Spatially-Adaptive Conformal Graph Transformer for Indoor Localization in Wi-Fi Driven Networks

Sintesi Tecnica: Spatially-Adaptive Conformal Graph Transformer per la Localizzazione Indoor

Definizione del Problema
La localizzazione indoor è essenziale per i servizi di ambienti intelligenti, come la navigazione e il tracciamento degli asset, eppure rimane una sfida a causa dell'ostruzione dei segnali GPS. L'indicatore della forza del segnale ricevuto (RSSI) del Wi-Fi offre un'alternativa più economica rispetto all'Informazione sullo Stato del Canale (CSI), ma i metodi tradizionali basati su RSSI, come la multilaterazione e il fingerprinting, faticano a gestire l'attenuazione del segnale, gli effetti del multipath e le fluttuazioni ambientali dinamiche. Inoltre, gli attuali approcci di deep learning trattano spesso i dati del segnale come vettori piatti, ignorando la struttura a grafo sottostante della rete wireless. Fondamentalmente, la maggior parte dei modelli attuali manca di un framework rigoroso per quantificare l'incertezza della previsione, un requisito fondamentale per l'implementazione in scenari reali critici per la sicurezza. Le tecniche esistenti di stima dell'incertezza, come il Monte Carlo dropout, spesso mancano di garanzie statistiche formali, e i metodi di Conformal Prediction (CP) tipicamente applicano margini di incertezza globali che non tengono conto dell'eterogeneità spaziale degli ambienti indoor (ad esempio, comportamenti del segnale variabili tra aree aperte e corridoi complessi).

Metodologia: Il Framework SAC-GT
Gli autori propongono il Spatially-Adaptive Conformal Graph Transformer (SAC-GT), un framework unificato progettato per fornire sia una localizzazione puntuale ad alta precisione sia regioni di confidenza specifiche per area e statisticamente valide. Il framework opera in tre fasi:

1. Modello Graph Transformer (GT):
   Il motore di localizzazione centrale modella l'ambiente come un grafo in cui i nodi rappresentano un utente mobile e $m$ Access Point (AP) Wi-Fi. Il grafo include due tipi di collegamenti:

   • Collegamenti fisici: Connessioni dinamiche tra l'utente e gli AP rilevabili, pesate dai valori RSSI.
   • Collegamenti logici: Connessioni statiche tra gli AP in stretta vicinanza fisica, che codificano la topologia spaziale dell'infrastruttura.
     Il modello impiega strati di Graph Transformer impilati utilizzando l'operatore TransformerConv con attenzione multi-testa (multi-head attention). Ciò consente al modello di aggregare le caratteristiche dei vicini immediati e dei vicini dei vicini, apprendendo una mappatura diretta end-to-end dalla struttura del grafo alle coordinate 2D precise $(\hat{x}, \hat{y})$. Il modello è addestrato per minimizzare l'Errore Assoluto Medio (MAE).

2. Spatially-Adaptive Conformal Prediction (SACP):
   Per affrontare la mancanza di quantificazione dell'incertezza, gli autori introducono la SACP, un wrapper applicato al modello GT. A differenza dei metodi CP globali, la SACP suddivide l'ambiente indoor in $k$ regioni geografiche distinte utilizzando il clustering K-Means sulle coordinate reali (ground truth).

   • Un set di calibrazione viene utilizzato per calcolare i punteggi di non conformità (distanza euclidea tra le posizioni previste e quelle reali) per ogni campione.
   • Per ogni regione, i punteggi vengono ordinati e viene calcolato un raggio di previsione unico ($r_k$) per soddisfare un livello di confidenza desiderato ($1-\alpha$).
   • Ciò produce un set di raggi adattivi, dove le regioni complesse ricevono margini di incertezza più ampi e le regioni semplici ricevono margini più stretti.

3. Fase di Inferenza:
   Per un nuovo campione di test, il modello GT genera una previsione puntuale. La previsione viene assegnata a una specifica regione geografica tramite il modello K-Means addestrato. Il raggio pre-calibrato per quella regione viene applicato per generare una regione di confidenza circolare centrata sulla posizione prevista, garantendo che la posizione reale cada all'interno del cerchio con probabilità $1-\alpha$.

Contributi Chiave

• Modello GT Robusto: Un'architettura basata su grafi che sfrutta le posizioni spaziali fisse degli AP e i segnali RSSI dinamici per apprendere mappature dirette verso coordinate 2D, catturando la topologia della rete meglio dei modelli di deep learning a vettore piatto.
• Framework SACP: Un metodo innovativo che estende la Conformal Prediction per essere spazialmente adattiva. Esso suddivide l'ambiente e calibra raggi di confidenza unici e statisticamente validi per ogni zona, fornendo stime di incertezza granulari e adattate alle condizioni locali del segnale.
• Validazione Empirica: Valutazione estesa sul dataset SODIndoorLoc, che dimostra prestazioni allo stato dell'arte sia in termini di accuratezza che di affidabilità.

Risultati Sperimentali
Il framework è stato valutato sul dataset SODIndoorLoc (edificio HCXY), composto da 56 AP e oltre 11.000 campioni di addestramento.

• Accuratezza: SAC-GT ha raggiunto un Errore Mediano di 1,37 m e un MAE di 1,76 m. Questo rappresenta un miglioramento significativo rispetto al miglior baseline GCN (Graph Convolutional Network), che presentava un errore mediano di 2,05 m, e rispetto ai metodi tradizionali come Random Forest (3,20 m MAE).
• Robustezza: Il 95° percentile dell'errore per SAC-GT è stato di 4,40 m, quasi la metà rispetto a GCN (8,03 m) e Random Forest (8,29 m), indicando una gestione superiore degli outlier.
• Affidabilità Adattiva: Il framework SACP ha calibrato con successo raggi distinti per cinque regioni, variando da 1,70 m (zone a basso errore) a 3,78 m (zone ad alta ambiguità). Il framework ha raggiunto una copertura complessiva del test dell'84,8% rispetto a un livello di confidenza target del 90%, confermando la sua validità statistica e adattabilità spaziale.
• Sensibilità dei Parametri: Gli esperimenti hanno mostrato che una soglia di intensità del segnale ($\tau$) di -75 dBm forniva il miglior compromesso tra ricchezza delle caratteristiche e rumore, mentre la variazione del livello di significatività ($\alpha$) ha dimostrato che il framework mantiene distinzioni chiare tra regioni facili e sfidanti attraverso diversi requisiti di confidenza.

Significatività e Rivendicazioni
L'articolo sostiene che SAC-GT affronti una lacuna critica nella localizzazione indoor passando dalle previsioni puntuali alla fornitura di regioni di confidenza affidabili e spazialmente adattive. Gli autori sottolineano che, mentre i precedenti modelli basati su grafi offrivano un'accuratezza migliorata, mancavano di una quantificazione formale dell'incertezza. Al contrario, i metodi di incertezza esistenti spesso applicavano un singolo margine globale, ignorando la realtà che diverse regioni indoor presentano comportamenti del segnale differenti. Integrando un Graph Transformer con un meccanismo di Conformal Prediction consapevole della regione, SAC-GT fornisce una soluzione che non è solo precisa, ma anche affidabile per l'implementazione nel mondo reale, offrendo garanzie statisticamente valide adattate a specifiche condizioni ambientali. Gli autori notano modestamente un limite attuale: il framework non fornisce ancora garanzie di copertura condizionale rigorose per regione, un obiettivo per il lavoro futuro.