⚡ electrical engineering

Performance, Robustness, and Failure Analysis of Machine-Learning-Based Wi-Fi RSSI Indoor Positioning in Multi-Floor Environments

Este artículo propone un marco híbrido consciente de la fiabilidad que integra el aprendizaje métrico basado en tripletes con la inferencia bayesiana de k-vecinos más cercanos ponderados para mejorar significativamente la robustez y la resiliencia ante fallos de los sistemas de posicionamiento en interiores mediante RSSI de Wi-Fi de múltiples plantas, demostrando a través de una evaluación exhaustiva que tal enfoque reduce eficazmente los errores de localización catastróficos y las clasificaciones erróneas de planta en comparación con los métodos tradicionales centrados en la precisión.

Autores originales: Md. Sahidur Rahman, Mohammed Morshed Rana, Arifa Sultana

Publicado 2026-06-26

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Md. Sahidur Rahman, Mohammed Morshed Rana, Arifa Sultana

Artículo original bajo licencia CC BY 4.0 (https://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 una habitación específica en un edificio de oficinas masivo y de múltiples pisos, pero no tienes un mapa y no tienes GPS (porque el GPS no funciona bien en interiores). En su lugar, estás usando tu teléfono para "olfatear" las señales Wi-Fi que provienen de los routers (Puntos de Acceso) esparcidos por el edificio. Esto se llama fingerprinting de RSSI de Wi-Fi.

El problema es que las señales Wi-Fi son desordenadas. Rebotan en las paredes, son bloqueadas por personas y, a veces, los routers simplemente dejan de hablar con tu teléfono por un momento. En un edificio de varios pisos, esto se vuelve más complicado: tu teléfono podría pensar que estás en el 3er piso cuando en realidad estás en el 2do, o podría adivinar que tu ubicación está a 50 metros de distancia cuando estás justo al lado del ascensor.

La mayoría de las investigaciones previas intentaron que el "promedio" de la suposición fuera lo mejor posible. Pero en la vida real, el promedio no importa tanto como el peor escenario posible. Si un sistema suele acertar pero ocasionalmente te envía al piso equiv��o o a la manzana equivocada de la ciudad, eso es un fallo catastrófico.

Este artículo presenta un nuevo sistema "híbrido" diseñado para ser fiable en lugar de solo "preciso en promedio". Así es como funciona, utilizando analogías sencillas:

1. El equipo de detectives de dos partes

Los autores construyeron un sistema que actúa como un equipo de detectives de dos personas para resolver el rompecabezas de la ubicación:

Detective A (El Especialista en Pisos): Esta parte utiliza una técnica llamada Aprendizaje de Métricas de Tripletas (Triplet Metric Learning). Imagina que tienes un álbum de fotos donde agrupas las fotos por piso. Este detective aprende a reconocer la "vibra" de un piso. Incluso si la señal Wi-Fi es difusa, este detective puede decir: "Este patrón de señal se siente como el 2do piso, no como el 4to". Crea un mapa mental especial donde los pisos están claramente separados, como islas distintas.
Detective B (El Especialista Horizontal): Una vez identificado el piso, este detective determina exactamente dónde estás en ese piso. Utiliza un método llamado K-Vecinos Más Cercanos Ponderado Bayesiano (Bayesian Weighted K-Nearest Neighbor). Piensa en esto como preguntarle a un grupo de vecinos: "¿Dónde estoy?". Pero en lugar de solo tomar un voto simple, les pregunta: "¿Qué tan seguro estás?". Si la señal de un vecino es débil o ruidosa, el sistema confía menos en ellos. Si la señal es fuerte, confía más.

2. La "Red de Seguridad" (Fusión Suave de Pisos)

Aquí está la parte ingeniosa. A veces, incluso el Detective A no está 100% seguro de en qué piso te encuentras.

