如何通过Wi-Fi确定人员位置：BIM与语义信息提升精度

该项目旨在无需UWB等昂贵基础设施的情况下收集房间占用率和人员移动统计数据。团队开发了一款用于从接入点收集RSSI测量的Android应用，以及一款用于构建覆盖地图并计算均方根误差坐标的桌面应用。实地实验在两种类型的场所进行：一种是组合式办公室，包含多个房间和走廊，每个房间都有自己独立的接入点；另一种是开放式空间，配有中央接入点，沿墙设有会议室。实现了两种定位方法：经典的kNN算法和一种使用Keras构建的带有一个隐藏层的紧凑神经网络。其他改进包括利用手机的惯性传感器、两种无线电波传播校准方法（暴力搜索和光线追踪），以及关键特性：利用BIM数据（楼层平面图、墙体材料）和基于日程的人员位置语义概率。测试了两种语义方法：带概率权重的定位和基于最大校准误差调整大小的逐房间多边形。结果表明，简单的kNN方法可行，但显著得益于校准；加入BIM和语义概率可减少在边界RSSI值下将人员误定位到相邻房间的情况；多种方法的组合比任何单一方法提供更好的稳定性。精度在很大程度上取决于Wi-Fi密度和布局：每个房间一个接入点的区域表现优于有多个中央接入点的开放空间。概念验证确认，对于占用率分析（统计、热力图），Wi-Fi加BIM通常足够，而超高精度定位（0.5米精度）仍需要专用设备。潜在的业务应用包括无需大量投资即可快速评估场所使用情况、优化布局和日程，以及提高能源效率。隐私问题通过收集匿名化的聚合统计数据而非识别个人来解决，需征得员工同意并遵守当地数据保护法。未来工作包括将概念验证扩展到更大楼层，与预订系统和暖通空调自动化集成，在高密度区域添加BLE和UWB，以及通过自适应学习实现校准自动化。