多个室内定位数据集

本文收集了多个室内定位数据集，这些数据集来源于不同环境下的消费级WiFi设备和专业信号处理设备。数据集包含了丰富的信号属性指标，如接收信号强度（RSS）、通道状态信息（CSI）和冲击响应（CIR）。这些数据集用于构建全面的指纹数据库，旨在解决室内环境下信号衰减和干扰导致的问题，并为基准测试指纹-based室内定位方法提供宝贵的资源。

This paper collects multiple indoor positioning datasets, which are sourced from consumer-grade WiFi devices and professional signal processing equipment in diverse environments. The datasets encompass abundant signal attribute metrics, including Received Signal Strength (RSS), Channel State Information (CSI), and Channel Impulse Response (CIR). These datasets are used to construct a comprehensive fingerprint database, aiming to address the issues caused by signal attenuation and interference in indoor environments, and provide valuable resources for benchmark testing of fingerprint-based indoor positioning methods.

搜集汇总

数据集介绍

构建方式

该数据集通过结合商业级WiFi设备和专业级信号处理设备，在多种室内环境中采集无线信号特征（如RSS、CSI和CIR），并创新性地采用两种数据增强策略：基于移动平台的未标记指纹增强和基于环境数字孪生的合成标记指纹增强。数据采集过程涵盖开放大厅和复杂实验室两种典型场景，通过半监督图神经网络和元学习框架优化稀疏指纹下的定位精度，同时利用分布对齐技术缩小合成数据与真实数据的特征差异。

特点

数据集包含多模态无线信号特征（时域CIR与频域CSI），覆盖LOS/NLOS混合传播场景，具有极端稀疏标记样本（最低仅5个标记指纹）与大规模未标记样本并存的特点。通过数字孪生技术生成的合成数据集引入环境扰动变量，增强了模型的泛化能力。专业设备采集的高精度CIR数据时间分辨率达100MHz，较商用WiFi设备提升2.5倍，为模型训练提供更精细的多径特征。

使用方法

使用该数据集需经过三阶段处理：首先通过马尔可夫距离剔除异常CSI数据，利用RSS校准幅度并采用线性回归校正相位；其次将预处理后的CSI转换为CIR作为模型输入特征；最后在元学习框架下，先基于合成数据集进行元训练获取初始参数，再通过分布对齐后的真实数据微调模型。AGML模型可同时处理标记/未标记指纹，输出层采用Frobenius范数损失函数优化定位坐标。

背景与挑战

背景概述

室内定位技术作为位置服务的关键支撑，在智慧城市、工业物联网等领域具有重要应用价值。由香港中文大学（深圳）Yan Wenzhong等学者于2025年提出的多室内定位数据集，针对指纹定位中数据采集成本高昂的核心问题，创新性地融合了消费级WiFi设备和专业测量设备采集的多环境数据。该数据集通过构建注意力图元学习框架，解决了极端稀疏指纹条件下的定位精度难题，为基于深度学习的室内定位研究提供了重要的基准数据。

当前挑战

该数据集面临双重挑战：在领域问题层面，传统指纹定位方法在稀疏采样场景下存在显著的性能退化，且难以有效利用空间邻域关系和环境特征；在构建过程层面，真实环境下的信号测量易受多径效应和硬件噪声干扰，而仿真数据与实测数据间的分布差异也影响了模型的泛化能力。具体表现为：1) 消费级WiFi设备的CSI测量存在载波频率偏移等系统误差 2) 复杂室内环境导致信号传播建模困难 3) 跨设备跨场景的数据一致性保持挑战。

常用场景

经典使用场景

在室内定位领域，基于指纹的定位方法因其硬件成本低且适用于复杂室内环境而备受关注。该数据集通过整合商业WiFi设备和专业通信设备采集的多源数据，为研究稀疏指纹条件下的高精度定位提供了重要实验平台。其经典使用场景包括利用注意力图神经网络（AGNN）从有限标记指纹中学习空间邻接关系，以及通过元学习框架实现跨场景知识迁移。

衍生相关工作

该数据集催生了多个衍生研究方向：基于图神经网络的半监督定位方法（如GraphSAGE定位变体）、面向异构设备的域适应框架（如CRISLoc系统），以及结合数字孪生的数据增强策略。特别值得注意的是，其提出的元学习范式被拓展应用于无线感知领域，形成了一系列环境鲁棒性增强的定位算法，如后续研究的Bayesian-Boosted MetaLoc等改进模型。

数据集最近研究

最新研究方向

近年来，室内定位领域的研究重点逐渐转向解决指纹稀疏性带来的挑战。针对传统指纹定位方法在稀疏指纹条件下性能下降的问题，最新的研究提出了基于注意力机制图神经网络（AGNN）和元学习（Meta-Learning）的融合框架AGML。该框架通过两种创新数据增强策略——基于移动平台的未标记指纹增强和基于环境数字孪生的合成标记指纹增强，显著提升了稀疏指纹条件下的定位精度。研究热点包括：图结构对空间邻接关系的建模能力、元学习框架在跨场景泛化中的迁移效果，以及合成数据与真实数据的分布对齐技术。这一方向对推动室内定位技术在复杂环境中的实用化具有重要意义，特别是在大型商场、医院等指纹采集成本高的场景中展现出广阔应用前景。

相关研究论文

• Attentional Graph Meta-Learning for Indoor Localization Using Extremely Sparse Fingerprints

  香港中文大学（深圳） · 2025年