基于混合深度学习流水线的低功耗物联网鲁棒定位

《Journal of Systems Architecture》：Energy-efficient and robust IoT localization using a hybrid deep learning pipeline

　　

摘要
准确、实时且节能的定位对于物联网（IoT）应用至关重要，然而传统的基于 GPS 和 Wi-Fi 的方法通常在室内或嘈杂环境中失效，这是由于高功耗和信号不稳定所致。现有的随机和机器学习方法往往难以在可扩展性、收敛速度和计算开销之间取得平衡。为了解决这些挑战，本文引入了 Markov-KCNN-SSA，一种混合定位框架，该框架集成了用于信号去噪的最近邻（KNN）、用于稳健特征提取的卷积神经网络（CNN）、用于捕获时间状态转移的马尔可夫建模以及用于全局位置优化的海葵群算法（SSA）。大量仿真表明，该框架在定位精度和系统稳健性之间取得了战略平衡。虽然该框架的轻量级变体在良好的信道条件下表现具有竞争力，但完整的 Markov-KCNN-SSA 配置在非视距（NLOS）和严重传播场景中显著优于基线模型。结果表明，该框架通过边缘辅助处理控制能耗和延迟开销的同时，保持了高精度。

引言
物联网系统的快速扩张正在改变智慧城市、自动驾驶交通、工业自动化、供应链和环境监测等行业 [1], [2]。例如，在智慧城市中 [3], [4]，实时跟踪车辆和传感器可以优化交通、预测拥堵并支持应急响应。在智能工厂中，即使是自动驾驶车辆微小的定位误差也可能导致碰撞或工作流程中断。在偏远森林中，物联网传感器可及早发现火灾，精确定位则能实现对自然灾害或隐患的监测、控制和快速警报 [5], [6]，从而最大限度地减少生命、财产和资源的损失。在这些行业中，准确、节能、实时的定位对于明智决策、情境感知服务以及安全且响应迅速的操作至关重要 [7], [8]。如果没有精确定位，物联网系统将面临路由低效、响应延迟、资源分配不当和安全风险。

然而，传统定位技术面临重大局限性 [9], [10]。无线通信信道本身噪声大且不稳定，因为其信号传播受多径衰落、阴影效应和其他非线性环境影响。这些失真降低了接收信号强度指示（RSSI）[11]、到达时间（ToA）[12] 和到达角度（AoA）[13] 等指标的可靠性，并在室内、遮挡或动态环境中被放大。同样，虽然 GPS 在开阔地区可提供 10 米精度，但在城市环境或茂密森林中其精度下降，由于信号遮挡，误差往往超过 20 米 [14]。此外，GPS 轮询消耗大量能量，使其不太适合电池供电的物联网设备，且在室内或卫星可见度有限的区域不切实际。此外，Wi-Fi 定位 [15] 利用附近路由器的信号强度来估计位置，具有类似的精度。然而，它容易受干扰和障碍物影响，需要密集部署路由器，并在扫描多个网络时消耗相当多的能量。

此外，随机定位方法 [16], [17] 在处理各种物联网场景下的米级精度和不确定性方面很有效，但受限于高计算成本、对假设的敏感性以及实时适用性有限。马尔可夫模型对于定位中的概率推理至关重要，特别是在动态环境中 [18], [19]。它们利用噪声观测和先验环境知识来估计实体（如机器人或移动设备）的位置。然而，马尔可夫模型的灵活性可能导致状态空间爆炸，特别是在连续状态空间或高维观测中，这会使计算和内存管理复杂化。这种增加的计算需求会增加能源消耗，特别是在电池供电的设备中。此外，如果模型未能准确表示系统，它可能会将资源浪费在纠错和状态重新评估上。缺乏适应性还可能导致重复重新计算，从而进一步不必要地消耗能量。

