代碼下載：

基于CSI的工業(yè)互聯(lián)網(wǎng)深度學習定位.zip資源-CSDN文庫

摘要

室內(nèi)定位技術(shù)是工業(yè)互聯(lián)網(wǎng)相關(guān)技術(shù)的關(guān)鍵一環(huán)。該技術(shù)旨在解決于室外定位且取得良好效果的GPS由于建筑物阻擋無法應用于室內(nèi)的問題。實現(xiàn)室內(nèi)定位技術(shù)，能夠在真實工業(yè)場景下實時追蹤和調(diào)配人員并做到對自動化生產(chǎn)各環(huán)節(jié)的監(jiān)控，對提升生產(chǎn)效率有積極意義。

現(xiàn)有幾乎所有關(guān)于室內(nèi)定位的研究存在抗環(huán)境動態(tài)性弱的問題，即面對復雜的環(huán)境變化時，這些方法呈現(xiàn)出準確性低，魯棒性差的性質(zhì)；針對這種情況，研究者提出的方法是不斷維護、更新數(shù)據(jù)庫，以符合環(huán)境變化。但是這種方法會帶來大量的額外成本消耗，包括人力維護的費用，以及存儲大量數(shù)據(jù)的內(nèi)存消耗等，而且并沒有從根本上解決問題。

針對以上問題，我們提出了一種新穎的基于對抗網(wǎng)絡思想的室內(nèi)定位系統(tǒng)。我們的貢獻可以總結(jié)如下：

1、提出了一種處理高維的WiFi CSI（Channel State Information）信號的方法，該方法可以保證將CSI信號轉(zhuǎn)換為二維可處理圖像的同時保證各維度信息的關(guān)聯(lián)性。

2、我們應用對抗網(wǎng)絡的思想，設(shè)計了一個全新的定位框架，這種框架能夠分離目標特征和環(huán)境特征，具有可以有效降低動態(tài)環(huán)境帶來的影響，且不需要頻繁更新。

3、在大量數(shù)據(jù)集上進行了實驗，并復現(xiàn)了時下最先進的幾種室內(nèi)定位的方法進行對比，結(jié)果表明我們提出的新方法在動態(tài)環(huán)境下的表現(xiàn)遠優(yōu)于其他幾種方法。

在設(shè)計的思路上，我們沿用了過往研究采用的WiFi指紋使用方法，但是稍有不同不同的是我們選擇了CSI這個指標而不是傳統(tǒng)的RSS，這一點會在下文中進行分析。我們設(shè)計了指紋生成器、特征提取器、位置預測器和域辨別器四個部分，分別對應了數(shù)據(jù)處理、特征提取、位置預測和去除環(huán)境干擾的功能。通過將采集到的CSI信息依次通過這四個部分，我們就可以得到和環(huán)境無關(guān)的位置預測。

• 第一章 作品簡介

1.1 作品背景

1.1.1 政策導向

表1、2020年各省市對加快工業(yè)互聯(lián)網(wǎng)建設(shè)相關(guān)政策

1.1.2 社會需求

工業(yè)制造的蓬勃發(fā)展不斷推動我國制造領(lǐng)域的技術(shù)變革，物聯(lián)網(wǎng)和人工智能技術(shù)的出現(xiàn)，使智能化生產(chǎn)和智能工廠等概念成為可能。我國作為全球最大的發(fā)展中國家，加速工業(yè)發(fā)展對推動國家實力增長具有深遠的意義。目前，我國工業(yè)在產(chǎn)業(yè)規(guī)模、產(chǎn)業(yè)結(jié)構(gòu)和自主創(chuàng)新方面都已經(jīng)取得了長足發(fā)展，但隨著人力儲備不足問題的日益突出一級國家化競爭的日益激烈，自動化生產(chǎn)、智能化管理、高效成本管理成為提升競爭力的關(guān)鍵。而在智能化改造中，傳統(tǒng)工業(yè)生產(chǎn)面臨許多困難，例如工業(yè)場景下的室內(nèi)定位技術(shù)。實現(xiàn)室內(nèi)定位技術(shù)，能夠?qū)崟r追蹤和調(diào)配人員并做到對自動化生產(chǎn)各環(huán)節(jié)的監(jiān)控，對提升生產(chǎn)效率有積極意義。

??? 在工業(yè)場景中，室內(nèi)定位扮演著重要的角色。通過精度較高的室內(nèi)定位技術(shù)，管理者可以實現(xiàn)對生產(chǎn)人員的實時監(jiān)控和動態(tài)調(diào)度，從而杜絕隱患，提高工作效率；同時，工廠可以獲取物料和車輛的實時位置，實現(xiàn)物料的自動調(diào)撥、周轉(zhuǎn)和貨物運輸?shù)?；此外，高精度的定位技術(shù)也是工業(yè)機器人等投入自動化生產(chǎn)的前提。

1.1.3 現(xiàn)存問題

（1）原有室外定位技術(shù)無法直接應用于室內(nèi)。

??? 現(xiàn)有室外定位服務主要通過全球衛(wèi)星定位系統(tǒng)（即GPS）技術(shù)來實現(xiàn)。全球衛(wèi)星定位系統(tǒng)可以為戶外用戶提供高精度的定位服務，但其存在局限性：GPS信號公率非常低，信號接受要求較高，在室外天線與衛(wèi)星之間不存在阻礙，可以達到較好的定位結(jié)果。但是涉及到室內(nèi)定位時，由于受建筑物阻擋，導致衛(wèi)星信號到達室內(nèi)后快速衰減，無法滿足室內(nèi)覆蓋要求，使用GPS信號來進行室內(nèi)定位幾乎成為不可能。

（2）工業(yè)生產(chǎn)中室內(nèi)環(huán)境的復雜性

工業(yè)生產(chǎn)中，室內(nèi)環(huán)境遠比室外環(huán)境復雜，無線電波易受障礙物阻擋，發(fā)生反射、折射或散射，形成非視距傳播（即NLOS，非視距通信是指接收機、發(fā)射機之間非直接的點對點的通信。非視距最直接的解釋是通信的兩點視線受阻，彼此看不到對方，菲涅爾區(qū)大于50%的范圍被阻擋 ），嚴重影響了定位精度。另外，室內(nèi)生產(chǎn)環(huán)境布局和拓撲易受人為因素影響，導致各種信號傳播發(fā)生變化，從而降低基于特征匹配原理的定位技術(shù)性能。

