🤖 machine learning

OmniLoc: A Geometry-Aware Foundation Model for Anchor-Free UE Localization Across Diverse Indoor Environments

OmniLoc es un modelo fundacional pionero con conciencia geométrica que logra una localización de equipos de usuario en interiores robusta y sin anclajes a través de diversos entornos mediante la unificación de mediciones inalámbricas heterogéneas a través de un módulo de tokenización especializado, un Transformer con conciencia geométrica para la extracción de características y un mecanismo de regresión geométricamente consistente.

Autores originales: Lei Chu, Yuning Zhang, Omer Gokalp Serbetci, Anushka Katiyar, Bassel Abou Ali Modad, Andreas F. Molisch

Publicado 2026-06-11

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Lei Chu, Yuning Zhang, Omer Gokalp Serbetci, Anushka Katiyar, Bassel Abou Ali Modad, Andreas F. Molisch

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que estás intentando encontrar tu camino dentro de un centro comercial masivo y confuso. No tienes un mapa, y los letreros de las tiendas (que actúan como señales de Wi-Fi) cambian constantemente dependiendo de en qué piso estés o en qué edificio te encuentres. Algunos pisos tienen docenas de tiendas; otros solo tienen unas pocas. Algunos de estos letreros son fuertes y claros; otros son tenues y están distorsionados por paredes y multitudes. Este es el lucha diaria de la localización en interiores para tu teléfono o dispositivo.

El artículo presenta OmniLoc, un nuevo "guía inteligente" diseñado para resolver este problema sin necesidad de un mapa previamente trazado de cada edificio.

Así es como funciona OmniLoc, explicado mediante analogías sencillas:

1. El Problema: El "Caos" de las Señales Interiores

Los métodos actuales son como intentar navegar por ese centro comercial usando una lista de nombres de tiendas que cambia cada vez que giras una esquina.

Diferentes edificios, diferentes reglas: Una señal que significa "Estás cerca de la cafetería" en un edificio podría significar "Estás en el estacionamiento" en otro, porque las paredes y los diseños son distintos.
Piezas faltantes: A veces tu teléfono ve 20 routers Wi-Fi; otras veces solo ve 3. Los sistemas antiguos se confunden cuando el número de señales cambia.
Datos con ruido: La fuerza de una señal (qué tan fuerte es el "letrero de la tienda") puede ser engañosa. Una señal fuerte podría simplemente significar que una pared es delgada, no que estés cerca del router.

2. La Solución: OmniLoc (El "Traductor Universal")

Los autores construyeron OmniLoc como un Modelo de Fundación. Piensa en esto no como un mapa específico para un solo edificio, sino como un estudiante superinteligente que ha estudiado miles de centros comerciales, aeropuertos y parques de oficinas diferentes. En lugar de memorizar un plano específico, aprende el lenguaje de las señales inalámbricas.

OmniLoc utiliza tres "superpoderes" principales para navegar:

A. El Traductor Universal (Tokenización de Entrada Unificada)

Imagina que tienes una lista de ingredientes: algunos se miden en tazas, otros en gramos, otros en onzas. Un chef normal se confunde. OmniLoc actúa como un traductor que convierte todas estas diferentes medidas en un único "lenguaje de receta" estandarizado.

Cómo funciona: Toma datos de tipos diferentes y desordenados (fuerza de la señal, calidad de la señal y qué routers están visibles) y los convierte en una oración ordenada y estandarizada que la computadora puede leer fácilmente, independientemente de cuántos routers estén realmente presentes.

B. El Detective Inteligente (Transformer con Conciencia Geométrica)

Una vez que los datos han sido traducidos, el "detective" de OmniLoc (un modelo Transformer) determina dónde te encuentras.

El "Testigo Estrella": Usualmente, una señal de Wi-Fi fuerte es la pista más importante. OmniLoc sabe que debe prestar especial atención a este "testigo estrella".
El Elenco de Apoyo: Pero no ignora a los demás. Reúne el "testimonio" de las señales más débiles para confirmar la historia.
La Analogía: Si estás en una habitación llena de gente, no solo escuchas la voz más fuerte; escuchas toda la conversación para entender el contexto. OmniLoc hace esto con las señales Wi-Fi, entendiendo que el patrón de las señales importa más que una sola señal fuerte.

C. El Mapa Contextual (Estimación de Ubicación con Conciencia Geométrica)

Este es el paso final donde el detective hace una suposición.

La "Verificación de la Dirección": Antes de adivinar tus coordenadas exactas (X e Y), el modelo primero pregunta: "¿Qué edificio es este? ¿Qué piso es?".
Por qué es importante: Saber que estás en el "Edificio A, Piso 2" cambia la forma en que el modelo interpreta las señales. Es como saber que estás en una biblioteca en lugar de en un gimnasio; el mismo sonido significa algo diferente en cada lugar. Al obligar al modelo a identificar primero el edificio y el piso, asegura que su suposición final de ubicación tenga sentido geométrico.

3. Los Resultados: Por qué es Importante

Los investigadores probaron OmniLoc en un enorme conjunto de datos que cubre 16 edificios diferentes con miles de routers Wi-Fi.

Mejor Precisión: Encontró ubicaciones con mucha más precisión que los métodos anteriores, especialmente en situaciones complicadas donde las señales eran débiles o el diseño del edificio era complejo.
El Efecto "Plug-and-Play": Los autores demostraron que si tomas otras herramientas de localización existentes y simplemente les añades las partes del "traductor" y del "detective" de OmniLoc, esas herramientas también mejoran significativamente. Es como darle a un coche normal un turbocompresor; el coche ya era bueno, pero ahora es un coche de carreras.
Aprendizaje con Pocos Ejemplos: Incluso si le mostraban al modelo un edificio nuevo que nunca había visto, podía adaptarse muy rápidamente con solo una pequeña cantidad de datos nuevos, a diferencia de los sistemas antiguos que fallarían por completo.

Resumen

OmniLoc es un nuevo sistema de IA que aprende a "hablar" las señales Wi-Fi con fluidez. En lugar de intentar memorizar cada edificio, aprende las reglas subyacentes de cómo se comportan las señales en diferentes formas y tamaños. Al traducir datos desordenados en un lenguaje claro, escuchar las señales más importantes ignorando el ruido, y siempre verificar la "dirección" (edificio y piso) antes de hacer una suposición, puede encontrar tu ubicación en cualquier lugar en interiores con alta precisión, incluso sin un mapa preinstalado.

Resumen Técnico de OmniLoc: Un Modelo Fundacional Consciente de la Geometría para la Localización de UE sin Anclas

Declaración del Problema
La localización de equipos de usuario (UE) en interiores sigue siendo un desafío significativo en despliegues a gran escala debido a las variaciones sustanciales en la geometría de los edificios, el número de puntos de acceso (AP) detectables y la heterogeneidad de las señales recibidas. Los métodos actuales basados en aprendizaje suelen tener dificultades para generalizar en diversos entornos, particularmente en configuraciones sin anclas (anchor-free), donde la localización depende directamente de las mediciones inalámbricas sin una calibración de infraestructura explícita. Las dificultades clave incluyen:

Diversidad Geométrica: Las diferencias en los planos de planta, materiales y densidad de habitaciones crean patrones distintos de bloqueo y multitrayectoria, lo que provoca que las observaciones de señal varíen significamente entre edificios e incluso dentro de un mismo edificio.
Visibilidad Variable de AP: El número de AP observables fluctúa entre ubicaciones, lo que genera secuencias de entrada de longitud variable y espacios de entrada irregulares.
Heterogeneidad de la Señal: La fuerza de la señal recibida (RSSI) y la información de estado del canal (CSI) exhiben una alta variabilidad debido a la pérdida de trayectoria, el sombreado y las interacciones entre el dispositivo y el entorno, lo que hace que las firmas de potencia fijas sean poco fiables para una localización robusta.

Metodología: OmniLoc
El artículo propone OmniLoc, un modelo fundacional interactivo con el entorno diseñado para realizar la localización sin anclas directamente sobre mediciones inalámbricas puras. A diferencia de enfoques previos que dependen fuertemente de datos sintéticos o entrenamiento en un solo entorno, OmniLoc se basa en tres diseños arquitectónicos centrales:

