This paper demonstrates the feasibility of received power strength indicator (RSSI)-based single-antenna localization (R-SAL) with decimeter-level localization accuracy. To achieve decimeter-level accuracy, either fine-grained radio frequency (RF) information (e.g., channel state information) or coarse-grained RF information (e.g., RSSI) from more than multiple antennas is required. Meanwhile, owing to deficiency of single-antenna RSSI which only indicates a distance between a receiver and a transmitter, realizing fine-grained localization accuracy with single coarse-grained RF information is challenging. Our key idea to address this challenge is to leverage computer vision (CV) and to estimate the most likely Fresnel zone between the receiver and transmitter, where the role of RSSI is to detect blockage timings. Specifically, historical positions of an obstacle that dynamically blocks the Fresnel zone are detected by the CV technique, and we estimate positions at which a blockage starts and ends via a time series of RSSI. These estimated obstacle positions, in principle, coincide with points on the Fresnel zone boundaries, enabling the estimation of the Fresnel zone and localization of the transmitter. The experimental evaluation revealed that the proposed R-SAL achieved decimeter-level localization in an indoor environment, which is comparable to that of a simple previous RSSI-based localization with three receivers.


翻译:本文展示了获得电力强度指标(RSSI)的可行性,该指标基于单一安全接收器(RSSI),基于单一安全接收器(R-SAL),具有地差水平本地化的精确度。为了达到分度精确度,我们应对这一挑战的关键想法是利用计算机视野(CV),并估计收发机和发报机之间最可能的Fresnel区,接收器和发报机的作用是探测阻塞时间。具体地说,需要从多个天线获得粗略的RSSI信息(例如RSSI),因为单安全接收器和发报机之间的距离仅表明接收器和发报机之间的距离,这只能表明接收器和发报机之间的距离,从而实现精细的本地本地化准确度,而单一粗略的RFS信息信息则具有挑战性。这些估计障碍的位置,在局域中,在可比较的FRSI水平上,已实现的局域际化,在Frmildirdal环境上,在前方一级,已显示一个已实现的局空域域域。

0
下载
关闭预览

相关内容

因果推断,Causal Inference:The Mixtape
专知会员服务
105+阅读 · 2021年8月27日
专知会员服务
31+阅读 · 2021年6月12日
专知会员服务
12+阅读 · 2021年3月13日
专知会员服务
39+阅读 · 2020年9月6日
100+篇《自监督学习(Self-Supervised Learning)》论文最新合集
专知会员服务
164+阅读 · 2020年3月18日
【SIGGRAPH2019】TensorFlow 2.0深度学习计算机图形学应用
专知会员服务
39+阅读 · 2019年10月9日
最新BERT相关论文清单,BERT-related Papers
专知会员服务
52+阅读 · 2019年9月29日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
28+阅读 · 2019年5月18日
无人机视觉挑战赛 | ICCV 2019 Workshop—VisDrone2019
PaperWeekly
7+阅读 · 2019年5月5日
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3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
已删除
将门创投
8+阅读 · 2018年10月31日
Capsule Networks解析
机器学习研究会
11+阅读 · 2017年11月12日
【推荐】YOLO实时目标检测(6fps)
机器学习研究会
20+阅读 · 2017年11月5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
9+阅读 · 2021年5月17日
Arxiv
3+阅读 · 2017年12月23日
VIP会员
相关VIP内容
相关资讯
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
28+阅读 · 2019年5月18日
无人机视觉挑战赛 | ICCV 2019 Workshop—VisDrone2019
PaperWeekly
7+阅读 · 2019年5月5日
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3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
已删除
将门创投
8+阅读 · 2018年10月31日
Capsule Networks解析
机器学习研究会
11+阅读 · 2017年11月12日
【推荐】YOLO实时目标检测(6fps)
机器学习研究会
20+阅读 · 2017年11月5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