（3）現(xiàn)有室內(nèi)獨立定位系統(tǒng)的缺陷

??? 目前較為流行的定位系統(tǒng)多為獨立定位系統(tǒng)，即他們大都是為一個特殊的應用環(huán)境設(shè)計的，因此會導致以下問題：

1）目標檢測存在缺陷：大多數(shù)定位系統(tǒng)依賴標簽之間的匹配，因此它們難以檢測到與目標標簽共存于同意環(huán)境中的不同標簽的目標。

2）定位魯棒性和精度低：獨立系統(tǒng)在信息獲取方面受到限制，難以實現(xiàn)。

3）環(huán)境適應性差：在一種實際場景中表現(xiàn)良好的獨立定位系統(tǒng)可能在另一種實際場景中表現(xiàn)差。

1.2 現(xiàn)狀分析

1.2.1 室內(nèi)定位信號指標的選用

隨著AP (Access Point)技術(shù)的成熟和便攜式WiFi設(shè)備的普及，基于WiFi的室內(nèi)定位引起了眾多研究者的關(guān)注。對比藍牙和UWB等技術(shù)需要額外的部署成本，WiFi信號幾乎無處不在，這大大降低了信號獲取的難度?，F(xiàn)有研究通常通過接收信號強度指標(RSSI)來計算位置。針對RSSI在環(huán)境變化或存在多路徑效應時容易出現(xiàn)波動的問題，提出了基于RSSI指紋的定位方法。數(shù)據(jù)庫要根據(jù)環(huán)境的變化，所以它不適合不斷變化的環(huán)境。近年來，隨著正交頻分復用(OFDM)系統(tǒng)的廣泛應用，許多基于信道狀態(tài)信息(CSI)的解決方案被提出。我們將首先對比RSSI和CSI的特點，并分析CSI應用于室內(nèi)定位的優(yōu)勢。

在室內(nèi)環(huán)境中由于多徑效應，無線信號在發(fā)射機和接收機之間通過多條路徑傳播。

圖1 多徑效應

由于RSSI信號本身的多徑效應的缺點使得基于RSSI指紋的定位系統(tǒng)的應用場景受到了極大的限制，具體而言，作為 MAC 層信息RSSI是無線信號多徑信號強度的累加，無法根據(jù)RSSI分辨視距徑的傳輸信息也無法分辨各個傳輸徑的傳輸信息，少數(shù)徑上信號幅度的波動都可能對RSSI值造成較大的改變。而且RSSI只能提供接收信號傳輸特征的粗略信息，無法獲得更為細致的定位信息。而且很多有用信息如相位都被忽略，因此不能很好地反映信號在鏈路中的傳播特性。此外RSSI很容易受環(huán)境變動的影響，即便在靜態(tài)環(huán)境中也會出現(xiàn)一定范圍的波動。因此，室內(nèi)多徑效應大大限制了RSSI的感知能力，使其只能用于實現(xiàn)一些粗粒度的室內(nèi)定位等感知任務。

介紹CSI之前先描述OFDM，在正交頻分復用(Orthogonal Frequency Division Multiplexing,OFDM)系統(tǒng)中，寬帶被分為多個具有不同中心頻率且相互正交的子載波窄帶信道。傳輸數(shù)據(jù)時，OFDM中的高速比特流轉(zhuǎn)換成多個相對低速的并行比特流，其中每個比特流都被傳輸?shù)教囟ǖ淖虞d波上。由于這些子載波相互正交，多個比特流同時在多個子載波上傳輸不會造成相互干擾。與其他傳輸方案相比，OFDM對多徑干擾具有更好的魯棒性。圖3展示了OFDM子載波：

圖2 OFDM子載波

在2009年正式批準的IEEE802.11n標準中,無線網(wǎng)卡支持物理層信息的提取，因此可通過提取無線網(wǎng)卡中的信道響應信息來獲取信道狀態(tài)信息。目前已經(jīng)實現(xiàn)修改無線網(wǎng)卡驅(qū)動和安裝CSI Tools來獲得CSI數(shù)據(jù)，其應用范圍越來越大，實用性不斷提高。相比于單值的RSS，其不僅從頻域表征了信道狀態(tài)并且附加了相位信息。CSI作為一種細粒度的物理層信息，反映了在發(fā)送器與接收器之間無線信道的傳輸特性而且對信道變化具有很高的靈敏度。

(CSI)信道狀態(tài)信息表示發(fā)射機和接收機之間通信鏈路的信道特性，反映了信號在傳播過程中的散射、衰減等效應。IEEE 802.11n使用OFDM技術(shù)，將信號通過多個具有不同頻率且相互正交的子載波進行傳輸。

CSI是物理層的一種更細粒度的屬性值，不僅描述了頻域空間對所對應的每個子載波的幅度和相位，表現(xiàn)了無線信號在不同子信道上的衰減情況，還能將其變換到時域，間接地得到每條徑上的傳輸特征，表現(xiàn)了無線信號在不同傳輸徑的衰減情況。

正交頻分復用技術(shù)（OFDM）是IEEE802.11n無線局域網(wǎng)標準協(xié)議核心部分之一，該技術(shù)增強了無線信號抗多徑干擾的性能。對基于WiFi信號定位的系統(tǒng)來說，正是由于該技術(shù)的出現(xiàn)，可以利用WiFi設(shè)備從物理層提取出信道狀態(tài)信息。不同于RSS值是所有傳輸徑累加的結(jié)果,從CSI信號中能獲得各個子載波上信號的傳輸特征，是一種更細粒度的傳輸特征，因此基于CSI信號定位的系統(tǒng)通常能獲得更高的定位精度。

當實際物體出現(xiàn)在不同位置時，由于CSI信號的特點，能夠更加細致地展現(xiàn)特征差異。為清晰展示，在兩個不同位置的參考點處，取1根發(fā)射天線和3根接收天線對之間的30子載波的50個數(shù)據(jù)包，如圖4和圖5所示，兩個不同位置不同接收天線處的子載波幅度值不相同，可見能將CSI信號反映的各個子信道的傳輸特性與不同位置分別對應，這也是CSI信號能用于室內(nèi)定位的原因。

圖3 位置1接收天線對子載波幅值

圖4 位置2接收天線對子載波幅值

如圖6是接收端與發(fā)送端在同一環(huán)境同一位置時，中間無人、有人以及中間放置紙箱等環(huán)境下接收到的CSI信息，可以看出3種情況下接收到的CSI信號具有明顯的區(qū)分度，綜上兩種情況顯示其室內(nèi)指紋定位算法技術(shù)可行且精度和效果更優(yōu)。

