Domain Adversarial Graph Convolutional Network Based on RSSI and Crowdsensing for Indoor Localization

要約

タイトル：RSSIとクラウドセンシングに基づくドメインアドバーサルグラフ畳み込みネットワークを用いた屋内位置情報

要約：
– 屋内位置情報の技術は、WiFiの広範な利用可能性やモバイル通信デバイスの増加により、最近人気を集めている。
– しかし、多くの既存の指紋データセット構築手法は、大量のデータを収集するのに手間がかかることが多く、また、大規模なマルチフロアの実用的な課題を考慮しない場合がある。
– これらの問題を解決するため、少数のラベル付きサイト調査データと大量の未ラベルのクラウドセンシングWiFi指紋を使用してトレーニング可能な新しいWiDAGCNモデルを提案する。
– また、ウェイポイントとWiFiアクセスポイント（AP）の間のRSSIに基づいて異種グラフを構築し、モデルがデータのトポロジー構造を効果的に捉えることができる。
– さらに、以前のWiFi屋内位置特定研究で大幅に見落とされたグラフレベルの埋め込みを抽出するために、グラフ畳み込みネットワーク（GCN）を組み込む。
– 大量の未ラベルデータと複数のデータドメインの課題に対処するため、半教師ドメインアドバーサルトレーニングスキームを使用して、未ラベルデータを効果的に利用し、ドメイン間のデータ分布を整える。
– このシステムは、複数のビルを含む公共の屋内位置情報データセットを用いて評価され、大規模な建物における位置指定精度に関して競争力があることが示された。

要約(オリジナル)

In recent years, the use of WiFi fingerprints for indoor positioning has grown in popularity, largely due to the widespread availability of WiFi and the proliferation of mobile communication devices. However, many existing methods for constructing fingerprint datasets rely on labor-intensive and time-consuming processes of collecting large amounts of data. Additionally, these methods often focus on ideal laboratory environments, rather than considering the practical challenges of large multi-floor buildings. To address these issues, we present a novel WiDAGCN model that can be trained using a small number of labeled site survey data and large amounts of unlabeled crowdsensed WiFi fingerprints. By constructing heterogeneous graphs based on received signal strength indicators (RSSIs) between waypoints and WiFi access points (APs), our model is able to effectively capture the topological structure of the data. We also incorporate graph convolutional networks (GCNs) to extract graph-level embeddings, a feature that has been largely overlooked in previous WiFi indoor localization studies. To deal with the challenges of large amounts of unlabeled data and multiple data domains, we employ a semi-supervised domain adversarial training scheme to effectively utilize unlabeled data and align the data distributions across domains. Our system is evaluated using a public indoor localization dataset that includes multiple buildings, and the results show that it performs competitively in terms of localization accuracy in large buildings.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI