⚡ electrical engineering

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

本文提出了一种可靠性感知型混合框架，该框架将基于三元组度量学习与贝叶斯加权k-最近邻推理相结合，以显著增强多楼层Wi-Fi RSSI室内定位系统的鲁棒性与故障恢复能力，并通过综合评估证明，与传统的以准确性为中心的方法相比，该方法能有效减少灾难性的定位误差和楼层误分类。

原作者： Md. Sahidur Rahman, Mohammed Morshed Rana, Arifa Sultana

发布于 2026-06-26

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Md. Sahidur Rahman, Mohammed Morshed Rana, Arifa Sultana

原始论文采用 CC BY 4.0 许可（https://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

想象一下，你正试图在一栋巨大的多层办公楼中寻找一个特定的房间，但你没有地图，也没有 GPS（因为 GPS 在室内效果不佳）。相反，你正在使用手机“嗅探”散布在建筑各处的路由器（接入点）发出的 Wi-Fi 信号。这被称为 Wi-Fi RSSI 指纹识别。

问题在于，Wi-Fi 信号是非常杂乱的。它们会从墙壁反射，被行人阻挡，有时路由器甚至会突然停止与你的手机通信。在多层建筑中，情况会变得更加棘手：你的手机可能会认为你在 3 楼，而实际上你在 2 楼；或者它可能猜你在距离电梯 50 米的地方，而你其实就在电梯旁边。

以往的大多数研究都试图让“平均”猜测尽可能准确。但在现实生活中，平均值并不如最坏情况那样重要。如果一个系统通常表现良好，但偶尔会将你送到错误的楼层或错误的街区，那将是灾难性的失败。

这篇论文介绍了一种全新的“混合”系统，旨在实现可靠性，而非仅仅是“平均准确度”。它是这样工作的，我们使用简单的类比来解释：

1. 双人侦探小组

作者构建了一个系统，它就像一个两名成员的侦探小组，来破解位置谜题：

侦探 A（楼层专家）： 这部分使用了一种称为**三元组度量学习（Triplet Metric Learning）**的技术。想象你有一个相册，你按楼层对照片进行分组。这位侦探学会了识别每一层的“氛围”。即使 Wi-Fi 信号很模糊，这位侦探也能分辨出：“这种信号模式感觉像是 2 楼，而不是 4 楼。”它创建了一个特殊的心理地图，让各个楼层像不同的岛屿一样清晰分隔。
侦探 B（水平面专家）： 一旦确定了楼层，这位侦探就会搞清楚你在该楼层上的精确位置。它使用了一种名为**贝叶斯加权 K-最近邻（Bayesian Weighted K-Nearest Neighbor）**的方法。这就像是在询问一群邻居：“我在哪？”但它不仅仅是进行简单的投票，而是会问：“你有多确定？”如果某个邻居的信号很弱或有很多噪声，系统就会减少对他们的信任；如果信号很强，系统则会更多地信任他们。

2. “安全网”（软楼层融合）

这是最聪明的部分。有时，即使是侦探 A 也无法 100% 确定你在哪一层。

旧方法： 系统会直接选择“最有可能”的楼层并将其锁定。如果猜错了，你就迷路了。
本论文的方法： 如果系统不确定，它不会惊慌失措。它会同时保留前 3 或 4 个可能的楼层。它会计算你在每个可能楼层上的位置，然后根据每个楼层的可能性将它们融合在一起。这就像是在说：“我有 60% 的把握你在 2 楼，30% 的把握在 3 楼，10% 的把握在 1 楼。”它会在这些可能性之间取平均位置。这防止了系统仅仅因为猜错了一个楼层就导致巨大的、灾难性的错误。

3. 测试“灾难场景”

作者不仅测试了系统在完美状态下的表现，还模拟了“灾难场景”来观察其鲁棒性（稳健性）：

“嘈杂房间”测试： 他们加入了虚假的静态噪声来模拟拥挤、混乱的环境。
“损坏的路由器”测试： 他们模拟了建筑中一半的 Wi-Fi 路由器突然停止工作的情况（这是现实世界中常见的问题）。