圖5? 不同室內(nèi)環(huán)境的CSI差別

表3從多個方面對 RSS和CSI進行了對比。如圖7所示，如果把RSS比作一束白光，CSI可以看做是彩虹。通過修改固件，可以在Intel 5300、Atheros等普通商用無線網(wǎng)卡上以CSI的形式獲得信道頻率響應(Channel Frequency Response, CFR)采樣。每一組CSI刻畫了正交頻分復用子載波的幅度和相位，所以其具有更好的靜態(tài)穩(wěn)定性和動態(tài)敏感性。

表2? RSS與CSI對比

圖6? RSS與OFDM關(guān)系

因此，采用CSI進行室內(nèi)定位具有以下三點優(yōu)勢:

(1)由于室內(nèi)環(huán)境的復雜性高,且環(huán)境的變化頻率也高，而CSI信息會隨著環(huán)境的變化呈現(xiàn)出不同的頻率和相位特性，因此CSI能夠有效監(jiān)測室內(nèi)環(huán)境的變化;

(2)由于CSI描述的是細粒度的物理信息，所以在定位時不需要很多接入點AP，從而可以降低定位系統(tǒng)的部署成本;

(3）在面對窄帶信號時呈現(xiàn)出很好的魯棒性，并且信號穩(wěn)定，波動性也不大。

綜上所述，基于CSI的定位技術(shù)具有較高定位精度，CSI在基于Wi-Fi的室內(nèi)定位和無線感知技術(shù)中具有很好的前景，所以本項目采用基于CSI的定位技術(shù)。

1.2.2 室內(nèi)定位技術(shù)現(xiàn)狀

室內(nèi)定位的研究受到全世界研究者的廣泛關(guān)注，每年無線網(wǎng)絡算法的有關(guān)會議、期刊都會誕生大量關(guān)于室內(nèi)定位的優(yōu)秀研究和論文。接下來我們將以與我們設(shè)計密切相關(guān)的研究，分基于模型的研究和基于深度學習的研究兩個方面進行分析。

（1）基于模型的方法

基于模型的方法通常利用細粒度信息來改善傳統(tǒng)模型所存在的問題如多徑等[8,9]。FILA[3]提出了一種從CSI中選取優(yōu)勢路徑構(gòu)建傳播模型的新方法，大大提高了傳統(tǒng)模型的精度。PILA[6]提出了一種通過角估計實現(xiàn)路徑識別和高精度定位的方法。

基于模型的方法存在主要問題為這些方法大多知識對傳統(tǒng)模型的沿用，并沒有充分利用CSI攜帶的大量信息，沒有合理利用CSI的有關(guān)特性從根本上對室內(nèi)定位的精確性和魯棒性做出提升。

（2）基于深度學習的方法

隨著深度學習的流行，越來越多的研究者將基于學習的方法與室內(nèi)定位聯(lián)系起來。Wang等人在傳統(tǒng)指紋定位方法的基礎(chǔ)上，利用CSI提出了一種基于深度學習的指紋室內(nèi)定位方法DeepFi和PhaseFi[11-12]。在離線訓練階段后，系統(tǒng)獲得深度學習的權(quán)值，通過概率法可以準確的估計位置。ConFi[13]是第一個使用CNN的WiFi定位系統(tǒng)。該系統(tǒng)將CSI翻譯成RGB圖像，并使用CNN提取CSI的特征，類似于計算機視覺(CV)的主題。ConFi通過計算概率來預測目標的位置，就像DeepFi一樣。Ayyalasomayajula等人構(gòu)建了一個系統(tǒng)，利用二維熱圖對TOF和AOA信息進行編碼，然后利用深度神經(jīng)網(wǎng)絡(Deep Neural Network, DNN)獲得高精度定位。

這些研究大大拓展了室內(nèi)定位的研究思路，研究者甚至不需要對CSI的物理特性有足夠的了解，也可以通過深度學習的方法提取有關(guān)特征并完成特征于目標位置之間的映射。

美中不足的是，上述研究并沒有針對CSI對動態(tài)環(huán)境變化的敏感性提出有效的解決方案。具體來說，環(huán)境的微小變化可能會對CSI產(chǎn)生重大的影響，那么我們之前訓練的深度學習模型中的參數(shù)就需要隨之改變。在真實的工業(yè)場景中，由于環(huán)境時刻都在變化，所以反復重復訓練過程顯然是不切實際的，也達不到我們所需要的降低維護成本的目標。

1.3 系統(tǒng)應用場景與功能概述

我們提出一個完整的基于WiFi CSI的室內(nèi)定位系統(tǒng)AEDLoc（Indoor Localization Alleviating Environment Dependence），包括了WiFi CSI測量模塊、深度學習神經(jīng)網(wǎng)絡和定位結(jié)果可視化展示模塊三個部分。該系統(tǒng)旨在于較為復雜且具有動態(tài)環(huán)境室內(nèi)的場景中實現(xiàn)精準且不受環(huán)境變化影響的定位。

我們首先對之前的研究人員開源的公開數(shù)據(jù)集進行處理，將其處理為可以用計算機視覺領(lǐng)域技術(shù)處理的二維指紋，然后利用對抗網(wǎng)絡思想?yún)f(xié)同訓練兩個Softmax回歸分類器，直到CSI信號中位置特征和環(huán)境特征分離位置，然后用python matplot根據(jù)目標在二維平面中移動的位置畫出其運動軌跡完成可視化。最后我們再測試我們的WiFi CSI測量模塊，我們將用Intel 5300網(wǎng)卡和基于Linux的WiFi CSI Tool工具在學生宿舍內(nèi)布置數(shù)個場景進行CSI的采集，并將采集到的結(jié)果送入深度學習神經(jīng)網(wǎng)絡并可視化呈現(xiàn)軌跡，通過將真實軌跡與預測軌跡進行對比，來驗證我們的研究的正確性。我們的工作將在一定程度上為此領(lǐng)域的后續(xù)科研工作、算法校驗、模型訓練，帶來推動作用。本系統(tǒng)實現(xiàn)的功能主要分以下三部分：

（1）在單一復雜環(huán)境下實現(xiàn)精確定位：

AEDLoc核心思想在于設(shè)計一套能夠有效抵抗環(huán)境動態(tài)性帶來的負面影響的室內(nèi)定位系統(tǒng)，事實上，其對單一復雜場景（反射、折射和衰落等）下的定位也有著不錯的性能（我們將在后續(xù)的實驗即評估部分看到）。AEDLoc同樣可以通過不斷更新位置指紋庫的方法進行更新，這為其在不同需求間的遷移提供接口和可能性。

