# 不劳而获：借助跟踪扫描仪实现基于指纹识别的室内定位 Hamada Rizk 日本大阪大学 埃及亚历山大 E-JUST 埃及坦塔坦塔大学 Moustafa Youssef 亚历山大大学 埃及亚历山大 ## 摘要 过去十年来，实现鲁棒、准确的室内定位一直是诸多研究工作追求的目标。为达成这一目标，学界提出了基于WiFi指纹识别的室内定位系统。然而，指纹采集需要投入大量工作量，尤其是高密度采集场景，且部署区域发生任何变化都需要重新采集。尽管近年已有不少系统被提出以降低校准工作量，但这些系统仍需要在开销和精度之间做权衡。 本文提出LiPhi：这是一款高精度系统，能够在免除数据收集开销的前提下，支持基于指纹识别的室内定位系统。该方案通过利用可移动激光测距扫描仪（LRS）的传感能力，自动标记WiFi信号扫描结果，所得数据可直接用于构建（并维护）定位模型。在设计上，LiPhi包含可将WiFi扫描与仅从一台LRS获取的未标记轨迹关联的模块，同时具备训练鲁棒深度学习模型的配套设计。 我们在两个真实测试平台中使用安卓手机对LiPhi进行了评估，结果表明：在相同部署条件下，它的性能能够媲美手动指纹采集技术，同时无需承担传统指纹采集过程的额外开销。此外，当使用数月后采集的数据进行测试时，LiPhi将基于众包和基于指纹识别系统的中位数定位精度分别提升了181%和297%。 Hirozumi Yamaguchi 大阪大学 日本大阪 • 网络 $\rightarrow$ 基于位置的服务；• 以人为中心的计算 $\rightarrow$ 普适与移动计算； ## CCS 概念 Teruo Higashino 大阪大学 日本大阪 ## ACM 引用格式 Hamada Rizk, Hirozumi Yamaguchi, Moustafa Youssef, and Teruo Higashino. 2020. 不劳而获：借助跟踪扫描仪实现基于指纹识别的室内定位。In 28th International Conference on Advances in Geographic Information Systems (SIGSPATIAL '20), 2020年11月3–6日，美国华盛顿州西雅图。ACM，纽约州纽约，美国，10页。 ## 1 引言 近年来，依托智能手机能力的室内定位系统得到了蓬勃发展[^36]。在各类室内定位系统中，基于WiFi的系统建立在WiFi技术广泛普及部署的基础之上。 为使基于WiFi的定位能够达到预期精度水平，学界提出了基于指纹的定位方法，已有研究证明这类方法能够提供准确、细粒度的定位结果 [^1] [^10] [^11] [^25] [^32] [^33] [^37] [^39]。指纹定位分为两个阶段：离线阶段和在线阶段。离线阶段中，勘测人员携带手机，记录感兴趣区域内各个特定参考点上，从区域内已部署接入点（AP）接收到的信号强度（即RSS）。勘测人员需要在每个准确的参考点停留较长时间，再通过数据采集应用手动标记这些记录的数据。随后，采集得到的指纹数据会被用来构建定位模型，这类模型可以是概率方法（例如[^37]），也可以是基于机器学习的方法（例如[^1]）。在线阶段，即可利用该模型实时估计用户的位置。 指纹定位所需的数据采集过程耗时久、易受环境变化影响、工作量大且可扩展性差，在大型测试场景中这一问题尤为突出。为解决该问题，已有多种技术被提出，包括使用机器人、额外传感器、计算机视觉、群智感知、传播模型和/或数据插值技术等 [^7] [^9] [^14] [^27]。这些方法要么没有考虑人员活动的影响，要么会降低定位系统的泛在性和/或精度，要么存在其他局限性（例如需要复杂的校准过程、引发隐私担忧、需要用户交互等等）。 本文提出了LiPhi：一种可无缝实现基于指纹的室内定位的系统，且无需承担传统指纹定位方法固有的数据采集开销。该系统的核心思路是机会性地利用 --- ![Image](images/1c765bc7c4a36f9440c002bbeeed91f3f9220c6e21cedec7085c4230362c1ca6.jpg) ![Image](images/4550255a8e4e44dceb221ed169cfbd3bb88f57c8a77c280fc7f9916cb0b3d22f.jpg)
Figure 1: Our transportable LRS-based tracking system.
Figure 2: RSS distributions collected in two different months.
可移动激光测距扫描仪（LRS或LiDAR），以用户无感知的方式标记建筑内用户日常移动过程中采集的WiFi扫描数据，无需人工干预。LiPhi仅需一台LRS即可构建所需的指纹数据库并建立定位模型。此外，使用后的LRS可以完成临时部署任务后，复用在其他建筑中（图1），大幅降低了部署WiFi定位系统的开销与成本。 尽管如此，LiPhi仍需要应对多项挑战：包括处理WiFi信号的瞬时变化（这种变化会在估计轨迹中产生伪点）、将匿名LRS轨迹（即点标签序列）与已识别用户采集的WiFi扫描数据匹配，以及构建鲁棒的深度学习定位模型。为此，本文提出了一种新颖的迭代用户轨迹优化方法，该方法利用时空位置平滑和异常值检测来保证初始轨迹形状的有效性。估计得到的用户轨迹会与同时采集的可用LRS轨迹匹配，选择累计点距最小的匹配结果。这些自动标记的用户轨迹构成了大型（即密集的）指纹数据库，能够支持深度学习模型的有效训练。此外，LiPhi还采取了相关措施保证训练模型的泛化性与鲁棒性，防止过拟合。 我们在安卓设备的两个不同测试平台上实现了LiPhi。研究结果表明，在两个测试环境中，LiPhi的性能均比当前最先进的室内定位技术高出至少181%。该精度的获得无需任何指纹采集开销，也无需用户干预，同时对信号和基础设施的时间变化具备鲁棒性。 本文剩余部分结构安排如下：第2节介绍激光测距仪的背景知识，讨论基于WiFi的指纹定位面临的实际问题。第3节概述LiPhi的整体框架。第4节详细介绍LiPhi提出的研究方法。第5节描述数据采集过程，并对系统进行详细评估。第6节讨论现有文献中与LiPhi相关性最高的研究工作。最后，我们在第7节总结全文。 ## 2 背景与研究动机 在本节中，我们首先介绍激光测距扫描仪的背景知识，随后讨论传统指纹技术需要解决的各类问题。 ### 2.1 激光测距扫描仪 激光测距扫描仪（LRS）是采用人眼安全激光探测周围物体的设备。激光束会对场景进行一 ![Image](images/e2c1e5f4d67a79b3f65a85769f08ea3e22c4f0d91e5c43a8bc9e4b13bd9f229c.jpg)
Figure 3: LiPhi system architecture.
