Learning Displacement-Aware WiFi Representations for Weakly Supervised Relative Localization

तकनीकी सारांश: कमजोर पर्यवेक्षण (Weakly Supervised) के माध्यम से विस्थापन-जागरूक (Displacement-Aware) वाईफाई प्रतिनिधित्वों को सीखना

समस्या का निरूपण (Problem Formulation)

यह शोध पत्र वाईफाई फिंगरप्रिंट्स का उपयोग करके इनडोर सापेक्ष स्थानीयकरण (indoor relative localization) की चुनौती को संबोधित करता है। पारंपरिक दृष्टिकोणों के विपरीत, जो वाईफाई फिंगरप्रिंट्स को पूर्ण निर्देशांकों (absolute coordinates) से मैप करते हैं (जिसके लिए सघन और महंगी स्थान एनोटेशन की आवश्यकता होती है), यह कार्य दो वाईफाई फिंगरप्रिंट ट्रेसेस ($F_A$ और $F_B$) के बीच विस्थापन वेक्टर ($\Delta_{AB}$) का अनुमान लगाने पर केंद्रित है, बिना उनकी पूर्ण स्थितियों की भविष्यवाणी किए।

मुख्य कठिनाई डेटा की प्रकृति में निहित है: वाईफाई फिंगरप्रिंट्स अस्पष्ट और शोरयुक्त (noisy) होते हैं, जबकि भौतिक गति योगात्मक (additive) होती है। लेखक एक ऐसा मॉडल सीखने का लक्ष्य रखते हैं जो फिंगरप्रिंट ट्रेसेस से सीधे सापेक्ष विस्थापन का अनुमान लगा सके, जिसके लिए कमजोर पर्यवेक्षण (weak supervision) का उपयोग किया जाता है। सघन निर्देशांक लेबल के बजाय, सिस्टम इनर्टियल सेंसर (जैसे रोबोट या IoT उपकरणों से प्राप्त) से प्राप्त चरणवार गति वेक्टर्स (विस्थापन ट्रेसेस, $D$) का उपयोग कमजोर लेबल के रूप में करता है। यह प्रारूप उन परिदृश्यों को लक्षित करता है जहाँ वैश्विक निर्देशांकों की तुलना में सापेक्ष स्थानिक संबंध अधिक क्रियाशील होते हैं, जैसे कि रोबोट का पीछा करना और वेयरहाउस समन्वय।

कार्यप्रणाली: इंटरसेक्शन पाथवे (Intersection Pathway - IP)

प्रस्तावित समाधान एक क्रॉस-मोडल लर्निंग फ्रेमवर्क है जिसे इंटरसेक्शन पाथवे (IP) कहा जाता है। यह आर्किटेक्चर दो ऑटोएनकोडर्स का उपयोग करता है जो फिंगरप्रिंट ट्रेसेस (f-traces) और विस्थापन ट्रेसेस (d-traces) को एक साझा लेटेंट स्पेस (latent space) में संरेखित करने के लिए एक सामान्य लेटेंट स्पेस साझा करते हैं।

1. आर्किटेक्चर घटक

• f-trace ऑटोएनकोडर: वाईफाई फिंगरप्रिंट्स के अनुक्रमों को संसाधित करने के लिए एक ट्रांसफॉर्मर-आधारित एनकोडर का उपयोग करता है। यह अनुक्रमिक संदर्भ (अपस्ट्रीम और डाउनस्ट्रीम सिग्नल) को कैप्चर करके फिंगरप्रिंट्स की अस्पष्टता को संभालता है। डिकोडर इनपुट f-trace को पुनर्गठित (reconstruct) करता है।
• d-trace ऑटोएनकोडर: विस्थापन वेक्टर्स को संसाधित करने के लिए एक रैखिक (linear) एनकोडर और डिकोडर का उपयोग करता है। रैखिकता भौतिक गति की योगात्मक संरचना (additive structure) को लेटेंट स्पेस में संरक्षित करने के लिए एक महत्वपूर्ण डिज़ाइन विकल्प है।
• साझा लेटेंट स्पेस (Shared Latent Space): दोनों मोडलिटीज को समान आयामीता (dimensionality) वाले लेटेंट कोड्स में मैप किया जाता है, जिससे सीधा संवाद संभव होता है।

