論文誌 · 2025
Reference-Free 3D WiFi AP Localization by Outdoor-to-Indoor Bridging
Abstract
WiFi access point (AP) localization is essential for wireless infrastructure management and location-based services. While deep learning approaches have shown promising accuracy improvements, they require extensive training data with precise coordinates, making large-scale deployment impractical. Traditional localization techniques also rely heavily on indoor reference points (RPs), resulting in costly and labor-intensive deployments. We present WiSight, a novel framework that eliminates the need for indoor RPs by leveraging GPS-tagged outdoor RSS measurements and 3D building geometry, anchoring the indoor reference frame to the global coordinate system using GPS-tagged exterior points. WiSight first identifies virtual anchor positions on building exteriors through outdoor signal propagation modeling, then reconstructs indoor AP configurations using unlabeled RSS measurement pairs and multidimensional scaling. Extensive evaluation across multiple buildings demonstrates that WiSight achieves an average 3D AP localization error of 7.1 m (median: 6.8 m), reducing error by 59% compared to an opportunistic GPS-based approach. In office environments, WiSight attains 9.6 m error (median: 8.5 m)—22% lower than the state-of-the-art deep learning-based method, while achieving 82% floor-level accuracy without requiring any indoor RPs or training data.
解説
WiFi のアクセスポイントが建物のどこに設置されているかという情報は、無線インフラの管理にも位置情報サービスにも要りますが、実際には正確な設置場所の記録が残っていないことがよくあります。これを電波から推定する研究は進んでいて、深層学習を使うと精度は上がるものの、正確な座標が付いた学習データを大量に用意しなければならず、建物ごとにそれをやるのは現実的ではありません。従来の測位手法も屋内に基準点を多数設ける必要があり、手間と費用がかかります。
本研究の WiSight は、屋内の基準点を一切必要としない枠組みです。代わりに使うのが、GPS の付いた屋外での受信強度の測定値と、3 次元の建物形状です。屋外なら GPS が使えるので、建物の外側に取った測定点が世界座標系との接点になり、そこを足がかりに屋内の座標系を全体の座標系へ結びつけられます。屋外から屋内へ橋を架けるという発想です。
具体的には、まず屋外の電波伝搬をモデル化して建物の外壁上に仮想的なアンカー位置を特定し、次にラベルの無い受信強度の測定値の組と多次元尺度構成法を使って屋内のアクセスポイント配置を復元します。多次元尺度構成法というのは、点どうしの距離の関係だけから座標を復元する手法で、絶対位置が分からなくても相互の位置関係が分かれば配置を組み立てられます。
複数の建物での評価では、3 次元での平均誤差 7.1m、中央値 6.8m を達成し、GPS を日和見的に使う方式に比べて誤差を 59% 減らしました。オフィス環境では誤差 9.6m、中央値 8.5m となり、屋内の基準点も学習データも使わずに、深層学習を用いた既存の最高性能手法より 22% 低い誤差と 82% のフロア判定精度を得ています。
関連プロジェクト