维或二维扫描，能够在每个角度获得精度达亚分米级的准确距离，且扫描频率很高（例如，每个角度每秒可完成20次扫描）。随着LRS设备价格不断降低、普及度越来越高，它们越来越多地被应用在商场、博物馆这类大型室内环境中。我们团队开发了一套基于LiDAR的追踪系统（图1），并将其部署在某购物中心中用于开发LiPhi。如图所示，该系统采用电池供电，支持即插即用，使用树莓派3和LTE模块。因此，这套基于LiDAR的追踪系统的部署开销可以忽略不计（仅包括将LiDAR放置在指定位置并在地图上标记其位置）。使用LiDAR能够采集大量高密度数据，从而为精度高但对数据量要求大的解决方案（例如深度学习）的有效应用提供了便利。 ### 2.2 指纹库构建开销 在本节中，我们量化了典型人工指纹采集过程带来的现场勘测开销（以时间计算）。假设目标区域内有n个参考点，每个参考点的信息采集时间为$\tau$分钟，勘测人员移动到新参考点并标记当前所在位置的时间为固定值（设置时间，记为$\alpha$），那么现场勘测总开销可计算为$n \times (\tau + \alpha)$。例如，要为拥有1000个参考点的购物中心构建指纹库，若$\tau = 5$分钟，$\alpha = 1$分钟，总数据采集时间将达到100小时，这凸显了人工指纹采集固有的巨大开销。此外，每当测试平台发生变化（例如将某个AP移到新位置），都需要再次付出这一时间成本。相比之下，LiPhi不需要任何额外开销，因为指纹库是由建筑物内的用户在环境中日常移动时，以机会式、透明的方式构建的。另外，本文使用的基于LiDAR的追踪系统覆盖面积大、便于运输，开销可以忽略不计。 ### 2.3 时间变化 给定位置处任意AP的RSS值存在两类变化：短期变化和长期变化。短期变化由环境的偶然变动导致，例如用户移动，会使得短时间内从部分AP接收到的RSS测量值出现剧烈变化。这类波动通常会产生位置估计结果。 --- ![Image](images/61034add121a16113614bb158630647fe93f2f9f3aa50d1753c2039bd256b4b1.jpg)
Figure 4: Example of LRS human tracking.
![Image](images/c5abe91f33f3fa4b7b61f55a5c7db1fc36dd28ab72b98305ffc63aa0217cbdb6.jpg)
Figure 5: Visualized human traces as detected by the LRS-based Trace Estimator module.
这些结果与前后的估计值存在显著偏差，可被视为异常值。另一方面，长期变化指的是由环境的持续改变导致的信号衰减，这类改变会永久性影响构建定位模型所用的指纹数据库的质量。图2展示了同一个位置处任意AP在两个不同月份（7月和11月）的两种RSS分布，体现了分布随时间发生的变化。这种变化可被视为无意的协变量偏移 [^28]，会导致训练好的定位模型的精度出现显著下降。本文第5节对该效应进行了实证量化。为解决该问题，需要重建指纹数据库，这会产生上一节估算出的相关开销成本。LiPhi通过利用激光测距扫描仪，能够让指纹保持更新，在零额外开销的前提下大幅降低时间变化带来的影响。 另一方面，已部署的AP及其参数（例如发射功率）可能会因维护、更换或新增AP而随时间发生变化。这些变化会导致目标区域内的AP密度发生改变。例如，在本研究开展过程中，我们实验室所在建筑的AP经历了维护与更换，导致原本部署的AP数量大幅减少了30%。这反过来会对已经训练完成的传统定位模型产生负面影响：模型会丢失大量重要信息，同时也无法纳入新增AP的相关信息。这一点凸显了像LiPhi这样持续更新指纹的重要性。 ## 3 系统概述与数学模型 ### 3.1 系统概述 图3展示了本文所提系统的架构。LiPhi包含两个阶段：离线阶段和在线跟踪阶段。在离线阶段，LiPhi的目标是自动构建指纹数据库和深度定位模型。为实现该目标，系统设计者初始化离线阶段，将标注了AP位置的环境平面布局输入系统$^{1}$。为构建所需的指纹数据库，建筑用户以众包方式，通过WiFi Scan Collector模块采集目标区域内部署AP的WiFi测量数据。该模块是安装在用户手机上的应用程序。需要说明的是，这些扫描数据的采集无需用户进行任何人工干预，因此不像以往系统那样需要用户提供反馈，例如[^12]。不过，正如[^6]所验证的，采集到的扫描数据的位置可由WiFi Trace Estimator模块基于传播模型进行粗估计。与此同时，已部署的激光测距扫描仪会检测目标环境中的移动物体（即用户）。LRS Trace Estimator模块会进一步处理LRS的扫描结果，得到构成轨迹的行人位置序列。随后，Trace Matcher模块负责对估计得到的基于WiFi的轨迹，结合现有步行路径上最相似的基于LRS的轨迹的位置标签进行匹配和校正。最终构建得到的指纹数据库包含带时间戳的WiFi扫描数据，并标注了对应的基于LRS的标签。Localization Model Builder利用该数据库训练深度神经网络，该网络将用于后续的在线阶段。 在在线阶段，用户携带手机处于未知位置，扫描目标区域内可检测到的AP的WiFi信息。这些扫描数据随后会被转发至LiPhi服务器。Location Estimator模块将数据输入离线阶段构建好的定位模型，估计出用户当前的位置。 ### 3.2 数学模型 不失一般性，我们假设用户手机在二维室内环境 $\mathbb{L}$ 中被跟踪，该环境包含m个接入点和q个LRS设备。用户位于未知位置 $l \in \mathbb{L}$，随身携带的设备会扫描附近的接入点（AP）。任意一次WiFi扫描可表示为 $x_i = \{x_{i1}, ..., x_{in}\}$，其中 $n \leq m$，第 $j^{th}$ 个元素是第 $j^{th}$ 次扫描中来自第 $i^{th}$ 个AP的RSS测量值。在离线阶段，该问题可形式化表述为：给定一个信号强度向量 $x_i = \{x_{i1}, ..., x_{in}\}$，我们需要找到其对应的指纹位置 $l_i$。带有合适标注的扫描结果将用于构建指纹数据库，进而训练定位模型。已知用户手机接收到的来自发射AP的RSS值与手机和AP之间的距离呈负相关。因此，给定位置已知的AP子集（称为参考AP） $n_z \in n$ 的坐标，就可以粗略估计用户位置。部署在感兴趣区域的LRS集合可在无需确定用户身份的情况下，匿名且准确地估计用户轨迹。基于LRS得到的轨迹是长度为k的位置序列 $l = \{l_1, l_2, ..., l_k\}$，该序列将与基于WiFi估计得到的位置序列 $r = \{r_1, r_2, ..., r_k\}$ 匹配，优化基于WiFi的估计结果（即标签）。