2. प्रशिक्षण पथ (Training Pathways)

मॉडल को चार विशिष्ट पथों का उपयोग करके प्रशिक्षित किया जाता है ताकि मोडलिटीज के बीच निरंतरता सुनिश्चित की जा सके:

• फिंगरप्रिंट-डायरेक्ट (FD): संदर्भ-जागरूक एम्बेडिंग्स को स्थिर करने के लिए इनपुट f-trace को पुनर्गठित करता है।
• डिस्प्लेसमेंट-डायरेक्ट (DD): भौतिक विस्थापनों के सटीक मानचित्रण को सुनिश्चित करने के लिए इनपुट d-trace को पुनर्गठित करता है।
• फिंगरप्रिंट-डिस्प्लेसमेंट-ऐड (FDA): यह लागू करता है कि पिछले फिंगरप्रिंट लेटेंट कोड ($l_{i-1}$) में एक लेटेंट विस्थापन कोड ($e_i$) जोड़ने से अगले फिंगरप्रिंट का लेटेंट कोड ($l_i$) प्राप्त होता है। यह मॉडल को सिखाता है कि लेटेंट जोड़ना भौतिक गति के अनुरूप है।
• फिंगरप्रिंट-फिंगरप्रिंट-सबट्रैक्ट (FFS): यह सुनिश्चित करता है कि आसन्न फिंगरप्रिंट लेटेंट कोड्स ($l_i - l_{i-1}$) को घटाने से विस्थापन का लेटेंट कोड ($e_i$) प्राप्त होता है। यह मॉडल को फिंगरप्रिंट अंतरों से विस्थापन का अनुमान लगाने की अनुमति देता है।

प्रशिक्षण तीन चरणों में आगे बढ़ता है, जो पहले मजबूत फिंगरप्रिंट प्रतिनिधित्व सीखने, फिर मोशन जानकारी इंजेक्ट करने और अंत में दोनों मोडलिटीज को संरेखित करने के लिए इन बाधाओं को धीरे-धीरे पेश करता है।

3. अनुमान (Inference)

अनुमान के दौरान, मॉडल इनपुट के रूप में दो f-traces ($F_A, F_B$) लेता है। यह उन्हें लेटेंट कोड्स में एनकोड करता है, उनके एंडपॉइंट लेटेंट कोड्स के बीच अंतर ($l_B - l_A$) की गणना करता है, और इस अंतर को रैखिक d-trace डिकोडर के माध्यम से पारित करता है ताकि अनुमानित विस्थापन वेक्टर आउटपुट के रूप में प्राप्त हो सके।

मुख्य योगदान

1. समस्या का निरूपण: लेखकों ने वाईफाई-आधारित सापेक्ष स्थानीयकरण को एक कमजोर रूप से पर्यवेक्षित समस्या के रूप में तैयार किया है, जो सघन निर्देशांक लेबल के बिना सीधे विस्थापन अनुमान को सक्षम बनाता है।
2. इंटरसेक्शन पाथवे फ्रेमवर्क: वे एक क्रॉस-मोडल फ्रेमवर्क प्रस्तावित करते हैं जो एक साझा लेटेंट स्पेस में फिंगरप्रिंट और विस्थापन ट्रेसेस को संरेखित करता है। महत्वपूर्ण रूप से, वे एक योगात्मक संरचना लागू करते हैं जहाँ लेटेंट जोड़/घटाव भौतिक गति संयोजन के अनुरूप होता है।
3. विस्थापन-जागरूक प्रतिनिधित्व: सीखे गए प्रतिनिधित्व सापेक्ष स्थानीयकरण और स्पार्स एंकर्स (sparse anchors) का उपयोग करके फ्यू-शॉट एब्सोल्यूट लोकलाइजेशन के हल्के विस्तार का समर्थन करते हैं, जो सीखे गए लेटेंट स्पेस की उपयोगिता को प्रदर्शित करता है।

