[LBS] DeepLoc - 一种准确且低开销的室外基站定位系

2022-04-10 本文已影响0人 nlpming

1. 简介

DeepLoc发表在2018年SIGSPATIAL会议上。GPS是大家所熟知的定位服务，但是GPS对于一些低端的手机不支持，并且需要与卫星进行交互，会很快的将手机的电池耗干净。DeepLoc系统是利用基站的信号对用户进行定位，是一种基于深度学习的室外定位系统。最终在城市和乡村环境实验，DeepLoc获得了一个比较好的定位精度，城市环境18.8m，农村环境15.7m。

2. DeepLoc系统结构

DeepLoc系统主要包括以下几个组成部分：
1）指纹收集模块(Fingerprint Collector)： 主要用于离线基站指纹收集。收集的信息包括，当前定位经纬度(lng,lat）、当前定位的置信度(confidence)、当前位置手机收集到的基站id和其信号强度rssi。最多收集强度最高的7个基站信号。

接收到基站信号塔数量及概率值.png

2）网格生成模块(Grid Generator)： 主要用于在收集的指纹数据上生成网格，每个网格中收集的指纹数据当做训练样本用于构建深度模型。其中网格的大小，是一个可调参数用于控制定位精度和计算复杂度。

网格生成.png

3）数据增强模块(Data Augmenter)： 主要用于处理收集的GPS位置和基站rssi值噪声样本，通过此模块能够增加一部分训练样本并且能够提升模型的鲁棒性。
4）定位模型训练模块(Model Trainer Module)： 主要负责神经网络模型的训练，模型的输入是所有信号塔的rssi值；模型的输出是所有网格的概率值。
5）位置估计模块(Location Estimator Module)： 位置估计模块使用训练好的神经网络模型，预测每个网格的概率，之后通过这个概率值作为权重，结合每个网格中心坐标位置，预测用户最终的定位坐标。

其中模块1,2,3,4属于离线模型训练阶段，模块5属于在线用户定位阶段。

DeepLoc系统架构.png

3. 模型详细说明

3.1 数据增强模块(Data Augmenter)

训练数据的质量和大小，往往影响深度模型的分类准确率。数据增强模块的目标是处理输入噪声数据，并且生成一些新的训练样本，增加训练数据大小，减少数据手机开销并增加系统的鲁棒性。DeepLoc有两个数据增强模块：Spatial Augmenter用于处理GPS定位坐标的噪声，Scan Augmenter用于处理手机的rss数据噪声。两个模块都能够增加一定的训练样本。
下图为Spatial Augmenter模块说明，其使用了定位的置信度(confidence)，以定位坐标为中心，置信度为半径换出的圆如果与某个网格相交，则将当前的样本同事用于这些网格中(也就是同时增加几条样本)。

Spatial Augmenter模块.png

下图为Scan Augmenter模块，通过对扫描到的基站信号强度进行屏蔽处理，增加训练样本。即接收到的信号强度向量，乘以一个mask向量，得到一个新的信号强度向量。

Scan Augmenter模块.png

3.2 模型训练模块(Model Trainer)

模型的输入是， $M$ 个基站的信号强度值(rssi)，如果没有扫描到对应的基站，则其接收信号强度设置为0；模型的输出是每个网格(共 $K$ 个网格)的分类概率，是一个多分类问题。输出层使用softmax激活函数，是的所有网格的分类概率和为1。
DeepLoc训练过程中使用dropout放置模型过拟合，损失函数使用交叉熵损失函数。