Ihmisten sijainnin määrittäminen Wi-Fi:n avulla: BIM ja semantiikka parantavat tarkkuutta

Projektin tavoitteena oli kerätä huoneiden käyttöaste- ja liikkumistilastoja ilman kalliita infrastruktuureja, kuten UWB:tä. Tiimi kehitti Android-sovelluksen RSSI-mittausten keräämiseen tukiasemista sekä työpöytäsovelluksen kattavuuskarttojen rakentamiseen ja koordinaattien laskemiseen RMSE:n avulla. Kenttäkokeet suoritettiin kahden tyyppisissä tiloissa: yhdistetyssä toimistossa, jossa oli huoneita ja käytävä, ja jokaisessa huoneessa oli oma tukiasema, sekä avotoimistossa, jossa oli keskitettyjä tukiasemia ja kokoushuoneita seinän varrella. Käyttöön otettiin kaksi paikannusmenetelmää: klassinen kNN ja kompakti neuroverkko, jossa oli yksi piilotettu kerros ja joka käytti Kerasia. Lisäparannuksia olivat puhelimen inertia-anturit, kaksi radi-aaltojen etenemisen kalibrointimenetelmää (brute-force ja ray tracing) sekä keskeinen ominaisuus: BIM-tietojen (pohjapiirrokset, seinämateriaalit) ja semanttisten todennäköisyyksien käyttö henkilön sijainnista aikataulun perusteella. Testattiin kahta semanttista menetelmää: paikannus todennäköisyyspainoilla ja huonekohtaiset polygonit, joiden koko riippuu maksimikalibrointivirheestä. Tulokset osoittivat, että yksinkertaiset kNN-menetelmät toimivat, mutta hyötyvät merkittävästi kalibroinnista; BIM:n ja semanttisten todennäköisyyksien lisääminen vähentää virheellistä paikannusta viereisiin huoneisiin raja-arvoisilla RSSI-arvoilla; menetelmien yhdistelmät antavat paremman vakauden kuin mikään yksittäinen menetelmä. Tarkkuus riippuu voimakkaasti Wi-Fi-tiheydestä ja pohjaratkaisusta: huoneet, joissa oli yksi tukiasema kussakin, toimivat paremmin kuin avotoimisto, jossa oli useita keskitettyjä tukiasemia. Proof-of-concept vahvisti, että käyttöasteanalytiikkaan (tilastot, lämpökartat) Wi-Fi yhdistettynä BIM:iin on yleensä riittävä, kun taas erittäin tarkka paikannus (0,5 metrin tarkkuus) vaatii edelleen erikoislaitteita. Mahdollisia liiketoimintasovelluksia ovat tilojen käytön nopea arviointi ilman suuria investointeja, pohjaratkaisujen ja aikataulujen optimointi sekä energiatehokkuuden parantaminen. Yksityisyysnäkökohdat on otettu huomioon keräämällä anonymisoituja, aggregoidusti käsiteltyjä tilastoja yksilöiden tunnistamisen sijaan, mikä edellyttää työntekijöiden suostumusta ja paikallisten tietosuojalakien noudattamista. Tulevaa työtä ovat PoC:n laajentaminen suuremmille kerroksille, integrointi varausjärjestelmiin ja HVAC-automaatioon, BLE:n ja UWB:n lisääminen suuren tiheyden alueille sekä kalibroinnin automatisointi adaptiivisella oppimisella.