🤖 AI

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

Este artigo apresenta uma estrutura baseada em grafos, totalmente orientada por dados, que alcança a separação cega de pavimentos verticais em edifícios de múltiplos andares ao modelar trajetórias de impressões digitais de Wi-Fi como nós, aprendendo incorporações estruturais via Node2Vec e aplicando o agrupamento K-Means com estimativa automática de clusters, tudo isso sem exigir metadados prévios do edifício.

Autores originais: Rabia Yasa Kostas, Kahraman Kostas

Publicado 2026-02-03

📖 4 min de leitura☕ Leitura rápida

CC BY 4.0

Autores originais: Rabia Yasa Kostas, Kahraman Kostas

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine que você está caminhando por um shopping center enorme e de vários andares. Você não tem sinal de GPS, não tem um mapa e não tem ideia de em qual andar está. Os sinais de Wi-Fi que ricocheteiam nas paredes e nos móveis parecem quase idênticos, quer você esteja no 3º ou no 4º andar. Este é o problema da "localização vertical": descobrir em qual andar você está apenas ouvindo os sinais de Wi-Fi.

Este artigo propõe uma maneira inteligente e baseada em dados para resolver esse enigma sem precisar de uma planta do edifício ou saber quantos andares existem previamente. Veja como eles fizeram isso, explicado de forma simples:

1. O Problema: A "Sopa de Sinais"

Em grandes edifícios, os sinais de Wi-Fi são bagunçados. Eles vazam através dos andares, ricocheteiam em átrios de vidro e ficam confusos com os móveis. Se você apenas observar a força do sinal em um único momento, é como tentar adivinhar em qual cômodo de uma casa você está sentindo o cheiro de uma única gota de café; é muito vago.

2. A Solução: Transformando Sinais em uma "Rede Social"

Em vez de olhar para os sinais um por um, os autores tratam toda a jornada como uma rede social.

Os Nós (Pessoas): Cada vez que o telefone registra um sinal de Wi-Fi, é como uma pessoa em uma festa.
As Arestas (Amizades): Se você caminhou de um lugar para outro, esses dois sinais são "amigos". Se dois sinais são muito semelhantes (mesmo que você não tenha caminhado entre eles), eles também são "amigos".

Ao conectar todos esses sinais, eles constroem um grande mapa de amizades (um grafo).

3. O Truque de Mestre: "Aprendendo a Vibe" (Node2Vec)

Uma vez que tenham esse grande mapa, eles usam uma técnica chamada Node2Vec. Pense nisso como um detetive que caminha pela festa, observando quem frequenta com quem.

Em vez de apenas olhar para quem está parado ao lado de quem, o detetive aprende a "vibe" de diferentes grupos.
Pessoas no 3º andar podem frequentar um círculo específico, enquanto pessoas no 4º andar frequentam um círculo diferente, mesmo que a sala pareça a mesma.
O algoritmo transforma esses círculos sociais complexos em "crachás de identificação" simples (vetores) que capturam a essência de cada andar.

4. Agrupando as Pistas (Clustering)

Depois que todos têm um "crachá de identificação", o computador usa uma ferramenta simples de classificação (K-Means) para agrupar pessoas que possuem crachás semelhantes.

O Resultado: Todas as "pessoas do 3º andar" acabam em um monte, e todas as "pessoas do 4º andar" acabam em outro.
A Parte Legal: O computador descobre quantos montes existem automaticamente. Ele não precisa que lhe digam: "Existem 5 andares". Ele apenas olha para os dados e diz: "Ah, vejo 5 grupos distintos".

5. O Teste: Funcionou?

Os autores testaram o método em dois conjuntos de dados do mundo real (um de um desafio universitário e outro de um famoso benchmark de pesquisa).

A Comparação: Eles colocaram seu método contra formas tradicionas mais antigas de classificar dados (como agrupamento simples ou redes neurais complexas).
O Desfecho: O método deles foi o vencedor claro.
- No conjunto de dados ruidoso e difícil, o método deles obteve cerca de 76% de precisão, enquanto o próximo melhor método obteve apenas cerca de 50%.
- No outro conjunto de dados, o método deles teve um desempenho tão bom quanto se tivessem usado medições físicas perfeitas (como saber a altura exata de cada ponto), embora tenham usado apenas sinais de Wi-Fi.