另一方面，在线阶段的问题变为：给定一个RSS向量 $x_i = \{x_{i1}, ..., x_{in}\}$，我们的目标是找到使概率 $l_i$ 最大的位置 $P(l_i | x_i)$。为此，可以利用在离线阶段训练好的深度定位模型。 在下一节中，我们将详细讨论LiPhi如何构建指纹数据库，实现连续空间下的鲁棒定位。 ## 4 LiPhi系统 我们将介绍离线阶段的详细工作，包括自动指纹构建与定位模型训练，同时介绍在线阶段如何调用该模型得到细粒度的位置估计结果。 --- ### 4.1 基于LRS的轨迹估计器 本文采用简单、低成本的商用现成二维扫描仪。我们实验中使用的单台LRS可在25ms内完成水平方向270度范围内1080个点的扫描。不失一般性，我们采用 [^35] 中的跟踪方法实现基于LRS的轨迹估计。每台LRS水平扫描环境，LiPhi计算当前扫描距离与背景距离（例如墙体和固定物体）之间的差值。随后LiPhi检测出对应于单个用户腰部（椭圆形）的一组点，将弧心位置估计为用户位置（图4）。该方法将后续得到的邻近估计位置连接起来形成用户轨迹，如图5所示。值得一提的是，LiPhi仅需单台LRS即可工作：只需将LRS移动到不同子区域，随时间逐步覆盖整个感兴趣区域即可。 ### 4.2 基于WiFi的轨迹估计器 本模块的目标是根据对应的WiFi RSS信息，得到未知手机位置的粗粒度估算结果。此处采用的指导原则为：特定用户设备检测到的来自不同AP的RSS测量值，理论上可以反映AP与该设备之间的距离。换言之，从某一AP接收到的RSS信号越强，设备就越靠近该AP [^6]。基于这一观察结论，我们定义了两个子模块：空间规则生成器（Spatial Rule Generator）和WiFi扫描标注器（WiFi Scan Annotator），以实现实时、透明的用户位置估算。 4.2.1 空间规则生成器（Spatial Rule Generator）。本模块旨在定义规则（称为空间规则），这类规则根据环境中每个位置到参考AP（即位置已知的AP）的距离，对所有位置进行特征刻画。这些规则表征了每个位置上所有可能的参考AP对之间的预期RSS关系。为了高效计算空间规则，LiPhi对目标区域进行离散化处理，创建虚拟叠加在目标区域平面图上的网格，每个网格单元的中心被称为参考点。网格单元的密度是可配置参数，可根据需求选择以平衡计算开销与定位精度（第5.2.1节）。最终，若干参考点（即网格单元点）将被空间定义，覆盖整个目标区域。对于目标区域内任意一个给定的点，我们计算该点到每个可检测参考AP的欧氏距离。随后，针对每个点，基于该点与每对参考AP的距离推导得到空间成对规则。具体而言，假设有两个参考AP A和B，它们到该点的距离分别为$d_A$和$d_B$。如果B比A更靠近该点，则可定义一条空间规则为$d_B < d_A$。预期该规则同样适用于移动设备在该点检测到的信号强度：即B的RSS水平理应高于A的RSS水平，由此形成RSS规则$x_B > x_A$（图6）。若目标区域内存在m个AP，则每个点总共会定义$\binom{m}{2}$条成对空间规则。值得注意的是，考虑不同参考AP之间的相对关系而非绝对RSS值，能够得到不随设备变化的位置估算结果。 4.2.2 WiFi扫描标注器（WiFi Scan Annotator）。本模块的目标是估算用户最可能所在的位置，随后用该位置标注对应的WiFi扫描数据。该过程可通过以下方式实现：在建筑内用户日常移动过程中（即众包模式），基于从参考AP接收到的RSS测量信号对用户移动设备进行定位。随后，利用预先计算好的每个点的空间规则估算用户设备的位置。在求解过程中，无线信道的短期波动（例如由设备与参考AP之间的链路遮挡引发的波动）可能会导致匹配错误。为解决这一问题，本模块采用了评分方法、离群值去除和平滑技术，具体说明如下。 查找用户位置的过程实际上会解析得到若干匹配度最优的参考点，这些参考点根据匹配得分筛选得出。更具体地说，所有参考点的初始得分均为零（即 s = 0）。给定的RSS规则与某参考点的规则每成功匹配一次，该参考点的得分就增加1。自然，这意味着有不少参考点（甚至所有参考点）都会得到非零匹配得分。因此，我们会选出得分排在前10%的参考点，将它们的质心（即空间位置）报告为用户位置，分配的置信度得分等于所选参考点中的最高得分。 为了进一步提升系统对偶发环境动态变化的鲁棒性，LiPhi在运行过程中利用了多个连续的位置估计结果，这些结果构成了一个包含v个位置的窗口。具体来说，给定一个包含v个位置的窗口（即时间上连续的估计结果），LiPhi会移除那些偏离窗口内大多数扫描结果的异常位置估计。这样就能保证预测得到的连续位置具有相关性。为了实现这一步，系统会计算每个估计位置与其余$v - 1$个已报告位置之间的距离，我们将该值称为位置间距离，并将其定义为[^19]: $$ d_{i}=\sum_{j\neq i}\frac{d(r_{i},r_{j})}{v-1} $$ 其中$d(r_i, r_j)$是位置$r_i$与$r_j$之间的欧氏距离。随后，我们计算所有位置的位置间距离的平均值$d_{\text{avg}}$。该模块会剔除不满足$d_i \leq d_{\text{avg}}$的位置估计。最后，用户位置的鲁棒估计值$r^*$被计算为剩余u个位置的质心（即加权平均），公式如下： $$ r^{*}=\frac{\sum_{i=1}^{u}s_{i}r_{i}}{\sum_{i=1}^{u}s_{i}} $$ 其中$r_{i}$是剔除异常值后得到的第$i^{th}$个已报告位置，$s_{i}$是其对应的置信度得分。在计算该平均值时，每个位置使用的权重就是它对应的归一化匹配得分。 ### 4.3 轨迹匹配器 我们通过轨迹匹配来优化WiFi位置查询解析得到的标签。LRS位置估计和WiFi预测标签通过同一时钟实现同步。因此，LiPhi定义了一个匹配窗口，在该窗口范围内将WiFi预测标签与沿行走路径的LRS估计位置进行匹配。基于窗口的匹配可以帮助系统很好地应对 --- ![Image](images/c46aad22ccc349f33ef33eb34e39e17d06f2bcf93d9a1d40ed771ceaba022e8c.jpg)
Figure 6: An example of the virtual grid, the spatial and RSS rules.
![Image](images/905dd5c86c98a9e0e325b7765d76ac2efe0d645f76b6142ed344ec982bac411d.jpg)
Figure 7: Example of the LRS estimated path (blue) and the RSS estimated trace (orange).
