Performance, Robustness, and Failure Analysis of Machine-Learning-Based Wi-Fi RSSI Indoor Positioning in Multi-Floor Environments

Resumo Técnico: Desempenho, Robustez e Análise de Falhas de Posicionamento Indoor Baseado em Aprendizado de Máquina via RSSI de Wi-Fi em Ambientes de Múltiplos Andares

1. Definição do Problema

Sistemas de posicionamento indoor (IPS) baseados em fingerprinting de RSSI (Indicador de Força de Sinal Recebido) de Wi-Fi são amplamente utilizados devido ao seu baixo custo e à capacidade de reutilizar a infraestrutura existente. No entanto, em ambientes práticos de múltiplos andares, esses sistemas enfrentam desafios significativos:

• Instabilidade de Sinal: Os valores de RSSI flutuam devido à dinâmica ambiental, propagação multitrajeto e diversidade de dispositivos.
• Degradação da Infraestrutura: Implementações no mundo real sofrem com a queda de Pontos de Acesso (APs), visibilidade esparsa de sinais e atenuação de sinal entre andares.
• Ambiguidade de Andar: A atenuação vertical do sinal frequentemente leva à classificação incorreta de andares. Em cenários de múltiplos andares, uma estimativa incorreta de andar propaga erros catastróficos de localização 3D, mesmo que o erro 2D horizontal pareça aceitável.
• Lacunas de Avaliação: A literatura existente foca predominantemente na otimização da precisão mediana ou média. Essas métricas falham em capturar o "comportamento de cauda" (erros extremos), taxas de falha catastrófica ou a robustez do sistema sob condições de sinal degradado. Consequentemente, sistemas com alta precisão nominal ainda podem exibir distribuições de erro de cauda pesada e estimativas de confiança não confiáveis, tornando-os inadequados para aplicações de segurança crítica.

2. Metodologia

Os autores propõem um framework de posicionamento de RSSI de Wi-Fi indoor híbrido e consciente da confiabilidade que desacopla a classificação de andar da localização horizontal, integrando simultaneamente a modelagem de incerteza. O sistema opera em duas fases distintas: treinamento offline e inferência online, sem retreinamento durante a implantação.

A. Componentes Principais:

1. Aprendizado de Métrica Baseado em Triplet para Classificação de Andar:

   • Uma rede neural aprende um espaço de incorporação (embedding) discriminativo usando perda de triplet (triplet loss).
   • O objetivo é minimizar a distância entre os fingerprints do mesmo andar e maximizar a distância entre fingerprints de diferentes andares.
   • Isso cria uma representação robusta para a inferência de andar, abordando a ambiguidade causada pela atenuação vertical do sinal.
   • A previsão de andar é realizada usando K-Vizinhos Mais Próximos Bayesiano (BWKNN) no espaço de embedding para gerar probabilidades posteriores e pontuações de confiança.

2. K-Vizinhos Mais Próximos Ponderados Bayesianos (BWKNN) para Localização Horizontal:

   • O posicionamento horizontal ($x, y$) é realizado no espaço original de RSSI usando similaridade de cosseno.
   • Diferente do KNN determinístico, esta abordagem utiliza ponderação probabilística baseada em formulações de verossimilhança para lidar com medições ruidosas ou esparsas.
   • O número de vizinhos ($K_{xy}$) e a suavidade do peso são ajustados adaptativamente com base no número de APs visíveis para mitigar os efeitos da queda de APs.

3. Fusão Suave de Andar Baseada em Confiança (Confidence-Driven Soft Floor Fusion):

   • Um mecanismo de portão (gating mechanism) avalia a confiança da previsão de andar.
   • Alta Confiança: A estimativa horizontal de base é aceita.
   • Baixa Confiança: O sistema realiza uma "fusão suave de andar". Ele calcula estimativas horizontais para os top-$K$ candidatos de andar e as funde usando média ponderada pela probabilidade posterior. Isso evita falhas catastróficas causadas por uma única classificação errada de andar.

B. Pré-processamento:

• Valores de RSSI ausentes são imputados com o piso de ruído do receptor (-110 dBm).
• A normalização Z-score por amostra é aplicada para reduzir o viés do dispositivo.
• Uma máscara de visibilidade é construída para distinguir entre sinais fracos e APs ausentes.