（2）在多種復雜環(huán)境下實現(xiàn)“一次訓練，長期精確定位”：

傳統(tǒng)定位系統(tǒng)在一種環(huán)境中訓練之后放到其他環(huán)境中會幾乎喪失其原本的所有效果，這意味著需要不停采集數(shù)據(jù)并訓練和維護網(wǎng)絡來保證定位系統(tǒng)的時效性；然而，在實際工業(yè)互聯(lián)網(wǎng)場景中，環(huán)境無時無刻不在發(fā)生變化（例如人員和車輛等設(shè)備的移動，環(huán)境的溫濕度等），如果要不斷更新數(shù)據(jù)和網(wǎng)絡將付出大量代價。AEDLoc通過對抗網(wǎng)絡的思想，可以實現(xiàn)位置信息和環(huán)境信息的分離。當我們成功分離出位置信息之后，環(huán)境變化便不再與我們的定位系統(tǒng)相關(guān)，由此達到“一次訓練，長期精確定位”的目標。

（3）提供最先進（state-of-art）算法的復現(xiàn)和可視化功能

我們不僅完成了AEDLoc系統(tǒng)的設(shè)計，而且完成了幾種最先進算法的復現(xiàn)，提供了定位軌跡的可視化代碼、CSI測量的教程手冊，以及我們對數(shù)據(jù)的處理思路代碼（全部附有注釋），這些代碼都開源在我們的github網(wǎng)站中，我們希望通過我們的工作能夠進一步推動室內(nèi)定位領(lǐng)域研究的創(chuàng)新。

第二章 技術(shù)方案

2.1系統(tǒng)設(shè)計方案

本作品主要分為三個部分，分別是WiFi CSI測量模塊、Web交互模塊和深度學習神經(jīng)網(wǎng)絡模塊，對應的功能分別為數(shù)據(jù)獲取、室內(nèi)定位實現(xiàn)以及結(jié)果的可視化。本系統(tǒng)的總體設(shè)計如圖所示：

圖7 系統(tǒng)設(shè)計方案圖

本設(shè)計應用模塊化設(shè)計理念，即使用者可以一同使用所有模塊，同樣也可以使用其中部分模塊來實現(xiàn)所需功能，下面我們將分開介紹各個模塊的實現(xiàn)及功能。

2.2整體架構(gòu)設(shè)計

（1）整體架構(gòu)

本系統(tǒng)整體架構(gòu)由表現(xiàn)層、服務層、后臺層，物理層組成，從表現(xiàn)層到物理層，每層依賴于下層的同時也為上層的應用提供有關(guān)服務。系統(tǒng)架構(gòu)圖如圖所示。

其中，表現(xiàn)層主要為系統(tǒng)的前端界面，負責和系統(tǒng)的用戶進行交互，本系統(tǒng)屬于B/S架構(gòu)，因此表現(xiàn)層主要就是位于用戶瀏覽器中的Web頁面，主要功能為文件上傳，結(jié)果展示等。服務層則主要為系統(tǒng)前端提供后端的接口服務，將前端界面提供的有關(guān)功能進行實現(xiàn)。后臺層則主要由室內(nèi)定位預測和可視化輸出兩個模塊，其中室內(nèi)定位預測模塊包括系統(tǒng)主要功能所用到的神經(jīng)網(wǎng)絡模型，算法等，該層負責處理接收到的前端文件以及參數(shù)和物理層的CSI數(shù)據(jù)，為接口層提供數(shù)據(jù)支持。物理層則主要負責傳輸接收CSI并向后臺層提供CSI數(shù)據(jù)。

圖8 系統(tǒng)架構(gòu)圖

（2）各層次作用

1. 表現(xiàn)層

表現(xiàn)層主要是系統(tǒng)的前端界面，負責與用戶交互，接收用戶輸入，并將用戶輸入進行校驗和處理，防止不合法的輸入。同時將用戶的輸入轉(zhuǎn)化為服務層所適應的表現(xiàn)形式，將其發(fā)送給服務層進行進一步處理。也從服務層接收系統(tǒng)的反饋，并將其轉(zhuǎn)達給用戶。本系統(tǒng)屬于 B/S 架構(gòu)，因此表現(xiàn)層主要為基于 HTML+JavaScript+CSS 的 Web 界面，運行在用戶端瀏覽器中。

1. 服務層

服務層主要充當了表現(xiàn)層和后臺層中間的中介，能夠從表現(xiàn)層接收編碼后的用戶輸入，并根據(jù)業(yè)務邏輯將用戶的請求轉(zhuǎn)達給后臺層。這樣設(shè)計的好處在于表現(xiàn)層設(shè)計時只需要關(guān)心服務層對外暴露的系統(tǒng)接口，而不需要關(guān)心后臺層的具體實現(xiàn)。因此縱使后臺層出現(xiàn)改動，也不會引起服務層的接口改變，提高了系統(tǒng)的整體可維護性和穩(wěn)定性。

1. 后臺層

后臺層是本系統(tǒng)工作的核心，包含了系統(tǒng)的核心功能與技術(shù)。在本系統(tǒng)中，后臺層主要由兩大模塊構(gòu)成——室內(nèi)定位預測模塊和可視化模塊。

室內(nèi)定位預測模塊 模塊中的指紋生成器的將物理層提供的原始CSI數(shù)據(jù)轉(zhuǎn)換為高質(zhì)量的CSI指紋。CSI指紋被保存并以圖像形式使用。當接收到初始的位置指紋時，指紋生成器將其轉(zhuǎn)換成圖像，然后提交給位置預測器，位置預測器根據(jù)圖像計算出位置。

可視化模塊 利用可視化技術(shù)將用戶位置軌跡繪出并在前端頁面展示。

1. 物理層

傳輸CSI，并將收集的CSI數(shù)據(jù)向上提供給后臺層。

2.3 WiFi CSI測量模塊

2.3.1 硬件配置

我們在本設(shè)計中選擇華為AX3 Pro路由器（支持WiFi 6協(xié)議）、Intel 5300網(wǎng)卡和聯(lián)想ThinkPad作為CSI測量的硬件支持。

圖9 路由器和網(wǎng)卡圖

我們將網(wǎng)卡及PCI接口安裝如下：

圖10 網(wǎng)卡安裝圖

然后需要對網(wǎng)卡進行有關(guān)配置并安裝相關(guān)軟件，我們將在附錄給出相關(guān)教程。

2.3.2?數(shù)據(jù)集和數(shù)據(jù)處理

我們的數(shù)據(jù)來源分為兩部分，一部分開源數(shù)據(jù)集WILD，另一部分是我們在宿舍采集的數(shù)據(jù)集。

在任何深度學習研究中，數(shù)據(jù)集的質(zhì)量是至關(guān)重要的。感謝Ayyalasomayajul等人的努力，通過使用無線室內(nèi)定位數(shù)據(jù)集(WILD)中的開源數(shù)據(jù)，我們可以節(jié)省大量的時間。該數(shù)據(jù)集收集CSI數(shù)據(jù)和位置標簽在兩個空間的2000平方英尺區(qū)域，包括8個不同場景，豐富的多路徑(等離子屏、混凝土柱、金屬結(jié)構(gòu)等)和非視線場景。通過手動為每個場景添加域標簽，我們可以很容易地使數(shù)據(jù)集滿足我們研究的所有需求。我們選擇其中的五個場景，對數(shù)據(jù)分布進行可視化如下：

