🤖 AI

Graph-Based Floor Separation Using Node Embeddings and Clustering of WiFi Trajectories

Dit artikel presenteert een volledig datagedreven, grafiekgebaseerd framework dat blinde verticale verdiepingsscheiding in meerverdiepingsgebouwen bereikt door Wi-Fi-fingerprinttrajecten te modelleren als knopen, structurele embeddings te leren via Node2Vec, en K-means clustering toe te passen met automatische clusterestimatie, dit alles zonder voorafgaande metadata van het gebouw te vereisen.

Oorspronkelijke auteurs: Rabia Yasa Kostas, Kahraman Kostas

Gepubliceerd 2026-02-03

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Rabia Yasa Kostas, Kahraman Kostas

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je door een enorm, meervoudig verdiepings tellend winkelcentrum loopt. Je hebt geen GPS-signaal, geen kaart en je hebt geen idee op welke verdieping je bent. De Wi-Fi-signalen die tegen de muren en meubels weerkaatsen, zien er bijna identiek uit, of je nu op de 3e of de 4e verdieping bent. Dit is het probleem van "verticale lokalisatie": uitzoeken op welke verdieping je bent door alleen maar naar Wi-Fi-signalen te luisteren.

Dit artikel stelt een slimme, datagestuurde manier voor om dit puzzelstukje op te lossen zonder dat er een bouwtekening van het gebouw nodig is of dat vooraf bekend hoeft te worden hoeveel verdiepingen er bestaan. Hier is hoe ze het deden, eenvoudig uitgelegd:

1. Het Probleem: De "Signaalsoep"

In grote gebouwen zijn Wi-Fi-signalen rommelig. Ze lekken door vloeren, weerkaatsen tegen glazen atria en raken in de war door meubilair. Als je alleen naar de signaalsterkte op één enkel moment kijkt, is het alsof je probeert te raden in welke kamer je bent in een huis door aan één enkele druppel koffie te ruiken; het is te vaag.

2. De Oplossing: Signalen veranderen in een "Sociaal Netwerk"

In plaats van naar signalen afzonderlijk te kijken, behandelen de auteurs de hele reis als een sociaal netwerk.

De Nodes (Mensen): Elke keer dat een telefoon een Wi-s-signaal registreert, is dat alsof er een persoon op een feestje is.
De Edges (Vriendschappen): Als je van de ene plek naar de andere liep, zijn die twee signalen "vrienden". Als twee signalen erg op elkaar lijken (zelfs als je niet tussen hen in hebt gelopen), zijn ze ook "vrienden".

Door al deze signalen met elkaar te verbinden, bouwen ze een enorme kaart van vriendschappen (een graaf).

3. De Magische Truc: "De Vibe Leren" (Node2Vec)

Zodra ze deze enorme kaart hebben, gebruiken ze een techniek genaamd Node2Vec. Denk aan dit als een detective die rondloopt op het feestje en observeert met wie mensen omgaan.

In plaats van alleen te kijken naar wie er naast iemand staat, leert de detective de "vibe" van verschillende groepen.
Mensen op de 3e verdieping hangen misschien rond in een specifieke cirkel, terwijl mensen op de 4e verdieping in een andere cirkel hangen, zelfs als de kamer er hetzelfde uitziet.
Het algoritme verandert deze complexe sociale cirkels in eenvoudige, korte "ID-kaarten" (vectoren) die de essentie van de verdieping vastleggen.

4. Aanwijzingen Groeperen (Clustering)

Zodra iedereen een "ID-kaart" heeft, gebruikt de computer een eenvoudig sorteerinstrument (K-Means) om mensen met vergelijkbare ID-kaarten te groeperen.

Het Resultaat: Alle "mensen van de 3e verdieping" belanden in één stapel, en alle "mensen van de 4e verdieping" in een andere stapel.
Het Coole Deel: De computer ontdeft automatisch hoeveel stapels er zijn. Er hoeft niet tegen gezegd te worden: "Er zijn 5 verdiepingen." De computer kijkt gewoon naar de data en zegt: "Ah, ik zie 5 duidelijke groepen."

5. De Test: Werkt het?

De auteurs hebben hun methode getest op twee verschillende real-world datasets (één van een universiteitsuitdaging en één van een beroemde onderzoeksbenchmark).

De Vergelijking: Ze zetten hun methode af tegen oudere, traditionele manieren van data sorteren (zoals eenvoudige groepering of complexe neurale netwerken).
De Uitkomst: Hun methode was de duidelijke winnaar.
- Op de ruisige, moeilijke dataset behaalde hun methode ongeveer 76% nauwkeurigheid, terwijl de op één na beste methode slechts ongeveer 50% haalde.
- Op de andere dataset presteerde hun methode net zo goed als wanneer ze perfecte, fysieke metingen hadden gebruikt (zoals het exacte hoogtepunt van elk punt te weten), ook al gebruikten ze alleen Wi-Fi-signalen.

