本技术介绍了一种创新的室内定位技术，利用图同构网络（GIN）处理信道状态信息（CSI）。该方法首先对CSI的幅度测量数据进行局部离群因子（LOF）分析，以识别并排除异常值，从而提高定位精度。
背景技术
随着无线通信的快速发展和移动设备的普及，室内导航、室内跟踪等基于位置的服务的爆炸式增长。如何为基于位置的服务用户提供可靠、可访问的定位信息是一个重要的问题。全球卫星导航系统在室外定位方面是成熟和发达的，但是由于室内复杂的无线传播环境，不存在卫星信号的直达径，所以卫星类定位系统在室内环境中定位性能较差。
目前为止，已经提出了许多基于无线网络的室内定位系统，人们可以通过移动蜂窝通信系统，卫星通信系统，超宽带，WIMAX，蓝牙，射频识别，无线局域网等技术在不同的场景下为不同的用户提供不同的需求服务。同时由于商用WiFi设备在室内环境中的大规模部署，其成本低、部署方便优势，室内Wi-Fi定位已成为研究热点。因为现在每户住宅，公共场所都有大型的Wi-Fi通信设备，许多工作和生活的环境都离不开Wi-Fi信号，所以基于Wi-Fi的室内定位方法是最容易实现大规模应用。
现有Wi-Fi室内定位方案中有两种主流算法：基于几何的和基于指纹的定位算法。基于几何的定位方法通过测量Wi-Fi信号的传播延迟和方向，并利用几何定理计算相应的位置。典型的定位测量参数包括利用到达时间(TOA)、到达时差(TDOA)、到达角(AOA)。而基于指纹的方法在离线训练阶段建立指纹数据库，在线阶段基于实时测量估计目标定位，其中通常采用接收信号强度指示(received signal strength indication,RSSI)和通道状态信息(channel state information,CSI)作为指纹指标。RSSI是一种单一维度的度量，表示接收到的信号强度的大小，提供了关于信号在传输过程中的总体强度的信息，但它缺少关于信号的详细信息，例如传播路径、干扰和频率特性。所以RSSI常用于无线网络中衡量设备之间的连接质量，但它的精度相对较低，容易受到干扰和多路径传播的影响。而CSI是一种多维度的度量，提供了关于信道状态的更详细的信息，它包括子载波上的相位和幅度等多个参数，不仅提供了信号强度的信息，还提供了关于信道状态的时域和频域特性的详细数据，包括信号的传播路径、相位信息以及频谱特性。在室内定位、手势识别和无线通信系统的优化这些场景中，由于需要更多细致的信道信息来实现高精度的操作，通常选择CSI作为应用研究的对象。
利用Wi-Fi信号特征指纹实现定位的最大优势在于无需额外部署硬件设备，是一个非常节省成本的方法。Wang[1]教授等人提出一种基于DeepFi的深度学习网络从而实现室内目标定位。该方法的本质是将深度网络中的权重作为指纹，同时利用贪心学习算法对CNN网络的权值进行训练，该算法在很大程度上降低网络的复杂度，最后在在线阶段，使用基于径向基函数的概率数据融合方法从而实现目标的位置估计。文献[2]中研究出一种基于CSI幅度指纹的定位算法，该算法使用多维标度分析方法算出待测单位和参考点间的欧几里得距离以及时间反转共振强度，最后使用KNN算法估计出位置，但这并不是最终位置，还使用了共轭梯度法对三角质心算法进行了改良，也得出一个位置估计，最终的定位结果是将该位置估计与KNN估计的位置结合得到。实验结果显示与现有的一些算法比较，定位误差有所改善。PhaseFi[3]定位系统使用校准的CSI相位信息作为定位指纹，作者先从原始CSI中提取出原始相位，然后使用线性变换方法校准相位。定位过程分为训练阶段和在线阶段，训练阶段，使用CNN来训练输入的相位数据，在线阶段使用基于径向基函数的概率方法估计目标位置。实验结果验证了该系统的有效性和稳定性。尽管基于指纹的方案总体上提供了更准确的定位结果，但其瓶颈在于找到目标位置与对应指纹之间的非线性关系。而近年来提出的图卷积网络(GCN)为从非欧数据结构中提取特征提供了另一个维度。由于指纹定位系统产生的非欧几里得数据结构具有不同的传播环境，因此应用GCN来挖掘不同接入点之间的几何关系并提取其内在特征是一个值得研究的方向。该模型基于图神经网络(Graph Neural Network,GNN)，它基本上扩展了CNN的概念，通过图利用几何信息进行学习和推理，能够考虑节点间的全局关系，有利于信号特征之间复杂的关系建模，也可以捕捉到空间上的不变性，对于信号特征在不同位置上的变化具有一定的适应性。
人们开发了几种用于图学习的神经网络模型，这些模型取得了比传统技术更好的性能。Defferrard等人[4]受图傅里叶变换的启发，提出了一种图协卷积运算，作为CNN中使用的标准卷积的模拟。就像图像空间域中的卷积运算在频域相当于乘法一样，由图拉普拉斯多项式定义的协卷积算子在图谱域相当于滤波。特别地，将切比雪夫多项式应用于图拉普拉斯，得到了空间局域滤波。文献[5]提出了一种基于图神经网络(GNN)的图像定位系统。使用预训练的ResNet50卷积神经网络(CNN)架构提取每张图像的重要特征。接下来，将提取的特征输入到GNN中，通过将图像特征作为图中的节点并将姿态估计问题表述为节点姿态回归或将图像特征本身建模为图，从而找到每个图像的姿态回归问题。将提出的两种方法与最先进的单图像定位方法进行了广泛的比较，并表明使用GNN可以提高室内和室外环境的性能。文献[6]提出了一种少量迁移学习系统，该系统只使用少量来自当前环境的标记数据，重用以前在其他环境中收集的大量已有标记数据，从而大大降低了每个新环境中定位的数据收集和标记成本。核心方法是基于图神经网络(GNN)的少镜头迁移学习及其修正。在现实环境中进行的实验结果表明，所提出的系统达到了与卷积神经网络(CNN)模型相当的性能，标记数据减少了40倍。文献[7]利用点云和RGB特征信息来精确获取室内三维空间。使用一种新型的视觉定位系统(VPS)方法，能够通过将改进的点图神经网络(GNN)估计的目标姿态信息与以预定义体素单位寻址的体素数据库对象的姿态信息标签进行匹配来确定用户的位置。
实现思路