高精度室内定位数据集

高精度室内定位数据集是由土耳其加拉塔萨雷大学和博阿齐奇大学合作创建，旨在通过增强现实(AR)技术为室内定位算法提供精确的位置注释。数据集包含15个不同轨迹的BLE RSSI数据，每条数据均附有精确的3D位置信息。创建过程中，研究团队利用AR标记和相机系统跟踪低成本的导航设备，通过视频流处理和标记识别技术实现高精度位置估计。该数据集适用于评估和验证基于无线信号的室内定位系统，特别是在需要高精度位置信息的应用场景中。

The high-precision indoor positioning dataset was collaboratively created by Galatasaray University and Boğaziçi University in Turkey. It aims to provide accurate position annotations for indoor positioning algorithms through augmented reality (AR) technology. The dataset includes BLE RSSI data collected from 15 distinct trajectories, with each trajectory paired with precise 3D position information. During the dataset construction, the research team tracked low-cost navigation devices using AR markers and camera systems, and realized high-precision position estimation via video stream processing and marker recognition technologies. This dataset is applicable to evaluating and validating wireless signal-based indoor positioning systems, particularly in application scenarios that demand high-precision position information.

原始信息汇总

室内定位的带位置标注的BLE RSSI数据集

简介

该数据集旨在为从事室内定位领域的研究人员提供带有高精度地面真实位置标注的定位参数。我们提供了在室内环境中以不同速度导航发射器时收集的信号参数及其位置标签，这些位置标签使用更精确的方法（中位精度约为0.04米）并严格注册到信号参数中。

数据收集使用了一个特别设计的摄像头和蓝牙信标设置。分布式蓝牙传感器收集导航蓝牙信标发射的数据包的接收信号强度指示器（RSSI）。同时，双摄像头系统从装饰有密集增强现实（AR）标签的环境中捕捉视频。基于AR的视觉系统提供高精度的位置信息，这些精确位置可用作定位的地面真实值。任何基于无线电的位置推断现在都可以使用这些精确的位置标签进行准确评估。

顶级目录描述

数据集中的目录包含用于推断信标位置的不同级别的信息。每个目录都有自己的README.md文件，描述数据格式和其他辅助信息。

hst: 指纹直方图文件

该目录包含多个传感器从静态点（参考点）收集的RSSI数据，这些数据随后用于估计区域的概率射频图。

grd: 网格文件

网格文件由通过基于Wasserstein插值的方法估计的区域的概率射频图组成，该方法使用指纹文件作为输入。详细信息请参见[Daniş et al, Sensors, 2017]。

trk: 轨迹文件

轨迹文件包括在区域内导航信标时多个传感器收集的RSSI数据。文件还包括地面真实位置，以便直接评估推断。

occ: 占用文件

区域占用信息。可通过轻量调整将可通行和遮挡区域轻松引入定位算法，从而提高准确性。详细信息请参见[Daniş et al, Access, 2021]。

cnf: 配置文件

描述传感器位置和各种参数的配置文件，可用于地图上的像素坐标和区域坐标系之间的转换。

map: 区域地图图像

包含静态传感器、家具、墙壁和柱子的区域地图图像。

相关研究

• 有关分布式传感设置和数据收集与同步方法的完整介绍，请参见[Daniş et al, PMC, 2022]。
• 有关如何构建使用这些数据推断导航发射器位置的顺序蒙特卡罗（粒子滤波器）算法的详细信息，请参见[Daniş et al, Access, 2021]。
• 有关使用仿射Wasserstein组合估计概率射频图的详细信息，请参见[Daniş et al, Sensors, 2017]。
• 有关使用神经网络推断概率射频图的详细信息，请参见[Güler et al, IPIN, 2019]。
• 有关使用贝叶斯前向算法进行位置推断的详细信息。

参考文献

<a id="pmc">[Daniş et al., PMC, 2022]</a> F. Serhan Daniş, A. Teoman Naskali, A. Taylan Cemgil, Cem Ersoy. An Indoor Localization Dataset and Data Collection Framework with High Precision Position Annotation, Pervasive and Mobile Computing, Volume 81, 2022.

<a id="access">[Daniş et al., Access, 2021]</a> F. S. Daniş, A. T. Cemgil, C. Ersoy. Adaptive sequential monte carlo filter for indoor positioning and tracking with bluetooth low energy beacons. IEEE Access, 9:37022–37038, 2021.

<a id="sensors">[Daniş and Cemgil, Sensors, 2017]</a> FS Daniş, AT Cemgil. “Model-Based Localization and Tracking Using Bluetooth Low-Energy Beacons,” Sensors, vol. 17, no. 11, p. 2484, Oct. 2017.

<a id="ipin2019">[Güler et al., IPIN, 2019]</a> Sila Guler, F. Serhan Danis, Ali Taylan Cemgil. Radio map estimation with neural networks and active learning for indoor localization. In Francesco Potorti, Valérie Renaudin, Kyle O’Keefe, Filippo Palumbo, editors, Proceedings of the Tenth International Conference on Indoor Positioning and Indoor Navigation - Work-in-Progress Papers, number 2498 in CEUR Workshop Proceedings, pages 25–31, Aachen, 2019.

