Mean Teacher based SSL Framework for Indoor Localization Using Wi-Fi RSSI Fingerprinting

Wi-Fi指纹定位由于Wi-Fi设备的广泛可用性而被广泛应用于室内定位。然而，由于可扩展性问题，传统方法并不适用于多建筑物和多楼层环境。因此，越来越多的研究人员采用深度学习技术实现可扩展的室内定位。本文介绍了一种基于无线接入点选择、噪声注入和平均教师模型的神经网络半监督学习框架，利用未标记的指纹增强了定位性能。所提出的框架可以管理混合内/外部数据库和自愿贡献数据库，并在服务期间不断扩展指纹数据库，以新提交的未标记指纹。使用UJIIndoorLoc数据库检验了所提出框架的可行性。实验结果表明，与基于监督学习的方法相比，所提出的框架在使用EvAAL指标进行楼层级坐标估计方面显著提高了定位性能。在前一场景中，增强幅度高达10.99%和8.98%，在后一场景中分别为4.25%和9.35%，其他研究强调了所提出框架的关键组件的重要性。

本论文旨在解决多建筑和多楼层环境下Wi-Fi指纹定位的可扩展性问题，并提出了一种基于无线接入点选择、噪声注入和Mean Teacher模型的半监督学习框架，以提高定位性能。

该论文提出的半监督学习框架结合了无标签指纹数据的信息，利用深度学习技术实现可扩展的室内定位。

论文使用了UJIIndoorLoc数据库进行实验，提出的框架在楼层坐标估计方面显著优于监督学习方法，提高了10.99%和8.98%的性能。此外，还可以管理混合内/外部数据和持续扩展指纹数据库。

最近的相关研究包括：\n- "Indoor Localization Using Deep Learning: A Survey"\n- "Deep Learning for Indoor Localization: An Overview"\n- "A Survey on Deep Learning for Localization and Mapping: Towards the Age of Spatial Machine Intelligence"