精确的室内定位使用轻量级的2D-CNN与自适应温度引导的代自我知识蒸.
Muhammad Rizwan1, Yin Hoe Ng2, Hin-Yong Wong1
1Faculty of Artificial Intelligence and Engineering, Multimedia University, 63100, Cyberjaya, Malaysia.
Scientific reports
|November 7, 2025
概括
这项研究引入了一种新的轻量级卷积神经网络 (CNN),用于使用Wi-Fi和蓝牙信号准确的室内定位. 该方法可将定位精度提高8%以上,并将误差降低到2.24m,使其适用于资源有限的设备.
科学领域:
- 计算机科学 计算机科学
- 电气工程 电气工程
- 信号处理 信号处理
背景情况:
- 使用Wi-Fi和蓝牙RSS进行基于指纹的室内定位至关重要,但在部署约束下面临准确性挑战.
- 深度卷积神经网络 (CNN) 提供了更高的准确性,但对于资源有限的设备来说太复杂了.
- 知识蒸 (KD) 能够将知识从复杂模型转移到更简单的模型,但通常需要单独的教师-学生架构.
研究的目的:
- 提出一种新的轻量级二维CNN架构,以减少基础设施的室内本地化.
- 整合挤压和激发 (SE) 模块和自适应温度引导的代自我知识蒸 (SKD) 以提高准确性和效率.
- 在资源有限的平台上实现实用,实时的室内定位.
主要方法:
- 开发了一个轻量级的2D CNN,结合SE模块进行动态特征重新校准.
- 在单一模型中实施了一种代的SKD策略,消除了对单独教师模型的需求.
- 在HDLC公共数据集上评估拟议的架构,以确定室内定位的准确性.
主要成果:
- 没有SKD的CNN架构比传统CNN提高了8.32%的定位精度,实现了2.60m的3D平均定位误差 (APE).
- 整合代SKD进一步提高了1.66%的定位精度,将3DAPE降低到2.24m.
- 拟议的方法证明了室内定位的显著效率和准确性.
结论:
- 具有SE模块和代SKD的新型轻量级CNN提供了一个资源高效和实用的解决方案,用于准确的室内定位.
- 与传统的KD方法相比,单模型KD方法显著降低了计算开销.
- 该框架可在具有有限计算能力的设备上提供实时室内定位应用.

