Augmentasi Ray-Tracing untuk Lokalisasi Berbasis Kekuatan Sinyal

Kerangka ray-tracing terkalibrasi yang memangkas pengumpulan fingerprint RSS nyata sekaligus meningkatkan akurasi lokalisasi dalam ruangan

Jihoon Og; Ningze Sun; Ioanis Nikolaidis; Omid Ardakanian· 2026· DOI 10.48550/arXiv.2608.23901

Masalah inti

Lokalisasi dalam ruangan menggunakan fingerprint kekuatan sinyal diterima (RSS) Wi-Fi adalah teknik yang mapan, tetapi penerapannya terhambat oleh kebutuhan pengumpulan data dunia nyata yang ekstensif dan mahal. Fingerprinting tradisional memerlukan survei lokasi tempat nilai RSS diukur di banyak titik referensi, proses yang memakan waktu, padat tenaga kerja, dan rentan terhadap perubahan lingkungan. Makalah ini menjawab tantangan skalabilitas dengan mengusulkan kerangka berbasis ray-tracing yang menghasilkan fingerprint RSS sintetis dari model bangunan, sehingga mengurangi ketergantungan pada pengukuran nyata. Penulis bertujuan menjawab apakah simulasi ray-tracing terkalibrasi dapat menghasilkan data sintetis yang cukup akurat untuk melatih model deep learning bagi lokalisasi dalam ruangan, yang berpotensi menghilangkan kebutuhan kampanye fingerprinting dunia nyata yang menyeluruh. Karya ini diposisikan dalam konteks yang lebih luas, yaitu mengurangi beban penerapan sistem penentuan posisi dalam ruangan, yang krusial untuk aplikasi navigasi, pelacakan aset, dan layanan sadar konteks.

Inovasi

Metode yang diusulkan dievaluasi pada bangunan kampus nyata terhadap empat baseline yang beragam. Ketika dilatih secara eksklusif pada data sintetis, metode dengan representasi multinilai dan fusi lintas pita hulu mencapai galat lokalisasi rata-rata 3,05 meter pada set uji data nyata. Ini mengungguli baseline terbaik sebesar 33,6%, menunjukkan efektivitas pendekatan ray-tracing terkalibrasi dan representasi RSS baru. Hasil ini mengindikasikan bahwa data sintetis, bila dikalibrasi dengan tepat, dapat secara substansial mengurangi kebutuhan fingerprint RSS nyata sambil mempertahankan akurasi lokalisasi yang tinggi. Fusi lintas pita pengukuran 2,4 GHz dan 5 GHz lebih lanjut meningkatkan kinerja, menunjukkan bahwa pemanfaatan beberapa pita frekuensi memberikan informasi komplementer yang meningkatkan ketangguhan lokalisasi. Penulis juga kemungkinan membandingkan strategi fusi berbeda (hulu vs. hilir) dan representasi RSS (biner vs. multinilai), dan menemukan bahwa representasi multinilai dengan fusi hulu menghasilkan hasil terbaik. Galat rata-rata 3,05 m kompetitif dengan metode state-of-the-art yang bergantung pada data nyata ekstensif, menyoroti potensi augmentasi berbasis simulasi.

Lokalisasi dalam ruangan menggunakan fingerprint kekuatan sinyal diterima (RSS) Wi-Fi adalah teknik yang mapan, tetapi penerapannya terhambat oleh kebutuhan pengumpulan data dunia nyata yang ekstensif dan mahal. Fingerprinting tradisional memerlukan survei lokasi tempat nilai RSS diukur di banyak titik referensi, proses yang memakan waktu, padat tenaga kerja, dan rentan terhadap perubahan lingkungan. Makalah ini menjawab tantangan skalabilitas dengan mengusulkan kerangka berbasis ray-tracing yang menghasilkan fingerprint RSS sintetis dari model bangunan, sehingga mengurangi ketergantungan pada pengukuran nyata. Penulis bertujuan menjawab apakah simulasi ray-tracing terkalibrasi dapat menghasilkan data sintetis yang cukup akurat untuk melatih model deep learning bagi lokalisasi dalam ruangan, yang berpotensi menghilangkan kebutuhan kampanye fingerprinting dunia nyata yang menyeluruh. Karya ini diposisikan dalam konteks yang lebih luas, yaitu mengurangi beban penerapan sistem penentuan posisi dalam ruangan, yang krusial untuk aplikasi navigasi, pelacakan aset, dan layanan sadar konteks.

Kerangka yang diusulkan terdiri atas tiga tahap utama: kalibrasi model bangunan, pembangkitan data sintetis, dan arsitektur lokalisasi deep learning. Pertama, model bangunan dikalibrasi menggunakan sekumpulan kecil fingerprint RSS nyata melalui optimasi Bayesian, yang menyesuaikan properti material dan parameter simulasi lain untuk meminimalkan selisih antara nilai RSS simulasi dan pengukuran. Ini diikuti kalibrasi per-access-point untuk mengoreksi galat sisa pada nilai RSS simulasi untuk setiap AP. Model terkalibrasi kemudian digunakan untuk menghasilkan dataset augmentasi besar berisi fingerprint RSS sintetis di lokasi sembarang, sehingga secara efektif memperluas data pelatihan tanpa pengukuran nyata tambahan.

Mengapa penting

Temuan ini menunjukkan bahwa simulasi berbasis ray-tracing terkalibrasi dapat secara signifikan meringankan beban pengumpulan data dalam lokalisasi dalam ruangan. Dengan menggunakan optimasi Bayesian untuk mengalibrasi model bangunan hanya dengan sedikit data nyata, kerangka ini menghasilkan fingerprint sintetis yang cukup akurat untuk melatih model deep learning. Langkah kalibrasi per-AP krusial untuk mengoreksi galat sistematis dalam simulasi, memastikan data sintetis mendekati kondisi dunia nyata. Pengenalan representasi RSS biner dan multinilai menjawab tantangan mengodekan kekuatan sinyal secara efektif untuk deep learning, melampaui nilai mentah yang mungkin tidak menangkap struktur yang mendasari. Arsitektur berbasis ResNet dengan fusi lintas pita memanfaatkan sifat komplementer sinyal 2,4 GHz dan 5 GHz, yang memiliki karakteristik propagasi berbeda, untuk meningkatkan akurasi lokalisasi. Peningkatan 33,6% dibanding baseline terbaik menegaskan potensi pendekatan ini. Namun, studi ini memiliki batasan: evaluasi dilakukan di satu bangunan kampus, dan generalisasi ke lingkungan lain dengan material dan tata letak berbeda masih perlu diuji. Pekerjaan selanjutnya dapat mengeksplorasi transfer learning untuk mengadaptasi model terkalibrasi ke bangunan baru dengan data tambahan minimal, atau memasukkan variasi temporal seperti kehadiran manusia dan status pintu. Secara keseluruhan, karya ini merupakan langkah signifikan menuju sistem lokalisasi dalam ruangan yang skalabel dan hemat biaya yang menggabungkan simulasi berbasis fisika dengan deep learning.

Siapa yang sebaiknya membaca

Praktisi dan peneliti ilmu komputer

Membuka konten member…