基于遷移學習提高W iFi室內定位中信道狀態信息指紋庫的魯棒性

李玉柏 孫 迅

(電子科技大學信息與通信工程學院 成都 611731)

1 引言

室內定位是當今定位研究的熱點內容。如何利用現有設備進行高精度定位是全世界研究人員都在進行研究的課題。隨著定位技術的逐漸成熟，可以使用W iFi進行室內定位。

目前主流的室內定位解決方案有很多，Sadruddin等人[1]利用加速度傳感器來對行人進行室內定位，Bai等人[2]利用低功耗藍牙對老年人進行室內定位監測，Chóliz等人[3]提出一種基于超寬帶(U ltra W ide Band,UWB)的室內定位算法，Liu等人[4]介紹了基于W iFi的室內定位框架，Gan等人[5]提出了一種基于偽衛星和UW B的室內定位算法等。在室內定位算法方面，有基于傳統建模的方法，如文獻[6,7]給出了室內空間信道的傳播模型，直接解算室內定位結果。文獻[8,9]則是基于學習的解決方案，通過建立離線指紋數據庫來進行定位。

在利用W iFi的室內定位中，近年來越來越多的研究人員選擇使用信道狀態信息(Channel State Information,CSI)數據代替接收信號強度(Received Signal Strength Indicator,RSSI)信號進行室內定位。CSI表示正交頻分復用(Orthogonal Frequency Division M ultiplexing,OFDM)技術的W iFi信號體制在信道中的傳播信息，與只能獲取單個數據的RSSI不同，CSI可以獲得各個不同頻率子載波組成的信息向量，利用CSI數可以設計具有更高定位精度的定位系統。

但是，無論上述哪種方案，都會面臨一個難以解決的問題。即隨著時間的推移，室內環境發生變化后，這些離線指紋數據庫或建模公式將不再與室內環境完美匹配。測試數據與原始的訓練數據分布將會不同，這就會造成巨大的誤差。如圖1所示，圖1(a)為機器學習訓練完成，指紋庫剛建立時的定位結果，誤差很小，圖1(b)為3周后的定位結果，隨著室內環境的變化，存在很大的誤差。兩圖右側的紅色點為實際位置，藍色點為預測位置。為了解決這個問題，本文提出使用遷移學習方法來建立指紋數據庫，以訓練數據為源域，室內環境變化后的數據為目標域，然后使用遷移學習方法遷移其數據分布，以便它們可以映射到相同的分布。實驗證明，本文算法在建立指紋庫一段時間后性能只有些微下降，具有較高的魯棒性。而基于傳統深度學習的算法在一段時間后，室內環境發生變化導致指紋數據庫與當前室內環境不匹配，從而致使性能嚴重下降。

圖1 室內環境變化前后定位誤差

1.1 測試數據

測量數據源通常包括信號強度值(RSSI)[10]、到達角(Angle-O f-A rrival,AOA)[11]、到達時差(Time Difference O f A rrival,TDOA)[12]和基于慣性導航的行人航位推算(Pedestrian Dead Reckon ing,PDR)[1]。在W iFi定位中，也有許多研究人員選擇使用CSI信號進行定位，如文獻[13,14]就是使用CSI信號作為信號源。

對于RSSI，距離損失模型被世界各地的學者廣泛使用，其計算公式為

其中，PL是路徑損耗，n是平均路徑損耗分量，表示路徑損耗隨距離增加的速度，d0是參考距離，d是收發距離，[]表示單位。路徑損耗模型提供了一種嚴格的方法來量化傳輸距離和環境參數對無線鏈路信號強度和容量的影響。然而，現有的模型不能準確地捕獲復雜信號衰減，也不能區分相鄰位置的RSSI值之間的細微差異。

信道狀態信息(CSI)描述通信鏈路的信道特性，尤其是信號如何從發射機傳播到接收機，并表示散射、衰落和功率隨距離衰減的綜合影響。在窄帶信道中，無線環境的聯合作用產生一個線性模型，如式(2)所示

其中，Y(f)和X(f)分 別是接收和發送的信號，H(f)是復信道頻率響應，N是加性高斯白噪聲。根據定義，基于OFDM的W iFi系統使用多個子載波進行數據傳輸。每個副載波上的信道特性包括幅度衰減和相位偏移，其可以使用復數進行標識。在窄帶平坦衰落信道中，頻域OFDM系統可以如式(3)所示