![Image](images/46698cd89a1298c1016e75df3e0bbced11b4e8c80a44bc094c6e3999ac231a23.jpg) LRS覆盖率较低的情况，因为匹配窗口可以设置得更长，从而充分利用轨迹起点和终点处的LRS估计结果。尽管每个时间步从WiFi得到的位置估计并非完全准确，但轨迹的整体形状仍然可以唯一识别LRS单元报告的感兴趣区域内的正确行走路径，在剔除异常位置估计后更是如此。这一点可以从图7中看出。LiPhi初始时对正确轨迹存在最大程度的不确定性，通过在长度为k的窗口中缓存估计结果，随时间逐步消除歧义。系统会持续将缓冲区中带时间戳的WiFi标签与LRS轨迹生成的对应标签进行匹配。当检测到轨迹歧义时，LiPhi会在缓冲区中查找满足如下条件的轨迹$c = [\ell_1, ..., \ell_k]$： $$ c^{*}=\underset{c\in C}{\arg\min}\sum_{i=1}^{k}\|\ell_{i}-r_{i}\| $$ 其中 $\|\ell_i - r_i\|$ 是存储在长度为 k 的缓冲区中第 $i^{th}$ 个时间步上，LRS得到的估计与WiFi得到的估计之间的欧氏距离。在此之后，所有缓存的WiFi扫描都会被标注上LRS导出标签中对应的带时间戳位置。 本模块负责利用在上一模块构建完成的WiFi指纹建立定位模型。 ### 4.4 定位模型构建器 4.4.1 网络架构。深度神经网络的架构如图8所示。LiPhi采用全连接架构，因为该架构具备分层表征能力，可学习复杂模式[^21]。一般而言，深度网络由三类层组成：输入层、隐藏层和输出层。本文提出网络的输入层由感兴趣区域内检测到的所有AP接收的RSS读数构成。输入扫描中未检测到的AP的RSS被设为-100dBm。因此，定位模型输入向量的大小在不同扫描之间保持固定。LiPhi采用由堆叠非线性隐藏层构成的深度网络。我们试验了不同的激活函数，发现双曲正切函数（tanh）性能最优。所选网络采用回归函数，因此用户位置可在连续空间中表示。因此，输出层由两个对应二维空间坐标(x, y)的神经元组成。输出层采用线性激活函数进行预测。所选模型采用自适应矩估计（Adam）优化器训练，以
Figure 8: The neural network architecture of the LiPhi system.
估计输出位置和真实输出位置之间的均方误差作为选定的损失函数。 4.4.2 保证模型鲁棒性。采用全连接架构是因为它能够捕获同一次扫描中不同AP之间的相互关系。另一方面，它会在模型输入（即不同AP）之间建立不必要的依赖关系，当AP信号波动较大时，可能会导致LiPhi性能下降。为了提高模型应对过拟合、AP密度变化的鲁棒性，同时加快训练过程，LiPhi采用了数据增强和批量归一化技术。正如第2.3节所讨论的，固定位置检测到的AP数量会随时间变化。LiPhi通过在训练样本中随机关闭部分AP，生成反映该特性的新合成样本，解决了AP密度变化的问题。这一做法会给训练过程引入噪声，迫使模型从不完整但合理的输入向量中学习并完成泛化。具体来说，LiPhi生成一个二进制掩码，将其与RSS输入向量相乘，有选择地丢弃扫描中的部分AP。这个技巧有助于模型泛化，将这类实际现象纳入考虑，同时还能如第5.2.6节所讨论的那样，为模型的高效训练提供所需数据。此外，设备异质性和时间变化（第2.3节已讨论）会使信号幅度发生带有一定方差的偏移[^16] [^38]。因此，我们提出了一种名为噪声偏移的数据增强方法来模拟该特性。该方法通过向RSS向量的不同元素添加高斯白噪声来解决这一问题。与基础方案相比，噪声偏移能带来更优的性能。这是因为给每个AP的基础数据分布添加的变化进一步增强了深度模型的泛化能力。 训练轮数通过早停法自动选择，以避免欠拟合和过拟合。具体实现方式为：持续训练网络直到性能开始下降，随后选用训练过程中性能最优的模型。 最后，本文采用批量归一化来提高神经网络的稳定性，缩短收敛所需时间。它还能让网络的每一层相对其他层更独立地自主学习。该操作通过对前一个激活层的输出进行归一化实现：减去批量均值，再除以批量标准差。 4.4.3 模型更新器。该模块的这一部分为可选组件，仅当定位模型因 --- ![Image](images/00f1019f83986a1d740808c4bcc76ec397565d720b67f07026aec598be9b28a1.jpg) ![Image](images/097ab5834a758bcebd4d87bbe1f0c4577b16cf741fa553cbfe061179d71f0b5b.jpg)
Figure 9: Office testbed. Figure 10: Floor testbed.
长期发生变化（例如建筑结构、家具布置、可用AP等发生改变）而过时后，才会运行。LiPhi通过两个步骤完成该过程：1）更新指纹数据库；2）生成新模型。这种情况下，我们可以临时在目标区域增设可移动LRS，由系统用户采集新的指纹数据库，标签会按照前文讨论的方式自动完成标注，对用户透明。之后该数据库会被用于训练深度模型。为了和初始模型创建阶段相比，缩短训练时间、减少所需数据量，本文采用了迁移学习。具体而言，当RSS电平发生变化或候选AP数量随时间减少时，LiPhi通过微调更新已经学习得到的RSS到位置的映射，学习得到新的映射。 ### 4.5 在线阶段 4.5.1 位置预测器。系统部署完成后，该阶段的目标是利用目标区域内附近AP接收到的信号，实时对用户进行定位。每次扫描得到的RSS会被处理为输入向量，向量中的每个条目对应前文所述环境中的每个AP。随后该向量被输入训练好的定位模型，估计当前用户的位置 $(x, y)$。 ## 5 实验评估 本节在两个真实室内测试平台上评估LiPhi的性能，测试平台的详细信息见表1。第一个测试平台（记为Office）是我校一栋服务楼内面积为240平方米的大型办公室（见图9），属于陈设密集的室内环境，包含办公桌、白板和书架。第二个测试平台（记为Floor）如图10所示，是位于另一大学校园内、覆盖整层楼的更大室内测试场，面积为629平方米，包含多个不同大小、不同家具布置的实验室、会议室、办公室以及走廊。 本文首先介绍数据采集方式和所用软件，接着研究不同系统参数对LiPhi定位精度的影响，最后将LiPhi的性能与三个当前最先进的定位系统进行对比。 ### 5.1 数据收集设置与工具 数据通过一款专为该任务设计的Android应用采集。该应用持续扫描目标区域内的附近AP，记录每个AP的相关信息，包括：当前时间、MAC地址（ID）和对应的信号强度（即时间戳、ID、RSS）。扫描频率设置为每秒1次。尽管在Floor测试平台和Office测试平台中分别总共检测到136个和52个AP，我们分别选用了5个和8个参考AP，由于这些
Table 1: Summary of the testbeds considered in evaluating LiPhi.