Tokenización de Entrada Unificada (UIT):
Para manejar mediciones heterogéneas (magnitudes de CSI, RSSI, SINR e indicadores de presencia de AP), el modelo convierte estas señales en una representación "similar a una oración".
- Fusión de Entrada: El CSI, RSSI y SINR se concatenan por cada AP para formar un vector de características unificado.
- Puerta Suave (Soft Gating): Las banderas de presencia de AP modulan estos vectores mediante multiplicación elemento a elemento, preservando el flujo de gradiente para los AP ausentes en lugar de aplicar un cero absoluto.
- Construcción de Secuencia: Un vector de señal de AP global es codificado y agrupado para crear un token "GLOBAL", que se concatena con los tokens de AP con puerta (gated). Esto permite al modelo capturar tanto las observaciones locales de los AP como el contexto más amplio de la base de datos sin asumir un orden fijo de los AP.
Transformer Consciente de la Geometría:
El núcleo utiliza un codificador Transformer personalizado con una Máscara de Relleno de Clave (KPM) para excluir los espacios de AP rellenados (no observados) de los cálculos de atención.
- Agregación de AP de Multi-Sonda (MPAA): En lugar de un simple agrupamiento por media, el modelo emplea un mecanismo de agrupación de atención de múltiples cabezales. Esto permite que diferentes cabezales de atención se especialicen: algunos pueden enfocarse en los AP dominantes y cercanos, mientras que otros agregan evidencia complementaria de los AP de apoyo. Esto aborda el problema donde un único AP fuerte podría verse oscurecido por el promedio en los métodos de agrupación tradicionales.
Estimación de Ubicación Consciente de la Geometría (GLO):
La cabeza de salida implementa un proceso de localización jerárquico (Edificio $\to$ Planta $\to$ Coordenadas) para imponer consistencia geométrica.
- El modelo primero predice los índices de edificio y planta.
- Estas predicciones discretas se proyectan en embeddings geométricos continuos.
- Estos embeddings se fusionan con la representación de características agregada para condicionar la regresión de coordenadas. Esto asegura que las coordenadas $(x, y)$ predichas sean espacialmente consistentes con la estructura identificada de edificio y planta.

Contribuciones Clave

Primer Modelo Fundacional para Mediciones Puras: OmniLoc se presenta como el primer enfoque basado en modelos fundacionales construido directamente sobre mediciones inalámbricas para la localización en interiores sin anclas, abordando explícitamente la diversidad geométrica y el conteo variable de AP.
Nuevos Componentes Arquitectónicos: La introducción de la Tokenización de Entrada Unificada, el mecanismo de Agregación de AP de Multi-Sonda y el módulo de Estimación de Ubicación Consciente de la Geometía.
Evaluación Extensa: El marco es validado en un conjunto de datos interno a gran escala (16 edificios, 180 pasillos, 3,293 AP) y un benchmark público (conjunto de datos WILD).

Resultados

Precisión Superior: En evaluaciones del mismo entorno, OmniLoc supera significativamente a las líneas base de vanguardia (CNN, BERT y LWM). Logra un error mediano de 0.553 m y un Error Cuadrático Medio (RMSE) de 0.990 m, con mejoras particularmente fuertes en las métricas de error de cola (P90).
Transferibilidad de Componentes: La integración de los componentes de diseño de OmniLoc (tokenización, MPAA, GLO) en arquitecturas existentes (por ejemplo, CNN+, BERT+) mejora consistentemente su rendimiento, demostrando la generalizabilidad de los principios propuestos.
Generalización Cross-Entorno: En escenarios de "dejar una planta fuera" y "dejar un edificio fuera", OmniLoc demuestra una generalización robusta. Al combinarse con estrategias de ajuste fino eficiente en parámetros (PEFT) como LoRA (Adaptación de Bajo Rango), el modelo logra una alta precisión con una cantidad muy limitada de datos etiquetados (1%–10%), superando significativamente a los modelos entrenados desde cero en regímenes de bajos datos.
Eficiencia: A pesar de sus ganancias de rendimiento, OmniLoc mantiene un recuento de parámetros y una complejidad computacional comparables a los modelos grandes existentes (por ejemplo, LWM), con una latencia de inferencia de alrededor de 6.49 ms.

Significancia y Reivindicaciones
Los autores afirman que OmniLoc representa un cambio hacia soluciones unificadas, precisas y extensibles para la localización inalámbrica en interiores. Al tratar la localización como una tarea de modelo fundacional, este trabajo demuestra que:

Es posible lograr una localización sin anclas robusta a través de diversos entornos interiores sin depender de infraestructura previamente relevada.
Los desafíos específicos de la heterogeneidad de la señal inalámbrica y la visibilidad variable de los AP pueden gestionarse eficazmente mediante la tokenización unificada y mecanismos de atención conscientes de la geometría.
El preentrenamiento en conjuntos de datos grandes y diversos permite una fuerte transferibilidad a entornos no vistos, reduando la dependencia de la recolección extensiva de datos específicos del entorno.

El artículo concluye que, si bien existen limitaciones actuales (como la exclusión de la información de fase de CSI y el uso de priors geométricos gruesos), el marco establece una dirección prometedora para lograr una precisión de milímetros mediante la posible integración de contexto ambiental detallado en trabajos futuros.