搜集汇总

数据集介绍

构建方式

在室内定位研究领域，获取高精度地面实况数据始终是评估无线定位算法的关键挑战。本数据集采用了一种创新的增强现实（AR）标记辅助构建框架，通过在364平方米的室内办公环境中密集部署ArUco视觉标记，并配置低成本蓝牙低功耗（BLE）信标与运动相机组成的可移动采集装置。数据采集过程中，相机同步捕获视频流，利用标记检测算法实时估计装置的三维位姿，再通过近距离标记筛选、离群点剔除以及卡尔曼滤波等后处理步骤，将位姿估计误差控制在0.05米以内。最终，经时间同步处理，将高精度位姿信息作为地面实况标注到同时采集的BLE接收信号强度指示（RSSI）数据上，形成时空对齐的无线信号定位数据集。

特点

该数据集的核心特征在于其标注精度与时空同步性。相较于传统基于稀疏参考点或人工插值的地面实况采集方法，本数据集通过视觉标记实现了连续轨迹上的厘米级（<0.05米）位置标注，为无线定位算法提供了前所未有的高分辨率评估基准。数据集包含15条具有不同形状、长度与移动速度的预设轨迹，覆盖直线、矩形与锯齿形等多种运动模式，并提供了三维位置、旋转矩阵及对应的多传感器RSSI读数。此外，数据集还附带了预处理后的概率无线电地图、指纹数据及环境地图，支持从算法验证到系统级性能评估的全方位研究需求。

使用方法

研究人员可利用本数据集对基于BLE RSSI的室内定位与跟踪算法进行严格评估与比较。典型使用流程包括：首先加载轨迹文件，获取时间戳对齐的RSSI序列及其对应的高精度三维地面实况位置；随后，可将数据划分为训练集与测试集，用于指纹地图构建、信号传播模型拟合或深度学习模型训练；在评估阶段，通过计算算法估计位置与地面实况之间的误差（如均方根误差、累积分布函数），量化定位性能。数据集提供的概率无线电地图与指纹格式数据，可直接用于基于匹配的定位方法。此外，其分布式传感器架构数据也支持去中心化或多节点融合定位算法的研究。

背景与挑战

背景概述

随着全球城市化进程的加速，人们在室内环境中的活动时间显著增加，复杂建筑结构对精准导航工具的需求日益凸显。传统GPS技术在室内场景中失效，促使无线信号定位成为研究热点。2022年，由土耳其加拉塔萨雷大学和博阿齐奇大学的研究团队联合发布了高精度室内定位数据集，旨在通过增强现实（AR）标记与蓝牙低功耗（BLE）信号融合，为无线定位算法提供厘米级精度的地面真值数据。该数据集通过冗余AR标记部署与多摄像头视觉追踪，实现了低于0.05米的位置标注误差，为室内定位系统的性能评估与算法优化提供了关键基准。

当前挑战

在室内定位领域，基于无线信号的定位技术长期面临多径效应、信号衰减与非视距传播等固有挑战，导致定位精度难以突破米级误差。数据集的构建过程亦存在显著难点：首先，高精度地面真值采集依赖人工预设路径或稀疏参考点，难以反映真实连续轨迹；其次，视觉标记系统的部署需克服环境光照变化、运动模糊与相机标定误差，而无线信号与视觉数据的时间同步需通过人工干预实现，增加了系统复杂度。此外，数据采集受人体对电磁信号的干扰限制，难以模拟密集人群环境下的信号特性，限制了数据集的泛化能力。

常用场景

经典使用场景

在室内定位研究领域，高精度室内定位数据集为基于无线信号的定位算法提供了精准的评估基准。该数据集通过融合增强现实（AR）标记与蓝牙低功耗（BLE）信标技术，实现了厘米级精度的轨迹标注。研究人员可借助该数据集，在受控的室内环境中，对接收信号强度指示（RSSI）与空间位置的映射关系进行建模与分析，从而验证或优化各类指纹匹配、概率滤波或机器学习驱动的定位模型。

实际应用

在实际部署中，该数据集所依托的框架可显著加速室内定位系统的校准与指纹库构建过程。其高精度标注能力使得无线信号地图的绘制趋于自动化，降低了传统指纹采集所需的人力与时间成本。此外，该技术方案可扩展应用于仓储物流中的资产跟踪、大型场馆内的导览服务，以及智能制造环境中机器人的精确定位，为依赖室内位置信息的物联网应用提供了坚实的数据支撑与验证工具。

衍生相关工作

该数据集的发布催生了一系列围绕BLE室内定位的经典研究工作。例如，有研究基于此数据探索了自适应序列蒙特卡洛滤波在动态环境下的跟踪性能。同时，其高精度真值也促进了分布式与去中心化定位算法的开发，使得各传感器节点能协同进行位置估计。此外，数据集为研究信号传播模型、行人运动模式对RSSI的影响，以及多传感器融合定位策略提供了宝贵的实验数据，持续推动着室内定位技术向更高精度与鲁棒性演进。