🤖 machine learning

OmniLoc: A Geometry-Aware Foundation Model for Anchor-Free UE Localization Across Diverse Indoor Environments

OmniLoc is een pionierend geometrie-bewust fundatiemodel dat robuuste, ankerloze indoor lokalisatie van gebruikersapparatuur realiseert over diverse omgevingen door heterogene draadloze metingen te verenigen via een gespecialiseerde tokenisatiemodule, een geometrie-bewuste Transformer voor feature-extractie en een geometrisch consistente regressiemechanisme.

Oorspronkelijke auteurs: Lei Chu, Yuning Zhang, Omer Gokalp Serbetci, Anushka Katiyar, Bassel Abou Ali Modad, Andreas F. Molisch

Gepubliceerd 2026-06-11

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Lei Chu, Yuning Zhang, Omer Gokalp Serbetci, Anushka Katiyar, Bassel Abou Ali Modad, Andreas F. Molisch

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 de weg probeert te vinden in een enorm, verwarrend winkelcentrum. Je hebt geen kaart en de winkelborden (die fungeren als Wi-Fi-signalen) veranderen voortdurend afhankelijk van op welke verdieping je bent of in welk gebouw je je bevindt. Sommige verdiepingen hebben tientallen winkels; andere slechts enkele. Sommige signalen zijn luid en duidelijk; andere zijn zwak en worden gehinderd door muren en menigten. Dit is de dagelijkse strijd van indoor lokalisatie voor je telefoon of apparaat.

Het artikel introduceert OmniLoc, een nieuwe "slimme gids" die is ontworpen om dit probleem op te lossen zonder dat er een vooraf getekende kaart van elk gebouw nodig is.

Zo werkt OmniLoc, uitgelegd via eenvoudige analogieën:

1. Het Probleem: De "Chaos" van Binnensignalen

Huidige methoden zijn als het proberen te navigeren in dat winkelcentrum met behulp van een lijst met winkelnamen die elke keer verandert als je een bocht omgaat.

Verschillende Gebouwen, Verschillende Regels: Een signaal dat betekent "Je bent in de buurt van de koffiebar" in het ene gebouw, kan in een ander gebouw betekenen "Je bent op de parkeerplaats", omdat de muren en lay-outs verschillen.
Ontbrekende Stukjes: Soms ziet je telefoon 20 Wi-Fi-routers; soms ziet hij er slechts 3. Oude systemen raken in de war wanneer het aantal signalen verandert.
Ruis in de Data: De sterkte van een signaal (hoe hard het "winkelbord" is) kan misleidend zijn. Een luid signaal kan simpelweg betekenen dat een muur dun is, niet dat je dicht bij de router bent.

2. De Oplossing: OmniLoc (De "Universele Vertaler")

De auteurs hebben OmniLoc gebouwd als een Foundation Model. Zie dit niet als een specifieke kaart voor één gebouw, maar als een superintelligente student die duizenden verschillende winkelcentra, luchthavens en bedrijfsparken heeft bestudeerd. In plaats van een specifieke plattegrond uit het hoofd te leren, leert het de taal van draadloze signalen.

OmniLoc gebruikt drie "superkrachten" om te navigeren:

A. De Universele Vertaler (Unified Input Tokenization)

Stel je voor dat je een lijst met ingrediënten hebt: sommige worden gemeten in kopjes, andere in grammen, andere in ounces. Een normale chef raakt in de war. OmniLoc fungeert als een vertaler die al deze verschillende metingen omzet in één enkele, standaard "recepttaal".

Hoe het werkt: Het neemt rommelige, verschillende soorten data (signaalsterkte, signaalkwaliteit en welke routers zichtbaar zijn) en zet deze om in een nette, gestandaardiseerde zin die de computer gemakkelijk kan lezen, ongeacht hoeveel routers er daadwerkelijk aanwezig zijn.

B. De Slimme Detective (Geometry-Aware Transformer)

Zodra de data is vertaald, gebruikt OmniLoc een "detective" (een Transformer-model) om te achterhalen waar je bent.

De "Stergetuige": Meestal is één sterk Wi-Fi-signaal de belangrijkste aanwijzing. OmniLoc weet dat het extra aandacht moet schenken aan deze "stergetuige".
De Bijrollen: Maar het negeert de anderen niet. Het verzamelt "getuigenissen" van de zwakkere signalen om het verhaal te bevestigen.
De Analogie: Als je in een drukke kamer bent, luister je niet alleen naar de luidste stem; je luistert naar het hele gesprek om de context te begrijpen. OmniLoc doet dit met Wi-Fi-signalen: het begrijpt dat het patroon van de signalen belangrijker is dan slechts één luid signaal.

C. De Contextuele Kaart (Geometry-Aware Location Estimation)

Dit is de laatste stap waarbij de detective een gok doet.