圖11 數(shù)據(jù)分布可視化

如上圖所示，是一個18m*8m的空間內(nèi)通過自動機器人搭載CSI模塊收集到的信息，因為空間內(nèi)障礙物阻擋等信息，導致有的區(qū)域內(nèi)采集到的樣本點較多，有的較少，但是基本所有區(qū)域都存在能夠滿足深度學習算法的樣本數(shù)量。

CSI的值在各子載波頻率上的值是復數(shù)，可以分解為幅值和相位兩個部分，由于我們的設(shè)計僅取幅值作為指標，這大大減少了數(shù)據(jù)處理的復雜性。幅值的計算方法如下：

Hx=a+bi

H(x)= 2a2+b2

2.4 Web交互模塊

??? Web交互模塊的功能比較簡單，提交一個CSI值的文件后，通過調(diào)用執(zhí)行后端生成軌跡圖，顯示在網(wǎng)頁上。

圖12 Web界面

2.5 深度學習模塊

如圖所示，AEDLoc由四個部分組成：指紋生成器，特征提取器，位置預測器和域鑒別器。我們的系統(tǒng)類似于傳統(tǒng)的基于指紋的定位方法，可分為兩個階段（離線訓練階段和在線定位階段）。在離線訓練階段，網(wǎng)絡由指紋數(shù)據(jù)庫訓練。不同之處在于，我們通過額外的對抗性網(wǎng)絡在很大程度上減少了環(huán)境對室內(nèi)定位帶來的不利影響，使系統(tǒng)更加準確和穩(wěn)定。

圖13 深度學習模塊總體架構(gòu)圖

指紋生成器的任務是將原始的CSI數(shù)據(jù)轉(zhuǎn)換為高質(zhì)量的CSI指紋。我們的CSI指紋被保存并以圖像形式使用。當接收到原始指紋時，指紋生成器會將其轉(zhuǎn)換為圖像。然后特征提取器通過類似于我們熟知的CV的CNN模塊從圖像中提取信息并提交給位置預測器。然后，位置預測器根據(jù)圖像計算位置。值得注意的是，位置預測器在離線階段和在線階段都有效，而域鑒別器僅在離線階段有效。有研究提供了一種利用未標記指紋的方法，在在線階段幫助協(xié)同訓練位置預測器和域鑒別器，并對模型進行更新，增強模型的魯棒性和準確性[9]。然而，在利益和風險之間權(quán)衡之后，我們放棄了這個想法。首先，與采用該方法的研究不同，AEDLoc不需要考慮樣本不足導致網(wǎng)絡訓練不夠的問題，因為AEDLoc有效地利用了大量CSI的室內(nèi)定位相關(guān)信息。相反，引入未標記指紋的協(xié)同訓練可能會造成不必要的誤差，對模型的準確性和魯棒性有較大的負面影響。

2.5.1 指紋生成器

指紋生成器需要解決的問題是如何在保證相鄰點關(guān)聯(lián)度的情況下將WiFi CSI轉(zhuǎn)換成2D圖像形式，我們知道在計算機視覺中，如果我們要采用CNN模塊提取圖像中特征，那么需要保證相鄰像素點之間存在關(guān)聯(lián)，但是如果我們需要將CSI的值轉(zhuǎn)換為圖像，就會遇到相鄰點不相關(guān)的問題。

考慮CSI性質(zhì)，提出一種將CSI轉(zhuǎn)為圖像的方法，即將天線數(shù)作為通道，并提出一種矩陣變換的方案，使得轉(zhuǎn)換后的圖像相鄰點相關(guān)。

具體如下：

1、將單根天線接收到的CSI信號用一維向量的形式表示[f1,f2,f3,f4….,fn]T

2、用hij=(fi-fj)/fj

將一維向量轉(zhuǎn)化為二維矩陣，即圖像

3、將天線數(shù)作為通道，即可得到最終的2D圖像形式

圖14 指紋生成示意圖

下圖為當天線數(shù)為3時，我們將3通道過濾器轉(zhuǎn)換為RGB的效果圖。

圖15 CSI指紋RGB效果圖

2.5.2 特征提取器

我們采用兩層CNN來提取指紋圖像中的潛在特征Z。設(shè)θ為CNN參數(shù)的集合。給定輸入數(shù)據(jù)X，我們可以得到如下的特征表示：

?????????????????? Z=CNNx;θ?(1)

圖16 CNN示意圖

??? CNN在計算機視覺領(lǐng)域的應用已經(jīng)非常成熟，在此不多贅述，我們需要的是卷積核的通道數(shù)必須與過濾器的通道數(shù)必須一致，而我們的過濾器通道數(shù)應該等于天線數(shù)（在指紋生成器中已經(jīng)敘述），然后我們采用3*3的卷積核對特征進行提取。

2.5.3 位置預測器

我們采用一個全連接層和softplus激活函數(shù)，通過基于Zi學習輸入數(shù)據(jù)Xi中的代表特征Vi：

????????????????? Vi=Softplus(WzZi+bz)? ? ? ? ? ? ? (2)

其中Wz和bz函數(shù)是一個激活函數(shù)。為了預測標簽，我們將特征表示映射到潛在的空間位置，然后位置的概率向量?i可以通過softmax層表示：

?????????????????? yi=Softmax(WvVi+bv) ?????????????(3)

其中Wv和Vi為參數(shù)。yi為標記數(shù)據(jù)的預測概率。我們使用熵來定義位置預測器La的損失，如下：

??????????????????? La=1|X|i=1|X|c=1Cyiclog?(yic)? ? ? ? ? ?(4)

其中，|X|是訓練數(shù)據(jù)集中的CSI指紋的數(shù)量。為了滿足優(yōu)化問題的約定，將上述公式從最大化問題轉(zhuǎn)等效轉(zhuǎn)化為最小化問題。因此，位置預測器的目的是通過最小化La來獲得最準確的預測。

