OutFin

OutFin数据集是由丹佛大学工程与计算机科学学院电气与计算机工程系的研究团队创建，旨在提供一个多设备、多模态的户外定位指纹数据集。该数据集包含122个参考点，通过两部智能手机收集了包括WiFi、蓝牙、蜂窝信号强度以及多种传感器（如磁力计、加速度计、陀螺仪、气压计和环境光传感器）的数据。数据集的创建过程经过精心设计，以确保技术质量，并提供了详细的参考点坐标和环境信息。OutFin数据集适用于开发和评估基于指纹的定位解决方案，特别是在城市环境中作为全球导航卫星系统和蜂窝网络定位的替代方案。此外，数据集还可能促进机器学习、贝叶斯优化、同时定位与地图构建以及地图匹配等领域的研究创新。The OutFin dataset was created by a research team from the Department of Electrical and Computer Engineering, School of Engineering and Computer Science, University of Denver, aiming to provide a multi-device, multi-modal outdoor positioning fingerprint dataset. It contains 122 reference points, with data including WiFi, Bluetooth, cellular signal strength, and measurements from multiple sensors (magnetometer, accelerometer, gyroscope, barometer, and ambient light sensor) collected via two smartphones. The dataset development process was meticulously engineered to ensure technical quality, with detailed reference point coordinates and environmental information provided alongside the dataset. The OutFin dataset is applicable for developing and evaluating fingerprint-based positioning solutions, especially as an alternative to global navigation satellite system (GNSS) and cellular network positioning in urban environments. Additionally, this dataset can facilitate research innovations across fields including machine learning, Bayesian optimization, simultaneous localization and mapping (SLAM), and map matching.

搜集汇总

数据集介绍

构建方式

在室外定位研究领域，指纹识别方法因其在复杂城市环境中替代传统卫星导航系统的潜力而备受关注。OutFin数据集的构建采用了系统化的现场勘测流程，于丹佛大学校园内选取了四个具有不同空间特征与全球导航卫星系统可见度的场地，共设置了122个参考点。数据采集使用三星Galaxy S10+和谷歌Pixel 4两款现代智能手机，通过固定于三脚架的标准化装置，在132厘米高度以约40度倾角进行。采集过程涵盖WiFi、蓝牙、蜂窝网络信号强度以及磁力计、加速度计等多种传感器数据，每个参考点均沿四个基本方向进行多次扫描，以消除人体遮挡效应，并通过专业地理信息系统软件记录精确的全局与局部坐标。

使用方法

该数据集适用于指纹定位算法的开发、评估与比较研究。使用者可基于离线阶段采集的指纹数据库，利用机器学习算法训练位置映射模型，并在在线阶段实现实时坐标推断。数据集支持指纹插值、特征降维、信号去噪等预处理方法的应用，例如通过线性或三次插值构建连续指纹地图，或采用自编码器压缩高维指纹特征。研究人员可通过性能评估脚本对比不同算法在分类精度、定位误差等指标上的表现，同时利用附带的校准代码消除传感器硬铁失真，确保数据可靠性。

背景与挑战

背景概述

随着位置服务产业的蓬勃发展，全球导航卫星系统在城市环境中因信号遮挡和多径效应导致精度下降，而蜂窝网络定位的精度又难以满足高要求应用场景。在此背景下，指纹定位技术作为一种替代方案逐渐受到关注，其通过采集位置相关的信号特征实现精准定位。OutFin数据集由丹佛大学电气与计算机工程系的研究团队于2022年5月正式发布，旨在解决户外指纹定位领域公开数据匮乏的问题。该数据集利用两款现代智能手机，在四个不同环境中采集了包括WiFi、蓝牙、蜂窝信号及多种传感器数据在内的多模态信息，覆盖122个参考点，为户外定位算法的开发与评估提供了高质量基准。

当前挑战

OutFin数据集致力于应对户外定位领域的两大核心挑战：一是全球导航卫星系统在城市峡谷环境中信号衰减严重，难以实现稳定高精度定位；二是传统指纹构建过程依赖耗时耗力的现场勘测，制约了技术的大规模部署。在数据构建过程中，研究团队面临多重困难：需确保多设备数据采集的一致性，以克服设备异构性带来的测量偏差；同时，在复杂户外环境中维持信号测量的可靠性，避免天气因素对无线信号的干扰；此外，高粒度参考点的密集布设与精确坐标标定，也对数据采集的精度与效率提出了严峻考验。

常用场景

经典使用场景

在室外定位技术领域，指纹定位方法因其在复杂城市环境中对全球导航卫星系统局限性的补充作用而备受关注。OutFin数据集作为首个公开的多模态室外指纹数据集，其经典使用场景聚焦于为研究人员提供一个标准化平台，用于开发和评估基于WiFi、蓝牙、蜂窝网络及多种传感器信号的指纹定位算法。通过涵盖四个不同环境特征的采集站点和122个高粒度参考点，该数据集支持从信号处理到机器学习模型的全面实验，尤其在对比不同定位算法在真实室外场景下的性能时，展现出极高的实用价值。

解决学术问题

OutFin数据集有效解决了室外定位研究中长期存在的公开数据匮乏问题，为指纹定位方法的标准化评估提供了可靠基础。它通过整合多设备、多模态信号数据，帮助学术界克服了模拟数据与真实环境脱节、众包数据质量参差不齐的挑战。该数据集使得研究人员能够深入探究信号衰减、多径效应及设备异构性对定位精度的影响，从而推动高精度、低功耗室外定位算法的创新，并为机器学习、贝叶斯优化等跨领域研究提供丰富的实验素材。

实际应用

在实际应用层面，OutFin数据集为基于位置的服务提供了关键的技术支撑。其高精度的多模态指纹数据可用于开发城市导航、智能交通、应急救援等领域的定位系统，尤其在GNSS信号受限的密集城区或建筑周边环境中表现出显著优势。通过利用数据集中的信号强度与传感器信息，开发者能够构建更鲁棒的室外定位解决方案，提升诸如地理位置营销、增强现实游戏等服务的用户体验，同时降低对卫星信号与蜂窝网络的依赖。

数据集最近研究

最新研究方向

在位置服务领域，随着城市环境中全球导航卫星系统信号衰减与能耗问题的凸显，指纹定位技术作为一种高效替代方案受到广泛关注。OutFin数据集作为首个公开的多模态户外指纹数据集，其融合了WiFi、蓝牙、蜂窝信号及多种传感器数据，为研究提供了高粒度、多设备采集的真实环境基准。当前前沿研究聚焦于利用该数据集探索基于深度学习的多源数据融合定位算法，以提升复杂城市场景下的定位精度与鲁棒性；同时，数据集支持对信号去噪、指纹插值及特征压缩等预处理技术的优化，推动轻量级定位模型在资源受限设备上的部署。这些进展不仅促进了户外定位技术的创新，也为智慧城市、自动驾驶等热点应用提供了关键数据支撑，具有重要的学术与工程意义。

相关研究论文

• OutFin, a multi-device and multi-modal dataset for outdoor localization based on the fingerprinting approach

  丹佛大学工程与计算机科学学院电气与计算机工程系 · 2022年