Real-world deployments of WiFi-based indoor localization in large public venues are few and far between as most state-of-the-art solutions require either client or infrastructure-side changes. Hence, even though high location accuracy is possible with these solutions, they are not practical due to cost and/or client adoption reasons. Majority of the public venues use commercial controller-managed WLAN solutions, %provided by Aruba, Cisco, etc., that neither allow client changes nor infrastructure changes. In fact, for such venues we have observed highly heterogeneous devices with very low adoption rates for client-side apps. In this paper, we present our experiences in deploying a scalable location system for such venues. We show that server-side localization is not trivial and present two unique challenges associated with this approach, namely \emph{Cardinality Mismatch} and \emph{High Client Scan Latency}. The "Mismatch" challenge results in a significant mismatch between the set of access points (APs) reporting a client in the offline and online phases, while the "Latency" challenge results in a low number of APs reporting data for any particular client. We collect three weeks of detailed ground truth data ($\approx 200$ landmarks), from a WiFi setup that has been deployed for more than four years, to provide evidences for the extent and understanding the impact of these problems. Our analysis of real-world client devices reveal that the current trend for the clients is to reduce scans, thereby adversely impacting their localization accuracy. We analyze how localization is impacted when scans are minimal. We propose heuristics to alleviate reduction in the accuracy despite lesser scans. Besides the number of scans, we summarize the other challenges and pitfalls of real deployments which hamper the localization accuracy.


翻译:以 WiFi 为基础的内部本地化在大公共场所实际部署的WiFi 内部本地化数量很少,而且远在大多数最先进的解决方案需要客户或基础设施方面的变化之间。 因此,即使这些解决方案可能具有较高的定位准确性,但由于成本和/或客户的采用原因,这些解决方案并不实用。 大部分公共场所使用商业控制管理的WLAN解决方案, 由阿鲁巴、 Cisco 等提供的% 本地客户无法进行变更或基础设施的变化。 事实上,对于这些网站,我们观察到了高度分散的功能,客户端应用程序的采用率非常低。 在本文中,我们展示了在为这些网站安装可缩缩缩缩缩的定位定位系统方面的经验。 我们显示,服务器端端的本地定位系统不是微不足道的,而是与此方法相关的两个独特的挑战,即:\ eemph{Cardinality Mismatch} 和\ 高级客户端扫描Latency} 。 “ 连接” 挑战导致接入点数之间的严重不匹配,报告用户的离线和线和在线阶段的用户的准确度。 而“Latisticality” 挑战在于一个低位客户端用户的用户的运行数据 。

0
下载
关闭预览

相关内容

机器学习系统设计系统评估标准
Stabilizing Transformers for Reinforcement Learning
专知会员服务
59+阅读 · 2019年10月17日
《DeepGCNs: Making GCNs Go as Deep as CNNs》
专知会员服务
30+阅读 · 2019年10月17日
强化学习最新教程,17页pdf
专知会员服务
174+阅读 · 2019年10月11日
2019年机器学习框架回顾
专知会员服务
35+阅读 · 2019年10月11日
[综述]深度学习下的场景文本检测与识别
专知会员服务
77+阅读 · 2019年10月10日
计算机 | 入门级EI会议ICVRIS 2019诚邀稿件
Call4Papers
10+阅读 · 2019年6月24日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
LibRec 精选:位置感知的长序列会话推荐
LibRec智能推荐
3+阅读 · 2019年5月17日
【TED】什么让我们生病
英语演讲视频每日一推
7+阅读 · 2019年1月23日
逆强化学习-学习人先验的动机
CreateAMind
15+阅读 · 2019年1月18日
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
17+阅读 · 2018年12月24日
【推荐】树莓派/OpenCV/dlib人脸定位/瞌睡检测
机器学习研究会
9+阅读 · 2017年10月24日
Arxiv
0+阅读 · 2021年3月18日
VIP会员
相关资讯
计算机 | 入门级EI会议ICVRIS 2019诚邀稿件
Call4Papers
10+阅读 · 2019年6月24日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
LibRec 精选:位置感知的长序列会话推荐
LibRec智能推荐
3+阅读 · 2019年5月17日
【TED】什么让我们生病
英语演讲视频每日一推
7+阅读 · 2019年1月23日
逆强化学习-学习人先验的动机
CreateAMind
15+阅读 · 2019年1月18日
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
17+阅读 · 2018年12月24日
【推荐】树莓派/OpenCV/dlib人脸定位/瞌睡检测
机器学习研究会
9+阅读 · 2017年10月24日
Top
微信扫码咨询专知VIP会员