基于紧凑、无遥测依赖、迁移学习启用的室内定位解码器专用 Transformer

室内 Wi-Fi 定位始终是一个具有挑战性的问题，因为无线信号对环境动态、信道传输特性以及硬件异构性高度敏感。传统的指纹法和基于模型的方法通常需要耗时的校准，并且在设备、信道或部署条件发生变化时会 suffer 快速性能下降。在本文中，我们引入了 Locaris，这是一个解码器专用大型语言模型 (LLM) 用于室内定位。Locaris 将每个接入点 (AP) 测量值视为一个标记，使其能够直接摄取原始 Wi-Fi 遥测数据，而无需预处理。通过在不同的 Wi-Fi 数据集上微调，Locaris 学习了从原始信号直接映射到设备位置的轻量且可泛化的映射。我们的实验研究将 Locaris 与最先进的方法进行比较，结果一致显示 Locaris 在各种类型的遥测数据上匹配或超越了现有技术。我们的结果表明，紧凑型 LLM 可以作为无校准回归模型用于室内定位，为在异构 Wi-Fi 部署中提供可扩展且稳健的跨环境性能。少样本适应实验仅使用每个设备的少数几个校准点，进一步表明 Locaris 在应用于以前未见过的设备和部署场景时仍保持高准确率。这实现了亚米级精度，仅需几百个样本，能在缺失 AP 时保持稳健性能，并支持任何和所有可用的遥测数据。我们的发现突显了 Locaris 在实际场景中为大规模部署（其中不可行广泛校准）提供室内定位的实际可行性。