Migliorare il Posizionamento Indoor con il Ritrattamento delle Impronte WiFi

La localizzazione indoor basata su WiFi è diventata un metodo popolare per trovare dispositivi all'interno degli edifici. Molti si affidano ai segnali WiFi per orientarsi in luoghi come centri commerciali, uffici e ospedali. Tuttavia, una grande sfida nell'utilizzare il WiFi per la localizzazione è la raccolta delle impronte WiFi. Queste impronte sono misurazioni dei segnali WiFi prese da posizioni specifiche. Raccogliere queste impronte può essere difficile perché a volte non è possibile misurare ogni punto in un edificio.

Questo articolo parla di un metodo chiamato inpainting delle impronte WiFi. Questo metodo ha lo scopo di riempire le impronte mancanti nelle aree dove non sono state effettuate misurazioni. Questo è importante perché avere dati completi delle impronte può migliorare significativamente l'accuratezza dei sistemi di localizzazione.

#Il Problema

Quando si raccolgono le impronte WiFi, possono sorgere molti problemi. Ad esempio, alcune posizioni potrebbero essere difficili da raggiungere, rendendo impossibile ottenere misurazioni da quei punti. Inoltre, i segnali WiFi variano in forza in base a molti fattori, come i materiali delle pareti o la distanza dai punti di accesso (AP).

A differenza delle immagini normali dove i dati sono strutturati in una griglia fissa, le impronte WiFi possono avere forme e dimensioni diverse. Questo rende più difficile applicare tecniche tradizionali di riempimento delle immagini ai dati WiFi. Poiché le mappe dei segnali WiFi non sono uniformi, complica il compito di stimare le informazioni mancanti basandosi su altri dati disponibili.

Inoltre, se una posizione cambia, il modello utilizzato per analizzarla potrebbe non funzionare più bene a causa delle differenze di scala. Questo crea sfide quando si cerca di riempire i dati mancanti per i segnali WiFi, soprattutto in aree dove non sono stati raccolti dati.

#La Soluzione

Fortunatamente, i segnali WiFi hanno caratteristiche specifiche e relazioni spaziali che possono essere utilizzate per aiutare l'inpainting. Analizzando come si comportano insieme i segnali WiFi in uno spazio, possiamo creare un modello per prevedere le impronte mancanti.

Questo articolo presenta due modelli progettati per realizzare l'inpainting delle impronte WiFi. Il primo modello si concentra sulle relazioni tra i diversi AP per stimare i dati mancanti. Il secondo modello fa un passo in più esaminando anche i dati raccolti dallo stesso AP. Insieme, questi modelli possono fare previsioni più accurate sui dati mancanti.

#Modello 1: Inpainting Inter-AP

Il primo modello utilizza una tecnica statistica chiamata Regressione del Processo Gaussiano (GPR) per fare un primo tentativo sui dati delle impronte mancanti. Dopo aver ottenuto questo risultato iniziale, impiega un metodo chiamato Autoencoder Variazionale (VAE) per affinare la previsione.

Il VAE aiuta a migliorare l'accuratezza della supposizione iniziale considerando le relazioni tra i diversi AP. Questo modello funziona analizzando i segnali di vari AP vicini per prevedere quale sarebbe il segnale nel punto non campionato.

Questo modello funziona meglio rispetto all'uso del GPR da solo, ma ha comunque delle limitazioni. Se la supposizione iniziale del GPR è scarsa, anche il risultato finale sarà scarso, portando a imprecisioni nel tentativo di riempire le aree mancanti.

#Modello 2: Inpainting Inter- e Intra-AP

Il secondo modello adotta un approccio più integrato combinando i dati sia delle relazioni inter-AP che intra-AP nel processo di previsione. Questo significa che il modello non si basa su una supposizione iniziale da un altro metodo e invece impara direttamente dai dati disponibili.

