返回
WiT: Wireless Tracking With Dual-Modality Transformers
DOI:10.1109/TMC.2025.3636924.png)
摘要
En 中文
基于深度学习的无线室内定位已成为解决实际部署挑战的有前景方案。然而,现有研究仍严重依赖高质量训练样本,且易受环境动态影响。为解决这些问题,我们引入WiT模型,该模型通过整合射频(RF)信号和惯性测量单元(IMU)读数来稳健追踪移动设备位置。WiT通过跨模态验证提升精度,减轻环境波动的影响。我们实现了基于历史信息的追踪方法以解决不同模态间的同步问题。此外,提出半监督训练方法以减少对地面真实标签的需求。我们在包含约170万个样本、涵盖54种场景的大规模数据集上训练并验证WiT。结果表明,WiT优于现有最佳方案,在射频识别(RFID)、Wi-Fi和蓝牙低功耗(BLE)模态上实现至少30%的改进。此外,结合IMU和BLE模态的输入相比单模态输入,精度提升近50%。
Keyword:
Indoor localization
transformer
IMU
deep learning
modality fusion
期刊
IF:
9.2
论文数:
5.8K
被引数:
1.8W

