Performance, Robustness, and Failure Analysis of Machine-Learning-Based Wi-Fi RSSI Indoor Positioning in Multi-Floor Environments
Questo articolo propone un framework ibrido consapevole dell'affidabilità che integra l'apprendimento metrico basato su triplette con l'inferenza k-nearest neighbor pesata bayesiana per migliorare significativamente la robustezza e la resilienza ai guasti dei sistemi di posizionamento indoor basati su RSSI Wi-Fi multi-piano, dimostrando attraverso una valutazione completa che tale approccio riduce efficacemente gli errori di localizzazione catastrofici e le classificazioni errate del piano rispetto ai metodi tradizionali incentrati sull'accuratezza.