3. Principais Contribuições

O artigo avança o campo de um paradigma centrado na precisão para um framework orientado à confiabilidade através de quatro contribuições principais:

1. Framework Híbrido: Integração de aprendizado de métrica profunda para embeddings de andar discriminativos com BWKNN para posicionamento horizontal consciente da incerteza.
2. Inferência Consciente da Confiabilidade: Uma estratégia que utiliza estimativa de andar sensível à confiança e fusão suave de andar para mitigar a propagação de erros de andar incorretos.
3. Avaliação de Robustez Controlada: Experimentos simulando condições de estresse realistas, incluindo ruído Gaussiano aditivo de RSSI e níveis variados de queda de APs.
4. Análise de Desempenho Consciente de Falhas: Um protocolo de avaliação que estende além do erro mediano para incluir estatísticas de cauda (P90, P95), Taxa de Falha Catastrófica (CFR), penalidades de andar incorreto e curvas de Risco-Cobertura (RC).

4. Resultados Experimentais

O framework foi avaliado em um dataset público de múltiplos andares (Universidade de Tampere) compreendendo três andares e 446 pontos de referência. Foi comparado contra KNN clássico, KNN Hierárquico, modelos baseados em árvore (Random Forest, XGBoost, CatBoost), MLP, e abordagens de aprendizado de métrica ou bayesianas isoladas.

• Precisão Nominal: O modelo híbrido proposto alcançou um erro mediano 3D de 6,64 m e uma precisão de classificação de andar de 93,38% (Macro-F1: 0,927), sendo competitivo com os métodos de estado da arte.
• Comportamento de Cauda e Falhas Catastróficas:
  • O modelo híbrido suprimiu significativamente os erros extremos. Seu erro P90 3D foi de 12,53 m, comparado a 50,89 m para o Random Forest e 14,88 m para o Metric-WKNN isolado.
  • Taxa de Falha Catastrófica (CFR): Em um limiar de erro de 15 m, o modelo híbrido alcançou uma CFR de 2,44%, representando uma redução de 94,8% em comparação ao Random Forest (47,05%) e uma redução de 22,8% em relação ao Bayesian WKNN. No limiar de 20 m, a CFR caiu para 0,10%.
• Robustez à Degradação de Sinal:
  • Queda de AP (AP Dropout): Sob extrema esparsidade (50 APs visíveis), o modelo híbrido manteve um P90 de pior caso de 32,85 m. Em contraste, o Bayesian WKNN falhou catastroficamente com um P90 de 266,79 m, e os modelos baseados em árvores excederam 95 m.
  • Ruído de RSSI: O modelo híbrido permaneceu estável (P90 ~12–13 m) sob perturbações de ruído de até 8 dB, enquanto os modelos baseados em árvores e MLPs mostraram inflação significativa de erro.
• Análise de Risco-Cobertura: O modelo alcançou uma Área Sob a Curva de Risco-Cobertura (RC-AUC) de 6,06, indicando calibração de incerteza superior e um trade-off suave entre cobertura de predição e erro de cauda em comparação com as bases determinísticas.
• Eficiência Computacional: O tempo de inferência é de aproximadamente 1,16 ms por amostra com uma pegada de memória de 0,94 MB, confirmando a adequação para implantação em tempo real.

5. Significância e Alegações

O artigo alega que a precisão média de localização é insuficiente para avaliar sistemas de posicionamento indoor destinados a implantações no mundo real e de segurança crítica. A principal significância deste trabalho reside em demonstrar que:

• Robustez é distinta de Precisão: Um sistema pode ter uma precisão mediana competitiva, mas falhar catastroficamente sob degradação de sinal. A abordagem híbrida proposta visa explicitamente a supressão desses erros de cauda.
• Modelagem de Incerteza é Crítica: Ao incorporar inferência probabilística e portão sensível à confiança, o sistema pode detectar situações ambíguas (ex: confusão de andar) e degradar graciosamente em vez de produzir erros grandes e ilimitados.
• Benchmarking Consciente de Falhas é Necessário: Os autores argumentam que pesquisas futuras devem adotar métricas como CFR, P90 e penalidades de andar incorreto para garantir a confiabilidade de IPS em ambientes complexos de múltiplos andares.

O estudo conclui que, embora o aprendizado profundo e o aprendizado de métrica melhorem a representação de características, combinar-nos com inferência probabilística (Bayesian WKNN) e estratégias específicas de mitigação de falhas (fusão suave) é essencial para criar sistemas de posicionamento indoor confiáveis no mundo real que não exijam hardware adicional.