编辑推荐：
提出DFP-MLT设备自由多目标定位框架，仅使用一对商用Wi-Fi收发器，通过对比学习融合信道状态信息的幅度-相位矩阵，结合HSIC引导的虚拟指纹生成和联合多标签分类，解决复杂室内环境下的多目标定位难题，实验表明其定位精度、可扩展性和实时性均优于现有方法。
Dandan Liu | Xinping Rao
河北工业大学数据科学学院，河北，458030，中国
摘要
在复杂的室内环境中，无需设备的被动多目标定位是许多无线传感应用的基本能力，包括智能环境、人类活动监控和智能物联网（IoT）系统。然而，现有的基于Wi-Fi的定位方法通常受到多路径干扰、空间歧义和有限可扩展性的影响，这主要是由于它们依赖于庞大的多目标数据集或昂贵的多传感器基础设施。为了解决这些问题，本文提出了DFP-MLT（Device-Free Passive Multi-Target Localization），这是一个轻量级且可扩展的框架，仅使用一对普通的Wi-Fi收发器即可运行。DFP-MLT将原始的信道状态信息（CSI）转换为幅度-相位矩阵，捕捉时间和频域特征。基于对比学习的融合网络整合了这些异构表示，以提高区分度，而融合指纹合成模块通过互信息最大化从单目标数据生成虚拟多目标指纹，从而减少了劳动密集型数据收集的需求。多标签分类器随后可以在不知道目标数量的情况下估计参考点上的目标占用情况。所有组件都以端到端的方式共同优化，实现了稳健且低延迟的定位。在动态室内环境中进行的实验评估表明，DFP-MLT在定位精度、可扩展性和时间泛化方面始终优于现有技术，为下一代Wi-Fi传感和智能IoT部署提供了实用、稳健且可扩展的解决方案。
引言
室内基于位置的服务（LBS）在各种工业和智能室内环境中变得越来越重要，实现了仓库中的资产跟踪、制造中的工作流程自动化、医疗保健中的患者监控以及智能安全系统中的入侵检测等应用[1]。这些场景需要准确、实时且可扩展的定位系统，同时能够在复杂和动态的环境中保持稳健性。此外，工业部署通常涉及大面积、高密度占用和严格的成本限制，这进一步挑战了现有定位解决方案的实用性。基于设备的方法——依赖于智能手机、RFID标签或UWB锚点——需要用户参与，并引发了关于隐私、维护和成本的担忧[2]，使其不适合许多关键任务应用。
为了解决这些限制，无设备被动定位（DFPL）作为一种有前景的范式应运而生，它利用了人类存在和运动引起的信号扰动。特别是，Wi-Fi信道状态信息（CSI）提供了跨子载波的精细幅度和相位测量，比基于RSSI的粗略指标提供了更丰富的时空分辨率[3]。由于能够重用现有的Wi-Fi基础设施，基于CSI的DFPL实现了低成本、非侵入式且易于部署的室内定位。然而，当多个移动目标在CSI测量中引入非线性和重叠失真时，实现可扩展性和稳健性仍然具有挑战性[4]。
高精度技术，如超宽带（UWB）和毫米波（mmWave）雷达，已被探索用于提高定位精度。虽然这些系统可以达到厘米级的精度，但它们的高基础设施成本和有限的部署灵活性限制了在大规模或成本敏感场景中的应用[5]、[6]。例如，最近的一项研究提出了一种用于UWB的多壁NLoS缓解方案，通过数值误差建模提高了精度，但增加了计算开销[7]。同样，基于Wi-Fi RTT/FTM的方法在有利条件下可以实现亚米级精度；然而，在多路径丰富的环境中，它们的性能会下降。运动观测链（MOC）模型已被引入，以联合捕获连续测距和运动动态，提高了实时性能[8]。其他技术，如基于RFID或ToF/RTT的定位，虽然降低了硬件要求，但在杂乱的空间中往往表现不佳，并需要广泛的校准[9]、[10]。相比之下，Wi-Fi CSI指纹技术在精度和成本之间提供了令人满意的平衡，并已在工业信息学场景中得到广泛应用[11]、[12]。