同样，群体智能通过利用协作代理行为实现了去中心化、自适应和可扩展的物联网定位 [20]，从而改进了定位和定位任务，特别是在由于环境复杂性、动态变化或传感器局限性导致多模式、主动和被动技术可能不足的情况下。基于群体的算法，如粒子群优化（PSO）[21] 和蚁群优化（ACO）[22]，其中粒子根据它们自己已知的最佳位置及其邻居的位置迭代调整位置，或者根据信息素强度遍历路径以探索解决方案的质量。然而，群体算法在复杂问题上收敛缓慢，并容易陷入局部最优，这可能导致次优和不准确的定位。此外，群体算法随着种群规模的增大会退化，导致高维度中的可扩展性问题，并难以保持效率和效能。而且，群体算法中的频繁状态和位置更新引入了通信和计算开销，降低了效率并增加了能源消耗，特别是在资源受限的环境中。此外，SSA [23], [24] 在优化定位参数方面展示了具有竞争力的性能，提高了各种场景下的准确性，包括静态和动态环境 [25]。然而，SSA 存在缺陷，特别是在能效和定位精度方面，因为其效果可能受限于收敛缓慢、参数敏感以及在大网络或稀疏网络中增加的通信开销 [26]。其对多次迭代收敛的依赖可能导致高计算成本和增加的能源消耗，因为节点保持活跃状态的时间更长以进行计算。

此外，基于机器学习（ML）的定位已被证明可以提高传感器和农业资产的精确定位 [27]。例如，Jain 等人 [28] 提出了一种改进的 DVMC 模型，通过智能虚拟机迁移和放置优化能源使用并减少 SLAV（服务级别协议违规）。虽然经典机器学习方法由于简单、高效和可解释性而在性能上显著优于传统方法，但它们仍面临可扩展性和适应性的挑战，特别是在密集或动态部署中 [29]。CNN 模型在定位任务的模式识别和特征提取方面取得了显著成功 [30]，但它们通常需要大量训练数据和大量计算资源。同样，基于 KNN 的邻域平滑提供了有效的局部聚合和降噪，但在大规模部署中可能会面临可扩展性问题 [31]。在混合框架中整合这些技术解决了它们的个体局限性，同时利用了它们的互补优势。

此外，已有几项研究致力于：(i) 优化数据传输期间的能耗 [32]；(ii) 降低定位系统的能源成本 [33], [34]；以及 (iii) 开发节能定位算法 [35]。虽然这些方法单独表现出前景，但它们往往存在某些高估偏差，整合它们以实现准确且节能的定位仍面临重大挑战。

这些局限性凸显了对混合方法的必要性，即在减轻其个体弱点的同时利用现有技术的互补优势。为了在复杂、高维环境（如存在信号干扰的城市地区）中提高定位准确性和能效，新模型必须结合高精度计算与自适应优化。此类混合方法可以提高能效，支持稳定的网络操作，并实现对节点移动性和干扰模式的准确预测，从而改善信噪比并减少延迟。

我们建立了 Markov-KCNN-SSA 框架，这是一种高保真架构，调和了高精度定位与物联网严格能耗计算约束之间的张力。通过将两阶段基于 KNN 的邻域聚合与卷积神经网络（CNN）、马尔可夫时间建模和海葵群算法（SSA）优化协同起来，该框架在准确性、可靠性和收敛速度方面实现了多维度的提升。具体而言，该架构利用 KNN 提炼原始信号噪声，CNN 进行深度特征合成，马尔可夫模型进行概率状态指导，而 SSA 则提供了导航复杂、非线性节点拓扑所需的全局优化骨干。

为了确保方法透明度，该框架分为两个不同的操作阶段：一个离线监督预训练阶段，将环境先验编码到 CNN 和马尔可夫参数中；以及一个在线无锚点部署阶段，在执行定位时无需绝对坐标标签或真值参考。本研究从根本上将该贡献定位为一种以权衡为导向的智能系统。我们并未断言在所有指标上都具有统一优势，而是阐明了卷积预测与基于群体的精细化之间的战略互动，展示了这种混合方法如何动态平衡高波动物联网场景中的定位质量、能效和延迟开销。

两阶段 KNN 平滑和邻域聚合既充当预处理机制，也充当后处理机制，通过平滑结果和减少异常值来改善用于 CNN 分析的输入特征并细化输出预测。马尔可夫模型提供时间一致性和概率推理，而 SSA 确保对解决方案空间的有效探索。这些组件共同提供了一个节能、准确且计算高效的定位解决方案，适用于分布式物联网设备。在本文中，我们做出了以下贡献：
• 我们使用严格的数学框架定义了物联网定位问题，为混合 Markov-KCNN-SSA 模型指定了目标、约束和优化策略。
• 我们随后引入了混合算法以提高物联网设备的定位准确性，特别是在复杂环境中。
• 我们提出了一个结构化的定位工作流程，包括数据聚类、特征提取、概率状态预测和群体优化，确保持续的实时适应性、准确性和能效。
• 我们将混合框架与各个组件和现有基线进行了评估。我们建立了统一的消融和压力测试协议，以隔离每个组件的边际效用，证明完整的 Markov-KCNN-SSA 管道作为关键的安全措施，在严重的非视距条件下维持高保真定位，同时严格优化准确性 - 能耗 - 延迟平衡。

