⚡ electrical engineering

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.

Autori originali: Md. Sahidur Rahman, Mohammed Morshed Rana, Arifa Sultana

Pubblicato 2026-06-26

📖 5 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: Md. Sahidur Rahman, Mohammed Morshed Rana, Arifa Sultana

Articolo originale sotto licenza CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Immagina di cercare di trovare una stanza specifica in un enorme ufficio su più piani, ma senza una mappa e senza GPS (perché il GPS non funziona bene all'interno). Invece, stai usando il tuo telefono per "fiutare" i segnali Wi-Fi provenienti dai router (Access Point) sparsi per l'edificio. Questo è chiamato fingerprinting RSSI del Wi-Fi.

Il problema è che i segnali Wi-Fi sono disordinati. Rimbalzano sulle pareti, vengono bloccati dalle persone e, a volte, i router smettono semplicemente di parlare con il tuo telefono per un momento. In un edificio su più piani, la cosa diventa ancora più complicata: il tuo telefono potrebbe pensare che tu sia al 3° piano quando in realtà sei al 2°, o potrebbe ipotizzare che la tua posizione sia a 50 metri di distanza quando sei proprio accanto all'ascensore.

La maggior parte delle ricerche precedenti ha cercato di rendere il "giro di media" il più buono possibile. Ma nella realtà, la media non conta quanto lo scenario peggiore. Se un sistema è solitamente corretto ma occasionalmente ti manda al piano sbagliato o in un altro isolato della città, si tratta di un fallimento catastrofico.

Questo articolo introduce un nuovo sistema "ibrido" progettato per essere affidabile piuttosto che solo "accurato in media". Ecco come funziona, usando analogie semplici:

1. La squadra di detective a due componenti

Gli autori hanno costruito un sistema che agisce come una squadra di detective a due persone per risolvere l'enigma della posizione:

Detective A (Lo Specialista dei Piani): Questa parte utilizza una tecnica chiamata Triplet Metric Learning. Immagina di avere un album fotografico dove raggruppi le foto per piano. Questo detective impara a riconoscere l' "atmosfera" di un piano. Anche se il segnale Wi-Fi è sfocato, questo detective può dire: "Questo schema di segnale sembra il 2° piano, non il 4°". Crea una speciale mappa mentale dove i piani sono chiaramente separati, come isole distinte.
Detective B (Lo Specialista Orizzontale): Una volta identificato il piano, questo detective capisce esattamente dove ti trovi su quel piano. Utilizza un metodo chiamato Bayesian Weighted K-Nearest Neighbor. Pensa a questo come al chiedere a un gruppo di vicini: "Dove mi trovo?". Ma invece di prendere un semplice voto, chiede: "Quanto sei sicuro?". Se il segnale di un vicino è debole o rumoroso, il sistema si fida meno di lui. Se il segnale è forte, si fida di più.

2. La "Rete di Sicurezza" (Soft Floor Fusion)

Ecco la parte geniale. A volte, anche il Detective A non è sicuro al 100% di quale piano tu sia.

Il Vecchio Modo: Il sistema sceglierebbe semplicemente il piano "più probabile" e ti bloccherebbe lì. Se sbagliava, saresti perso.
Il Modo di Questo Articolo: Se il sistema è incerto, non va nel panico. Tiene a mente i primi 3 o 4 piani possibili. Calcola la tua posizione per ciascuno di quei piani e poi li fonde insieme in base a quanto è probabile ogni piano. È come dire: "Sono sicuro al 60% che tu sia al 2° piano, al 30% al 3° e al 10% al 1°". Media la tua posizione attraverso queste possibilità. Questo evita che il sistema commetta un errore enorme e catastrofico solo perché ha indovinato il piano sbagliato.

3. Test per "Scenari di Disastro"

Gli autori non hanno testato il sistema solo in una giornata perfetta. Hanno simulato "scenari di disastro" per vedere quanto fosse robusto:

Il Test della "Stanza Rumorosa": Hanno aggiunto rumore statico finto ai segnali Wi-Fi per simulare un ambiente affollato e caotico.
Il Test del "Router Rotto": Hanno fatto finta che metà dei router Wi-Fi nell'edificio smettesse improvvisamente di funzionare (un problema comune nel mondo reale).

I Risultati:

I Vecchi Sistemi: Quando i router sparivano o i segnali diventavano rumorosi, i vecchi sistemi (come le Random Forests o il KNN standard) spesso impazzivano, ipotizzando posizioni a 50 o 200 metri di distanza. Avevano "code pesanti", il che significa che di solito andavano bene, ma occasionalmente erano disastrosi.
Il Nuovo Sistema Ibrido: Anche quando metà dei router era "rotta", questo nuovo sistema manteneva gli errori nel caso peggiore molto bassi (circa 33 metri). Non ha solo ottenuto la media corretta; ha soppresso i disastri.

4. Perché questo è importante

L'articolo sostiene che per attività critiche per la sicurezza (come la risposta alle emergenze o guidare le persone in un edificio), non vuoi un sistema che sia "solitamente" corretto. Vuoi un sistema che raramente commetta un errore enorme.