La forma antigua: El sistema simplemente elegiría el piso "más probable" y te fijaría allí. Si se equivocaba, estarías perdido.
La forma de este artículo: Si el sistema no está seguro, no entra en pánico. Mantiene en mente los 3 o 4 pisos posibles. Calcula tu posición para cada uno de esos pisos y luego los combina basándose en qué tan probable es cada uno. Es como decir: "Estoy 60% seguro de que estás en el 2do piso, 30% en el 3ro y 10% en el 1ro". Promedia tu ubicación a través de estas posibilidades. Esto evita que el sistema cometa un error enorme y catastrófico solo porque adivinó el piso equivocado.

3. Pruebas para "Escenarios de Desastre"

Los autores no solo probaron el sistema en un día perfecto. Simularon "escenarios de desastre" para ver qué tan robusto es:

La prueba de la "Habitación Ruidosa": Añadieron ruido estático falso a las señales Wi-Fi para imitar un entorno caótico y concurrido.
La prueba del "Router Averiado": Fingieron que la mitad de los routers Wi-Fi del edificio dejaron de funcionar repentinamente (un problema común en el mundo real).

Los Resultados:

Sistemas antiguos: Cuando los routers desaparecían o las señales se volvían ruidosas, los sistemas antiguos (como los Bosques Aleatorios o el KNN estándar) a menudo se volvían locos, adivinando ubicaciones que estaban a 50 o 200 metros de distancia. Tenían "colas pesadas", lo que significa que solían estar bien, pero ocasionalmente eran desastrosos.
El Nuevo Sistema Híbrido: Incluso cuando la mitad de los routers estaban "averiados", este nuevo sistema mantuvo sus errores del peor escenario muy bajos (alrededor de 33 metros). No solo logró que el promedio fuera correcto; suprimió los desastres.

4. Por qué esto importa

El artículo argumenta que para cosas críticas para la seguridad (como la respuesta ante emergencias o guiar a personas en un edificio), no quieres un sistema que sea "usualmente" correcto. Quieres un sistema que rara vez cometa un error masivo.

Tasa de Fallo Catastrófico: El nuevo sistema redujo la probabilidad de un error masivo (como adivinar el piso equivocado por un margen amplio) en aproximadamente un 95% en comparación con algunos métodos más antiguos.
Confianza: El sistema sabe cuándo no está seguro. Si no tiene confianza, utiliza su "red de seguridad" (la fusión suave) para mantenerse a salvo, en lugar de adivinar a ciegas.

Resumen

Piensa en este artículo como una actualización de un GPS para uso en interiores. Los GPS antiguos eran como un amigo que te da direcciones que suelen ser correctas, pero que a veces te envía a la ciudad equivocada. Este nuevo sistema es como un guía cauteloso y experimentado que dice: "Estoy bastante seguro de que estamos en el 2do piso, pero si me equivoco, tengo un plan de respaldo que evita que nos caigamos por un precipicio". Prioriza la seguridad y la fiabilidad sobre solo ser "rápido" o "promedio".

Resumen Técnico: Rendimiento, Robustez y Análisis de Fallos de la Posicionamiento en Interiores Basado en Aprendizaje Automático mediante RSSI de Wi-Fi en Entornos de Múltiples Plantas

1. Definición del Problema

Los sistemas de posicionamiento en interiores (IPS) basados en el mapeo de huellas digitales de la Indicación de Fuerza de Señal Recibida (RSSI) de Wi-Fi se utilizan ampliamente debido a su bajo costo y capacidad de reutilizar la infraestructura existente. Sin embargo, en entornos prácticos de múltiples plantas, estos sistemas enfrentan desafíos significగుos:

Inestabilidad de la Señal: Los valores de RSSI fluctúan debido a la dinámica ambiental, la propagación por trayectos múltiples y la diversidad de dispositivos.
Degradación de la Infraestructura: Los despliegues en el mundo real sufren de desconexión de Puntos de Acceso (AP), visibilidad de señal dispersa y atenuación de la señal entre plantas.
Ambigüedad de Planta: La atenuación vertical de la señal a menudo conduce a una clasificación errónea de la planta. En escenarios de múltiples plantas, una estimación de planta incorrecta se propaga en errores de localización 3D catastróficos, incluso si el error horizontal 2D parece aceptable.
Brechas de Evaluación: La literatura existente optimiza predominantemente la precisión de localización mediana o media. Estas métricas no logran capturar el "comportamiento de la cola" (errores extremos), las tasas de fallos catastróficos o la robustez del sistema bajo condiciones de señal degradada. En consecuencia, los sistemas con alta precisión nominal pueden presentar distribuciones de error de cola pesada y estimaciones de confianza poco fiables, lo que los hace inadecuados para aplicaciones de seguridad crítica.

2. Metodología

Los autores proponen un marco de posicionamiento de RSSI de Wi-Fi de interiores híbrido y consciente de la fiabilidad que desacopla la clasificación de la planta de la localización horizontal mientras integra el modelado de la incertidumbre. El sistema opera en dos fases distintas: entrenamiento fuera de línea (offline) e inferencia en línea (online), sin reentrenamiento durante el despliegue.

A. Componentes Principales:

Aprendizaje Métrico Basado en Tripletes para la Clasificación de Plantas:
- Una red neuronal aprende un espacio de incrustación (embedding) discriminativo utilizando la pérdida de tripletes (triplet loss).
- El objetivo es minimizar la distancia entre las huellas digitales de la misma planta y maximizar la distancia entre las huellas digitales de diferentes plantas.
- Esto crea una representación robusta para la inferencia de planta, abordando la ambigüedad causada por la atenuación vertical de la señal.
- La predicción de la planta se realiza mediante el K-Vecino Más Cercano Bayesiano (BWKNN) en el espacio de incrustación para generar probabilidades posteriores y puntuaciones de confianza.
K-Vecino Más Cercano Ponderado Bayesiano (BWKNN) para la Localización Horizontal:
- El posicionamiento horizontal ( $x, y$ ) se realiza en el espacio RSSI original utilizando la similitud de coseno.
- A diferencia del KNN determinista, este enfoque utiliza ponderaciones probabilísticas basadas en formulaciones de verosimilitud para manejar mediciones ruidosas o dispersas.
- El número de vecinos ( $K_{xy}$ ) y la suavidad del peso se ajustan de forma adaptativa según el número de APs visibles para mitigar los efectos de la desconexión de APs.
Fusión de Planta Suave Impulsada por la Confianza:
- Un mecanismo de compuerta (gating mechanism) evalúa la confianza de la predicción de la planta.
- Alta Confianza: Se acepta la estimación horizontal base.
- Baja Confianza: El sistema realiza una "fusión de planta suave". Calcula las estimaciones horizontales para los $K$ -mejores candidatos de planta y las fusiona mediante un promedio ponderado por la probabilidad posterior. Esto evita fallos catastróficos causados por una clasificación de planta errónea única.

B. Preprocesamiento:

Los valores de RSSI faltantes se imputan con el piso de ruido del receptor (-110 dBm).
Se aplica una normalización Z-score por muestra para reducir el sesgo del dispositivo.
Se construye una máscara de visibilidad para distinguir entre señales débiles y APs ausentes.

3. Contribuciones Clave

El artículo hace avanzar el campo desde un paradigma centrado en la precisión hacia un marco orientado a la fiabilidad a través de cuatro contribuciones principales:

Marco Híbrido: Integración del aprendizaje métrico profundo para incrustaciones de planta discriminativas con el BWKNN para la localización horizontal consciente de la incertidumbre.
Inferencia Consciente de la Fiabilidad: Una estrategia que utiliza la estimación de planta sensible a la confianza y la fusión de planta suave para mitigar la propagación de errores de planta incorrectos.
Evaluación de Robustez Controlada: Experimentos que simulan condiciones de estrés realistas, incluyendo ruido RSSI gaussiano aditivo y niveles variables de desconexión de AP.
Análisis de Rendimiento Consciente de los Fallos: Un protocolo de evaluación que se extiende más allá del error mediano para incluir estadísticas de cola (P90, P95), Tasa de Fallo Catastrófico (CFR), penalizaciones por planta incorrecta y curvas de Riesgo-Cobertura (RC).