CriteriaOfficeFloor
Area ( $m^{{2}}$)10 $\times$2417 $\times$37
Number of virtual fingerprint points128576
Building MaterialBrickBrick & Wood
Total number of APs52136
Number of reference APs58
Number of LRSs46
Sampling rate (scan/sec)11
LRS height (m)1.41.4
Table 2: Default parameter values used in evaluation.
ParameterRangeDefault
Smoothing Window length1-205
Virtual grid spacing (m)0.1-51m
Number of DNN layers1-1007
Learning rate0-10.001
Number of hidden units per layer20-1000100
这些节点的先验位置已知。LRS单元均匀分布在目标区域内，覆盖了Floor环境中的约6个房间$^{2}$。在Office测试平台中，四台LRS部署在墙面周边。所有LRS都安装在1.40米的同一高度，可检测用户轨迹，具体可见图5的可视化展示。 测试点按照间距1米的均匀网格布设采集，仅采用传统指纹法开展评估。需要说明的是，LiPhi并不需要按照传统指纹法的流程进行任何校准或数据采集来构建指纹数据库。实验数据通过多款安卓手机采集，包括三星Note 8、HTC One X9、摩托罗拉Moto G5等。这样做是为了捕捉WiFi测量中不同设备的差异特征。此外，测试扫描在不同月份采集，以此验证系统在长时间环境变化下的性能表现。我们使用Keras学习库实现了本文的深度定位模型，Keras是运行在Google TensorFlow框架之上的高级神经网络API。 ### 5.2 LiPhi参数变化的影响 本节我们评估影响LiPhi性能的不同参数和因素的作用效果。为了表述清晰，后续小节仅在Floor测试平台上展示这些参数变化带来的影响。我们将得到的最优参数记录在表2中。另一方面，我们在5.2.7小节中给出LiPhi在两个测试平台上的性能表现。 5.2.1 虚拟网格间距的影响。图11展示了改变虚拟单元间距（即参考点密度）对系统整体准确率，以及基于WiFi的轨迹估计器（Trace Estimator）模块输出位置估计所需时间的影响。运行时间由配备2.2GHz Intel i7-8750H处理器、64GB内存的联想Thinkpad X1笔记本电脑测算得到。 --- ![Image](images/a18251c254e71447f7cc1122d3701df32f2e8042cb55a6ebeaa9d6d6344bb143.jpg)
Figure 11: Effect of the grid cell spacing.
![Image](images/2ab82b83d2fb9a35731c4b5a49a7550eb6f17a377bd5393a62d41b874215d1ef.jpg) ![Image](images/88d89b3581dd59745b49dae151cec8eb1fe636be5a22fdb27385d6297f1b3817.jpg)
Figure 14: Effect of changing the number of layers on LiPhi accuracy.
Figure 12: Effect of changing the number of reference APs.
![Image](images/76f77326557f26417378db87788307ab8d4be780f2726bd9e0fc35f471b118ef.jpg) ![Image](images/3ed15d6648c8b90aa8eee4065834875ec9b31bb78194fc230a8ebf0f2bc4ab48.jpg)
Figure 15: Effect of the smoothing window size on LiPhi accuracy.
Figure 13: Effect of using LRS in labeling.
![Image](images/fce49eac8dd45608ff2ba8147da3474c1985e7e1e0feb58bb3ce4d9ffceadeba.jpg)
Figure 16: Effect of data augmentation on enhancing LiPhi accuracy.
如图所示，正如预期，参考点间距越小，定位准确率越高，计算时间的延迟也可以忽略不计。不过，这一步计算仅在离线阶段执行，因此LiPhi不会影响系统的实时性能。此外，图中结果表明，1米的参考点间距就足以维持LiPhi的高定位准确率。 5.2.2 参考AP密度变化的影响。图12展示了改变AP密度对系统准确率的影响。为此，我们从目标区域共有的8个参考AP中，按照均匀递增的方式移除AP。结果显示，随着可用AP数量减少，WiFi轨迹估计器模块的准确率会逐渐下降。但另一方面，即使仅剩下5个参考AP，LiPhi仍能保持约1米的稳定定位误差。这种在参考AP数量相对较少的情况下仍能保持高准确率的特性，可由两个过程解释：第一，利用精准的LRS轨迹估计器进行位置重置；第二，本文采用的数据增强技术帮助模型即使在低AP密度下仍能维持定位准确率。这一点突出体现了LiPhi的鲁棒性。 5.2.3 基于LRS标注的效果。本节我们研究：与仅使用基于WiFi的轨迹估计器模块标注相比，使用经LRS标注的WiFi扫描训练LiPhi定位模型带来的影响。图13展示了两种情况下系统定位误差的箱线图。如图所示，结果符合预期：与仅依赖粗粒度WiFi标签的情况相比，利用LRS使中位数误差得到了极大提升，幅度达351.8%。这得益于LRS对训练数据的优化，它显著提升了定位模型的学习效果，也印证了在LiPhi系统中使用即插即用LRS的价值。 5.2.4 网络层数。深度学习旨在通过级联不同层实现分层学习能力。因此深度网络的层数是提升系统性能的关键超参数之一。图14展示了改变网络层数对LiPhi精度的影响。实验结果表明，增加网络层数可以提升精度，原因是更深的模型拥有更多参数，学习能力更强。图中还显示，当层数超过最优值7层后，模型会对训练数据过拟合，导致精度下降。 5.2.5 WiFi估计器平滑窗口。图15展示了改变基于WiFi的估计器模块（第4.2节）估计位置时所用WiFi扫描数量带来的影响。结果显示，输入模块的扫描数量越多，定位精度越高，直到v=5时达到最优值，之后性能出现衰减。这可以由两个相互制约的因素解释：（1）增大v可为位置平滑提供更多信息，规避离群值；（2）但随着v增大，收集样本需要花费更多时间，可能导致定位结果滞后于用户当前位置（即响应延迟）。当窗口大小为5次扫描时可实现平衡，获得最佳性能。 5.2.6 数据增强的效果。图16展示了使用数据增强扩充数据量进而提升定位性能的效果。结果显示，与不使用数据增强的训练相比，数据增强使LiPhi性能提升了59%。图中还证实，增强技术生成的训练样本越多，模型性能越好，因为数据增强隐式模拟了噪声无线信道的固有波动，能帮助模型更好地应对实际部署场景。 --- ![Image](images/401609fb4cc2c3b500ed4c4d1bf6b3768bf83803bbaa3f825db288e8320d6920.jpg) ![Image](images/8379ed00b584615dc17f7f88bb2a5bc9c7581a6d123edd2f10d5c7dd880ccdde.jpg)
Figure 17: Performance of LiPhi in two different testbeds.
