文献来源:
Singh N, Choe S, Punmiya R. Machine learning based indoor localization using Wi-Fi RSSI fingerprints: An overview[J]. IEEE Access, 2021, 9: 127150-127174.
摘要
在物联网(IoT)和工业4.0时代,智能设备的室内使用量有望增加,从而使其位置信息变得更加重要。基于与大延迟、高设计成本和有限性能相关的各种实际问题,传统的定位技术不适合室内物联网应用。近年来,许多研究人员提出了一系列基于机器学习(ML)的室内定位方法,这些方法使用Wi-Fi接收信号强度指示器(RSSI)指纹。本文综述了基于机器学习的Wi-Fi RSSI指纹识别方案,包括数据预处理、数据增强、用于室内定位的机器学习预测模型以及机器学习中的后处理,并比较了它们的性能。任何基于机器学习的研究都严重依赖于数据集。因此,我们将本调查的很大一部分用于讨论数据集收集和开源数据集。为了为未来的研究提供良好的方向,我们讨论了基于ml的室内定位系统当前面临的挑战和潜在的解决方案。
索引词:机器学习,指纹,室内定位,定位,深度学习,接收信号强度指示器,Wi-Fi。
1.前言
目前,物联网(IoT)设备正变得越来越流行。随着工业4.0的到来,使用智能设备的先进smart - x应用,如智能城市、家庭、农场和工厂,正在迅速发展。对于这些应用,人工智能(AI)、机器人、5G和大数据技术的融合至关重要。2019年全球智能手机用户数量为33亿,比前一年增长了10%。到2023年,活跃物联网设备的数量预计将增加到430亿。四分之三(74%)的智能设备用户是基于位置的应用b[4]的活跃用户。目前,大多数人在室内度过了大约80%的日常生活。因此,大约70%的智能手机使用和80%的数据传输发生在室内环境中。因此,室内定位对于使用智能设备提供直观和定制的用户服务以及无处不在的监控至关重要。因此,到2027年,定位市场预计将增长到1838.1亿美元。
C.论文的贡献
1)本工作综述了近年来文献中提出的基于ML的室内定位技术,该技术使用Wi-Fi RSSI指纹。
2)我们通过讨论其潜在的未来应用来强调室内定位的重要性,这些应用可以被各种初创公司、公司和研究机构所利用。
3)本工作详细讨论了基于rssi的Wi-Fi指纹识别方法以及数据收集过程。我们还通过强调Wi-Fi指纹识别在室内定位中的适用性来提供其优缺点。此外,我们还讨论了用于无线电地图构建和数据质量改进的各种技术。
4)我们简要讨论了可用于室内定位的数据预处理技术、不同的ML预测模型和后处理技术。我们还简要讨论了定位系统实现中的降维、迁移学习(TL)和数据增强。
5)在本文中,我们不仅讨论了流行的公共数据集,还重点介绍了相对较新的数据集。使用更新的数据集可以在各种即将推出的室内定位方案之间建立标准化比较。
6)最后,我们讨论了使用基于rssi的Wi-Fi指纹进行ML室内定位的开放挑战和问题,并提出了相应的潜在解决方案。它可以帮助读者将他们的研究导向解决这些重要的本地化问题。