Améliorer le positionnement intérieur avec l'inpainting de l'empreinte WiFi

La localisation intérieure basée sur le WiFi est devenue une méthode populaire pour repérer des appareils dans les bâtiments. Beaucoup de gens comptent sur les signaux WiFi pour se repérer à l'intérieur d'endroits comme les centres commerciaux, les bureaux et les hôpitaux. Cependant, un gros problème avec l'utilisation du WiFi pour la localisation, c'est la collecte des empreintes WiFi. Ces empreintes sont des mesures des signaux WiFi prises à des emplacements spécifiques. Collecter ces empreintes peut être compliqué parce qu'il est parfois impossible de mesurer chaque point dans un bâtiment.

Cet article parle d'une méthode appelée peinture des empreintes WiFi. Cette méthode vise à combler les empreintes manquantes dans les zones où aucune mesure n'a été prise. C'est important parce que des données d'empreintes complètes peuvent vraiment améliorer la précision des systèmes de localisation.

#Le Problème

En collectant des empreintes WiFi, il peut y avoir pas mal de soucis. Par exemple, certains endroits peuvent être difficiles d'accès, rendant impossible la prise de mesures à partir de ces points. En plus, les signaux WiFi varient en force selon plein de facteurs, comme les matériaux des murs ou la distance par rapport aux points d'accès (APs).

Contrairement aux images normales où les données sont structurées dans une grille fixe, les empreintes WiFi peuvent prendre différentes formes et tailles. Ça rend l'utilisation des techniques traditionnelles de remplissage d'images sur les données WiFi plus difficile. Comme les cartes des signaux WiFi ne sont pas uniformes, ça complique la tâche pour estimer les informations manquantes à partir des autres données disponibles.

Et si un emplacement change, le modèle utilisé pour l'analyser peut ne plus bien fonctionner à cause des différences d'échelle. Ça crée des défis quand il s'agit de remplir les données manquantes pour les signaux WiFi, surtout dans les zones où aucune donnée n'a été collectée.

#La Solution

Heureusement, les signaux WiFi ont des caractéristiques spécifiques et des relations spatiales qui peuvent aider à la peinture. En analysant comment les signaux WiFi se comportent ensemble dans un espace, on peut créer un modèle pour prédire les empreintes manquantes.

Cet article présente deux modèles conçus pour réaliser la peinture des empreintes WiFi. Le premier modèle se concentre sur les relations entre différents APs pour estimer les données manquantes. Le deuxième modèle va plus loin en examinant aussi les données collectées à partir du même AP. Ensemble, ces modèles peuvent faire des prédictions plus précises sur les données manquantes.

#Modèle 1 : Peinture Inter-AP

Le premier modèle utilise une technique statistique appelée Régression par processus gaussien (GPR) pour faire une première estimation des données d'empreintes manquantes. Après avoir obtenu ce résultat initial, il utilise une méthode appelée Autoencodeur Variationnel (VAE) pour affiner la prédiction.

Le VAE aide à améliorer la précision de l'estimation initiale en tenant compte des relations entre différents APs. Ce modèle fonctionne en analysant les signaux de plusieurs APs voisins pour prédire quel serait le signal au point non mesuré.

Ce modèle fonctionne mieux que d'utiliser simplement le GPR tout seul, mais il a encore des limites. Si l'estimation initiale du GPR est mauvaise, le résultat final sera aussi mauvais, ce qui entraîne des inexactitudes lorsqu'il s'agit de remplir les zones manquantes.

#Modèle 2 : Peinture Inter- et Intra-AP

Le deuxième modèle adopte une approche plus intégrée en combinant les données provenant des relations inter-AP et intra-AP dans le processus de prédiction. Ça signifie que le modèle ne s'appuie pas sur une estimation initiale d'une autre méthode et apprend directement des données disponibles.

Le modèle traite les données d'empreintes WiFi comme une image composée de plusieurs canaux. Chaque AP contribue à un canal ou une couche différente des données. Ça permet au modèle de tirer parti des informations riches fournies par tous les APs disponibles pour mieux remplir les zones manquantes.

Ce modèle inclut aussi un discriminateur, qui est un système qui aide à améliorer la précision des prédictions. Le discriminateur vérifie la qualité des données peintes et guide le modèle pour améliorer ses résultats.

#Comment Ça Marche

Le processus commence par la collecte d'empreintes à partir de lieux connus. Le modèle cherche des points voisins à la zone non mesurée et utilise leurs données pour former une image plus complète. De multiples mesures aident ce processus, car le modèle peut observer des schémas entre les points et constituer les informations manquantes.

Les deux modèles visent à rendre la localisation WiFi possible même dans des zones où les données n'ont pas été initialement collectées. Les modèles ont été testés sur divers ensembles de données pour évaluer leur efficacité.

#Expériences et Résultats

Pour tester ces modèles, divers ensembles de données ont été utilisés, y compris un bâtiment de campus, un ensemble de données publiques WiFi et une zone de stationnement intérieur. Chaque ensemble de données avait différentes zones manquantes, offrant une évaluation approfondie des performances des modèles.

#Ensemble de Données de Campus

Dans l'ensemble de données de campus, l'équipe a collecté des empreintes WiFi d'un bâtiment de plusieurs étages. Ils ont créé différents scénarios pour simuler des données manquantes, comme des zones intérieures et extérieures qui n'avaient pas été mesurées. Les résultats ont montré que le deuxième modèle, qui examinait à la fois les relations inter-AP et intra-AP, a donné les meilleurs résultats pour combler les lacunes.

#Ensemble de Données de Stationnement de Centre Commercial

L'ensemble de données de stationnement de centre commercial a été collecté en conduisant un véhicule dans la zone de stationnement. Ça a représenté un défi unique puisque chaque position n'avait qu'un seul échantillon. Malgré cette limitation, le deuxième modèle a toujours surpassé le premier, mettant en avant sa robustesse face à des conditions de données variées.

#Ensemble de Données Publiques

Dans l'ensemble de données publiques, comme toutes les zones étaient couvertes, la tâche était d'utiliser les données d'entraînement pour prédire les points non mesurés. La performance du deuxième modèle a continué à être supérieure, démontrant sa capacité dans différents environnements.

#Impact sur la Précision de la Localisation

Une fois que les empreintes manquantes sont comblées, elles peuvent être utilisées pour une localisation intérieure plus précise. Après le processus de peinture, une méthode simple appelée K-Plus Proches Voisins (KNN) est appliquée pour tester la précision de la localisation basée sur les nouvelles données remplies.

Les résultats ont montré que les données améliorées ont conduit à une meilleure précision de localisation. Dans les scénarios où les empreintes peintes étaient utilisées, les erreurs de localisation globales ont diminué de manière significative.

#Conclusion

La localisation intérieure utilisant le WiFi est cruciale pour de nombreuses applications modernes, surtout avec le nombre croissant d'appareils qui dépendent de cette technologie pour naviguer. La tâche de collecter des empreintes WiFi complètes peut s'avérer difficile, mais les modèles de peinture proposés offrent une solution précieuse.

En estimant efficacement les données manquantes, ces modèles améliorent la performance des systèmes de localisation basés sur le WiFi. À mesure que la technologie se développe, il sera bénéfique d'explorer davantage l'utilisation des données collectées par la foule et de comprendre les effets des différents environnements sur les signaux WiFi.

Le travail réalisé dans ce domaine ne fournit pas seulement des solutions pour une meilleure navigation intérieure, mais contribue aussi au champ plus large de la détection sans fil et des applications IoT. L'avenir semble prometteur pour les applications d'empreintes WiFi, alors que la recherche continue d'améliorer la technologie.