其中，k是子載波的序列號，‖H k ‖表 示第k個子載波的振幅，∠H k表示該第k個子載波的相位。

1.2 定位方法

為了進行室內定位，來自世界各地的研究人員使用了多種方法，Ayabakan等人[15]提出了一種基于卡爾曼濾波的定位方法，Silva等人[16]提出了一種基于粒子濾波的定位方法，Jedari等人[6]提出了一種基于信道傳播模型的定位方法，以及Ibrahim等人[17]和Edel等人[18]提出了基于機器學習的定位方法。在這些研究中，也有利用遷移學習進行定位的，例如，Gao等人[19]使用遷移學習來解決更換路由器后的指紋庫遷移問題，Li等人[20]使用遷移學習解決RSSI信道變化問題。對于CSI數據，許多研究人員致力于分析其傳播信道，希望完全過濾環境噪聲和硬件噪聲，包括多徑、采樣頻率偏移、采樣時間偏移、包檢測延遲等。Ibrahim等人[17]在訓練后直接使用機器學習算法來解決測試數據，但針對環境變化后的指紋庫惡化問題的研究并未取得實質性進展。

1.3 遷移學習方法

遷移學習是指一種學習對另一種學習的影響，通過該方法，可以利用少量標記數據來對其他的無標簽數據進行分類，并在源域和目標域之間遷移。目前主流的遷移學習方法包括文獻[21]提出的域對抗神經網絡(Domain-Adversarial Neural Networks,DANN)、文獻[22]提出的深度適配網絡(Deep Adaptation Netow rk,DAN)和文獻[23]提出的深度子領域自適應的方法(Deep Subdom ain Adap tation Network,DSAN)等等。世界各地的許多學者已經將遷移學習應用于許多領域，Sheoran等人[24]使用遷移學習進行年齡和性別預測，Aneja等人[25]將遷移學習用于癌癥診斷，Horry等人[26]以及Pathak等人[27]通過遷移學習檢測covid-19等等。

本文做出的主要貢獻如下：

(1)本文針對CSI信號提出一種信號預處理方法，包括自動增益控制(Automatic Gain Control,AGC)補償、CSI信號的噪聲過濾以及數據降維等。該算法可以有效地從CSI數據中提取定位信息，提高定位精度。

(2)設計了一個遷移學習網絡，包括特征提取器、域鑒別器和位置預測器，并將其應用于W iFi室內定位，取得了良好的定位效果。

(3)對測試數據進行選擇，利用優秀的測試數據和信標采集的數據更新指紋庫，充分利用現有的數據條件，顯著延長定位系統的生命周期，強化了其魯棒性。

本文將以如下方式展開：第1節概述室內定位研究現狀與本文貢獻。第2節簡介本文提出的系統模型。第3節詳細介紹系統的設計和算法，包括數據預處理算法，對接收到的CSI數據進行處理以得到合適的指紋數據。以及利用遷移學習的方法進行指紋定位。第4節利用提出的系統進行的實驗以及評估，包含CSI與RSSI的對比，數據預處理算法的實驗，以及與傳統深度學習方法的對比。第5節為對本文的總結。

2 系統模型

本節將介紹基于CSI和遷移學習的室內定位系統架構。定位系統的總體架構如圖2所示，包括預處理模塊、特征提取模塊、域鑒別器模塊、位置預測器模塊和更新模塊。

數據預處理：由接收設備采集的CSI數據不能直接用于位置預測，因為W iFi芯片的AGC[28]模塊將破壞CSI幅度中的距離信息，從而無法進行位置預測。因此，在數據預處理模塊中，本文需要使用RSSI信號來消除AGC的影響。然后，由于CSI中存在一些異常數據，因此有必要在遷移學習之前刪除這些異常數據。最后，本文的數據維度太高，需要降低維數以減少數據量，并提取出有效的定位信息。

