DAILOC: Domain-Incremental Learning for Indoor Localization using Smartphones

要約

Wi-Fiフィンガープリントベースの屋内ローカリゼーションは、デバイスの不均一性と屋内環境内の時間的変動から生じるドメインシフトのために、実際の展開における重要な課題に直面しています。
既存のアプローチは、多くの場合、これらの問題に独立して対処し、その結果、一般化が不十分であり、壊滅的な忘却に対する感受性をもたらします。
この作業では、時間的およびデバイス誘導ドメインの両方のシフトの両方に共同で対処する新しいドメインインクリメンタル学習フレームワークであるDailocを提案します。
Dailocは、マルチレベルのバリエーションオートエンコーダーを使用して、ロケーション関連機能からドメインのシフトを分離する新しい解体戦略を導入します。
さらに、壊滅的な忘却の影響に対処するために、新しい記憶誘導クラスの潜在アライメントメカニズムを導入します。
複数のスマートフォン、建物、およびタイムインスタンスの実験により、Dailocは最先端の方法を大幅に上回り、最大2.74倍低い平均エラーと4.6倍低い最悪のエラーを達成することが示されています。

要約(オリジナル)

Wi-Fi fingerprinting-based indoor localization faces significant challenges in real-world deployments due to domain shifts arising from device heterogeneity and temporal variations within indoor environments. Existing approaches often address these issues independently, resulting in poor generalization and susceptibility to catastrophic forgetting over time. In this work, we propose DAILOC, a novel domain-incremental learning framework that jointly addresses both temporal and device-induced domain shifts. DAILOC introduces a novel disentanglement strategy that separates domain shifts from location-relevant features using a multi-level variational autoencoder. Additionally, we introduce a novel memory-guided class latent alignment mechanism to address the effects of catastrophic forgetting over time. Experiments across multiple smartphones, buildings, and time instances demonstrate that DAILOC significantly outperforms state-of-the-art methods, achieving up to 2.74x lower average error and 4.6x lower worst-case error.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google