![Image](images/c0ca78cb7058b392377c0845495b87652ceafa16acd7bd77526985afa5b42394.jpg)
Figure 18: CDF of localization error with a fresh fingerprint.
Figure 19: CDF of localization error after four months.
Table 3: Summary of the localization error percentiles of different techniques.
ModeTechnique$25^{{th}}$\nPercentile$50^{{th}}$\nPercentile$75^{{th}}$\nPercentile$90^{{th}}$\nPercentile
Fresh fingerprintLiPhi0.38m0.79m1.41m2.62m
HybridLoc [^26]1.15m (-203%)2.41m (-205%)3.82m (-171%)4.89m (-87%)
WiDeep [^1]0.38m (0%)0.72m (9%)1.40m (1%)1.99m (24%)
Four months laterLiPhi0.80m1.29m2.49m4.28m
HybridLoc [^26]1.77m (-121%)3.63m (-181%)6.23m (-150%)7.35m (-72%)
WiDeep [^1]3.21m (-301%)5.12m (-297%)7.12m (-186%)8.75m (-104%)
当增强数据量超过原始数据的三倍后，噪声数据占比超过非合成原始样本，LiPhi性能会趋于饱和，随后出现下降。 5.2.7 不同测试平台下的性能表现。本节我们评估该系统在两个不同测试平台中的性能：楼层测试平台和办公室测试平台（图??）。前者面积更大（629平方米），包含多个房间，因此需要LRS提供更广的覆盖范围；后者面积更小（240平方米），是无内墙的开放区域。在楼层测试平台中，我们使用6个LRS逐步覆盖12个房间的整个区域，办公室测试平台则配备4个LRS，覆盖全部目标区域。图17表明，与办公室测试平台相比，LiPhi在楼层测试平台中获得了更优的性能。这可以由两个原因解释：(1) 楼层测试平台中考虑的AP（输入向量）数量更多（楼层和办公室测试平台分别为136个和52个），这有利于模型性能提升，因为模型可以学习到更多信息；(2) 由于墙壁的存在和更丰富的多径环境，WiFi信号特征在楼层测试平台中具备更强的位置区分度。 ### 5.3 对比评估 在本节中，我们将LiPhi的精度与一种传统的指纹识别技术（WiDeep [^1]，它构建了一个用于定位的去噪自编码器）以及另一种基于概率的WiFi定位技术（HybridLoc [^26]，它利用从BLE设备（iBeacons）获得的标签自动构建指纹数据库）进行比较。为了公平比较，所有技术都部署在相同的环境中，并使用从总共136个AP收集的相同数据（即RSS数据）进行训练。此外，环境中默认安装了10个iBeacon，这是HybridLoc运行所必需的，如[^26]所述。图18和图19显示了这三种技术随时间变化的距离误差CDF。图18显示了这三种系统在使用新指纹进行测试时的精度。具体来说，LiPhi和WiDeep [^1]的性能相当，尽管WiDeep [^1]使用手动指纹数据训练，而LiPhi使用自动构建的指纹训练。这归因于从基于LRS的轨迹估计模块获得的准确标签。HybridLoc [^26]的性能最低，因为基于BLE的跟踪提供的粗粒度标签不足以注释WiFi扫描。此外，它使用概率方法，未能受益于深度学习方法的优势。 图19展示了四个月后重新测试时所有系统的性能。图中表明，与WiDeep和HybridLoc相比，在此条件下我们的LiPhi系统定位性能分别提升了297%和181%。这可以解释为：训练数据中数据增强方法（随机丢弃和加性噪声）的结合，以及不同正则化技术的采用，让LiPhi相比其他系统具备更强的灵活性和泛化能力。此外，LiPhi和HybridLoc [^26]的性能优于WiDeep [^1]，因为前两者支持更新指纹数据库和定位模型。尽管作为传统指纹技术的WiDeep [^1]在数据收集上花费了大量开销，如果不重新进行繁琐的校准流程，它依然无法维持定位精度。总而言之，如表3所示，LiPhi对时间变化具备鲁棒性，性能超越了其他所有方法。这体现了LiPhi在实现零校准开销的精准定位模型方面的应用前景。 ## 6 相关工作 在本节中，我们将讨论相关性最高的现有研究文献。 ### 6.1 指纹定位系统 指纹定位系统 [^4] [^37] 凭借较高的精度成为目前最受欢迎的定位技术。具体而言，[^4] 中的系统 --- 采用基于K近邻（KNN）的确定性匹配方法，将未知用户位置分配到与该位置平均RSS签名最接近的指纹位置。但确定性方法无法处理WiFi信号固有的噪声与波动问题。另一方面，[^37] 这类概率方法对噪声的适应性更强，因为噪声通常会被建模为不确定性现象。在这类方法中，记录的指纹是每个参考位置上各接入点的RSS直方图，再通过贝叶斯推断估计用户位置。为了避免维数灾难问题，这类方法通常假设不同接入点的信号相互独立。这会造成有用信息的损失，进而导致定位精度偏粗糙。 另一方面，[^14] 中利用摄像头提升基于WiFi指纹的室内定位精度。但这类方案通常需要复杂的校准过程来调整相机缩放和视角，还需要布设大量固定安装的摄像头才能覆盖整个区域。与基于摄像头的方案不同，基于激光雷达（LiDAR）的方案具备可移动性，因此无需繁琐校准即可直接部署使用。此外，基于摄像头的方案不适合对隐私要求较高的场景，激光雷达则不存在这一问题。 近年来，各类基于深度学习的定位系统，例如[1, 17, 18, 20, 22–24, 33, 34]，凭借学习复杂模式、自动提取判别特征的能力展现出更优的定位性能。目前室内定位领域已经提出了多种深度学习架构：DeepFi中使用受限玻尔兹曼机 [^33]，[^34] 提出了面向基于CSI定位的深度卷积神经网络，[^1] 为每个指纹参考点设计了堆叠去噪自编码器。这些方法的共同点是都依赖传统指纹采集方案，没有设计降低数据采集开销的机制。这是基于深度学习的系统面临的核心问题：这类系统需要大量数据才能完成合理训练，为满足数据需求，会直接带来额外的指纹采集开销。 相比之下，LiPhi构建了基于深度学习的定位模型，它所依赖的指纹数据库是无需用户明确参与即可自动透明构建的。此外，LiPhi还设计了专门机制来提升模型对噪声的鲁棒性。 ### 6.2 众包系统 另一项研究方向旨在缓解利用众包构建指纹数据库所需的校准开销。这一工作可以在无用户干预的情况下显式完成 [^13]，也可以在有用户干预的情况下隐式完成 [^2] [^15] [^31]。[^13] 中的系统通过定期请求用户提供当前位置来提升指纹覆盖范围。尽管该方法理论上可以获得准确的指纹，但会给用户带来困扰，并不是一种实用的解决方案。因此，[^2] [^15] [^31] 中的系统利用用户智能手机的惯性传感器通过航位推算隐式粗估计用户位置，再将对应的WiFi扫描结果与指纹关联。此后，还可通过基于传感器的地标或地图匹配对位置估计进行适时优化。但智能手机中的惯性传感器存在噪声，会导致误差随时间不断累积，且缺少纠正估计误差的机会。为避免惯性传感器噪声问题，[^26] 提出了一种方法，将WiFi扫描结果标注上支持BLE功能的高端智能手机获取的位置。因此该方法要求目标区域有覆盖良好的BLE信标（例如iBeacons），需要高端手机感知这些信标才能估计用户位置，进而构建WiFi指纹数据库。尽管该方法可行，但其应用要求勘测人员配备高端手机，且目标区域需有良好的BLE信标覆盖。因此，它无法成为适用于所有环境的通用解决方案。 与之相反，LiPhi既不需要用户干预，也不需要搭载永久安装设备的高端设备，仅使用临时安装的LRS来构建指纹数据库。 ### 6.3 基于LRS的系统 目前已有多个系统将LRS应用于各类室内场景中。在 [^5] 中，研究人员构建了一款机器人室内导航系统，该系统基于WiFi实现定位，同时结合嵌入式LRS提升位置估计精度并规避障碍物。与之相反，LiPhi并不假设每个用户的手机都配备LRS。另一研究方向如 [^8] [^30] 提出，旨在利用LRS实现室内环境行人跟踪。尽管激光雷达（LiDAR）是实现精准用户跟踪的极具前景的技术，但它无法识别被跟踪的目标人员。为解决这一问题，[^29] 提出的系统利用手机惯性传感器，通过航位推算（DR）方法估计用户轨迹，随后将基于LRS得到的轨迹与基于DR得到的轨迹匹配，从而识别用户身份。然而，依赖消费级手机内置的带噪声惯性传感器会导致较大的位置误差，得到的估计轨迹随机性强，难以完成匹配。此外，这类系统利用LRS实现跟踪功能，识别身份则需要依赖惯性传感器，而惯性传感器仅高端智能手机才具备。因此该方案部署成本极高，限制了其大规模普及应用。 与之不同，LiPhi既不需要依赖存在噪声的惯性传感器，也不需要永久部署LRS。LiPhi仅在指纹数据库的构建/维护阶段临时使用LRS，能够大幅节约成本。此外，它提供的WiFi定位系统精度与传统（即人工）指纹定位技术相当，同时数据采集开销几乎为零。 ## 7 结论 我们提出了LiPhi，这是一个鲁棒性出色的系统，能够无需传统数据采集开销，即可自动构建（并更新）面向室内定位系统的指纹数据库。该系统利用众包WiFi信号粗略估计用户位置，再通过LR推导得到的估计值提升定位精度。最终得到的细粒度位置估计被用于标记WiFi扫描结果，这些标记后的数据将被用来训练深度定位模型。我们还提出了数据增强技术，以提升定位模型应对时域信号变化的鲁棒性。 我们在大学校园内分别对应一整层楼层和一间大型办公室的两种不同挑战性环境中，使用 --- 不同安卓设备对LiPhi进行了评估。结果表明，当使用数月后采集的数据进行测试时，LiPhi的定位精度分别比当前最先进的基于众包的系统和基于指纹的系统高出297%和181%。 ## 致谢 本研究的部分工作由文部科学省资助的社会5.0实现研究支援项目，以及东北大学RIEC共同研究项目计划支持开展。 ## 参考文献 [^1]: Moustafa Abbas, Moustafa Elhamshary, Hamada Rizk, Marwan Torki, and Moustafa Youssef. 