本文提出了一种基于注意力机制Wasserstein GAN-梯度惩罚（AT-WGAN-GP）的可见光指纹定位方法，旨在减少指纹建库中的人力物力消耗并提升传统数据增强算法的全局感知能力。

1. 研究背景：

o 问题：可见光定位（VLP）技术因其高精度、低能耗和抗电磁干扰等优点，成为未来室内定位的重要发展方向。然而，传统的可见光指纹定位方法需要在部署区域内大量采集光信号特征参数以构建指纹数据库，这一过程耗时耗力，并且易受灯具老化和环境变化等因素影响，导致定位精度下降。

o 难点：该问题的研究难点在于如何在减少现场数据采集需求的同时，提高指纹库的丰富度、稳定性及泛化能力，从而提升定位模型的性能。

o 相关工作：现有工作主要包括基于生成对抗网络（GAN）的高精度室内定位方法、基于GAN与卷积神经网络（CNN）联合的定位方案、基于条件稀疏自编码生成对抗网络的室内定位方法以及基于改进ShuffleNet V2网络的室内可见光指纹定位算法等。这些方法在一定程度上提高了定位性能，但仍存在模式坍塌、数据多样性不足和计算代价高等问题。

2. 研究方法：

o 提出了AT-WGAN-GP方法，通过在生成器和判别器中嵌入多头自注意力模块，增强指纹空间分布特征的建模能力，并引入梯度惩罚（GP）项以解决模式坍塌问题。

o 采用发光二极管（LED）的光强信号作为特征构建指纹数据库，利用增强后数据训练轻量化网络（如MobileNet V2和ShuffleNet V2）实现位置估计。

o 具体来说，AT-WGAN-GP模型包括指纹库构建、数据增强、定位模型训练和在线预测四个阶段。首先，将接收平面均匀划分为多个网格，在每个网格点上采集来自多个LED的接收信号强度（RSS），形成指纹数据库。随后，将原始RSS数据与随机噪声一同输入到AT-WGAN-GP网络中，生成新的指纹数据。生成的数据将与原始数据混合，用于训练轻量化网络，最终实现高精度的位置估计。

3. 实验与结果：

o 在5m×5m×3m的室内场景下进行实验，结果表明，AT-WGAN-GP模型生成数据的质量较传统GAN显著提高，FID值从8.42降至5.13，MAD值降低了76.18%。

o 在实测中，定位误差可达6~8cm。具体而言，采用等间隔扩充（SE）策略生成的指纹数据，平均定位误差为10.35cm，优于原点扩充（PE）和随机扩充（RE）策略。

o 通过消融实验验证了注意力机制的有效性，AT-WGAN-GP生成数据将MobileNet V2和ShuffleNet V2的平均定位精度分别提升了21.40%和28.50%。

4. 总体结论：

o 本文提出的AT-WGAN-GP方法通过融合注意力机制与WGAN-GP框架，成功实现了可见光指纹数据的高质量生成与高效位置估计，为低成本、高精度的室内VLP提供了一种有效的解决方案。

o 该方法在保证高精度定位的同时，大幅降低了指纹库构建的人力与时间成本，具有明确的研究价值与良好的应用前景。

这篇论文通过创新的方法和详实的实验验证，为室内可见光定位技术的发展提供了新的思路和解决方案。