6. Waarom het bijzonder is

Geen Blauwdrukken Nodig: Je hebt geen lay-out van het gebouw nodig of kennis van hoeveel verdiepingen het heeft. Het systeem ontdekt het zelf.
Geen Extra Sensoren: Het heeft geen barometers (druksensoren) of versnellingsmeters nodig; het gebruikt alleen de Wi-Fi-signalen die al op je telefoon aanwezig zijn.
Robuustheid: Zelfs wanneer de Wi-Fi-signalen rommelig zijn en het gebouw vreemde open ruimtes heeft (zoals een groot atrium), slaagt deze "sociale netwerk"-aanpak er nog steeds in om de verdiepingen correct te scheiden.

In een notendop: De auteurs hebben een rommelige stapel Wi-Fi-signalen veranderd in een sociaal netwerk, lieten een AI de "persoonlijkheid" van elke verdieping leren, en sorteerden ze vervolgens in groepen. Het is een manier om te weten op welke verdieping je bent door alleen maar te luisteren naar de Wi-Fi, zonder ooit een kaart te hoeven zien.

Technische Samenvatting: Grafiekgebaseerde Verdiepingsscheiding middels Node Embeddings en Clustering van Wi-Fi Trajecten

Probleemdefinitie
Verticale lokalisatie, specifiek de scheiding van verdiepingen in gebouwen met meerdere verdiepingen, blijft een aanzienlijke uitdaging voor Indoor Positioning Systems (IPS). In tegenstelling tot buitenlocaties op basis van GPS, kampen binnenomgevingen met signaalobstructies, multipath-interferentie en signaallekken tussen verdiepingen (met name bij atria en open ruimtes), wat leidt tot overlappende signaalpatronen. Traditionele Wi-Fi fingerprinting-methoden vertrouwen vaak op supervised learning die uitgebreide gelabelde data en voorafgaande kennis van het gebouw vereisen (bijv. plattegronden of het aantal verdiepingen). Bovendien hebben hardwareafhankelijke oplossingen (barometrische druk, IMU's) te maken met kalibratiedrift en schaalbaarheidsproblemen. Dit artikel behandelt de behoefte aan een volledig datagestuurde, unsupervised benadering voor blinde verdiepingsscheiding die geen voorafgaande gebouwinformatie vereist, geen kennis van het aantal verdiepingen nodig heeft en uitsluitend vertrouwt op Wi-Fi Received Signal Strength Indicator (RSSI) trajecten.

Methodologie
Het voorgestelde framework formuleert verdiepingsscheiding als een unsupervised grafiek-clusteringprobleem. De methodologie verloopt via de volgende fasen:

Grafiekconstructie:
- Nodes (Knopen): Elk Wi-Fi fingerprint (een vector van RSSI-waarden van zichtbare Access Points) wordt gerepresenteerd als een node.
- Edges (Randen): Edges leggen zowel signaalgelijkenis als de context van sequentiële beweging vast.
  - Horizontale Edges: Verbinden sequentiële fingerprints binnen hetzelfde gebruikers-traject om temporele continuïteit te behouden.
  - Verticale/Synthetische Edges: In datasets die geen expliciete labels voor verticale transities bevatten (bijv. UJIIndoorLoc), worden synthetische edges geïntroduceerd om enkel te garanderen dat de grafiek één enkele verbonden component vormt, zonder de identiteit van de verdieping of verticale supervisie te coderen.
- Edge Weighting (Randweging): Gewichten vertegenwoordigen de nabijheid tussen fingerprints. De studie evalueert drie strategieën:
  - Default: Ruizige afstandsschattingen geleverd door competitiedatasets.
  - WBDE (Wi-Fi-Based Distance Estimation): Afstanden opnieuw berekend met behulp van een supervised ML-model getraind op externe horizontale positioneringsdatasets (om data leakage van de verdiepingsclassificatietaak te voorkomen).
  - Geometric Gold Standard: Euclidische afstanden afgeleid van grondwaarheid-coördinaten (gebruikt voor UJIIndoorLoc als een theoretische bovengrens).
Node Embedding:
- Het framework maakt gebruik van Node2Vec om laagdimensionale vector-embeddings (dimensie $d=32$ ) van de nodes te leren. Node2Vec gebruikt biased random walks om een balans te vinden tussen Depth-First Search (DFS) en Bread-First Search (BFS), waardoor zowel lokale homofilie als globale structurele equivalentie wordt gevangen.
- De studie vergelijkt dit ook met Graph Neural Networks (GCN en GAT), hoewel deze afhankelijk zijn van expliciete feature aggregatie, wat gevoelig kan zijn voor over-smoothing in ruizige Wi-Fi-grafieken.
Clustering en Schatting:
- De geleerde embeddings worden geclusterd met behulp van K-Means.
- Automatische Cluster-schatting: Om het aantal verdiepingen ( $k$ ) te bepalen zonder voorafgaande kennis, gebruikt het systeem de Calinski-Harabasz (CH) Index. Het algoritme evalueert iteratief $k$ binnen een bereik van [3, 20] (gebaseerd op de beperkingen van de Huawei Challenge) en selecteert de $k$ die de ratio tussen inter-cluster en intra-cluster dispersie maximaliseert.
Evaluatie:
- Aangezien de methode unsupervised is, wordt een post-hoc majority voting-schema gebruikt om anonieme clusters te mappen naar fysieke verdiepingslabels voor de berekening van metrieken.
- Prestaties worden gemeten aan de hand van Mapped Accuracy, Weighted F1-Score, Adjusted Rand Index (ARI), Normalized Mutual Information (NMI) en Cluster Purity.
- Statistische robuustheid wordt gewaarborgd via 1.000 bootstrap-iteraties.