2019. WiDeep: WiFi-based Accurate and Robust Indoor Localization System using Deep Learning. In Proceedings of the International Conference on Pervasive Computing and Communications (PerCom). IEEE. [^2]: Heba Abdelnasser, Reham Mohamed, Ahmed Elgohary, Moustafa Farid Alzantot, He Wang, Souvik Sen, Romit Roy Choudhury, and Moustafa Youssef. 2016. SemanticSLAM: Using environment landmarks for unsupervised indoor localization. IEEE Transactions on Mobile Computing 15, 7 (2016), 1770–1782. [^3]: Moustafa Alzantot and Moustafa Youssef. 2012. CrowdInside: automatic construction of indoor floorplans. In the 20th International Conference on Advances in Geographic Information Systems. ACM, 99–108. [^4]: Paramvir Bahl and Venkata N Padmanabhan. 2000. RADAR: An in-building RF-based user location and tracking system. In Proceedings of the Nineteenth International Conference on Computer and Communications Societies, Vol. 2. IEEE, 775–784. [^5]: Joydeep Biswas and Manuela Veloso. 2010. Wifi localization and navigation for autonomous indoor mobile robots. In Proceedings of the International conference on robotics and automation. IEEE, 4379–4384. [^6]: Rizanne Elbakly and Moustafa Youssef. 2016. A robust zero-calibration RF-based localization system for realistic environments. In Proceedings of the 13th International Conference on Sensing, Communication, and Networking (SECON). IEEE, 1–9. [^7]: Ahmed Eleryan, Mohamed Elsabagh, and Moustafa Youssef. 2011. Synthetic generation of radio maps for device-free passive localization. In Proceedings of the International conference on Global Telecommunications Conference (GLOBECOM). IEEE, 1–5. [^8]: Ajo Fod, Andrew Howard, and MAJ Mataric. 2002. A laser-based people tracker. In Proceedings of the International Conference on Robotics and Automation, Vol. 3. IEEE, 3024–3029. [^9]: Yiming Ji, Saad Biaz, Santosh Pandey, and Prathima Agrawal. 2006. ARIADNE: a dynamic indoor signal map construction and localization system. In Mobile systems, applications and services. ACM, 151–164. [^10]: Christos Laoudias, Paul Kemppi, and Christos G Panayiotou. 2009. Localization using radial basis function networks and signal strength fingerprints in WLAN. In Proceedings of the International Conference on Global Communications. IEEE, 1–6. [^11]: Noureddine Lasla, Mohamed F Younis, Abdelraouf Ouadjaout, and Nadjib Badache. 2015. An effective area-based localization algorithm for wireless networks. IEEE Trans. Comput. 64, 8 (2015), 2103–2118. [^12]: Jun-geun Park, Ben Charrow, Dorothy Curtis, Jonathan Battat, Einat Minkov, Jamey Hicks, Seth Teller, and Jonathan Ledlie. 2010. Growing an Organic Indoor Location System. In Proceedings of the 8th International Conference on Mobile Systems, Applications, and Services (MobiSys '10). Association for Computing Machinery, New York, NY, USA, 271–284. [^13]: Jun-geun Park, Ben Charrow, Dorothy Curtis, Jonathan Battat, Einat Minkov, Jamey Hicks, Seth Teller, and Jonathan Ledlie. 2010. Growing an organic indoor location system. In the 8th international conference on Mobile systems, applications, and services. ACM, 271–284. [^14]: Laura Radaelli, Yael Moses, and Christian S Jensen. 2014. Using cameras to improve wi-fi based indoor positioning. In International symposium on web and wireless geographical information systems. Springer, 166–183. [^15]: Anshul Rai, Krishna Kant Chintalapudi, Venkata N Padmanabhan, and Rijurekha Sen. 2012. Zee: Zero-effort crowdsourcing for indoor localization. In Proceedings of the 18th annual international conference on Mobile computing and networking. ACM, 293–304. [^16]: Hamada Rizk. 2019. Device-Invariant Cellular-Based Indoor Localization System Using Deep Learning. In The ACM MobiSys 2019 on Rising Stars Forum. ACM, 19–23. [^17]: Hamada Rizk. 2019. SoloCell: Efficient Indoor Localization Based on Limited Cell Network Information And Minimal Fingerprinting. In Proceedings of the 27th ACM SIGSPATIAL International Conference on Advances in Geographic Information Systems. 604–605. [^18]: Hamada Rizk, Moustafa Abbas, and Moustafa Youssef. 2020. OmniCells: Cross-Device Cellular-based Indoor Location Tracking Using Deep Neural Networks. In 18th Annual IEEE Conference on Pervasive Computing and Communications (PerCom). IEEE. [^19]: Hamada Rizk, Sherin Elgokhy, and Amany Sarhan. 2015. A hybrid outlier detection algorithm based on partitioning clustering and density measures. In the 10th International Conference on Computer Engineering & Systems (ICCES). IEEE, 175–181. [^20]: Hamada Rizk, Ahmed Shokry, and Moustafa Youssef. 2019. Effectiveness of Data Augmentation in Cellular-based Localization Using Deep Learning. In Proceedings of the International Conference on Wireless Communications and Networking (WCNC). IEEE. [^21]: Hamada Rizk, Marwan Torki, and Moustafa Youssef. 