⚡ electrical engineering

Learning Displacement-Aware WiFi Representations for Weakly Supervised Relative Localization

本文提出了交叉路径（IP），这是一个弱监督跨模态学习框架，通过将WiFi指纹轨迹与惯性运动矢量对齐，学习位移感知表示，从而在无需密集坐标标注的情况下实现精确的相对室内定位。

原作者： Tzu-Ti Wei, Po-Cheng Chen, Yu-Chee Tseng, Jen-Jee Chen

发布于 2026-05-19

📖 1 分钟阅读☕ 轻松阅读

原作者： Tzu-Ti Wei, Po-Cheng Chen, Yu-Chee Tseng, Jen-Jee Chen

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

以下是论文《用于弱监督相对定位的学习位移感知 WiFi 表示》的解读，将其拆解为简单概念和日常类比。

核心问题：需要地图的"GPS"

想象你身处一个巨大的、没有窗户的仓库中。你想知道自己确切的位置。通常，WiFi 系统像一张巨大的地图：它们观察附近路由器的信号强度（WiFi 指纹），然后说：“啊，你在坐标 (50, 100)。”

难点在于： 要构建这张地图，你需要事先知道建筑物内成千上万个点的确切坐标。这就像必须拿着尺子和笔记本，走完巨大仓库的每一寸土地，标记出每一个点。这既昂贵、缓慢，又令人头疼。

新想法：“相对”导航

研究人员没有问“我在地图上的哪里？”，而是提出了一个更简单的问题：“如果我从 A 点走到 B 点，我移动了多远，方向如何？”

这被称为相对定位。

旧方法： “你在北墙。”（需要预先绘制的地图）。
新方法： “你向北走了 5 步，向东走了 2 步。”（不需要地图，只需知道移动情况）。

这对于机器人跟随人员，或两架无人机在仓库中协同工作等情况非常有用。它们不需要知道全球地址，只需要知道彼此之间的相对位置。

关键秘诀：“弱监督”

研究人员仍然需要一些训练数据，但他们不想为昂贵的“全局地图”标签买单。相反，他们使用了弱监督。

这就像教狗捡东西。

强监督（旧方法）： 你给狗看一张球的图片，说：“这是一个球。”你需要为每一颗球都准备一张图片。
弱监督（本文方法）： 你只需告诉狗：“当你移动头部时，你的鼻子会向那个方向移动。”你不需要给球打标签；你只需利用狗自身的运动传感器（如计步器）来教它移动的感觉。

在本文中，他们使用惯性传感器（如手机或机器人中的加速度计）记录微小的“步步”移动。他们将这些步骤与同时收集的 WiFi 信号配对。他们不需要知道机器人在建筑物中的位置，只需要知道它从一秒到下一秒如何移动。

解决方案：“交集路径”（IP）

研究人员构建了一个名为**交集路径（Intersection Pathway, IP）**的特殊 AI 框架。以下是通过一个隐喻来解释其工作原理：

想象两种不同的语言：

WiFi 语言： 一种嘈杂、混乱的代码，随房间不同而变化。
移动语言： 一种清晰、逻辑的代码，表示“向前 1 米”。

AI 的任务是在一个共享的“梦境空间”（潜在空间）中翻译这两种语言。

魔法技巧：加法和减法
核心思想是，在这个“梦境空间”中，数学运算就像现实生活一样有效。

如果你有一个代表"A 点”的 WiFi 信号，并加上代表“向北走 2 米”的数学运算，结果应该看起来完全像"B 点”的 WiFi 信号。
反之，如果你取"B 点”的 WiFi 信号并减去"A 点”的 WiFi 信号，结果应该能准确告诉你走了多远以及朝什么方向走。

AI 被训练以确保其大脑中的加法或减法运算对应于现实世界中的行走或转向。

他们如何测试

由于他们无法轻易获得带有标记步骤的、大规模的真实世界行走数据集，他们创建了一个合成数据集。

他们获取了建筑物真实的 WiFi 地图。
他们获取了其他地方的真实行走路径。
他们通过计算机程序将行走路径“粘贴”到 WiFi 地图上，创建了数千个虚假但逼真的训练样本。

他们利用这些数据训练 AI，发现 AI 能够仅通过观察两个点的 WiFi 信号，就准确猜测它们之间的距离和方向，而无需知道绝对坐标。

结果

长距离表现更佳： 即使两点相距甚远，AI 也能很好地判断它们之间的距离，因为它学习了移动的“累加”特性。
鲁棒性强： 它能够处理一些噪声（如手机抖动或传感器故障）而不会崩溃。
额外功能（少样本学习）： 尽管它是为了寻找相对距离而训练的，但他们表明，如果给它极少的已知位置（锚点），它就能突然推断出绝对位置。这就像学会了游戏规则，然后只需看到一次起跑线，就能知道终点在哪里。

总结

这篇论文提出了一种更聪明的利用 WiFi 进行室内导航的方法。它不再强迫计算机记忆一张巨大且昂贵的世界地图，而是教会计算机理解移动。通过使用简单的计步数据来训练 AI，它学会了"WiFi 信号 A + 行走 = WiFi 信号 B"。这使得设备能够轻松、廉价地找到它们的相对位置，而无需预先绘制整个建筑物的地图。

