Cluster‑basiertes Lernen verbessert Wi‑Fi‑Fingerabdruck‑Positionierung

Wi‑Fi‑Fingerabdruck bleibt eine der praktischsten Methoden zur Innenraum‑Positionierung, doch seine Genauigkeit wird häufig durch die Größe und Heterogenität der Datensätze, die starke Schwankungen des Received Signal Strength Indicator (RSSI) und die Mehrdeutigkeit in großen, mehrstöckigen Gebäuden eingeschränkt.

Um diese Grenzen zu überwinden, schlägt die neue Studie einen Ansatz vor, bei dem die Fingerabdruckdaten vor der Lokalisierung strukturiert werden. Durch Clustering werden die Messungen entweder nach räumlichen Merkmalen oder nach Funk‑Signalen gruppiert, wobei die Gruppierung auf Gebäude- oder Stockwerksebene erfolgen kann.

Im Lokalisierungsprozess wird ein Clustering‑Schätzverfahren eingesetzt, das die stärksten Access Points nutzt, um unbekannte Fingerabdrücke dem relevantesten Cluster zuzuordnen. Anschließend erfolgt die Positionsbestimmung ausschließlich innerhalb dieses Clusters, wodurch die Lernmodelle mit kleineren, kohärenteren Datensätzen arbeiten.

Die Wirksamkeit des Verfahrens wurde an drei öffentlichen Datensätzen und mehreren Machine‑Learning‑Modellen getestet. Die Ergebnisse zeigen eine konsequente Verringerung der Lokalisierungsfehler, insbesondere bei Strategien auf Gebäudeebene, allerdings mit einem leichten Rückgang der Stockwerk‑Erkennungsgenauigkeit.

Diese Erkenntnisse verdeutlichen, dass die gezielte Strukturierung von Fingerabdruckdaten durch Clustering ein effektiver und flexibler Ansatz für skalierbare Innenraum‑Positionierungslösungen ist.