Tasso di Fallimento Catastrofico: Il nuovo sistema ha ridotto la probabilità di un errore massiccio (come ipotizzare il piano sbagliato con un ampio margine) di circa il 95% rispetto ad alcuni metodi più vecchi.
Fiducia: Il sistema sa quando non è sicuro. Se non è fiducioso, usa la sua "rete di sicurezza" (la soft fusion) per restare al sicuro, invece di indovinare alla cieca.

Riassunto

Pensa a questo articolo come a un aggiornamento del GPS per l'uso indoor. I vecchi GPS erano come un amico che ti dà indicazioni che di solito sono corrette, ma a volte ti manda in un'altra città. Questo nuovo sistema è come una guida cauta ed esperta che dice: "Sono abbastanza sicuro che siamo al 2° piano, ma se mi sbaglio, ho un piano di riserva che ci impedisce di cadere da un dirupo". Prioritizza la sicurezza e l'affidabilità rispetto al semplice essere "veloce" o "medio".

Sintesi Tecnica: Prestazioni, Robustezza e Analisi dei Guasti del Posizionamento Indoor Basato su Wi-Fi RSSI tramite Machine Learning in Ambienti Multi-piano

1. Definizione del Problema

I sistemi di posizionamento indoor (IPS) basati sul fingerprinting della potenza del segnale ricevuto (RSSI) Wi-Fi sono ampiamente utilizzati grazie al basso costo e alla capacità di riutilizzare l'infrastruttura esistente. Tuttavia, in ambienti multi-piano reali, questi sistemi affrontano sfide significative:

Instabilità del Segnale: I valori RSSI fluttuano a causa della dinamicità ambientale, della propagazione multi-percorso e della diversità dei dispositivi.
Degradazione dell'Infrastruttura: Le implementazioni nel mondo reale soffrono di cadute di Access Point (AP), visibilità del segnale scarsa e attenuazione del segnale tra i piani.
Ambiguità del Piano: L'attenuazione verticale del segnale spesso porta a errori di classificazione del piano. Negli scenari multi-piano, una stima errata del piano si propaga in errori di localizzazione 3D catastrofici, anche se l'errore 2D orizzontale appare accettabile.
Lacune nella Valutazione: La letteratura esistente ottimizza prevalentemente l'accuratezza di localizzazione mediana o media. Queste metriche non riescono a catturare il "comportamento della coda" (errori estremi), i tassi di guasto catastrofico o la robustezza del sistema in condizioni di segnale degradato. Di conseguenza, i sistemi con un'elevata accuratezza nominale possono comunque presentare distribuzioni di errore a coda pesante e stime di confidenza inaffidabili, rendendoli inadatti ad applicazioni critiche per la sicurezza.

2. Metodologia

Gli autori propongono un framework di posizionamento Wi-Fi RSSI indoor ibrido e consapevole dell'affidabilità che separa la classificazione del piano dalla localizzazione orizzontale, integrando al contempo la modellazione dell'incertezza. Il sistema opera in due fasi distinte: addestramento offline e inferenza online, senza riaddestramento durante la distribuzione.

A. Componenti Core:

Apprendimento Metrico Basato su Triplet per la Classificazione del Piano:
- Una rete neurale apprende uno spazio di embedding discriminativo utilizzando la triplet loss.
- L'obiettivo è minimizzare la distanza tra i fingerprint dello stesso piano e massimizzare la distanza tra i fingerprint di piani diversi.
- Ciò crea una rappresentazione robusta per l'inferenza del piano, affrontando l'ambiguità causata dall'attenuazione verticale del segnale.
- La predizione del piano viene eseguita tramite K-Nearest Neighbor Bayesiano (BWKNN) nello spazio di embedding per generare probabilità a posteriori e punteggi di confidenza.
K-Nearest Neighbor Pesato Bayesiano (BWKNN) per la Localizzazione Orizzontale:
- Il posizionamento orizzontale ( $x, y$ ) viene eseguito nello spazio RSSI originale utilizzando la similarità del coseno.
- A differenza del KNN deterministico, questo approccio utilizza pesature probabilistiche basate su formulazioni di verosimiglianza per gestire misurazioni rumorose o scarse.
- Il numero di vicini ( $K_{xy}$ ) e la fluidità del peso sono regolati adattivamente in base al numero di AP visibili per mitigare gli effetti del dropout degli AP.
Fusione Soft del Piano Guidata dalla Confidenza:
- Un meccanismo di gating valuta la confidenza della predizione del piano.
- Alta Confidenza: La stima orizzontale di base viene accettata.
- Bassa Confidenza: Il sistema esegue una "fusione soft del piano". Calcola le stime orizzontali per i top- $K$ piani candidati e le fonde utilizzando una media ponderata sulla probabilità a posteriori. Questo previene fallimenti catastrofici causati da una singola classificazione errata del piano.