技术摘要：用于弱监督相对定位的位移感知 WiFi 表征学习

问题定义

本文探讨了利用 WiFi 指纹进行室内相对定位的挑战。与将 WiFi 指纹映射到绝对坐标（需要密集且昂贵的定位标注）的传统方法不同，本工作专注于在不预测绝对位置的情况下，估算两个 WiFi 指纹轨迹（ $F_A$ 和 $F_B$ ）之间的位移向量（ $\Delta_{AB}$ ）。

核心难点在于数据的性质：WiFi 指纹具有模糊性和噪声，而物理运动是累加的。作者旨在学习一种模型，能够利用弱监督直接从指纹轨迹中推断相对位移。该系统不使用密集坐标标签，而是利用从惯性传感器（例如机器人或物联网设备上的传感器）获取的步进运动向量（位移轨迹， $D$ ）作为弱标签。这种定义针对的是机器人跟随和仓库协调等场景，在这些场景中，相对空间关系比全局坐标更具可操作性。

方法论：交叉路径（IP）

提出的解决方案是一个名为**交叉路径（Intersection Pathway, IP）**的跨模态学习框架。该架构采用两个共享潜在空间的自编码器，以对齐指纹轨迹（f-traces）和位移轨迹（d-traces）。

1. 架构组件

f-trace 自编码器：使用基于Transformer的编码器处理 WiFi 指纹序列。通过捕捉序列上下文（上游和下游信号），该编码器处理指纹的模糊性。解码器重构输入的 f-trace。
d-trace 自编码器：使用线性编码器和解码器处理步进位移向量。线性设计是保留潜在空间中物理运动累加结构的关键选择。
共享潜在空间：两种模态被映射到维度匹配的潜在代码，允许直接交互。

2. 训练路径

该模型通过四种特定路径进行训练，以强制模态间的一致性：

指纹直接（FD）：重构输入 f-trace，以稳定上下文感知的嵌入。
位移直接（DD）：重构输入 d-trace，以确保物理位移的准确映射。
指纹 - 位移 - 加（FDA）：强制将潜在位移代码（ $e_i$ ）添加到前一个指纹潜在代码（ $l_{i-1}$ ）中，得到下一个指纹的潜在代码（ $l_i$ ）。这教导模型潜在加法对应于物理运动。
指纹 - 指纹 - 减（FFS）：强制相邻指纹潜在代码相减（ $l_i - l_{i-1}$ ）得到位移的潜在代码（ $e_i$ ）。这使得模型能够从指纹差异中推断位移。

训练分三个阶段进行，逐步引入这些约束：首先学习鲁棒的指纹表征，然后注入运动信息，最后对齐两种模态。

3. 推理

在推理过程中，模型接收两个 f-trace（ $F_A, F_B$ ）作为输入。将其编码为潜在代码，计算其终点潜在代码之间的差值（ $l_B - l_A$ ），并将该差值通过线性 d-trace 解码器，输出预测的位移向量。

主要贡献

问题定义：作者将基于 WiFi 的相对定位定义为弱监督问题，实现了无需密集坐标标签的直接位移估算。
交叉路径框架：提出了一种跨模态框架，在共享潜在空间中对齐指纹和位移轨迹。关键在于强制一种累加结构，其中潜在加法/减法对应于物理运动的组合。
位移感知表征：学习到的表征支持相对定位，并支持向少样本绝对定位的轻量级扩展（使用稀疏锚点），证明了所学潜在空间的实用性。

实验结果

该方法在一个由真实 WiFi 测量数据和人类行走轨迹合成的数据集上进行了评估，环境为 20x25 米的室内空间。

相对定位性能：对于长达 10 米的位移，所提出的方法实现了0.719 米的位移误差（DE），在所有范围内实现了1.751 米的误差。其表现优于使用 LSTM 和 DNN 骨干网络的基线方法，特别是在长距离场景中。
消融研究：
- 移除 d-trace 编码器或 f-trace 解码器会显著降低性能，证实了跨模态交互和重构路径的必要性。
- 用非线性分支替换线性 d-trace 分支导致了最大的性能下降，验证了线性对于保留位移组合至关重要。
鲁棒性：模型在中等噪声水平（ $\lambda \le 2.0$ ）下保持稳定，但在过度扰动下性能急剧下降。
少样本扩展：当扩展到使用稀疏锚点的绝对定位时，模型实现了亚米级精度，尽管其对噪声的敏感度高于全监督基线。

意义与主张

本文声称，交叉路径框架通过利用弱监督成功学习了位移感知的 WiFi 表征。其意义在于：

降低标注成本：消除了对密集坐标标签的需求，而这些标签在大规模获取时成本高昂。
硬件无关性：与 UWB 或 BLE 系统不同，该方法依赖于商用 WiFi 和标准惯性传感器，使其具有广泛的适用性。
可操作的输出：通过直接估算相对位移，该方法更符合那些相对定位（例如机器人跟随）比全局坐标更关键的应用场景。
可扩展性：将模型扩展到少样本绝对定位的能力，表明了一条在仅有少量锚点可用的情况下进行实际部署的途径。

作者得出结论，显式的跨模态交互以及潜在空间中累加结构的保留，是实现弱监督下精确相对定位的关键因素。