Il modello tratta i dati delle impronte WiFi come un'immagine composta da più canali. Ogni AP contribuisce a un diverso canale o strato dei dati. Questo consente al modello di sfruttare le ricche informazioni fornite da tutti gli AP disponibili per riempire le aree mancanti in modo più efficace.

Questo modello include anche un discriminatore, un sistema che aiuta a migliorare l'accuratezza delle previsioni. Il discriminatore verifica la qualità dei dati inpainted e guida il modello a migliorare i suoi output.

#Come Funziona

Il processo inizia raccogliendo impronte da posizioni conosciute. Il modello cerca punti vicini all'area non campionata e usa i loro dati per formare un quadro più completo. Misurazioni multiple aiutano questo processo, poiché il modello può osservare schemi tra i punti e costruire le informazioni mancanti.

Entrambi i modelli mirano a rendere possibile la localizzazione WiFi anche in aree dove i dati non sono stati originariamente raccolti. I modelli sono stati testati su vari set di dati per valutare la loro efficacia.

#Esperimenti e Risultati

Per testare questi modelli, sono stati utilizzati vari set di dati, compreso un edificio del campus, un set di dati WiFi pubblico e un'area di parcheggio indoor. Ogni set di dati aveva aree mancanti diverse, fornendo una valutazione approfondita delle prestazioni dei modelli.

#Set di Dati del Campus

Nel set di dati del campus, il team ha raccolto impronte WiFi da un edificio a più piani. Hanno creato diversi scenari per simulare dati mancanti, come regioni interne ed esterne non rilevate. I risultati hanno mostrato che il secondo modello, che esaminava sia le relazioni inter-AP che intra-AP, ha performato meglio nel riempire i gap.

#Set di Dati del Parcheggio del Centro Commerciale

Il set di dati del parcheggio del centro commerciale è stato raccolto mentre si guidava un veicolo attraverso l'area di parcheggio. Questo ha presentato una sfida unica poiché ogni posizione aveva solo un campione. Nonostante questa limitazione, il secondo modello ha comunque superato il primo, evidenziando la sua robustezza nel gestire condizioni di dati variabili.

#Set di Dati Pubblico

Nel set di dati pubblico, poiché tutte le aree erano coperte, il compito era usare i dati di addestramento per prevedere punti non campionati. Le prestazioni del secondo modello continuavano a essere superiori, dimostrando la sua capacità in diversi ambienti.

#Impatto sulla Precisione della Localizzazione

Una volta riempite le impronte mancanti, queste possono essere utilizzate per una localizzazione indoor più accurata. Dopo il processo di inpainting, viene applicato un metodo semplice chiamato K-Nearest Neighbors (KNN) per testare l'accuratezza della localizzazione basata sui dati appena riempiti.

I risultati hanno mostrato che i dati migliorati hanno portato a una migliore precisione nella localizzazione. In scenari in cui sono state utilizzate le impronte inpainted, gli errori complessivi di localizzazione sono diminuiti significativamente.

#Conclusione

La localizzazione indoor utilizzando il WiFi è cruciale per molte applicazioni moderne, soprattutto man mano che sempre più dispositivi si affidano a questa tecnologia per la navigazione. Il compito di raccogliere impronte WiFi complete può essere sfidante, ma i modelli di inpainting proposti offrono una soluzione preziosa.

Stimando efficacemente i dati mancanti, questi modelli migliorano le prestazioni dei sistemi di localizzazione basati su WiFi. Con lo sviluppo della tecnologia, ulteriori esplorazioni sull'uso dei dati crowdsourced e sulla comprensione degli effetti di diversi ambienti sui segnali WiFi saranno utili.

Il lavoro svolto in questo campo non solo fornisce soluzioni per una migliore navigazione indoor, ma contribuisce anche al campo più ampio del sensing wireless e delle applicazioni IoT. Il futuro sembra promettente per le applicazioni delle impronte WiFi, poiché la ricerca continua a migliorare la tecnologia.