6. Por que é Especial

Não Precisa de Plantas: Você não precisa conhecer o layout do edifício ou saber quantos andares ele possui. O sistema descobre por conta própria.
Sem Sensores Extras: Não precisa de barômetros (sensores de pressão) ou acelerômetros; utiliza apenas os sinais de Wi-Fi que já estão no seu telefone.
Robustez: Mesmo quando os sinais de Wi-Fi estão bagunçados e o edifício possui espaços abertos estranhos (como um grande átrio), essa abordagem de "rede social" ainda consegue separar os andares corretamente.

Em resumo: Os autores transformaram uma pilha bagunçada de sinais de Wi-Fi em uma rede social, deixaram uma IA aprender a "personalidade" de cada andar e, então, os classificaram em grupos. É uma forma de dizer em qual andar você está apenas ouvindo o Wi-Fi, sem nunca precisar de um mapa.

Resumo Técnico: Separação de Pisos Baseada em Grafos Usando Embeddings de Nós e Agrupamento de Trajetórias de Wi-Fi

Definição do Problema
A localização vertical, especificamente a separação de pisos em ambientes internos multiestratificados, continua sendo um desafio significativo para os Sistemas de Posicionamento Indoor (IPS). Diferente dos sistemas externos baseados em GPS, os ambientes internos sofrem com obstruções de sinal, interferência de multicaminho e vazamento de sinal entre pavimentos (particularmente em átrios e espaços abertos), levando a padrões de sinal sobrepostos. Os métodos tradicionais de fingerprinting de Wi-Fi frequentemente dependem de aprendizado supervisionado, exigindo dados rotulados extensos e conhecimento prévio do edifício (ex: plantas baixas ou número de pavimentos). Além disso, soluções dependentes de hardware (barômetros, IMUs) enfrentam problemas de deriva de calibração e escalabilidade. Este artigo aborda a necessidade de uma abordagem totalmente orientada a dados e não supervisionada para a separação cega de pisos que não requer informações prévias do edifício, não conhece o número de pisos e baseia-se exclusivamente em trajetórias de RSSI (Indicador de Força de Sinal Recebido) de Wi-Fi.

Metodologia
O framework proposto formula a separação de pisos como um problema de agrupamento de grafos não supervisionado. A metodologia prossegue através das seguintes etapas:

Construção do Grafo:
- Nós: Cada fingerprint de Wi-Fi (um vetor de valores de RSSI de Access Points visíveis) é representado como um nó.
- Arestas: As arestas capturam tanto a similaridade de sinal quanto o contexto de movimento sequencial.
  - Arestas Horizontais: Conectam fingerprints sequenciais dentro da mesma trajetória de usuário para preservar a continuidade temporal.
  - Arestas Verticais/Sintéticas: Em conjuntos de dados que carecem de rótulos explícitos de transição vertical (ex: UJIIndoorLoc), arestas sintéticas são introduzidas apenas para garantir que o grafo permaneça como um único componente conectado, sem codificar a identidade do piso ou supervisão vertical.
- Ponderação de Arestas: Os pesos representam a proximidade entre os fingerprints. O estudo avalia três estratégias:
  - Padrão (Default): Estimativas de distância ruidosas fornecidas pelos conjuntos de dados das competições.
  - WBDE (Estimativa de Distância Baseada em Wi-Fi): Distâncias recalculadas usando um modelo de ML supervisionado treinado em conjuntos de dados de posicionamento horizontal externos (garantindo que não haja vazamento de dados da tarefa de classificação de piso).
  - Padrão de Ouro Geométrico: Distâncias euclidianas derivadas de coordenadas de verdade fundamental (usadas apenas para o UJIIndoorLoc como um limite superior teórico).
Embedding de Nó:
- O framework utiliza Node2Vec para aprender embeddings vetoriais de baixa dimensão (dimensão $d=32$ ) dos nós. O Node2Vec utiliza caminhadas aleatórias enviesadas para equilibrar a Busca em Profundidade (DFS) e a Busca em Largura (BFS), capturando tanto a homofilia local quanto a equivalência estrutural global.
- O estudo também realiza o benchmarking contra Redes Neurais de Grafos (GCN e GAT), embora estas dependam de agregação explícita de características, o que pode ser propenso ao excesso de suavização (over-smoothing) em grafos de Wi-Fi ruidosos.
Agrupamento e Estimativa:
- Os embeddings aprendidos são agrupados utilizando K-Means.
- Estimativa Automática de Clusters: Para determinar o número de pisos ( $k$ ) sem conhecimento prévio, o sistema utiliza o Índice Calinski-Harabasz (CH). O algoritmo avalia iterativamente $k$ dentro de um intervalo de [3, 20] (baseado nas restrições do Huawei Challenge) e seleciona o $k$ que maximiza a razão entre a dispersão inter-cluster e intra-cluster.
Avaliação:
- Como o método é não supervisionado, um esquema de votação majoritária post-hoc mapeia clusters anônimos para rótulos físicos de pisos para o cálculo de métricas.
- O desempenho é medido usando Mapped Accuracy, Weighted F1-Score, Adjusted Rand Index (ARI), Normalized Mutual Information (NMI) e Cluster Purity.
- A robustez estatística é garantida via 1.000 iterações de bootstrap.

