基于 VLC 的室内定位中的迁移学习-解决环境变化问题-计算机科学-深度神经网络-迁移学习-室内定位.pdf

基于VLC的室内定位中的迁移学习：解决环

境变化问题

1,211,34

MasoodJan,WafaNjima,XunZhang,andAlexanderArtemenko

1InstitutSupérieurd’ElectroniquedeParis(ISEP),Paris,France

2SorbonneUniversity,Paris,France

3UniversityParis-Saclay，LISV，France

4RobertBoschGmbH,Stuttgart,Germany

Emails:{masood.jan,wafa.njima,xun.zhang}@isep.fr,alexander.artemenko@

本摘要—准确的室内定位在工业环境中至关重要。可见光通等挑战，从而增强VLC在工业定位中的潜力。此外，

译信（VLC）作为一种有前景的解决方案出现，提供了高精度、能VLC能耗低，利用发光二极管（LED）灯实现照明和

中效和最小的电磁干扰。然而，基于VLC的室内定位由于环境变通信双重功能，使其具有成本效益和可扩展性[6],[7]。

化如照明波动和障碍物而面临挑战。为了解决这些问题，我们提

1然而，尽管其前景广阔的优势存在，基于VLC的室内

v出了一种基于迁移学习（TL）的方法用于基于VLC的室内定

定位仍然面临着一个关键挑战：环境变化。这些系统的

5位。使用在BOSCH工厂收集的真实数据，该TL框架集成了

7深度神经网络（DNN），与传统模型相比，提高了47%的定位性能对由日光波动、人工照明调整及障碍物引起的光照

5

1精度，减少了32%的能量消耗，并降低了40%的计算时间。所条件变化极为敏感。这种变异性会在接收到的信号中引

0.提出的解决方案在变化的环境条件下具有高度适应性，在仅使用入噪声，降低模型在不同场景和时间段泛化的能力，从

730%的数据集的情况下也能实现相似的准确性，使其成为工业而导致高定位误差、成功率下降以及因模型适应这些嘈

0

54.0应用中的一种成本效益高且可扩展的选择。杂且不断变化的环境而需要更长时间训练所带来的能

2IndexTerms—深度神经网络（DNN），室内定位，迁移

:耗增加[8]。

v学习（TL），可见光通信（VLC）。

i

x为了克服这一挑战，已经使用了基于机器学习

rI.介绍

a（ML）的定位模型。然而，这些模型通常假设训练好

NDOOR定位在现代工业环境中变得越来越重要。的模型在时间、空间或设备上保持不变，从而使其能够

I随着自动化和智能系统的增加，准确的定位对于确在无需进一步调整的情况下应用于在线设置中。在工业

保操作效率、安全性和生产率[1],[2]至关重要。传统的环境中，由于数据分布随时间变化以及大型工业空间中

定位系统通常在室内环境受限，由于信号干扰以及结构的空间变异性[9]，这一假设往往不成立。因此，定期

密集和各种障碍物区域精度低[3]。这使得室内部署定更新模型是必要的。然而，在这种环境中收集大规模数

位系统特别具有挑战性，尤其是在大规模工业环境中。据集可能是不切实际的，因为数据采集的成本很高。为

最近，可见光通信（VLC）作为一种有前景的室内应对这些挑战，已经探索了诸如联邦学习（FL）等创新

定位技术出现了，尤其是在射频信号受