प्रयोगात्मक परिणाम

विधि का मूल्यांकन एक सिंथेटिक डेटासेट पर किया गया जो वास्तविक वाईफाई माप और 20x25 मीटर के इनडोर वातावरण में मानव चलने के प्रक्षेपवक्र (trajectories) से प्राप्त किया गया था।

• सापेक्ष स्थानीयकरण प्रदर्शन: प्रस्तावित विधि ने 10 मीटर तक के विस्थापन के लिए 0.719 मीटर का डिस्प्लेसमेंट एरर (DE) और सभी श्रेणियों के लिए 1.751 मीटर का DE प्राप्त किया। इसने LSTM और DNN बैकबोन का उपयोग करने वाले बेसलाइन मॉडल्स को, विशेष रूप से लंबी दूरी के परिदृश्यों में, पीछे छोड़ दिया।
• एब्लेशन अध्ययन (Ablation Studies):
  • d-trace एनकोडर या f-trace डिकोडर को हटाने से प्रदर्शन में काफी गिरावट आई, जो क्रॉस-मोडल इंटरैक्शन और पुनर्गठन पथों की आवश्यकता की पुष्टि करता है।
  • रैखिक d-trace ब्रांच को नॉन-लीनियर ब्रांच से बदलने से सबसे बड़ी गिरावट आई, जो यह प्रमाणित करता है कि रैखिकता विस्थापन संयोजन को बनाए रखने के लिए आवश्यक है।
• मजबूती (Robustness): मॉडल मध्यम शोर स्तरों ($\lambda \le 2.0$) के तहत स्थिर रहा, लेकिन अत्यधिक विक्षोभ (perturbation) के साथ तेजी से गिर गया।
• फ्यू-शॉट विस्तार: जब इसे स्पार्स एंकर्स के साथ एब्सोल्यूट लोकलाइजेशन के लिए विस्तारित किया गया, तो मॉडल ने सब-मीटर सटीकता प्राप्त की, हालांकि यह पूरी तरह से पर्यवेक्षित बेसलाइन्स की तुलना में शोर के प्रति अधिक संवेदनशील था।

महत्व और दावे

लेखक दावा करते हैं कि इंटरसेक्शन पाथवे फ्रेमवर्क कमजोर पर्यवेक्षण का लाभ उठाकर विस्थापन-जागरूक वाईफाई प्रतिनिधित्वों को सफलतापूर्वक सीखता है। इसका महत्व निम्नलिखित में निहित है:

• एनोटेशन लागत को कम करना: सघन निर्देशांक लेबल की आवश्यकता को समाप्त करना, जिन्हें बड़े पैमाने पर प्राप्त करना महंगा होता है।
• हार्डवेयर तटस्थता (Hardware Agnosticism): UWB या BLE सिस्टम के विपरीत, यह दृष्टिकोण कमोडिटी वाईफाई और मानक इनर्टियल सेंसर पर निर्भर करता है, जिससे यह व्यापक रूप से लागू करने योग्य बनता है।
• क्रियाशील आउटपुट (Actionable Output): सीधे सापेक्ष विस्थापन का अनुमान लगाकर, यह विधि उन अनुप्रयोगों के साथ बेहतर तालमेल बिठाती है जहाँ वैश्विक निर्देशांकों की तुलना में सापेक्ष स्थिति (जैसे रोबोट का पीछा करना) अधिक महत्वपूर्ण है।
• स्केलेबिलिटी: मॉडल को फ्यू-शॉट एब्सोल्यूट लोकलाइजेशन के लिए विस्तारित करने की क्षमता यह सुझाव देती है कि जहाँ केवल कुछ ही एंकर बिंदु उपलब्ध हों, वहाँ व्यावहारिक तैनाती का मार्ग प्रशस्त होता है।

लेखक निष्कर्ष निकालते हैं कि स्पष्ट क्रॉस-मोडल इंटरैक्शन और लेटेंट स्पेस में योगात्मक संरचना का संरक्षण ही सटीक सापेक्ष स्थानीयकरण को सक्षम करने वाले प्रमुख कारक हैं।