Technische Samenvatting: Het Leren van Displacement-Aware WiFi-Representaties voor Zwaktoezicht Relatieve Lokalisatie

Probleemformulering

Het artikel adresseert de uitdaging van indoor relatieve lokalisatie met behulp van WiFi-vingerafdrukken. In tegenstelling tot conventionele benaderingen die WiFi-vingerafdrukken afbeelden op absolute coördinaten (waarvoor dichte, kostbare locatieannotaties nodig zijn), richt deze studie zich op het schatten van het displacement-vector ($\Delta_{AB}$) tussen twee WiFi-vingerafdruksporen ($F_A$ en $F_B$) zonder hun absolute posities te voorspellen.

De kernmoeilijkheid ligt in de aard van de data: WiFi-vingerafdrukken zijn dubbelzinnig en ruisbevangen, terwijl fysieke beweging additief is. De auteurs streven naar het leren van een model dat direct relatieve verplaatsing kan afleiden uit vingerafdruksporen met behulp van zwak toezicht. In plaats van dichte coördinatenlabels, maakt het systeem gebruik van stapsgewijze bewegingsvectoren (displacement-sporen, $D$) verkregen uit inertiale sensoren (bijvoorbeeld op robots of IoT-apparaten) als zwakke labels. Deze formulering richt zich op scenario's zoals robotvolging en magazijncoördinatie, waar relatieve ruimtelijke relaties actiebaarder zijn dan globale coördinaten.

Methodologie: Intersection Pathway (IP)

De voorgestelde oplossing is een cross-modaal leerframework genaamd Intersection Pathway (IP). De architectuur maakt gebruik van twee auto-encoders die een gemeenschappelijke latente ruimte delen om vingerafdruksporen (f-sporen) en displacement-sporen (d-sporen) uit te lijnen.

1. Architectuurcomponenten

• f-spoor Auto-encoder: Gebruikt een op Transformer gebaseerde encoder om sequenties van WiFi-vingerafdrukken te verwerken. Dit behandelt de dubbelzinnigheid van vingerafdrukken door sequentiële context vast te leggen (upstream en downstream signalen). De decoder reconstrueert het invoer f-spoor.
• d-spoor Auto-encoder: Gebruikt een lineaire encoder en decoder om stapsgewijze displacement-vectoren te verwerken. De lineariteit is een kritieke ontwerpkeuze om de additieve structuur van fysieke beweging in de latente ruimte te behouden.
• Gedeelde Latente Ruimte: Beide modaliteiten worden afgebeeld op latente codes met overeenkomende dimensionaliteit, waardoor directe interactie mogelijk is.

2. Trainingspaden

Het model wordt getraind met behulp van vier specifieke paden om consistentie tussen de modaliteiten af te dwingen:

• Fingerprint-Direct (FD): Reconstructeert het invoer f-spoor om contextbewuste embeddings te stabiliseren.
• Displacement-Direct (DD): Reconstructeert het invoer d-spoor om een accurate afbeelding van fysieke displacements te waarborgen.
• Fingerprint-Displacement-Add (FDA): Dwingt af dat het toevoegen van een latente displacement-code ($e_i$) aan een vorige fingerprint latente code ($l_{i-1}$) de latente code van de volgende fingerprint oplevert ($l_i$). Dit leert het model dat latente optelling overeenkomt met fysieke beweging.
• Fingerprint-Fingerprint-Subtract (FFS): Dwingt af dat het aftrekken van aangrenzende fingerprint latente codes ($l_i - l_{i-1}$) de latente code van de displacement oplevert ($e_i$). Dit stelt het model in staat displacement af te leiden uit fingerprint-verschillen.

De training verloopt in drie fasen, waarbij deze beperkingen geleidelijk worden geïntroduceerd om eerst robuuste fingerprint-representaties te leren, vervolgens bewegingsinformatie toe te voegen, en tot slot de twee modaliteiten uit te lijnen.

3. Inferentie

Tijdens inferentie neemt het model twee f-sporen ($F_A, F_B$) als invoer. Het codeert deze naar latente codes, berekent het verschil tussen hun eindpunt-latente codes ($l_B - l_A$), en voert dit verschil door de lineaire d-spoor decoder om het voorspelde displacement-vector uit te voeren.

Belangrijkste Bijdragen

1. Probleemformulering: De auteurs formuleren WiFi-gebaseerde relatieve lokalisatie als een probleem met zwak toezicht, wat directe displacement-schatting mogelijk maakt zonder dichte coördinatenlabels.
2. Intersection Pathway Framework: Zij stellen een cross-modaal framework voor dat vingerafdruk- en displacement-sporen uitlijnt in een gedeelde latente ruimte. Cruciaal dwingen zij een additieve structuur af waarbij latente optelling/aftrekking overeenkomt met compositie van fysieke beweging.
3. Displacement-Aware Representaties: De geleerde representaties ondersteunen zowel relatieve lokalisatie als een lichtgewicht uitbreiding naar few-shot absolute lokalisatie met behulp van schaarse ankers, wat de bruikbaarheid van de geleerde latente ruimte aantoont.

Experimentele Resultaten

De methode werd geëvalueerd op een gesynthetiseerd dataset afgeleid van echte WiFi-metingen en menselijke looptrajecten in een 20x25m indoor-omgeving.

• Prestaties Relatieve Lokalisatie: De voorgestelde methode behaalde een Displacement Error (DE) van 0,719m voor displacements tot 10m en 1,751m voor alle bereiken. Het presteerde beter dan baselines met LSTM- en DNN-backbones, met name in scenario's met langere bereiken.
• Ablatiestudies:
  • Het verwijderen van de d-spoor encoder of f-spoor decoder degradeerde de prestaties aanzienlijk, wat de noodzaak van cross-modale interactie en reconstructiepaden bevestigt.
  • Het vervangen van de lineaire d-spoor tak door een niet-lineaire veroorzaakte de grootste prestatiedaling, wat valideert dat lineariteit essentieel is voor het behoud van displacement-compositie.
• Robuustheid: Het model bleef stabiel onder matige ruisniveaus ($\lambda \le 2.0$), maar degradeerde scherp bij excessieve verstoring.
• Few-Shot Uitbreiding: Bij uitbreiding naar absolute lokalisatie met schaarse ankers behaalde het model nauwkeurigheid onder de meter, hoewel het gevoeliger was voor ruis dan volledig toezicht baselines.

Betekenis en Claims

Het artikel claimt dat het Intersection Pathway framework succesvol displacement-aware WiFi-representaties leert door gebruik te maken van zwak toezicht. De betekenis hiervan ligt in:

• Verlaging van Annotatiekosten: Het elimineren van de behoefte aan dichte coördinatenlabels, die duur zijn om op schaal te verkrijgen.
• Hardware-onafhankelijkheid: In tegenstelling tot UWB- of BLE-systemen, vertrouwt deze aanpak op commodity WiFi en standaard inertiale sensoren, waardoor deze breed toepasbaar is.
• Actiebaar Output: Door direct relatieve displacement te schatten, sluit de methode beter aan bij toepassingen waar relatieve positionering (bijvoorbeeld robotvolging) belangrijker is dan globale coördinaten.
• Schaalbaarheid: Het vermogen om het model uit te breiden naar few-shot absolute lokalisatie suggereert een pad voor praktische implementatie waar slechts een paar ankerpunten beschikbaar zijn.

De auteurs concluderen dat de expliciete cross-modale interactie en het behoud van de additieve structuur in de latente ruimte de sleutelfactoren zijn die nauwkeurige relatieve lokalisatie onder zwak toezicht mogelijk maken.