尽管有这些优势，基于Wi-Fi的DFPL系统仍面临两个主要挑战。首先，随着同时目标数量的增加，收集所有可能的多目标配置的详尽CSI指纹是不可行的。其次，传统的回归、聚类和基于相似性的方法在密集或动态环境中的扩展性较差。一些最近的研究试图缓解这些问题。例如，MTFLoc将定位问题重新表述为多标签分类问题，改善了多目标处理能力，但缺乏合成指纹生成和时间适应能力[13]。MLDA-MultiLoc引入了域适应以补偿环境变化，但代价是模型复杂性的增加和泛化能力的降低[14]。其他方法采用动态对抗学习在环境漂移下自动调整无线电地图，但需要大量的训练和超参数调整[15]。在无线传感器网络中，改进的联合概率数据关联（MJPDA）已被应用于在严重NLoS条件下的稳健性提升，而极端RSS稳定化和边界自相关技术为基于LoRaWAN的定位展示了有希望的结果，实现了小于10米的精度，并降低了计算开销[16]、[17]。
为了克服这些限制，我们提出了DFP-MLT，这是一个轻量级但强大的基于Wi-Fi CSI的多目标定位框架，仅使用一对普通的收发器即可运行。该框架集成了两个核心组件——多视图特征融合模块和融合指纹生成模型——以及多标签分类策略，所有组件都以端到端的方式共同优化。这种设计消除了对详尽多目标数据集或复杂域适应机制的需求，实现了可扩展、低延迟且与硬件无关的解决方案，从而满足了现实世界工业和智能环境的要求。
本工作的主要贡献总结如下：
- 1.
我们设计了一个多视图特征融合模块，通过对比学习对齐幅度和相位CSI数据，提高了在多路径、遮挡和低信噪比条件下的特征区分度和稳健性。
- 2.
我们提出了一个非线性指纹合成模型，该模型基于希尔伯特-施密特独立性准则（HSIC）引导的互信息损失从单目标数据生成虚拟多目标指纹，从而减少了数据收集的开销，同时保持了空间独立性和语义完整性。
- 3.
我们将多目标定位表述为多标签分类任务，并引入了一种联合优化策略，将特征融合、指纹合成和占用预测相结合，从而实现了一个可扩展、低延迟的框架，能够在无需辅助域适应的情况下适应不同的占用水平。
本文的其余部分组织如下。第2节回顾了相关工作并定义了问题表述。第3节介绍了所提出的DFP-MLT架构及其组件。第4节报告了实验结果和性能评估。第5节总结了本文并概述了未来的研究方向。
相关工作和问题陈述
相关工作和问题陈述
多目标室内定位是包括占用监控、医疗保健和智能建筑控制在内的各种智能应用的关键推动者。已经探索了多种传感技术来实现高精度定位，如超宽带（UWB）、毫米波（mmWave）、射频识别（RFID）和Wi-Fi。尽管UWB和mmWave系统可以达到厘米级的精度[5]、[6]，但它们需要昂贵的硬件和密集的
系统架构和工作流程
所提出的无设备被动多目标定位（DFP-MLT）框架为复杂室内环境中的实时人类定位提供了可扩展且成本效益高的解决方案。与依赖密集传感器阵列或UWB或mmWave雷达等专用硬件的传统系统不同，DFP-MLT仅使用一对商用Wi-Fi收发器，并利用嵌入式信道状态信息（CSI）同时推断多个目标的位置。
实验评估
本节通过复杂的室内环境中的实际实验对DFP-MLT进行了全面评估。评估重点关注目标枚举精度、在不同密度下的定位精度、时间稳健性以及与现有技术的比较。为了解决审稿人的担忧，我们明确定义了所有性能指标、变量符号和实验条件，并提供了测试平台的几何细节。
结论
本文提出了DFP-MLT，这是一个轻量级且可扩展的基于Wi-Fi的无设备多目标定位框架，仅使用一对商用Wi-Fi收发器即可运行。通过避免专用硬件和昂贵的多目标数据收集，DFP-MLT显著降低了部署复杂性。其核心贡献包括基于对比学习的多视图融合策略，有效整合了CSI幅度和相位信息，以及基于HSIC的非线性
CRediT作者贡献声明
Dandan Liu：概念化、方法论、软件、形式分析、可视化、写作——原始草稿。Xinping Rao：资金获取、监督、概念化、写作——审阅和编辑。
利益冲突声明
作者声明以下财务利益/个人关系可能被视为潜在的利益冲突：Xinping Rao报告称获得了江西省自然科学基金的支持。如果有其他作者，他们声明没有已知的财务利益或个人关系可能影响本文报告的工作。
