Насколько точно можно определять местоположение людей с помощью Wi-Fi? А что если дополнить это BIM-данными и инфой об использовании помещений?

Рассказываю о том, что мы с коллегами напроверяли, как решали задачу и какие результаты получили в очередном проекте.

А в чём, собственно, дело

Цель проекта — без дорогой инфраструктуры (UWB и пр.) собирать статистику использования помещений: определять наполненность комнат и перемещения людей между ними.

Для достижения цели мы собрали систему, которая по обычным Wi-Fi-сигналам пытается определить, где находится человек. Затем искали, что может повысить точность.

  • Разработали Android-приложение для сбора на сервер RSSI-данных от всех доступных точек доступа.

  • Сделали desktop-приложение, которое строит карту уровня сигнала для каждой точки доступа, рассчитывает координаты объекта и считает RMSE для оценки точности.

  • Провели эксперименты: испытуемый перемещался по комнате, фиксируя RSSI в намеченных точках на высоте ~1 м.

  • Реализовали два способа определения координат: классический kNN и небольшую нейросеть с одним скрытым слоем на Keras.

  • И ещё кое-что: инерциальные сенсоры телефона, два способа калибровки распространения радиоволн (перебор и трассировка лучей), и главное — использование BIM/семантических данных. Это карта помещений, материалы стен, вероятность нахождения человека в комнате по расписанию.

Проект реализовывали силами сотрудников Singularis.

BIM + данные об использовании помещения

Гипотеза Есть данные, которые позволяют скорректировать «шумные» RSSI-измерения и существенно сократить ошибки:

  • BIM как 2D-карта помещения;

  • данные о материалах, которые влияют на затухание сигнала;

  • информация о перемещении людей и вероятности их присутствия в комнате в конкретное время.

Мы проверили два варианта реализации:

  1. Позиционирование с учётом вероятности. Карта уровня сигнала + вероятность нахождения в комнате в выбранное время.

  2. Калибровка + выделенная область. Для каждой комнаты обозначаем область с учётом возможной ошибки позиционирования. Считаем, что человек находится в комнате, если точка попадает в эту область.

Одного уровня Wi-Fi-сигнала оказалось мало. Если система знает план помещения и определяет, где с большей вероятностью может находиться человек, она будет реже ошибаться.

Проверка, раз-два

Нужно было проверить подход в разных планировках, поэтому тесты проводились в двух типах помещений:

  • Офис с изолированными комнатами и коридором, где в каждой комнате своя точка доступа.

  • Openspace с центральными точками доступа и переговорными вдоль стены.

Для оценки точности использовали RMSE (среднеквадратичную ошибку) по координатам.

Что получилось

  • Простые методы (kNN) дают рабочие результаты, но заметно выигрывают от калибровки модели распространения сигнала.

  • Добавление информации из BIM (план помещения) и вероятности нахождения людей сокращает число случаев ошибочного позиционирования в соседнем помещении при пограничных значениях RSSI.

  • Комбинация подходов (калибровка + вероятности нахождения + данные с датчиков движения телефона) 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.

  • Для аналитики использования помещений Wi-Fi + BIM чаще всего достаточно. Для задач сверхточной локализации с точностью 0,5 м всё ещё требуется специальное оборудование.

Как можно применить в бизнесе?

  • Мониторинг использования помещений сотрудниками на производстве и в офисах: быстро, без серьёзных инвестиций в новое оборудование.

  • Возможность оптимизировать планировку, расстановку мебели, трудозатраты и энергоэффективность на реальной статистике.

  • Помогает понять, где нужны рабочие места и переговорные, а где пространство используется редко.

Что можно сделать дальше

  • Масштабировать: провести испытания на этаже/нескольких этажах на длительное время.

  • Интегрировать с системами бронирования рабочих мест в коворкинге, с системами отопления, вентиляции и кондиционирования для оптимизации и экономии энергии.

  • Добавить источники данных: BLE и при необходимости UWB для зон с высокой плотностью.

  • Авто-калибровка и адаптивное обучение для нейронки — модель сможет сама подстраиваться к временным и запланированным изменениям.