4. Resultados Experimentales

El marco fue evaluado en un conjunto de datos público de múltiples plantas (Universidad de Tampere) que comprende tres plantas y 446 puntos de referencia. Se comparó contra KNN clásico, KNN jerárquico, modelos basados en árboles (Random Forest, XGBoost, CatBoost), MLP, y enfoques de aprendizaje métrico o bayesianos independientes.

Precisión Nominal: El modelo híbrido propuesto logró un error mediano 3D de 6.64 m y una precisión de clasificación de planta del 93.38% (Macro-F1: 0.927), lo cual es competitivo con los métodos de vanguardia.
Comportamiento de la Cola y Fallos Catastróficos:
- El modelo híbrido suprimió significativamente los errores extremos. Su error P90 3D fue de 12.53 m, comparado con 50.89 m para Random Forest y 14.88 m para el Metric-WKNN por sí solo.
- Tasa de Fallo Catastrófico (CFR): Con un umbral de error de 15 m, el modelo híbrico logró un CFR del 2.44%, lo que representa una reducción del 94.8% en comparación con Random Forest (47.05%) y una reducción del 22.8% en comparación con el Bayesian WKNN. Con un umbral de 20 m, el CFR cayó al 0.10%.
Robustez ante la Degradación de la Señal:
- Desconexión de AP: Bajo extrema dispersión (50 APs visibles), el modelo híbrido mantuvo un P90 de peor caso de 32.85 m. En contraste, el Bayesian WKNN falló catastróficamente con un P90 de 266.79 m, y los modelos basados en árboles superaron los 95 m.
- Ruido de RSSI: El modelo híbrido se mantuvo estable (P90 ~12–13 m) bajo perturbaciones de ruido de hasta 8 dB, mientras que los modelos basados en árboles y los MLP mostraron una inflación significativa del error.
Análisis de Riesgo-Cobertura: El modelo alcanzó un Área Bajo la Curva de Riesgo-Cobertura (RC-AUC) de 6.06, lo que indica una calibración de incertidumbre superior y un compromiso suave entre la cobertura de predicción y el error de cola en comparación con las bases deterministas.
Eficiencia Computacional: El tiempo de inferencia es de aproximadamente 1.16 ms por muestra con una huella de memoria de 0.94 MB, confirmando la idoneidad para el despliegue en tiempo real.

5. Significado y Reivindicaciones

El artículo sostiene que la precisión de localización promedio es insuficiente para evaluar sistemas de posicionamiento en interiores destinados a despliegues en el mundo real y de seguridad crítica. El significado principal de este trabajo radica en demostrar que:

La Robustez es distinta de la Precisión: Un sistema puede tener una precisión mediana competitiva pero fallar catastróficamente bajo la degradación de la señal. El enfoque híbrido propuesto apunta explícitamente a la supresión de estos errores de cola.
El Modelado de la Incertidumbre es Crítico: Al incorporar la inferencia probabilística y la compuerta sensible a la confianza, el sistema puede detectar situaciones ambiguas (por ejemplo, confusión de planta) y degradarse de forma gradual en lugar de producir errores grandes e ilimitados.
El Benchmarking Consciente de los Fallos es Necesario: Los autores argumentan que la investigación futura debe adoptar métricas como CFR, P90 y penalizaciones por planta incorrecta para asegurar la confiabilidad de los IPS en entornos complejos de múltiples plantas.

El estudio concluye que, si bien el aprendizaje profundo y el aprendizaje métrico mejoran la representación de características, combinarlos con la inferencia probabilística (Bayesian WKNN) y estrategias específicas de mitigación de fallos (fusión suave) es esencial para crear sistemas de posicionamiento en interiores fiables en el mundo real que no requieran hardware adicional.