基于RSSI的室内定位的排列不变Transformer神经架构

分享来自于斯坦福的 Permutation-Invariant Transformer Neural Architectures for Set-Based Indoor Localization Using Learned RSSI Embeddings

一段话总结

本文提出了一种用于基于RSSI的室内定位的排列不变Transformer神经架构，将每个Wi-Fi信号扫描建模为（BSSID, RSSI）对的无序集合，通过学习BSSID嵌入并结合Set Transformer处理可变长度的稀疏输入，以捕捉接入点关系的基于注意力的表示。在包含六栋建筑的校园环境数据集上的实验表明，LSTM模型表现最佳，平均定位误差低至2.23米，而Set Transformer表现次之，尤其在跨建筑和多层场景中优于MLP、RNN等基线模型，证明了基于集合的神经模型在处理稀疏、无序输入的室内定位任务中的有效性。

---

思维导图

---

详细总结

一、研究背景与目标

1. 室内定位挑战：室内环境因信号衰减、多径效应和结构遮挡，难以依赖GPS，需借助W