结果显示：

旧系统： 当路由器丢失或信号产生噪声时，旧系统（如随机森林或标准 KNN）往往会表现得非常离谱，给出的位置偏差可能高达 50 到 200 米。它们具有“重尾”特征，意味着它们通常表现尚可，但偶尔会出现灾难性的误差。
这个新的混合系统： 即使有一半的路由器“损坏”，这个新系统仍能将最坏情况下的误差控制在很低的水平（约 33 米）。它不仅让平均值变得正确，更重要的是它抑制了灾难。

4. 为什么这很重要

论文指出，对于安全至上的事物（如应急响应或引导人们在建筑内移动），你需要的不是一个“通常”正确的系统，而是一个极少犯重大错误系统的系统。

灾难性失败率： 与一些旧方法相比，新系统将发生大规模误差（例如大幅度猜错楼层）的可能性降低了约 95%。
信心度： 系统知道自己何时不确定。如果它没有把握，它就会利用其“安全网”（软融合）来保持安全，而不是盲目猜测。

总结

你可以把这篇论文看作是对室内 GPS 的一次升级。旧的 GPS 就像一个给你指路的朋友，虽然大部分时候是对的，但有时会把你带到错误的城市。这个新系统则像一位谨慎且经验丰富的向导，他会说：“我非常确定我们在 2 楼，但如果我错了，我也有备用计划，可以确保我们不会掉下悬崖。”它优先考虑的是安全性与可靠性，而不仅仅是“速度”或“平均值”。

技术摘要：多楼层环境下基于机器学习的 Wi-Fi RSSI 室内定位性能、鲁棒性与失效分析

1. 问题定义

基于 Wi-Fi 接收信号强度指示（RSSI）指纹图谱的室内定位系统（IPS）因其低成本和能够复用现有基础设施的特性而被广泛应用。然而，在实际的多楼层环境中，这些系统面临着重大挑战：

信号不稳定性： 由于环境动态变化、多径传播和设备多样性，RSSI 值会发生波动。
基础设施退化： 现实世界的部署存在接入点（AP）掉线、信号可见度稀疏以及楼层间信号衰减等问题。
楼层歧义： 垂直方向的信号衰减常导致楼层分类错误。在多楼层场景中，错误的楼层估计会引发灾难性的 3D 定位误差，即使其 2D 水平误差看起来尚可。
评估差距： 现有文献主要针对中位数或平均定位精度进行优化。这些指标无法捕捉“尾部行为”（极端误差）、灾难性失败率或在退化信号条件下的系统鲁棒性。因此，具有高标称精度的系统仍可能表现出重尾误差分布和不可靠的置信度估计，使其不适用于安全至上的应用场景。

2. 方法论

作者提出了一种可靠性感知型混合室内 Wi-Fi RSSI 定位框架，该框架将楼层分类与水平定位解耦，同时集成了不确定性建模。系统分为两个阶段运行：离线训练和在线推理，部署期间无需重新训练。

A. 核心组件：

用于楼层分类的基于三元组的度量学习（Triplet-Based Metric Learning）：
- 神经网络通过三元组损失（triplet loss）学习具有判别性的嵌入空间。
- 其目标是最小化来自同一楼层的指纹之间的距离，并最大化来自不同楼层的指纹之间的距离。
- 这为楼层推理创建了鲁棒的表示，解决了由垂直信号衰减引起的歧义问题。
- 楼层预测是在嵌入空间中使用贝叶斯 K-最近邻（BWKNN）进行的，以生成后验概率和置信度分数。
用于水平定位的贝叶斯加权 K-最近邻（BWKNN）：
- 水平定位（ $x, y$ ）在原始 RSSI 空间中使用余弦相似度进行。
- 与确定性 KNN 不同，该方法基于似然公式使用概率权重，以处理噪声或稀疏的测量值。
- 根据可见 AP 的数量自适应调整相邻数（ $K_{xy}$ ）和权重平滑度，以减轻 AP 掉线的影响。
置信度驱动的软楼层融合（Confidence-Driven Soft Floor Fusion）：
- 门控机制用于评估楼层预测的置信度。
- 高置信度： 接受基准水平估计。
- 低置信度： 系统执行“软楼层融合”。它计算前 $K$ 个候选楼层的水平估计，并使用后验加权平均进行融合。这防止了由单一错误楼层分类导致的灾难性失败。

