Meta‑SimGNN: WiFi‑Positionierung neu – adaptiv, robust, konfigurationsunabhängig

Ein neues Deep‑Learning‑System namens Meta‑SimGNN verspricht die WiFi‑Lokalisierung in allen möglichen Szenarien zu revolutionieren. Während frühere Ansätze vor allem auf Veränderungen im räumlichen Aufbau von Gebäuden reagierten, berücksichtigt Meta‑SimGNN zusätzlich die Vielfalt an Geräte­konfigurationen – von Bandbreite über die Anzahl der Access Points bis hin zu Antennen­anordnungen. Diese Parameter beeinflussen die Dimensionalität der Kanalzustandsinformation (CSI) und stellen die Einsatzfähigkeit herkömmlicher neuronaler Netze vor große Herausforderungen.

Meta‑SimGNN kombiniert Graph‑Neural‑Networks mit Meta‑Learning. Zunächst wird jeder Access Point als Knoten in einem fein abgestuften CSI‑Graphen dargestellt, wodurch das System automatisch auf unterschiedliche AP‑Anzahlen reagieren kann. Für die Knoteneigenschaften nutzt das Modell eine Amplituden‑Phasen‑Fusion, die sowohl die Signalstärke als auch die Phaseninformation in CSI‑Bildern integriert, und extrahiert dimensionkonsistente Merkmale, um Bandbreiten‑ und Antennenvariationen zu kompensieren.

Ein weiterer Baustein ist die similarity‑guided Meta‑Learning‑Strategie. Hierbei werden die Ausgangsparameter für die Feinabstimmung anhand der Ähnlichkeit des neuen Szenarios zu bereits bekannten Szenarien bestimmt. Dadurch kann das Netzwerk schnell und effizient an neue Umgebungen angepasst werden, ohne dass umfangreiche Trainingsdaten erforderlich sind.

Die Ergebnisse aus den ersten Tests zeigen, dass Meta‑SimGNN die Genauigkeit der WiFi‑Lokalisierung deutlich steigert und gleichzeitig die Robustheit gegenüber unterschiedlichen Geräteeinstellungen erhöht. Damit stellt das System einen bedeutenden Fortschritt für die praktische Anwendung von Deep‑Learning‑basierten Positionierungslösungen dar.