2.5.4 域鑒別器

在本作品中，我們定義一組環(huán)境特征為域。例如，當同一房間是否有椅子時，可以被定義為兩個不同的域。我們采用監(jiān)督域?qū)箤W習方法來降低復雜性，并完全消除特定域的位置特征。我們在訓練階段使用的所有指紋都是帶有域標簽的。在這里，我們使用一個策略來驅(qū)動特征提取器，使其僅學習自動提取我們所需要的有用信息。特別地，我們設(shè)計一個基于單層神經(jīng)網(wǎng)絡的域鑒別器。通過網(wǎng)絡，域鑒別器學習特定輸入指紋（包括環(huán)境特征和位置特征）與輸入指紋所屬的域之間的關(guān)系。之后，我們不斷使用特征提取器來提取所有特征的可能組合。當一種組合無法分類到正確的域時，我們稱該組合成功欺騙了域鑒別器。如果組合可以在幾乎所有指紋上欺騙了域鑒別器，我們認為消除了環(huán)境特征的干擾，因為域鑒別器的失敗表明提取的特征與環(huán)境無關(guān)。

圖17 域辨別器示意圖

如圖，若CNN提取的指紋通過域辨別器后得到的標簽與真實標簽相同，說明域辨別器成功識別域（即一個環(huán)境），進而說明當前CNN提取到的特征仍然與環(huán)境相關(guān)。

我們通過連接特征提取器的輸出矩陣Z和預測矩陣y得到F：

F=Z?y?????????????????? ????????????(5)

域辨別器最需要解決的問題是網(wǎng)絡的輸入，我們通過連接特征提取器的輸出矩陣Z和預測矩陣y的F作為輸入，即F=Z?y，因為Z是一個獨立于域和依賴于域的混合特征，為了得到域無關(guān)特征，需要重視Z。然而，一些與域相關(guān)的特征也會產(chǎn)生影響并且不能忽視，因此Z的連接結(jié)果是域鑒別器的最佳輸入。

圖18 F的計算示意圖。

Softmax輸出的預測矩陣y代表的是待預測點在每個點的可能性（熵），而Z是CNN提取的特征。與在特征提取器和位置預測器中所做的工作類似，我們設(shè)計了一個同樣CNN模塊，基于Zi來學習輸入數(shù)據(jù)Xi中的代表特征Ui:

Ui=CNN(Zi;θ)????????????????????? ????????(6)

然后將Ui映射到域分布di中；

di=softmax(WuUi+bu)???????????? ??????????????(7)

其中Wu和bu是參數(shù)。我們使用域分布和真域標簽之間的交叉熵作為損失：

Ld=-1Xi=1Xj=1Ddijlog?(dij)?????????? ????????(8)

其中|D|為域的數(shù)量，dij為真域標簽的一個one-hot向量。我們的最終目標是學習與域無關(guān)的特征，但域鑒別器的目標是最小化Ld，從而最大化域預測的性能。為了解決這一矛盾，我們基于等式的損失函數(shù)4和等式8得到了一個新的損失函數(shù)，如下：

L=La-λLd(λ>0)?????? ???????????????????????????(9)

通過對抗學習過程，特征提取器通過最小化La和最大化Ld來盡力欺騙域鑒別器，最終可以學習得到域無關(guān)特征。

2.5.5 空間約束

為了實現(xiàn)更加準確的定位，我們需要增加一個額外的懲罰項來約束那些與實際位置相差很遠的點。

第三章 系統(tǒng)實現(xiàn)

3.1 系統(tǒng)部署

3.1.1 深度學習神經(jīng)網(wǎng)絡

硬件要求：具有g(shù)pu加速計算的pc或服務器，算力要求在1080ti及以上?？梢栽趙indows或者linux操作系統(tǒng)下部署。

軟件配置： Python 解釋器 3.6 及以上、適合的 Python 集成開發(fā)環(huán)境(如 PyCharm) ， 所使用的深度學習框架為 Pytorch-1.11，需要的其他依賴有torchvision, sklearn, pandas等。

3.1.2 CSI測量

硬件要求：Intel 5300網(wǎng)卡，PCI多天線接口，支持WiFi 6協(xié)議路由器。

軟件配置：Ubuntu 12.04 LTS Linux系統(tǒng)，CSI Tools軟件

3.2 代碼運行

由于 python 是腳本語言，且此項目需要深度學習框架和許多依賴庫，無法打 包成簡單的具有用戶界面的可執(zhí)行文件，直接運行代碼或輸入 python 指令即可 完成模型訓練和使用。

代碼運行說明：

我們將數(shù)據(jù)的處理放在了Dataset.py中，主要功能為讀取存放數(shù)據(jù)的csv文件，并返回pytorch神經(jīng)網(wǎng)絡訓練需要的格式。

神經(jīng)網(wǎng)絡部分放在model.py中，我們搭建了三個卷積網(wǎng)絡模型，其中，F(xiàn)eatureNet用于提取特征，DomainNet用于域判別，PosNet用于預測位置。

使用以下指令進行簡單的訓練和測試。

python main.py

自定義運行需要對參數(shù)進行一些修改，參數(shù)設(shè)置將在下一節(jié)介紹。

3.3 參數(shù)設(shè)置

主要參數(shù)都在根目錄下的param/下，帶有解釋說明，這里介紹一些關(guān)鍵的參數(shù)。

3.3.1 基本參數(shù)(train_param.yaml)

train_path: 訓練集路徑。

test_path: 測試集路徑(測試集和訓練集應保持以同種方式采集，不然會對效果有較大影響)。

input_channel: 輸入通道數(shù)，由采集的信號的數(shù)據(jù)格式確定。

kernel_size: 卷積核的大小

3.3.2 訓練參數(shù)(train_param.yaml)

lr: 學習率

epoch: 訓練輪次

weights: 使用的權(quán)重，可以指定之前訓練過的權(quán)重進行訓練。默認為空

save_path: 訓練的權(quán)重保存的路徑

lr_decay: 學習率衰減參數(shù)

batch_size: 批量大小

device: 使用的設(shè)備,即0,1或cpu.