特征提取器：一方面，它可以提取后續網絡訓練所需的特征，以便于網絡訓練。另一方面，可以將源域樣本和目標域樣本混合以映射到一個相同的分布。

域鑒別器：對輸入的CSI數據進行分類，辨別出數據來自源域還是目標域，并輸出域間損失Ld作為總損失的一部分。

位置預測器：使用特征提取器提取的信息對樣本進行分類，并輸出預測結果。此外，位置預測器可以計算預測損失Lp作為總損失的一部分。

更新模塊：對優良的測試數據進行挑選，以及對信標采集的數據進行挑選，選取出適合訓練的數據并輸入到網絡中重新進行訓練，以提高指紋庫的魯棒性和生命周期。

3 數據預處理與遷移學習算法

3.1 數據預處理算法

由于AGC會將所有數據調制到同一區間內，丟失CSI幅度數據中的距離信息，所以利用原始CSI數據無法進行定位。本文利用RSSI數據來對CSI數據進行重構，使我們重新獲得CSI數據中的距離信息從而能進行室內定位。首先，本文需要通過RSSI數據來計算縮放因子s。對于接收到的CSI和RSSI信號，由于RSSI反映了所有子載波的聚合功率，因此可以利用RSSI數據估計CSI的實際幅度。測得的RSSI信號以分貝(d Bm)為單位，將其轉化為標稱功率下后，可以得到如式(4)的關系式

其中PCSI為C SI的各個子載波功率之和。第i個子載波的接收數據為c sii=αi+jβi。故可得到縮放因子s的計算表達式為

其中，Nsub為 子載波數，IEEE 802.11n協議下20 MHz對應的子載波數為64。然后再利用這個縮放因子去對CSI數據進行還原，并轉換為d Bm單位下的幅度值，即可得到包含距離信息的C SI數據

其中，CSIraw為原始的CSI數據，C SIAGC為經過去除A GC影 響后的C SI數據。

其次，對于測試數據，由于環境噪聲或硬件問題，會出現一些離群的數據，并且誤差相對較大。使用這些數據進行訓練將會降低分類器的精度，對指紋庫的構建具有負面影響。本文采用具有噪聲的基于密度的聚類方法(Density-Based Spatial Clustering of App lications w ith Noise,DBSCAN)對這些數據進行處理，選取聚類結果中密度最大的一類作為測試數據，濾除其余數據，王迪也[29]已證明該聚類算法對濾除CSI離群幀的有效性。

最后，由于CSI數據的維度較高，為了減少計算量并去除CSI數據中包含的與定位無關的信息，本文需要在訓練之前進行降維處理，使得其特征集中到低維空間，降低計算量的同時提高精度。首先，對于IEEE 802.11ac協議中對子載波功能的定義中，20 MHz下包含兩端共11個保護子載波，以及零號子載波，這12個子載波都不是數據子載波，故對這些子載波數據可以進行刪除。對于剩下的子載波數據，本文使用主成分分析(Principal Component Analysis,PCA)來對其進行降維。對于CSIAGC=(csi1,csi2,...,csin)，其數據維度為n，假設需要將其降維到m。先對其進行中心化，即所有子載波上的數據減去其均值

該算法流程圖如圖3所示。

數據預處理部分具體算法如算法1所示。

3.2 遷移學習算法

在經過3.1節的數據預處理之后，可以獲得指紋定位所需的指紋特征數據。接下來，將使用遷移學習對其進行訓練，從而建立指紋數據庫。遷移學習的網絡結構如圖4所示。

圖4 遷移學習網絡架構

3.2.1特征提取器

對于已經數據預處理后的數據C SIi，將其作為1維的指紋輸入進一個全連接神經網絡，來提取其特征。此處對于一個訓練優秀的特征提取器而言，輸出的數據理應無法辨別來源于源域還是目標域，能夠將分布不同的源域數據與目標域數據映射到相同的分布空間中。前向計算過程如式(8)所示

其中，ME為一個多層全連接神經網絡，ΘME為ME的參數，Zi為特征提取器輸出向量，R eLU為激活函數。

3.2.2位置預測器

這里將進行定位的預測輸出，對于位置預測器的輸入數據Z i，經過長短時記憶神經網絡(Long Short Term M emory,LSTM)后得到

其中，MP為一個L STM網絡，譬如Zhang等人[30]就提出了一種利用LSTM網絡進行CSI定位的室內定位系統。ΘMP為MP的參數，為MP的輸出。然后把LSTM網絡的輸出通過一個激活函數為Softm ax的輸出層，這樣就可以直接得到位置預測器在某個位置的預測概率

其中n S和nT分別表示在MMD計算中源域數據向量的個數和目標域數據向量的個數。κ(·)代表核函數：f(u)·f(v)=κ(u,v)。本文使用徑向基函數作為MMD的核函數，其表達式為

