Можно ли повысить точность определения положения людей в помещении, опираясь только на инфраструктуру, которая уже есть в большинстве офисов — точки доступа Wi-Fi — если дополнить её BIM-данными и семантикой использования помещений?
Рассказываю о том, что мы с коллегами напроверяли, как решали задачу и какие результаты получили в очередном проекте.
Что именно делали
Цель — без дорогой инфраструктуры вроде UWB собирать статистику использования помещений: определять занятость комнат и перемещения между ними. Мы:
Разработали Android-приложение для сбора RSSI-измерений от всех доступных точек доступа и отправки данных на сервер.
Сделали desktop-приложение, которое строит «карту мощностей» (coverage map) для каждой точки доступа, рассчитывает координаты объекта и считает RMSE для оценки точности.
Провели полевые эксперименты: оператор перемещался по помещению, фиксируя RSSI в заранее заданных точках (на высоте ~1 м).
Реализовали два подхода к определению координат: классический kNN и компактную нейросеть (1 скрытый слой на Keras).
Внедрили дополнительные улучшения: инерциальные сенсоры телефона, две методики калибровки распространения радиоволн (перебор и трассировка луча), и — ключевое — использование BIM/семантических данных (карта помещений, материалы стен, вероятность нахождения человека в комнате по расписанию).
Проще говоря, мы собрали систему, которая по обычным Wi-Fi-сигналам пытается понять, где находится человек. А затем проверяли, что помогает сделать это точнее.
Проект реализовывали силами сотрудников Singularis.
BIM + семантика
Наша гипотеза — что BIM как 2D-карта помещения и данные о материалах (которые влияют на затухание сигнала), а также семантическая информация о типичном поведении людей (вероятность присутствия в комнате в конкретное время) позволяют скорректировать «шумные» RSSI-измерения и существенно снизить ошибку. Мы реализовали два семантических подхода:
Позиционирование с учётом вероятности: карта мощностей + вероятности нахождения в комнате в выбранное время.
Калибровочный набор + полигон для комнаты: для каждой комнаты строится полигон, размеры которого задаются максимальной ошибкой на калибровочных точках; если позиционирование попадает в полигон — считаем объект в этой комнате.
Одного уровня Wi-Fi-сигнала оказалось мало. Если система ещё знает план помещения и понимает, где с большей вероятностью может находиться человек, ошибаться она должна реже.
Проверка, раз-два
Тесты проводились в двух типах помещений:
Комбинированный офис с комнатами и коридором (каждая комната — своя точка доступа).
Openspace с центральными точками доступа и переговорными вдоль стены.
Для оценки точности использовали RMSE (среднеквадратичную ошибку) по координатам.
Нам было важно проверить подход в разной планировке. Поэтому эксперименты проводили и в помещении с отдельными комнатами, и в открытом офисном пространстве.
Что получилось
Простые методы (kNN) дают рабочие результаты, но заметно выигрывают от калибровки модели распространения сигнала.
Добавление информации из BIM (план помещения) и семантических вероятностей сокращает число ошибочного позиционирования в соседнем помещении при пограничных значениях RSSI.
Комбинация подходов (калибровка + семантика + инерциальные данные) даёт лучшую стабильность, чем любой из методов по отдельности.
Точность сильно зависит от плотности Wi-Fi-точек и планировки: в помещениях с одной AP на комнату результаты лучше, чем в openspace с несколькими AP в центре.
Proof-of-Concept(PoC) подтвердил, что для аналитики использования помещений (статистика занятости, heatmaps) инфраструктуры Wi-Fi + BIM чаще всего достаточно; для задач сверхточной локализации (метры с точностью 0,5 м) всё ещё требуется специализированное оборудование.
Как можно применить в бизнесе?
Быстрая оценка использования помещений без серьёзных инвестиций в новое оборудование.
Возможность оптимизировать планировку, трудозатраты, расписание уборки и энергоэффективность на основании реальной статистики.
Помогает понять, где нужны рабочие места и переговорные, а где пространство используется редко.
Для базовой аналитики можно использовать уже существующий Wi-Fi. Не обязательно сразу устанавливать отдельную дорогую систему позиционирования.
Про приватность и безопасность
Отслеживание людей — чувствительная тема. Здесь важно не превращать аналитику помещений в слежку за конкретными людьми, поэтому логичнее работать с обезличенной статистикой.
PoC ориентирован на сбор агрегированной статистики (анонимные «тепловые» карты, заполняемость), а не на идентификацию конкретных лиц. Для коммерческого использования важно предусмотреть явное согласие сотрудников, анонимизацию данных и соответствие локальным законам о персональных данных.
Что можно сделать дальше
Масштабировать PoC: провести пилот на этаже/нескольких этажах с более длительной съёмкой.
Интегрировать с системами бронирования рабочих мест и HVAC для автоматизации экономии энергии.
Добавить источники данных: BLE, инерция и, при необходимости, UWB для зон с высокой плотностью.
Автоматизировать калибровку (on-demand) и сделать adaptive learning — модель сама подстраивается к сезонным/планировочным изменениям.
Следующий шаг — проверять систему уже на больших помещениях, большем количестве данных и более длительном периоде.
В итоге
PoC показал, что данные Wi-Fi можно дополнять информацией из BIM и семантикой помещения, чтобы точнее определять положение человека и уменьшать ошибки на границах комнат — без установки отдельной инфраструктуры позиционирования.
