The Global Navigation Satellite Systems (GNSS) like GPS suffer from accuracy degradation and are almost unavailable in indoor environments. Indoor positioning systems (IPS) based on WiFi signals have been gaining popularity. However, owing to the strong spatial and temporal variations of wireless communication channels in the indoor environment, the achieved accuracy of existing IPS is around several tens of centimeters. We present the detailed design and implementation of a self-adaptive WiFi-based indoor distance estimation system using LSTMs. The system is novel in its method of estimating with high accuracy the distance of an object by overcoming possible causes of channel variations and is self-adaptive to the changing environmental and surrounding conditions. The proposed design has been developed and physically realized over a WiFi network consisting of ESP8266 (NodeMCU) devices. The experiment were conducted in a real indoor environment while changing the surroundings in order to establish the adaptability of the system. We introduce and compare different architectures for this task based on LSTMs, CNNs, and fully connected networks (FCNs). We show that the LSTM based model performs better among all the above-mentioned architectures by achieving an accuracy of 5.85 cm with a confidence interval of 93% on the scale of (4.14 m * 2.86 m). To the best of our knowledge, the proposed method outperforms other methods reported in the literature by a significant margin.

中文翻译：

---

在 WLAN 网络上使用 LSTM 进行室内距离估计

GPS 等全球导航卫星系统 (GNSS) 的精度会下降，在室内环境中几乎无法使用。基于 WiFi 信号的室内定位系统 (IPS) 越来越受欢迎。然而，由于室内环境中无线通信信道的强烈时空变化，现有 IPS 实现的精度约为几十厘米。我们展示了使用 LSTM 的自适应 WiFi 室内距离估计系统的详细设计和实现。该系统通过克服信道变化的可能原因来高精度估计物体距离的方法是新颖的，并且能够自适应变化的环境和周围条件。所提议的设计是通过由 ESP8266 (NodeMCU) 设备组成的 WiFi 网络开发和物理实现的。实验在真实的室内环境中进行，同时改变周围环境，以建立系统的适应性。我们介绍并比较了基于 LSTM、CNN 和全连接网络 (FCN) 的此任务的不同架构。我们通过在 (4.14 m * 2.86 m) 的尺度上达到 5.85 cm 的精度和 93% 的置信区间，表明基于 LSTM 的模型在所有上述架构中表现更好。据我们所知，所提出的方法明显优于文献中报道的其他方法。实验在真实的室内环境中进行，同时改变周围环境，以建立系统的适应性。我们介绍并比较了基于 LSTM、CNN 和全连接网络 (FCN) 的此任务的不同架构。我们通过在 (4.14 m * 2.86 m) 的尺度上达到 5.85 cm 的精度和 93% 的置信区间，表明基于 LSTM 的模型在所有上述架构中表现更好。据我们所知，所提出的方法明显优于文献中报道的其他方法。实验在真实的室内环境中进行，同时改变周围环境，以建立系统的适应性。我们介绍并比较了基于 LSTM、CNN 和全连接网络 (FCN) 的此任务的不同架构。我们通过在 (4.14 m * 2.86 m) 的尺度上达到 5.85 cm 的精度和 93% 的置信区间，表明基于 LSTM 的模型在所有上述架构中表现更好。据我们所知，所提出的方法明显优于文献中报道的其他方法。我们表明基于 LSTM 的模型在所有上述架构中表现更好，在 (4.14 m * 2.86 m) 的尺度上实现了 5.85 cm 的精度和 93% 的置信区间。据我们所知，所提出的方法明显优于文献中报道的其他方法。我们通过在 (4.14 m * 2.86 m) 的尺度上达到 5.85 cm 的精度和 93% 的置信区间，表明基于 LSTM 的模型在所有上述架构中表现更好。据我们所知，所提出的方法明显优于文献中报道的其他方法。