3.4 CSI Tools安裝及配置

??? 我們將CSI Tools的安裝教程放在附錄一中，由于網(wǎng)卡白名單的存在，不推薦使用聯(lián)想電腦進行部署。

第四章 實驗與評估

4.1 比較方法介紹

我們將首先介紹兩種比較方法來與我們的AEDLoc進行比較，以說明不同的方法之間的優(yōu)劣。這個兩種方法都是如今世界上最先進的室內(nèi)定位研究之一。

（1）DLoc：Roshan Ayyalasomayajula，et al.,Mobicom 2020（定位方向頂級會議）

他們提出的一種將CSI值按到達時間和到達角轉(zhuǎn)換為2D熱圖的方法，然后用深度神經(jīng)網(wǎng)絡進行訓練。值得一提的是，我們在本階段使用的數(shù)據(jù)集WILD同樣是由該作者開源，網(wǎng)址為WCSNG - Research。這是目前世界上開源的最大的CSI室內(nèi)定位數(shù)據(jù)集。

??? 我們還對DLoc的算法進行了復現(xiàn)，可以在我們的github網(wǎng)站中找到。

圖19 DLoc示意圖

（2）ConFi：Hao Chen，et al. 2017

ConFi有一個訓練階段和一個定位階段。在訓練階段，在多個參考點(RPs)上收集CSI，通過隨機梯度下降算法訓練CNN。在定位階段，將目標設(shè)備的CSI反饋給CNN，將定位結(jié)果作為輸出值較高的rp的加權(quán)質(zhì)心計算。作者進行了大量的實驗，為CNN選擇合適的參數(shù)，并證明了ConFi比現(xiàn)有方法的優(yōu)越性能。ConFi是最早使用卷積神經(jīng)網(wǎng)絡CNN來訓練CSI數(shù)據(jù)實現(xiàn)室內(nèi)定位的方法，本作品包括如今很多最為先進的作品使用CNN處理CSI圖像的思路都受這項研究的啟發(fā)。

圖20 ConFi CNN示意圖

4.2 評價指標

我們采用距離級定位這個細粒度的指標作為定位精度的評價指標，將定位結(jié)果與真實位置之間的歐式距離定義為定位偏差。

在我們的方法中，計算歐式距離的方法如下：

圖21 距離計算

如上圖，假設(shè)紅色點是待預測點的真實位置，現(xiàn)在它被分類到被黃色填充的網(wǎng)格。那么兩者之間的距離被定義為兩者在網(wǎng)格中距離grid_distance * grid_size。值得一提的是，如果分類完全正確，我們會取一個很小的值而不是0來使結(jié)果更符合真實情況。

4.3 實驗設(shè)置

我們的實驗共9個，其中7個是基于WILD數(shù)據(jù)集進行的，分為對比和自比兩種，分別是為了證明我們的設(shè)計對比他人的優(yōu)越性和我們設(shè)計各部分的合理性、重要；而剩下的實驗是我們在宿舍中開展的，由于樣本量優(yōu)先，只對位置預測的準確度和可視化效果進行了驗證。

4.3.1 WILD數(shù)據(jù)庫的有關(guān)設(shè)置

??? 我們選用WILD（WCSNG - Research）在UCSD（加利福尼亞大學圣迭戈分校）的jacobs hall測量到的數(shù)據(jù)，面積為18*8m；其記錄了同一個大房間隨著環(huán)境的變化CSI值不斷的變化，每個場景的不同我們已在以下圖中標注出來。

（a）

(b)

(c)

(d)

(e)

圖22 jacobs hall的幾種場景

如上圖（a）表明的是jacobs hall在一般狀態(tài)下布置，圖(b)是在圖(a)測量后一段時間測量的在房間布置上和圖（a）無異，但我們需要注意的是，信號的傳播會受溫度、濕度等因素的影響，而且WiFi CSI對這些因素十分敏感，所以根據(jù)我們的定義，圖(a)和圖(b)其實屬于兩個域(及不同的環(huán)境)；圖（c）和圖（d）用紅色框標出部分代表的是在此處布置家具，這些因素會影響信號的反射、多徑干擾等；而圖（e）用紅色標出家具，用藍色標出反射器，這些因素會進一步干擾信號的傳播。

4.3.2 在學生宿舍有關(guān)設(shè)置

類似的，我們在學生宿舍的客廳（約為3.8m*4.4m）布置了五種場景進行相關(guān)測試，其中圖（a）表示的是自然狀態(tài)下的布局，存在衣架、茶幾等家具影響反射等，但所有路由器AP在大多數(shù)點不存在NLOS傳播。圖（b）中我們在茶幾上放置一個箱子以此來影響房價內(nèi)的信號反射等。圖（c）中我們將一個箱子擋在AP3前來造成NLOS傳播。圖（d）中增加一把椅子來使環(huán)境進一步復雜化。圖（e）中我們讓一位同學站在房間來改變環(huán)境。

我們通過使用裝配有Intel 5300網(wǎng)卡的一臺筆記本電腦，在房間內(nèi)每個環(huán)境下收集收集了150個樣本，然后對網(wǎng)絡進行訓練，由于樣本數(shù)量較少，所以本實驗中我們選擇了定位準確率和軌跡對比的呈現(xiàn)方式。

（a）

(b)

(c)

(d)

(e)

圖23 學生宿舍實驗環(huán)境布置

4.4 實驗結(jié)果及分析

??? 我們將首先在WILD數(shù)據(jù)集上進行實驗一至七。

4.4.1 實驗一：在單域下測試定位的準確率（對比）

圖24 實驗1圖

如上圖累積分布函數(shù)CDF所示，我們?nèi)DF為中值和90百分位時的定位誤差值。CDF為中值50%時，AEDLoc、DLoc、ConFi的誤差分別為0.33，0.37，0.45； CDF為中值90%時，AEDLoc、DLoc、ConFi的誤差分別為0.7，0.9，1.5；

可以看出，在不存在環(huán)境因素影響下，AEDLoc的表現(xiàn)略低于DLoc但遠強于ConFi。

我們得出結(jié)論：在處理無環(huán)境影響的定位問題時，AEDLoc沒有展現(xiàn)出明顯優(yōu)勢。

對實驗結(jié)果的分析：DLoc同時對CSI的幅值和相位進行特征的轉(zhuǎn)化和提取，實際上是增加了成本來獲得了在室內(nèi)定位的精度，然而事實證明，這樣對定位精度的提升微乎其微。而ConFi作為較早的一種利用CNN提取特征的算法，并未對網(wǎng)絡進行更多優(yōu)化，因此效果遠不如我們的AEDLoc和DLoc。

4.4.2 實驗二：在混合多域下測試定位的準確率（對比）

在本次實驗中，我們混合多域數(shù)的據(jù)進行訓練，并隨機取出1500個樣本作為測試集進行測試。

圖25 實驗2圖

如上圖累積分布函數(shù)CDF所示，我們?nèi)DF為中值和90百分位時的定位誤差值。CDF為中值50%時，AEDLoc、DLoc、ConFi的誤差分別為0.33，0.38，1.05； CDF為90%時，AEDLoc、DLoc、ConFi的誤差分別為0.9，1.8，2.8；