Datasets
Het framework wordt geëvalueerd op twee verschillende datasets:

Huawei University Challenge 2021: Een grootschalige dataset met continue loop-trajecten en ruizige afstandsschattingen.
UJIIndoorLoc: Een benchmark-dataset die drie gebouwen beslaat. De auteurs hebben deze dataset gestructureerd om trajecten te genereren uit discrete fingerprints, waarbij de Training en Validation subsets als onafhankelijke experimenten werden behandeld om generaliseerbaarheid te testen.

Belangrijkste Resultaten

Superioriteit ten opzichte van Baselines: De voorgestelde Node2Vec + K-Means pipeline presteerde significant beter dan traditionele community detection algoritmen (Louvain, Leiden, Infomap, Label Propagation, Fast Greedy) en GNN-gebaseerde modellen (GCN, GAT).
- Op de Huawei dataset (met gebruik van WBDE-afstanden) behaalde de voorgestelde methode een nauwkeurigheid van 76,60% (95% CI [0,739, 0,806]), waarmee het de beste baseline (GAT met 50,2%) beslist versloeg.
- Op de UJIIndoorLoc dataset behaalde de methode 66,1% nauwkeurigheid op de Training subset en 59,4% op de Validation subset, wat aanzienlijk beter is dan de baselines die vaak onder de 25% zakten op de Validation set.
Impact van Afstandsschatting: Het vervangen van ruizige default afstanden door WBDE-gebaseerde schattingen verbeterde de prestaties aanzienlijk (van 69,3% naar 76,6% op Huawei), wat bevestigt dat een schonere grafiektopologie cruciaal is voor clustering.
Equivalentie met Geometrie: Een belangrijke bevinding is dat op de UJIIndoorLoc dataset de clusteringprestaties met puur op signalen gebaseerde afstanden (WBDE) statistisch ononderscheidbaar waren van de "Gold Standard" resultaten verkregen met grondwaarheid geometrische afstanden. Dit suggereert dat de methode de fysieke structurele lay-out uitsluitend uit RSSI-data kan herstellen.
Structurele Integriteit: Terwijl traditionele algoritmen vaak een hoge Cluster Purity bereikten (vaak >90%), leden ze aan ernstige over-segmentatie (bijna nul ARI), waardoor ze er niet in slaagden coherente verdiepings-communities te identificeren. De Node2Vec-benadering behield hoge ARI-scores (bijv. 0,669 op Huawei), wat aangeeft dat het erin slaagt de globale structurele consistentie te vangen.

Betekenis en Claims
De paper claimt dat de primaire bijdrage een schaalbare, hardware-onafhankelijke oplossing is voor verticale lokalisatie die de afhankelijkheid van gebouwspecifieke metadata of gelabelde trainingsdata elimineert.

Unsupervised Capaciteit: De methode voert succesvol blinde verdiepingsscheiding uit, waarbij het aantal verdiepingen wordt geschat en trajecten worden gepartitioneerd zonder voorafgaande kennis.
Robuustheid tegen Ruis: Door gebruik te maken van graph representation learning (Node2Vec) in plaats van directe feature aggregatie (GNN's) of lokale modulariteit optimalisatie, is het framework robuust tegen de hoge ruis en signaalfluctuaties die inherent zijn aan Wi-Fi-omgevingen.
Generaliseerbaarheid: De aanpak vertoont consistente prestaties over verschillende architecturale schalen en datacollectiemethodologieën (continue trajecten versus gereconstrueerde discrete fingerprints).
Praktische Bruikbaarheid: Het framework vertrouwt enkel op standaard Wi-Fi fingerprint data, waardoor het toepasbaar is op bestaande draadloze infrastructuur zonder dat extra sensoren (zoals barometers) of complexe kalibratie nodig zijn.

De auteurs concluderen dat hoewel de kwaliteit van de afstandsschatting (via WBDE) de prestaties verbetert, de kernwaarde ligt in het vermogen van het embedding-gebaseerde framework om de structurele lay-out van gebouwen met meerdere verdiepingen autonoom te herstellen uit alleen ruizige signaaldata.