De "Adres"-check: Voordat het model je exacte coördinaten (X en Y) raadt, vraagt het eerst: "In welk gebouw ben ik? Op welke verdieping?"
Waarom dit belangrijk is: Weten dat je in "Gebouw A, Verdieping 2" bent, verandert de manier waarop het model de signalen interpreteert. Het is alsof je weet of je in een bibliotheek of in een sportschool bent; hetzelfde geluid betekent iets anders in elke omgeving. Door het model eerst het gebouw en de verdieping te laten identificeren, zorgt het ervoor dat de uiteindelijke locatievoorspelling geometrisch logisch is.

3. De Resultaten: Waarom het ertoe doet

De onderzoekers hebben OmniLoc getest op een enorme dataset die 16 verschillende gebouwen met duizenden Wi-Fi-routers beslaat.

Betere Nauwkeurigheid: Het vond locaties veel nauwkeuriger dan eerdere methoden, vooral in lastige situaties waar signalen zwak waren of de lay-out van het gebouw complex was.
Het "Plug-and-Play"-effect: De auteurs toonden aan dat als je andere bestaande lokalisatietools neemt en simpelweg de "vertaler" en "detective" onderdelen van OmniLoc toevoegt, die tools ook aanzienlijk beter worden. Het is alsof je een gewone auto een turbocharger geeft; de auto was al goed, maar nu is het een racewagen.
Leren van weinig voorbeelden: Zelfs als ze het model een nieuw gebouw lieten zien dat het nog nooit eerder had gezien, kon het zich zeer snel aanpassen met slechts een klein beetje nieuwe data, in tegen tegenstelling tot oudere systemen die volledig zouden falen.

Samenvatting

OmniLoc is een nieuw AI-systeem dat leert om vloeiend de "taal" van Wi-Fi-signalen te spreken. In plaats van te proberen elk gebouw uit het hoofd te leren, leert het de onderliggende regels van hoe signalen zich gedragen in verschillende vormen en maten. Door rommelige data te vertalen naar een heldere taal, te luisteren naar de belangrijkste signalen terwijl het de ruis negeert, en altijd het "adres" (gebouw en verdieping) te controleren voordat het een gok doet, kan het je locatie overal binnen in hoge precisie vinden, zelfs zonder een vooraf geïnstalleerde kaart.

Technische Samenvatting van OmniLoc: Een Geometrie-bewust Foundation Model voor Anchor-Free UE Lokalisatie

Probleemstelling
Binnenlokalisatie van User Equipment (UE) blijft een aanzienlijke uitdaging bij grootschalige implementaties vanwege substantiële variaties in de geometrie van gebouwen, het aantal detecteerbare Access Points (AP's) en de heterogeniteit van ontvangen signalen. Bestaande deep learning-methoden hebben vaak moeite met het generaliseren over diverse omgevingen, met name in anchor-free settings waarbij lokalisatie direct afhankelijk is van draadloze metingen zonder expliciete infrastructuurkalibratie. De belangrijkste moeilijkheden zijn:

Geometrische Diversiteit: Verschillen in plattegronden, materialen en kamerdichtheid creëren onderscheidende blokkade- en multipath-patronen, wat ervoor zorgt dat signaalobservaties sterk variëren tussen gebouwen en zelfs binnen één enkel gebouw.
Variabele AP-zichtbaarheid: Het aantal observeerbare AP's fluctueert over verschillende locaties, wat leidt tot variabel-lengte inputsequenties en onregelmatige inputruimtes.
Signaalheterogeniteit: Received Signal Strength (RSSI) en Channel State Information (CSI) vertonen een hoge variabiliteit door padverlies, schaduwvorming en interacties tussen apparaat en omgeving, waardoor vaste vermogenskenmerken onbetrouwbaar zijn voor robuuste lokalisatie.

Methodologie: OmniLoc
Het artikel stelt OmniLoc voor, een omgeving-interactief foundation model ontworpen om directe anchor-free lokalisatie uit te voeren op basis van ruwe draadloze metingen. In tegen tegenstelling tot eerdere benaderingen die sterk leunen op synthetische data of training in een enkele omgeving, is OmniLoc gebouwd op drie kernarchitecturale ontwerpen:

Unified Input Tokenization (UIT):
Om heterogene metingen (CSI-magnitudes, RSSI, SINR en AP-aanwezigheidsindicatoren) te verwerken, zet het model deze signalen om in een "zin-achtige" representatie.
- Input Fusie: CSI, RSSI en SINR worden per AP samengevoegd tot een unieke feature vector.
- Soft Gating: AP-aanwezigheidsflags moduleren deze vectoren via elementgewijze vermenigvuldiging, waarbij de gradiëntstroom voor afwezige AP's behouden blijft in plaats van harde nulwaarden toe te passen.
- Sequentieconstructie: Een globale AP-signaalvector wordt gecodeerd en gepooled om een "GLOBAL" token te creëren, dat wordt samengevoegd met de gated AP-tokens. Dit stelt het model in staat om zowel lokale AP-observaties als de bredere databasecontext te vangen zonder een vaste AP-volgorde aan te nemen.
Geometry-Aware Transformer:
De backbone maakt gebruik van een aangepaste Transformer-encoder met een Key-Padding Mask (KPM) om gepadde (niet-geobserveerde) AP-slots uit de attention-berekeningen uit te sluiten.
- Multi-Probe AP Aggregation (MPAA): In plaats van eenvoudige mean pooling, gebruikt het model een multi-head attention pooling mechanisme. Dit stelt verschillende attention heads in staat om te specialiseren: sommige kunnen zich richten op dominante, nabije AP's, terwijl andere complementair bewijs verzamelen van ondersteunende AP's. Dit adresseert het probleem waarbij een enkele sterke AP kan worden gemaskeerd door middeling in traditionele pooling-methoden.
Geometry-Aware Location Estimation (GLO):
De output head implementeert een hiërarchisch lokalisatieproces (Gebouw $\to$ Verdieping $\to$ Coördinaten) om geometrische consistentie af te dwingen.
- Het model voorspelt eerst de gebouw- en verdiepingsindices.
- Deze discrete voorspellingen worden geprojecteerd naar continue geometrische embeddings.
- Deze embeddings worden gefuseerd met de geaggregeerde feature representatie om de coördinaatregressie te conditioneren. Dit zorgt ervoor dat de voorspelde $(x, y)$ coördinaten ruimtelijk consistent zijn met de geïdentificeerde gebouw- en verdiepingsstructuur.

Belangrijkste Bijdragen

Eerste Foundation Model voor Ruwe Metingen: OmniLoc wordt gepresenteerd als de eerste foundation-model-gebaseerde benadering die direct is gebouwd op draadloze metingen voor anchor-free indoor lokalisatie, waarbij geometrische diversiteit en variabele AP-aantallen expliciet worden geadresseerd.
Nieuwe Architecturale Componenten: De introductie van de Unified Input Tokenization, het Multi-Probe AP Aggregation mechanisme en de Geometry-Aware Location Estimation module.
Uitgebreide Evaluatie: Het framework wordt gevalideerd op een grootschalige in-house dataset (16 gebouwen, 180 gangen, 3.293 AP's) en een publieke benchmark (WILD dataset).

Resultaten

Superieure Accuratesse: In evaluaties binnen dezelfde omgeving presteert OmniLoc significant beter dan state-of-the-art baselines (CNN, BERT en LWM). Het bereikt een mediane fout van 0,553 m en een Root Mean Squared Error (RMSE) van 0,990 m, met bijzonder sterke verbeteringen in tail-error metrieken (P90).
Component Overdraagbaarheid: Het integreren van de ontwerpcomponenten van OmniLoc (tokenization, MPAA, GLO) in bestaande backbones (bijv. CNN+, BERT+) verbetert consequent hun prestaties, wat de generaliseerbaarheid van de voorgestelde principes aantoont.
Cross-Environment Generalisatie: In "leave-one-floor-out" en "leave-one-building-out" scenario's demonstreert OmniLoc robuuste generalisatie. Wanneer gecombineerd met parameter-efficiënte fine-tuning (PEFT) strategieën zoals LoRA (Low-Rank Adaptation), bereikt het model een hoge accuratesse met zeer beperkte gelabelde data (1%–10%), waarmee het modellen die vanaf nul zijn getraind in low-data regimes aanzienlijk verslaat.
Efficiëntie: Ondanks de prestatiewinsten behoudt OmniLoc een aantal parameters en computationele complexiteit die vergelijkbaar zijn met bestaande grote modellen (bijv. LWM), met een inferentie-latentie van rond de 6,49 ms.

Betekenis en Claims
De auteurs beweren dat OmniLoc een verschuiving vertegenwoordigt naar geünificeerde, accurate en uitbreidbare oplossingen voor draadloze indoor lokalisatie. Door lokalisatie te behandelen als een foundation model taak, demonstreert dit werk dat:

Robuuste anchor-free lokalisatie haalbaar is over diverse indoor geometrieën zonder afhankelijk te zijn van vooraf gesurveyde infrastructuur.
De specifieke uitdagingen van wireless signaalheterogeniteit en variabele AP-zichtbaarheid effectief kunnen worden beheerd via unificatie van tokenization en geometrie-bewuste attention mechanismen.
Pretraining op grote, diverse datasets zorgt voor sterke overdraagbaarheid naar onbekende omgevingen, wat de afhankelijkheid van uitgebreide omgeving-specifieke dataverzameling vermindert.

Het artikel concludeert dat hoewel er huidige beperkingen bestaan (zoals de uitsluiting van CSI-fase-informatie en het gebruik van grove geometrische priors), het framework een veelbelovende richting vormt voor het bereiken van millimeter-precisie door mogelijk in de toekomst fijnmaziger omgevingscontext te integreren.