文献来源：Li X, Guo Y, Li F. Few-shot indoor localization model based on simplified graph convolution and adversarial Gaussian process regression[J]. IEEE Internet of Things Journal, 2025.

一段话总结

本文针对RSSI 指纹室内定位中采样成本高、数据稀疏、环境干扰导致匹配不准的问题，提出稀疏采样策略与SGC-AGPR 小样本定位模型：通过改进 GAN生成高质量指纹数据训练高斯过程回归（GPR），为虚拟参考点提供初始指纹，再利用简化图卷积（SGC）融合空间拓扑与自适应相似度权重完成指纹增强；最终在8m×8m实验区域实现平均定位误差 0.84m，精度超越传统密集采样与稀疏直接定位方法，大幅降低离线建库成本。

一、研究背景与问题

1. 应用价值室内定位是智能家居、物联网、资产追踪的核心支撑技术，室外定位技术在室内失效。
2. 主流方案基于RSSI 指纹的定位法精度高、适配性强，分为离线采样与在线匹配两步。
3. 核心痛点

• 指纹采集成本极高，需要密集采样，难以规模化部署
• RSSI 易受环境干扰，多径、遮挡、人员移动导致数据波动
• 稀疏样本下定位精度急剧下降，指纹匹配易出错

1. 现有方法不足众包、半监督、路径损耗模型、普通 GAN 均无法同时解决稀疏性与鲁棒性问题。

二、核心创新与方法

1. 整体框架：SGC-AGPR 小样本定位模型

图 2 展示了基于 SGC-AGPR 的小样本室内定位模型整体框架，主要包括离线稀疏采样、AGPR 数据增强、SGC 指纹特征融合，以及在线 WKNN 定位四个核心部分，实现低采样成本下的高精度定位。

图 1 (b)虚线框里：一个真实点周围的邻居浅绿 = GIP（网格交点）深绿 = GCP（网格中心）

意思：合成虚拟点时，会参考空间相邻的真实点，用图卷积融合邻居信息。

图 1 (c)绿点：应该匹配最近的正确点 黄点：错误匹配到远处的点  意思：传统指纹匹配容易匹配错，因为信号干扰、样本稀疏。本文要解决这个问题。

图 1 (d) 红点：真实参考点  绿点：算法合成的虚拟点（GIP + GCP） 意思：经过 AGPR + SGC 合成后稀疏点 → 变密集指纹库点更多、分布更均匀，定位更准。

• 稀疏指纹采样：仅采集少量真实参考点 (RP)
• 
• 图 1 展示了本文的稀疏采样策略：仅采集少量真实参考点，通过 SGC‑AGPR 合成虚拟参考点，将稀疏指纹库扩充为密集均匀的指纹库，解决采样成本高、匹配不准的问题。

• 图 1 (a)红色实心点：真实采集的参考点（RP）白色虚线点：没采集、需要合成的虚拟点（GIP）意思：我们只采很少的真实点，剩下的用算法生成。

• AGPR：对抗高斯过程回归，生成虚拟点初始指纹
• SGC：简化图卷积，融合空间拓扑提升指纹质量
• WKNN：在线定位输出坐标

2. AGPR（对抗高斯过程回归）

图 3 对抗高斯过程回归（AGPR）模型结构。该模型通过 GAN 生成扩充指纹数据，经质量检测后用于训练高斯过程回归，最终输出虚拟参考点的初始指纹值。

1. 改进 GAN 生成指纹
   • 损失函数：对抗损失 + 重构损失
   • 加入质量检测机制，过滤无效生成数据
2. GPR 预测初始值
   • 以信号衰减模型为均值函数
   • 高斯核 (RBF) 学习位置与 RSSI 映射
   • 为 **GIP（网格交点）与GCP（网格中心）** 提供初始指纹

3. SGC（简化图卷积）

1. 邻域特征聚合：融合自身特征与邻节点特征
2. 自适应相似度权重
   • 计算欧氏距离→归一化权重
   • 越相似邻点权重越高，提升匹配准确性
3. 保留空间拓扑关系，增强指纹区分度

4. 虚拟参考点（SRP）

• GIP：网格交叉点
• GCP：网格中心点
• 真实点与虚拟点交错均匀分布，保证增强合理性

三、实验配置

1. 实验环境

• 区域：8m×8m 室内空间
• 设备：4 个 BLE 信标，手机作为接收器
• 参考点：总计 64 个 RP（49 个真实，16 个 GIP）
• 合成 SRP：65 个（16 GIP + 49 GCP）

2. 数据预处理

对比 4 种滤波算法，高斯滤波效果最优。

3. 模型参数

• PM-GIP：K=7
• PM-GIP&GCP：K=8

四、实验结果与对比

1. 关键指标（最优模型：PM-GIP&GCP）

表格

指标	数值
平均定位误差	0.84 m
60% 误差	0.65 m
75% 误差	1.11 m
标准差	0.90

2. 方法对比（平均误差）

表格

方法	含义	平均误差 (m)
Sparse-RP	仅稀疏真实点	1.16
GAD	仅 GAN 生成	1.01
AGPR	GAN+GPR	0.99
FOD	全量密集数据	0.93
PM-GIP	本文 + GIP	0.91
PM-GIP&GCP	本文 + GIP+GCP	0.84

3. 关键结论

1. 本文模型精度超过全量密集采样（FOD）
2. SGC 能显著提升邻点相似度，增强指纹稳定性
3. GCP 虚拟点可进一步提升精度
4. 稀疏采样 + 数据增强可大幅降低采集成本

五、结论与展望

1. 结论提出的SGC-AGPR在稀疏样本下实现高精度室内定位，平均误差 0.84m，可替代传统密集采样方案。
2. 展望

• 拓展到大型场景、多楼层、动态环境
• 优化 WKNN 或使用更先进匹配算法
• 进一步抗干扰、保护隐私

---

4. 关键问题与答案

问题 1：本文要解决的核心行业痛点是什么？传统方法为什么解决不好？

答案：核心痛点是RSSI 指纹定位采集成本太高、稀疏样本下精度差、信号易受干扰匹配不准。传统方法中，众包数据不可靠，半监督依赖大量未标注数据，路径损耗模型需要环境先验，普通 GAN 生成数据不符合物理规律，均无法在极少量样本下同时保证精度与鲁棒性。

问题 2：AGPR 与 SGC 分别承担什么作用？为什么要组合使用？

答案：AGPR负责用 GAN 生成数据训练 GPR，为虚拟参考点（GIP/GCP）提供符合信号分布的初始指纹；SGC利用图卷积聚合邻域信息，通过自适应相似度权重强化空间拓扑关系，提升指纹区分度。两者组合实现 “先补全数据→再增强特征”，解决稀疏与噪声问题。

问题 3：实验中 GIP 和 GCP 分别是什么？加入 GCP 为什么能进一步提升精度？

答案：GIP 是网格交点，GCP 是网格中心点。GCP 位于真实点与 GIP 之间，能补充更精细的空间位置信息，让指纹库分布更密集均匀，减少位置盲区与特征模糊区，因此 PM-GIP&GCP 比仅用 GIP 的误差更低（从 0.91m 降至 0.84m）。