這樣就可以得到域間距離作為域間分布損失L d=MMD(S,T)，當源域數據S與目標域數據T分布完全相同時，Ld=0。

遷移學習訓練算法如算法2所示。

3.2.4可靠數據挑選和網絡更新

在指紋數據庫的更新中，需要找到新的數據作為目標域數據，以完成遷移學習，實現指紋數據庫更新的目標。這些新的數據來源主要分為兩類：測試數據中的優良數據，以及信標采集的數據。

對于測試數據，本文選擇滿足條件D(CSIi)＜δ且不包含異常值的數據作為新的數據來源，此類數據的數據集大小不確定，會隨接入用戶密集程度發生改變，且各個定位點出現概率不同。而對于信標采集的數據，對其進行3.1節的數據預處理算法后也作為新的數據來源，此類數據的數據集大小較為固定，同時各個定位分類點的數據量會較為均衡。

然后將這兩種數據都作為目標域數據放入遷移學習網絡中，以更新我們的網絡參數，使指紋數據庫盡可能跟蹤環境的變化，從而可以最大限度地利用已有的資源來延長網絡的使用壽命。

網絡更新算法如算法3所示。

算法2 遷移學習訓練與位置預測

4 實驗評估

在本文的實驗評估中，使用nexus 6p作為接收設備，其芯片為bcm4358，利用開源固件nexmon[32,33]可以接收并導出CSI數據以及RSSI數據。實驗在5 GHz接收頻率、20 M Hz帶寬上接收CSI信號。CSI數據的每個幀包含64個子載波，本文使用幅度作為輸入數據。發送端路由器包括3個型號不同的路由器，分別為ASUSRT-AC86U,TL-WAR1200L以及TL-W DR 6300。每秒將接收10個CSI數據幀，每次從3個路由器接收CSI數據，然后進行數據拼接，即每次接收3×64維CSI數據。數據拼接過程如圖5所示。

圖5 CSI數據拼接

室內環境測試如圖6所示。進行測試的實驗室長16.5m、寬8m。圖6的紅點表示室內定位接收端的測試位置。相鄰測試點之間的橫向間距為1.5m，縱向間距為0.8 m。本文在3個不同的位置擺放了3臺路由器，它們將連續向接收設備發送數據。實驗室每周有1節課，所以室內環境變化很大，主要是桌椅位置的變化。綜上，本實驗中的主要環境變化包括室內物理環境變化、電壓變化引起的路由器功率變化以及不同天氣引起的空氣溫濕度變化，可以作為一個典型的室內環境變化的室內定位場景使用。

圖6 室內環境

本文的評估實驗使用python語言完成，并基于pytorch搭建了神經網絡，包括本文的遷移學習網絡以及4.3節進行對比的CNN,DNN,LSTM等網絡。特征提取器包含兩個隱藏層，神經元節點個數都為100，第1個隱藏層的輸入維度為數據預處理算法進行降維后的CSI數據維度：nn.Linear(m,100)，第2個隱藏層的輸入維度則為第1個隱藏層的輸出維度：nn.Linear(100,100)。位置預測器的網絡結構為nn.LSTM(100,35)，35指的是圖6中測試點的個數，輸入為特征提取器的輸出。本文使用RMSprop(Root M ean Square p rop)算法作為優化器算法，以對步長因子進行優化。

算法3 網絡更新算法

4.1 數據預處理算法評估

首先來看數據預處理各部分的重要性，本文將對比不進行數據預處理、僅對AGC進行補償、不進行降維、不對誤差幀進行濾除以及進行完整的數據預處理算法進行實驗對比。

圖7中“原始CSI”指的是由接收機接收到的CSI數據，“AGC補償”指的是針對AGC進行補償后的CSI數據。由于不去除AGC的影響對定位精度的影響太大，所以其他3組都已經過了“AGC補償”算法?！皫^濾”指的是利用聚類算法去除掉離群數據或者異常幀后的數據?！皵祿稻S”指的是經過了刪除非數據子載波，以及PCA算法降維后的數據，“CSI_pre”指的是經過了全部數據預處理算法后的數據。從圖7可以看出，數據預處理對于利用CSI進行室內定位的系統而言是必不可少的。由于AGC破壞了幅度中的距離信息，所以在利用原始的CSI數據進行室內定位時定位效果較差。對比“原始CSI”和“AGC補償”可以看出，去除AGC影響后定位系統的性能將顯著上升。