B. 预处理：

缺失的 RSSI 值使用接收机噪声底限（-110 dBm）进行填充。
应用逐样本 Z-score 标准化以减少设备偏差。
构建可见性掩码以区分弱信号和缺失的 AP。

3. 主要贡献

本文通过四个主要贡献，将研究范式从以精度为中心转向以可靠性为中心：

混合框架： 将用于判别性楼层嵌入的深度度量学习与用于不确定性感知水平定位的 Bayesian WKNN 相结合。
1. 可靠性感知推理： 利用置信度敏感的楼层估计和软楼层融合策略，来减轻错误楼层误差的传播。
受控鲁棒性评估： 通过模拟现实压力条件的实验，包括加性高斯 RSSI 噪声和变化的 AP 掉线水平。
失效感知性能分析： 一种超越中位数误差的评估协议，包括尾部统计量（P90, P95）、灾难性失败率（CFR）、错误楼层惩罚和风险覆盖率（RC）曲线。

4. 实验结果

该框架在包含 3 层楼和 446 个参考点的公开多楼层数据集（坦佩雷大学）上进行了评估。它与经典 KNN、层次化 KNN、树模型（随机森林、XGBoost、CatBoost）、MLP 以及独立的度量学习或贝叶斯方法进行了对比。

标称精度： 所提出的混合模型实现了 6.64 m 的 3D 中位数误差和 93.38% 的楼层分类准确率（Macro-F1: 0.927），与现有最先进方法处于同一水平。
尾部行为与灾难性失败：
- 混合模型显著抑制了极端误差。其 3D P90 误差为 12.53 m，而随机森林为 50.89 m，Metric-WKNN 单独使用时为 14.88 m。
- 灾难性失败率 (CFR)： 在 15 m 误差阈值下，混合模型的 CFR 为 2.44%，相比随机森林（47.05%）减少了 94.8%，相比 Bayesian WKNN 减少了 22.8%。在 20 m 阈值下，CFR 降至 0.10%。
对信号退化的鲁棒性：
- AP 掉线： 在极端稀疏（50 个可见 AP）的情况下，混合模型保持了 32.85 m 的最差情况 P90。相比之下，Bayesian WKNN 发生灾难性失败，P90 为 266.79 m，而树模型超过了 95 m。
- RSSI 噪声： 在高达 8 dB 的噪声扰动下，混合模型保持稳定（P90 约为 12–13 m），而树模型和 MLP 则表现出明显的误差膨胀。
风险覆盖分析： 该模型实现了 6.06 的风险覆盖曲线下面积（RC-AUC），表明其具有优于确定性基准模型的确定性校准能力，以及在预测覆盖范围与尾部误差之间平滑的权衡。
计算效率： 每个样本的推理时间约为 1.16 ms，内存占用为 0.94 MB，证实了其适用于实时部署。

5. 意义与主张

本文主张，平均定位精度不足以评估旨在用于现实世界、安全至上部署的室内定位系统。这项工作的核心意义在于证明了：

鲁棒性不同于精度： 一个系统可以拥有极具竞争力的中位数精度，但在信号退化时发生灾难性失败。所提出的混合方法明确针对这些尾部误差的抑制。
不确定性建模至关重要： 通过引入概率推理和置信度感知门控，系统可以检测歧义情况（例如楼层混淆），并实现优雅降级，而不是产生巨大的、无界的误差。
失效感知基准测试是必要的： 作者认为，未来的研究必须采用 CFR、P90 和错误楼层惩罚等指标，以确保复杂多楼层环境下 IPS 的可靠性。

研究结论指出，虽然深度学习和度量学习可以改善特征表示，但将它们与概率推理（Bayesian WKNN）以及特定的失效缓解策略（软融合）相结合，对于创建可靠的、无需额外硬件的现实世界室内定位系统至关重要。