Conjuntos de Dados
O framework é avaliado em dois conjuntos de dados distintos:

Huawei University Challenge 2021: Um conjunto de dados de larga escala com trajetórias de caminhada contínuas e estimativas de distância ruidosas.
UJIIndoorLoc: Um conjunto de dados de referência que cobre três edifícios. Os autores reestruturaram este conjunto para gerar trajetórias a partir de fingerprints discretos, tratando os subconjuntos de Treino e Validação como experimentos independentes para testar a generalização.

Principais Resultados

Superioridade sobre Baselines: O pipeline proposto de Node2Vec + K-Means superou significativamente os algoritmos tradicionais de detecção de comunidades (Louvain, Leiden, Infomap, Label Propagation, Fast Greedy) e modelos baseados em GNN (GCN, GAT).
- No dataset Huawei (usando distâncias WBDE), o método proposto alcançou 76,60% de acurácia (95% CI [0,739, 0,806]), vencendo decisivamente o melhor baseline (GAT com 50,2%).
- No dataset UJIIndoorLoc, o método alcançou 66,1% de acurácia no subconjunto de Treino e 59,4% no subconjunto de Validação, superando substancialmente os baselines que frequentemente caíram abaixo de 25% no conjunto de Validação.
Impacto da Estimativa de Distância: Substituir as distâncias ruidosas padrão por estimativas baseadas em WBDE melhorou significamente o desempenho (de 69,3% para 76,6% no Huawei), confirmando que uma topologia de grafo mais limpa é crítica para o agrupamento.
Equivalência à Geometria: Uma descoberta importante é que, no dataset UJIIndoorLoc, o desempenho de agrupamento usando distâncias puramente derivadas de sinal (WBDE) foi estatisticamente indistinguível dos resultados do "Padrão de Ouro" obtidos usando distâncias geométricas de verdade fundamental. Isso sugere que o método pode recuperar layouts estruturais físicos apenas de dados de RSSI.
Integridade Estrutural: Enquanto os algoritmos tradicionais alcançaram alta Cluster Purity (frequentemente >90%), eles sofreram de severa sobre-segmentação (ARI próximo de zero), falhando em identificar comunidades coerentes de nível de piso. A abordagem Node2Vec manteve altos escores de ARI (ex: 0,669 no Huawei), indicando que ela captura com sucesso a consistência estrutural global.

Significância e Alegações
O artigo alega que sua principal contribuição é uma solução escalável e independente de hardware para localização vertical que elimina a dependência de metadados específicos do edifício ou dados de treinamento rotulados.

Capacidade Não Supervisionada: O método realiza com sucesso a separação cega de pisos, estimando o número de pisos e particionando trajetórias sem conhecimento prévio do layout do edifício.
Robustez ao Ruído: Ao alavancar o aprendizado de representação de grafos (Node2Vec) em vez da agregação direta de características (GNNs) ou otimização de modularidade local, o framework é robusto ao alto ruído e às flutuações de sinal inerentes aos ambientes de Wi-Fi.
Generalização: A abordagem demonstra desempenho consistente através de diferentes escalas arquitetônicas e metodologias de coleta de dados (trajetórias contínuas vs. fingerprints discretos reconstruídos).
Praticidade: O framework depende apenas de dados de fingerprint de Wi-Fi padrão, tornando-o aplicável à infraestrutura wireless existente sem exigir sensores adicionais (como barômetros) ou calibrações complexas.

Os autores concluem que, embora a qualidade da estimativa de distância (via WBDE) melhore o desempenho, o valor central reside na capacidade do framework de embedding em recuperar autonomamente o layout estrutural de edifícios multiestratificados a partir de dados de sinal ruidosos.