本文其余部分组织如下。第 2 节回顾了基于机器学习、群体智能和随机模型的物联网定位技术和混合方法，突出了它们的局限性和改进潜力。第 3 节公式化了物联网定位问题并提出了 Markov-KCNN-SSA 框架，包括 CNN 特征提取、基于 KNN 的平滑、马尔可夫状态预测和 SSA 优化。第 4 节详细说明了框架设计，用于在大规模分布式物联网网络中实现准确且节能的定位，结合了离线模型训练与基于相对测量的更新和概率建模。第 5 节从定位准确性、延迟、信号质量和吞吐量方面评估了该框架，展示了其相对于现有方法的优势。最后，第 6 节总结了贡献并概述了在不同物联网环境中扩展混合 AI 驱动定位策略的未来方向。

章节片段
相关工作
物联网网络中的精确定位已成为一个多学科挑战，涵盖了信号处理、优化和人工智能。现有的方法可以分为基于深度学习（DL）的方法、元启发式优化算法、聚类和降维技术、随机和概率模型以及结合多种范式的混合框架。虽然每个类别都提供了特定的优势，但它们也面临局限性。

系统模型与问题界定
在本节中，我们提出了用于物联网定位的 Markov-KCNN-SSA 框架，旨在在大规模网络中实现准确、节能且实时的性能。我们首先定义了问题陈述和优化目标，包括用于指导节点放置和移动的适应度函数。然后，我们描述了所提出的方法，该方法整合了卷积特征提取、两阶段最近邻平滑、马尔可夫状态预测和海葵群优化。

架构概述
所提出的框架在线部署期间采用了无锚点定位范式。虽然在线离线使用了监督学习来训练 CNN 组件，但训练好的模型在在线操作期间仅用作固定的推理模块。定位过程本身不依赖于锚点、参考节点或绝对位置标签。相反，所有位置更新均由相对测量、概率状态建模和邻域一致性约束驱动。

性能评估与分析
本节评估了所提出的用于物联网定位的 Markov-KCNN-SSA 框架。我们将完整系统与各个组件（即马尔可夫模型、基于 KNN 聚类的 CNN 和 SSA）及其两两组合进行了比较。关键性能指标包括能效、处理延迟、定位准确性、节点生存率和系统吞吐量。评估分为两个互补的部分。大规模实验首先说明了框架的行为。

结论
虽然物联网（IoT）的扩展承诺了前所未有的连通性，但它同时也遭遇了一堵“定位墙”，传统的算法无法调和高精度跟踪与去中心化节点严重能源约束之间的矛盾。这项研究通过引入 Markov-KCNN-SSA 框架打破了这一僵局，这是一种高保真的混合架构，超越了简单的几何估计，迈向环境感知智能。通过协调

CRediT 作者贡献声明
Maher Jabberi：撰写 – 初稿，可视化，验证，软件，资源，方法论，调查，形式分析，数据管理，概念化。Akram Hakiri：撰写 – 初稿，可视化，验证，监督，方法论，调查，数据管理，概念化。Bassem Sellami：撰写 – 初稿，可视化，验证，方法论，调查，概念化。Abderrazak Jemai：验证，监督。Adel M.

验证、利益冲突声明
作者声明他们没有任何已知的竞争经济利益或个人关系可能会影响本文所报告的工作。

致谢
本工作由突尼斯高等教育和科学研究部（MES）、法国欧洲和外交部（MEAE）以及高等教育和研究部（MESR）在PHC Utique计划下（CMCU项目编号23G1411）联合支持，并由欧盟通过地平线2020计划下的CHIST-ERA 2023征集为AI4MultiGIS项目提供资助（资助协议编号EP/Z003490/1）。本研究中表达的任何观点、发现、结论或建议

Maher Jabberi是突尼斯迦太基大学计算机科学与工程的博士研究生。他也是与突尼斯埃尔曼纳大学合作的研究科学家。他的研究专注于物联网（IoT）系统中定位和能源管理的高级人工智能（AI）模型的设计与开发，解决在分布式、资源受限设备上部署智能算法的挑战。他的工作结合了

Maher Jabberi|Akram Hakiri|Bassem Sellami|Abderrazak Jemai|Adel M. Alimi|Shareeful Islam