在混合訓練條件下，AEDLoc在中值和90%處較另兩種方法誤差分別降低了13.1%，68.6%；50%，67.9%。

結(jié)論：可以看出在處理動態(tài)環(huán)境影響的定位問題時，AEDLoc展現(xiàn)出顯著優(yōu)勢。

對實驗結(jié)果的分析：我們的AEDLoc由于引入了域辨別器，有效地分離了位置特征和環(huán)境特征，因此對于混合域之后的室內(nèi)定位任務，AEDLoc可以實現(xiàn)幾乎與環(huán)境變化無關(guān)的定位。DLoc通過一些信號的處理方法，從一定程度上抑制了環(huán)境的干擾，而ConFi在沒有動態(tài)更新的情況下幾乎沒有任何抗環(huán)境干擾的能力。因此最后AEDLoc的在本次實驗中的表現(xiàn)遠遠高于后兩者。

4.4.3 實驗三：訓練域的復雜程度對訓練效果的影響（對比和自比）

??? 該實驗我們驗證的是訓練中環(huán)境的復雜程度對提升系統(tǒng)定位準確性和魯棒性的影響，我們設(shè)置了一下三個子實驗，都是用三個場景訓練，一個場景測試。結(jié)果如下：

表3 實驗3表

我們看到對于前兩個子實驗，訓練選用的三個場景是相同的，但是測試場景(d)遠比測試場景（b）來的復雜；而第三個子實驗中，選用的三個訓練場景是布置最簡易的(a),(b),(c),而選用的測試場景是最復雜的(e)。最后我們可以通過表中數(shù)據(jù)比較得出：

1. 子實驗1中AEDLoc表現(xiàn)最好，3中表現(xiàn)最差
2. 在我們的三個子實驗中，AEDLoc的表現(xiàn)都優(yōu)于DLoc。

分析：我們的AEDLoc是通過分離環(huán)境特征和位置特征來達到抗環(huán)境動態(tài)性的目的的；然而，如果訓練的域（即環(huán)境）本身都不復雜，則AEDLoc在訓練時無法學習有關(guān)環(huán)境特征的知識，自然也無法表現(xiàn)出良好的定位性能。

4.4.4 實驗四：訓練域的個數(shù)對準確性的影響（自比）

在本實驗中，我們選取后4個域的數(shù)據(jù)進行訓練，第1個域的數(shù)據(jù)進行驗證；然后選取后3個訓練，前2個驗證，以此類推。結(jié)果如下。

圖26 實驗4圖

如上圖累積分布函數(shù)CDF所示，我們可以直觀地看出參與訓練的域越多，定位的效果更準確，當訓練的域只有一個時，訓練效果退化得非常惡劣。

結(jié)論：參與訓練的環(huán)境越多，我們得到定位效果越好。

實驗分析：其實這樣的結(jié)果是顯而易見的，因為根據(jù)我們對深度學習的直觀了解，當樣本數(shù)量越多（不到達過擬合的情況時），深度學習的擬合效果是隨著樣本數(shù)量的增加而越來越好的。

4.4.5 實驗五：使用天線作為通道對準確性的影響（自比）

??? 在指紋生成器中，我們提到了我們將天線數(shù)作為過濾器的通道。在該實驗中我們將對比以4通道輸入和把所有天線數(shù)據(jù)轉(zhuǎn)化為1通道時的定位性能。

圖27 實驗5圖

如上圖累積分布函數(shù)CDF所示，我們看出4通道時定位的效果優(yōu)于1通道的效果，在90百分位提升為33.4%。

結(jié)論：將天線數(shù)作為通道的做法是合理的。

實驗分析：測量CSI時，每根天線上的數(shù)據(jù)是各自相關(guān)的，所以將天線作為通道是合理的。

4.4.6 實驗六：有空間約束和無空間約束（自比）

圖28 實驗6圖

如上圖累積分布函數(shù)CDF所示，我們看出有空間約束是定位的效果優(yōu)于無空間約束的效果，在90百分位提升約為40%。

結(jié)論：增加空間約束可以提升定位的效果。

實驗分析：增加空間約束是機器學習算法中常用的方法，通過增加額外的懲罰項，可以使得學習的效果更為準確。

4.3.7 實驗七：域辨別器的作用（自比）

這一部分我們?nèi)允褂脤嶒灦慕Y(jié)果進行分析。這樣做的原因是因為我們在實驗二中對比的ConFi算法本質(zhì)上就是我們的AEDLoc去除掉域辨別器之后的結(jié)果。

圖29 實驗7圖

我們不再進行重復的分析，可以直接得出結(jié)論：域辨別器大大提升了動態(tài)環(huán)境下AEDLoc的魯棒性和準確性，是不可或缺的。

接下來的兩個實驗是基于我們在學生宿舍的自測數(shù)據(jù)完成的。

4.3.8 實驗八： AEDLoc在學生宿舍場景中的表現(xiàn)

??? 我們在學生宿舍布置之前描述的五個場景后，在五個場景中共計采集了500個數(shù)據(jù)，我們將其中400個作為訓練集，100個作為測試集進行實驗。因為樣本量較少，所以使用CDF圖來刻畫不是非常合適，我們選擇用餅圖來刻畫數(shù)據(jù)分布，如下：

圖30 實驗8圖

如圖所示，100個測試點中，有22個與實際位置相差在0-0.5m之內(nèi)，有32個與實際位置相差在0.5-1m之內(nèi)，有46個在1-3m。

可以明顯看出，AEDLoc在自測數(shù)據(jù)集上的表現(xiàn)遠不如在WILD上，這顯然因為我們自測的樣本太小的原因。

從此實驗可以看出，AEDLoc在數(shù)據(jù)集很小時不能有良好的表現(xiàn)，這與我們上面的實驗3，4的結(jié)果是一致的。

但是實際上，如果把誤差邊界定位2m，那么定位準確率可以達到80%以上；這說明即使數(shù)據(jù)集較小，AEDLoc仍可實現(xiàn)粗略的定位。

4.3.9 實驗九：AEDLoc在學生宿舍場景中預測軌跡和真實軌跡的可視化對比

??? 我們基于沿著一條路徑采集到的數(shù)據(jù)將預測位置的點連成一條軌跡（紅色虛線）和實際經(jīng)過的軌跡（藍色實線）畫在同一坐標系中，同上一實驗，由于小數(shù)據(jù)集下定位偏差較大，所以軌跡偏差自然也比較大。

圖31 實驗9圖文章來源地址http://www.zghlxwxcb.cn/news/detail-830957.html

到了這里，關(guān)于人工智能|深度學習——基于對抗網(wǎng)絡的室內(nèi)定位系統(tǒng)的文章就介紹完了。如果您還想了解更多內(nèi)容，請在右上角搜索TOY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！