B. Pre-elaborazione:

I valori RSSI mancanti vengono imputati con il rumore di fondo del ricevitore (-110 dBm).
Viene applicata la normalizzazione Z-score per campione per ridurre il bias del dispositivo.
Viene costruita una maschera di visibilità per distinguere tra segnali deboli e AP mancanti.

3. Contributi Principali

Il documento fa progredire il campo dal paradigma centrato sull'accuratezza a un framework orientato all'affidabilità attraverso quattro contributi principali:

Framework Ibrido: Integrazione del deep metric learning per embedding di piano discriminativi con BWKNN per il posizionamento orizzontale consapevole dell'incertezza.
Inferenza Consapevole dell'Affidabilità: Una strategia che utilizza la stima del piano sensibile alla confidenza e la fusione soft del piano per mitigare la propagazione degli errori di piano errato.
Valutazione della Robustezza Controllata: Esperimenti che simulano condizioni di stress realistiche, inclusi il rumore RSSI gaussiano additivo e livelli variabili di dropout degli AP.
Analisi delle Prestazioni Consapevole dei Guasti: Un protocollo di valutazione che va oltre l'errore mediano per includere statistiche di coda (P90, P95), Tasso di Guasto Catastrofico (CFR), penalità per piano errato e curve Risk-Coverage (RC).

4. Risultati Sperimentali

Il framework è stato valutato su un dataset pubblico multi-piano (Università di Tampere) composto da tre piani e 446 punti di riferimento. È stato confrontato con KNN classico, Hierarchical KNN, modelli basati su alberi (Random Forest, XGBoost, CatBoost), MLP e approcci di metric learning o bayesiani stand-alone.

Accuratezza Nominale: Il modello ibrido proposto ha raggiunto un errore mediano 3D di 6,64 m e un'accuratezza di classificazione del piano del 93,38% (Macro-F1: 0,927), risultati competitivi con i metodi allo stato dell'arte.
Comportamento della Coda e Guasti Catastrofici:
- Il modello ibrido ha soppresso significativamente gli errori estremi. Il suo errore P90 3D è stato di 12,53 m, rispetto ai 50,89 m di Random Forest e ai 14,88 m del solo Metric-WKNN.
- Tasso di Guasto Catastrofico (CFR): Con una soglia di errore di 15 m, il modello ibrido ha ottenuto un CFR del 2,44%, che rappresenta una riduzione del 94,8% rispetto a Random Forest (47,05%) e del 22,8% rispetto al Bayesian WKNN. Con una soglia di 20 m, il CFR è sceso allo 0,10%.
Robustezza alla Degradazione del Segnale:
- AP Dropout: In condizioni di estrema scarsità (50 AP visibili), il modello ibrido ha mantenuto un P90 peggiore di 32,85 m. Al contrario, il Bayesian WKNN è fallito catastroficamente con un P90 di 266,79 m, e i modelli basati su alberi hanno superato i 95 m.
- Rumore RSSI: Il modello ibrido è rimasto stabile (P90 ~12–13 m) sotto perturbazioni di rumore fino a 8 dB, mentre i modelli basati su alberi e gli MLP hanno mostrato una significativa inflazione dell'errore.
Analisi Risk-Coverage: Il modello ha raggiunto un Risk-Coverage Area Under Curve (RC-AUC) di 6,06, indicando una calibrazione dell'incertezza superiore e un trade-off fluido tra copertura della predizione ed errore di coda rispetto ai baseline deterministici.
Efficienza Computazionale: Il tempo di inferenza è di circa 1,16 ms per campione con un footprint di memoria di 0,94 MB, confermando l'idoneità per la distribuzione in tempo reale.

5. Significato e Rivendicazioni

Il documento sostiene che l'accuratezza media di localizzazione è insufficiente per valutare i sistemi di posizionamento indoor destinati a una distribuzione reale e critica per la sicurezza. Il significato primario di questo lavoro risiede nel dimostrare che:

La Robustezza è distinta dall'Accuratezza: Un sistema può avere un'accuratezza mediana competitiva ma fallire catastroficamente sotto degradazione del segnale. L'approccio ibrido proposto mira esplicitamente alla soppressione di questi errori di coda.
La Modellazione dell'Incertezza è Critica: Incorporando l'inferenza probabilistica e il gating sensibile alla confidenza, il sistema può rilevare situazioni ambigue (es. confusione del piano) e degradarsi con grazia invece di produrre errori grandi e illimitati.
Il Benchmarking Consapevole dei Guasti è Necessario: Gli autori sostengono che la ricerca futura debba adottare metriche come CFR, P90 e penalità per piano errato per garantire l'affidabilità degli IPS in ambienti complessi e multi-piano.

Lo studio conclude che, sebbene il deep learning e il metric learning migliorino la rappresentazione delle caratteristiche, la combinazione con l'inferenza probabilistica (Bayesian WKKNN) e specifiche strategie di mitigazione dei guasti (soft fusion) è essenziale per creare sistemi di posizionamento indoor affidabili e reali che non richiedono hardware aggiuntivo.