基于学习 RSSI 嵌入的置换不变 Transformer 神经架构用于集合式室内定位
机器学习
2025-06-03 v1 人工智能
摘要
我们提出了一种置换不变的神经架构，利用来自 Wi-Fi 接入点的 RSSI 扫描进行室内定位。每次扫描被建模为一个无序的 (BSSID, RSSI) 对集合，其中 BSSID 被映射为学习到的嵌入并与信号强度拼接。这些数据由 Set Transformer 处理，使模型能够处理变长、稀疏的输入，同时学习基于注意力的接入点关系表示。我们在一个包含六栋建筑的校园环境中收集的数据集上对该模型进行了评估。结果表明，该模型能够准确恢复细粒度的空间结构，并在物理上不同的域中保持性能。在我们的实验中，一个简单的 LSTM 始终优于所有其他模型，在三个任务（E1 - E3）中实现了最低的平均定位误差，平均误差低至 2.23 m。Set Transformer 表现出竞争力，在每次实验中均排名第二，并优于 MLP、RNN 和基本注意力模型，尤其是在涉及多栋建筑（E2）和多层（E3）的场景中。在 E2 中性能下降最明显，该任务中不同建筑间的信号条件差异很大，凸显了架构对域多样性的鲁棒性的重要性。这项工作表明，基于集合的神经模型天然适合基于信号的定位，为在真实世界定位任务中处理稀疏、无序的输入提供了一种有原则的方法。
引用
@article{arxiv.2506.00656,
title = {Permutation-Invariant Transformer Neural Architectures for Set-Based Indoor Localization Using Learned RSSI Embeddings},
author = {Aris J. Aristorenas},
journal= {arXiv preprint arXiv:2506.00656},
year = {2025}
}
备注
16 pages, 1 figure