Indoor Localization Using Channel State Information with Regression Artificial Neural Network

Dans cette recherche, les informations sur l'état du canal (CSI) sont utilisées pour localiser les stations mobiles dans un environnement intérieur. À cette fin, deux ordinateurs portables équipés de la carte Intel Wireless Wi-Fi Wireless Link 5300 disponible dans le commerce sont utilisés. Les informations CSI sont collectées en établissant une connexion sans fil entre deux machines de plus de 200, 70 et 52 points de référence (RP) aux sixième, cinquième et troisième étages respectivement, dans l'immeuble Lassonde de Polytechnique Montréal servant de banc d'essai expérimental. Différentes approches de localisation sont étudiées et comparées les unes aux autres en termes de précision de localisation. Dans la première approche, les CSI collectés alimentent directement le réseau de neurones artificiels (RNA) en tant que caractéristiques d'entrée et le RNA appris est utilisé en tant qu'algorithme de correspondance du modèle afin de prédire la position de l'utilisateur. La deuxième approche consiste à appliquer à l'entrée de RNA les paramètres pertinents du canal extrait représentant le nombre réduit d'entités à l'entrée de RNA. Enfin, une exploration est effectuée pour trouver la meilleure configuration de couches cachées et de facteurs d'étalement pour les réseaux Perceptron multicouche (MLP) et Réseaux de neurones à régression générale (GRNN), respectivement.

Abstract

In this research, the Channel State Information (CSI) is leveraged to locate mobile stations in an indoor environment. For this purpose, two laptops equipped with the off-the-shelf Intel Wi-Fi Wireless Link 5300 (NIC card) are used. CSI information is collected by establishing a wireless connection between two machines over 200, 70 and 52 reference points (RP) on sixth, fifth, and third floors respectively, in Lassonde building of Polytechnique Montreal as the experimental testbed. Different geolocation approaches are investigated and compared with each other in terms of location accuracy and precision. In the first approach, the collected CSIs are directly fed to the artificial neural network (ANN) as input features and the learned ANN is used as the patternmatching algorithm in order to predict the user's location. The second approach consists in applying at the input of the ANN the extracted channel relevant parameters representing the reduced number of features at the input of ANN. Finally, exploration is performed to find the best configuration of hidden layers and spread factors for Multilayer Perceptron (MLPs) and General Regression Neural Networks (GRNNs), respectively.