圖7 CSI數據預處理算法比較

對比“AGC補償”和“幀過濾”，以及對比和“CSI_pre”可以看出，過濾異常幀對于提升定位系統的性能也有幫助。對比“AGC補償”和“數據降維”，以及對比“幀過濾”和“CSI_pre”可以看出，對CSI數據進行降維對性能的提升是顯著的，可以通過表中的數據了解：數據降維對性能的提升在第1周、第2周、第3周都要大于46%，所以在對CSI數據進行預處理時，進行降維是不可或缺的一步。

至此，證明了本文所提數據預處理算法的有效性，AGC補償、幀過濾以及數據降維在CSI數據的預處理算法中都是有著關鍵作用的。

4.2 CSI和RSSI數據評估

接下來將對CSI和RSSI之間的訓練情況進行對比，包含CSI降維到10,15,30,40維以及RSSI的定位系統的評估對比。評估結果如圖8所示。

圖8 對比RSSI與各維度下的CSI數據

從圖8可以看出，CSI數據在降維到不同的維數時會有不同的定位精度表現，這也意味著，降維帶來的定位信息數據特征的集中與降維帶來的信息損失會存在一個最佳點，既不會因為過度降維而損失有效信息，也不會因為維度過高而導致信息分布散亂。本次實驗中，維度為30的時候是一個理想的目標維度。當維度較低時，利用CSI進行定位就會接近于RSSI的效果。當維度較高時，可以參考圖6中的“幀過濾”，定位系統的表現也不夠好。

至此，本文設計實驗評估對比了CSI與RSSI在室內定位方面的表現，我們可以得出結論，CSI相比于RSSI，可以攜帶更多的信息，利用CSI能夠有效提高室內定位的精度。

4.3 不同定位算法評估

最后將本文提出的算法與非遷移學習的方法進行對比，包括LSTM,DNN,SVM,CNN等。本次實驗評估的CSI數據已通過3.1節提出的數據預處理算法進行了處理，且降維到30維進行。對于非遷移學習方法構建的室內定位系統，本文對其亦進行了數據庫的更新操作，具體方法為在已訓練好的網絡中混入優良的測試數據與信標采集的數據，數據集與遷移學習算法中相同，然后對這些非遷移學習網絡進行再訓練，更新網絡參數，使其對新的環境具有適配性，如此能保證在室內環境發生較大變化后不會產生指紋庫完全失效的情況，也能提高非遷移學習算法對應指紋庫的魯棒性，這樣也能保證實驗對比的公平性，更加精確地論證本文所提算法的有效性。實驗結果如圖9所示。

圖9 室內定位中的不同方法

從圖9可以看到，在第1周各種算法剛建立指紋庫時，各個定位系統的預測位置的準確率都很高。但是隨著室內環境變化，不論是LSTM,CNN,DNN這樣的深度神經網絡算法，還是SVM這樣的傳統機器學習算法，性能上都會嚴重下降。1周后的數據測試就只有LSTM的準確率高于90%，兩周后LSTM,CNN,SVM,DNN等非遷移學習算法的準確率都有了更為明顯的下降，降低到90%以下，其中SVM和DNN已經不高于80%，而本文提出的DANN在一段時間后性能只有些微下降，1周后的準確率在98%，兩周后的準確率在97%，相比于其他的非遷移學習定位系統，對抗室內環境變化的優勢很明顯。需要指出的是，本文遷移學習算法的位置預測器中的LSTM網絡的網絡結構，與實驗對比中LSTM的網絡結構是相同的。兩者的實驗結果對比也可以看出，特征提取器與域鑒別器對數據的映射訓練是有效的。

5 結束語

本文利用遷移學習的方式進行室內定位，通過實驗評估對比，相較于其他的機器學習算法，本文所提算法在時間變化以及室內環境變化上的抗性更強，在同樣代價的情況下擁有比其他算法更持久的有效期。同時也設計實驗證明了本文所提數據預處理算法的有效性以及必要性。在時間過去1周后本文所提算法依然擁有98%的預測準確率，兩周后擁有97%的預測準確率，明顯超過傳統的深度學習方法。未來的工作將會聚焦在更長時間的數據遷移以及更復雜場景下的室內定位中。