁移至BLE RSSI数据，从而提高定位精度，同时保持BLE的低成本和普遍性。

技术框架：整体架构包括数据采集、知识蒸馏和模型推断三个主要模块。首先，通过超声波和BLE收集定位数据；然后，利用知识蒸馏将超声波模型的知识迁移至BLE模型；最后，训练后的BLE模型仅使用BLE-RSSI数据进行推断。

关键创新：最重要的技术创新在于将超声波信号的知识有效地迁移至BLE RSSI数据，突破了传统BLE定位精度不足的瓶颈，显著提升了定位性能。

关键设计：在模型训练过程中，采用特定的损失函数以优化知识蒸馏效果，并设计了适应BLE RSSI特性的网络结构，以确保模型在推断时的高效性和准确性。

📊 实验亮点

实验结果显示，采用知识蒸馏后的模型在F1-score上较基线提升了11.79%，证明了该方法在BLE定位精度上的显著改进，展示了超声波与BLE结合的有效性。

🎯 应用场景

该研究的潜在应用领域包括智能工厂、仓储管理和其他需要工人定位的环境。通过提供一种低成本且高效的定位解决方案，能够有效提升工人的安全性和工作效率，未来可扩展至更广泛的工业应用场景。

📄 摘要（原文）

Smart factories leverage advanced technologies to optimize manufacturing processes and enhance efficiency. Implementing worker tracking systems, primarily through camera-based methods, ensures accurate monitoring. However, concerns about worker privacy and technology protection make it necessary to explore alternative approaches. We propose a non-visual, scalable solution using Bluetooth Low Energy (BLE) and ultrasound coordinates. BLE position estimation offers a very low-power and cost-effective solution, as the technology is available on smartphones and is scalable due to the large number of smartphone users, facilitating worker localization and safety protocol transmission. Ultrasound signals provide faster response times and higher accuracy but require custom hardware, increasing costs. To combine the benefits of both modalities, we employ knowledge distillation (KD) from ultrasound signals to BLE RSSI data. Once the student model is trained, the model only takes as inputs the BLE-RSSI data for inference, retaining the advantages of ubiquity and low cost of BLE RSSI. We tested our approach using data from an experiment with twelve participants in a smart factory test bed environment. We obtained an increase of 11.79% in the F1-score compared to the baseline (target model without KD and trained with BLE-RSSI data only).