增强WiFi室内定位对设备异质性的鲁棒性

《Journal of Sensor and Actuator Networks》：Enhancing Robustness to Device Heterogeneity in WiFi-Based Indoor Localization

　　

基于WiFi的室内定位系统因其较低的部署成本和WiFi基础设施的广泛普及而日益受到关注。然而，现有硬件的多样性对开发无论使用何种设备均能保持稳健一致性能的系统构成了重大挑战。近期研究通过构建包含多种设备数据的数据集来解决设备异质性问题。本研究提出了一种新颖的多设备WiFi接收信号强度（Received Signal Strength, RSS）数据集，该数据集沿无约束轨迹采集，使用九台Android设备历时三个月完成，并通过同步定位与建图（Simultaneous Localization And Mapping, SLAM）技术获取精确的真值位置。研究人员利用基于长短期记忆（Long Short-Term Memory, LSTM）神经网络研究异质性对定位性能的影响，该网络充分利用了序列WiFi扫描的时间特性，并引入了两种缓解策略：逐设备接收信号强度归一化以及将时间特征作为附加输入融入模型。实验结果表明，这些方法显著改善了跨设备性能，平均定位误差降低56%，并实现了对先前未见硬件的泛化，未见过设备的平均定位误差仅高出8%。

本研究旨在解决基于WiFi接收信号强度（Received Signal Strength, RSS）的室内定位系统中设备异质性带来的核心挑战。随着物联网（Internet of Things, IoT）服务的普及，室内定位已成为提供实时空间上下文的关键使能技术，广泛应用于自主机器人、视障人士导航、基于位置的服务以及智能建筑管理等领域。与室外环境中全球定位系统（Global Positioning System, GPS）技术的可靠性形成鲜明对比，室内场景由于GPS信号衰弱或不可用，亟须替代定位方案。在众多技术中，基于WiFi的指纹定位方法因其无需精确获知接入点（Access Point, AP）位置、能较好适应家具重排或人员流动等动态环境变化而成为最主流的选择。

尽管RSS指纹定位具有显著优势，但实际部署仍面临多重制约。一方面，WiFi环境本身具有动态非稳态特性：新AP可能出现、原有AP可能消失或暂时不可用、物理AP位置可能变更，甚至单一物理AP承载多网络标识等情形均增加了系统设计的复杂度。另一方面，设备异质性——不同移动终端在天线质量、信号扫描时长、测量精度等硬件特性上的差异——导致同一位置采集的RSS读数存在显著不一致，进而在训练设备与测试设备之间形成域差异（domain gap），严重损害定位模型的泛化性能。

为应对上述挑战，研究人员开展了系统性的研究工作。首先，研究团队构建并发布了一个新颖的多设备RSS指纹室内定位数据集，其突出特色在于：不同于以往依赖固定参考点或用户标注获取有限精度真值的工作，该数据集利用同步定位与建图（Simultaneous Localization And Mapping, SLAM）技术，沿无约束自由轨迹采集数据，实现了高精度的连续真值标注。数据集于2023年3月下旬至7月初期间，在西班牙阿尔卡拉大学Escuela Politecnica Superior的第三层（面积约1639 m²）完成采集，涵盖九台不同品牌、不同价位区间的Android设备（含七部智能手机和两台平板电脑），累计采集约5.5小时/设备的有效数据，行进总里程超过13.0 km/设备。其中六台设备用于训练与验证，另外三台设备专用于测试阶段的未见过硬件泛化评估。真值获取方面，研究采用Intel RealSense D435i相机结合RTAB-Map视觉惯性SLAM系统，以1 Hz频率输出六自由度位姿信息；并针对建筑对称性和长走廊导致的跟踪漂移问题，实施了基于速度估计的轨迹分段异常剔除机制。

在算法层面，研究人员设计了两项针对性的异质性缓解策略。第一，逐设备RSS归一化（per-device RSS normalization）：为解决全局归一化因统一缩放参数而压制部分设备信号动态范围的问题，该策略要求每台设备在部署前经历简短校准阶段，确定其个体RSS取值范围，据此进行设备专属的标准化处理，以消除天线灵敏度差异导致的幅度偏差。第二，时间特征融合（temporal feature fusion）：研究人员提出假设认为，基于序列的循环网络隐式地将空间位移编码为训练阶段典型时间步长的函数；当测试设备采样间隔显著偏离训练分布时，用户在实际时间步长内移动的物理距离将超出LSTM单元习得的空间步长，导致内部状态传播失配、轨迹跟踪漂移加剧。为此，研究将相邻WiFi扫描间的实时时间间隔Δt_k经全局最小-最大缩放归一化后，直接拼接至设备归一化后的RSS向量尾部，形成增强的时空输入向量x_k，使网络能够根据真实时间步长动态调整其门控机制。

网络架构方面，研究采用具有N_L层堆叠结构的LSTM网络，隐藏层维度为N_h，序列长度为16步。模型通过最小化预测位置与真值位置间的均方误差（Mean Squared Error, MSE）进行训练，以最终时间步预测结果的平均绝对误差（Mean Absolute Error, MAE）作为评估指标。训练数据划分为前8天训练、随后2天验证、最后3天测试，仅保留训练阶段出现的350个AP。

实验结果表明，所提方法取得了显著成效。在逐设备RSS归一化评估中，相较于全局归一化，该策略有效降低了MAE和误差方差，验证了消除硬件敏感偏置的积极作用。在时间特征融合评估中，单设备训练-跨设备测试的对比实验清晰揭示了采样间隔差异的影响规律：当测试设备快于训练设备时，性能相对稳定；而当测试设备慢于训练设备时，MAE随采样时间差呈比例增长——最快设备Xiaomi UG在推理时误差增幅可达80%，而最慢设备Samsung A53反而因其他设备均更快而受益。引入时间特征后，跨设备性能差异从约35%降至25%，且模型在三台完全未参与训练的设备（Xiaomi M2007J20CG、OnePlus LE2123、Oppo CPH2251）上表现一致。聚合模型（Aggregated Model, AM）的综合评估显示：相较于平均MAE为8.24 m的单设备模型，AM的平均MAE降至3.62 m，误差降低达56%；针对未见过硬件的测试，MAE仅从3.62 m小幅上升至3.92 m，增幅控制在8%以内，表明数据聚合训练策略显著增强了模型对设备异质性的鲁棒性和对新硬件的泛化能力。

在讨论局限性时，研究人员客观分析了三个方面的约束。关于真值精度，视觉惯性SLAM固有的跟踪漂移已通过速度过滤协议缓解，但长走廊和结构对称性仍构成潜在挑战。关于长期环境变化，三个月采集窗口内的AP基础设施变动虽被序列化LSTM部分平滑，极端长期的AP增减或重定位仍可能影响指纹基线。关于空间范围，当前单楼层评估限制向多楼层垂直跟踪场景的扩展。

研究结论部分，研究人员总结指出：本工作提出的多设备WiFi数据集以视觉SLAM真值、自由轨迹和多样设备配置为特色，超越了传统固定参考点或人工标注的局限。通过系统性分析，研究明确了RSS信号强度不一致性和采样率变异这两个设备多样性的关键误差源，并针对性地提出了逐设备RSS归一化和时间信息嵌入两种缓解策略，实验验证了其有效性和跨设备一致性。未来工作将沿三个方向拓展：一是将数据集与LSTM网络扩展至包含楼梯和电梯的多楼层三维跟踪场景；二是探索终身学习与自主自校准范式，以应对AP长期变动无需人工重配置；三是集成多会话SLAM闭环优化，进一步抑制大规模物联网基础设施中的轨迹标注漂移。