2018. CellinDeep: Robust and Accurate Cellular-based Indoor Localization via Deep Learning. IEEE Sensors Journal (2018). [^22]: Hamada Rizk, Hirozumi Yamaguchi, Teruo Higashino, and Moustafa Youssef. 2020. A Ubiquitous and Accurate Floor Estimation System Using Deep Representational Learning. In Proceedings of the 28th SIGSPATIAL International Conference on Advances in Geographic Information Systems. ACM. [^23]: Hamada Rizk and Moustafa Youssef. 2019. Increasing Coverage of Indoor Localization Systems for EEE112 Support. In 2nd MENA Regional International Telecommunication Society Conference (ITS). [^24]: Hamada Rizk and Moustafa Youssef. 2019. MonoDCell: A Ubiquitous and Low-Overhead Deep Learning-based Indoor Localization with Limited Cellular Information. In Proceedings of the 27th SIGSPATIAL International Conference on Advances in Geographic Information Systems. ACM. [^25]: Jang-Ping Sheu, Pei-Chun Chen, and Chih-Shun Hsu. 2008. A distributed localization scheme for wireless sensor networks with improved grid-scan and vector-based refinement. IEEE transactions on mobile computing 7, 9 (2008), 1110–1123. [^26]: Ahmed Shokry, Moustafa Elhamshary, and Moustafa Youssef. 2017. The Tale of Two Localization Technologies: Enabling Accurate Low-Overhead WiFi-based Localization for Low-end Phones. In the 25th ACM SIGSPATIAL International Conference on Advances in Geographic Information Systems. ACM. [^27]: Biljana Risteska Stojkoska, Jordan Palikrushev, Kire Trivodaliev, and Slobodan Kalajdziski. 2017. Indoor localization of unmanned aerial vehicles based on RSSI. In Proceedings of the International Conference on Smart Technologies. IEEE, 120–125. [^28]: Masashi Sugiyama and Motoaki Kawanabe. 2012. Machine learning in non-stationary environments: Introduction to covariate shift adaptation. MIT press. [^29]: Takumi Takafuji, Kazuhisa Fujita, Takamasa Higuchi, Akihito Hiromori, Hirozumi Yamaguchi, and Teruo Higashino. 2014. Indoor localization utilizing tracking scanners and motion sensors. In Proceedings of the 11th IEEE International Conference on Ubiquitous Intelligence and Computing. IEEE, 112–119. [^30]: Yusuke Wada, Takamasa Higuchi, Hirozumi Yamaguchi, and Teruo Higashino. 2013. Accurate positioning of mobile phones in a crowd using laser range scanners. In Proceedings of the 9th International Conference on Wireless and Mobile Computing, Networking and Communications (WiMob). IEEE, 430–435. [^31]: He Wang, Souvik Sen, Ahmed Elgohary, Moustafa Farid, Moustafa Youssef, and Romit Roy Choudhury. 2012. No need to war-drive: Unsupervised indoor localization. In Proceedings of the 10th international conference on Mobile systems, applications, and services. ACM, 197–210. [^32]: Xuyu Wang, Lingjun Gao, Shiwen Mao, and Santosh Pandey. 2015. DeepFi: Deep learning for indoor fingerprinting using channel state information. In Proceedings of the International Conference on Wireless Communications and Networking. IEEE, 1666–1671. [^33]: Xuyu Wang, Lingjun Gao, Shiwen Mao, and Santosh Pandey. 2017. CSI-based fingerprinting for indoor localization: A deep learning approach. IEEE Transactions on Vehicular Technology 66, 1 (2017), 763–776. [^34]: Xuyu Wang, Xiangyu Wang, and Shiwen Mao. 2017. CiFi: Deep convolutional neural networks for indoor localization with 5 GHz Wi-Fi. In Proceedings of the International Conference on Communications (ICC). IEEE, 1–6. [^35]: Hirozumi Yamaguchi, Akihito Hiromori, and Teruo Higashino. 2018. A human tracking and sensing platform for enabling smart city applications. In Proceedings of the International Conference on Distributed Computing and Networking. ACM. [^36]: Moustafa Youssef. 2015. Towards truly ubiquitous indoor localization on a worldwide scale. In Proceedings of the 23rd SIGSPATIAL International Conference on Advances in Geographic Information Systems. ACM, 12. [^37]: Moustafa Youssef and Ashok Agrawala. 2005. The Horus WLAN location determination system. In the 3rd international conference on Mobile systems, applications, and services. ACM, 205–218. [^38]: Liye Zhang, Lin Ma, Yubin Xu, and Cheng Li. 2017. Linear regression algorithm against device diversity for indoor WLAN localization system. In Proceedings of the International Global Communications Conference. IEEE, 1–6. [^39]: Wei Zhang, Kan Liu, Weidong Zhang, Youmei Zhang, and Jason Gu. 2016. Deep neural networks for wireless localization in indoor and outdoor environments. Neurocomputing 194 (2016), 279–287.