Indoor Localization using Compact, Telemetry-Agnostic, Transfer-Learning Enabled Decoder-Only Transformer

📄 arXiv: 2510.11926v1 📥 PDF

作者: Nayan Sanjay Bhatia, Pranay Kocheta, Russell Elliott, Harikrishna S. Kuttivelil, Katia Obraczka

分类: cs.LG, cs.AI

发布日期: 2025-10-13

备注: 11 pages, 12 Figures

💡 一句话要点

提出Locaris，一种基于Decoder-Only Transformer的室内定位方法，无需校准且具有良好的迁移能力。

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 室内定位 Wi-Fi定位 Transformer 大型语言模型 迁移学习 免校准 少样本学习

📋 核心要点

  1. 现有室内Wi-Fi定位方法对环境变化敏感，需要大量校准工作，且在异构环境下性能下降。
  2. Locaris利用Decoder-Only LLM直接从原始Wi-Fi遥测数据学习位置映射，无需预处理和校准。
  3. 实验表明，Locaris在各种遥测数据上优于现有方法，且具有良好的跨环境迁移能力和少样本自适应能力。

📝 摘要（中文）

室内Wi-Fi定位由于无线信号对环境动态、信道传播特性和硬件异构性的高度敏感性而仍然是一个具有挑战性的问题。传统的指纹识别和基于模型的方法通常需要耗费大量人力的校准，并且在设备、信道或部署条件发生变化时性能会迅速下降。本文介绍Locaris，一种用于室内定位的仅解码器的大型语言模型（LLM）。Locaris将每个接入点（AP）测量值视为一个token，从而能够摄取原始Wi-Fi遥测数据而无需预处理。通过在不同的Wi-Fi数据集上微调其LLM，Locaris学习了从原始信号直接到设备位置的轻量级且可泛化的映射。与最先进的方法相比，我们的实验研究始终表明，Locaris在各种类型的遥测数据上匹配或超过了现有技术。我们的结果表明，紧凑型LLM可以作为室内定位的免校准回归模型，在异构Wi-Fi部署中提供可扩展且稳健的跨环境性能。仅使用每个设备的少量校准点的少样本自适应实验进一步表明，Locaris在应用于以前未见过的设备和部署场景时仍能保持高精度。这仅需几百个样本即可实现亚米级精度，在AP缺失的情况下也能保持稳健的性能，并支持任何和所有可用的遥测数据。我们的发现突出了Locaris在实际场景中室内定位的实际可行性，尤其是在大规模部署中，在这些场景中，广泛的校准是不可行的。

🔬 方法详解

问题定义：室内Wi-Fi定位面临的主要问题是环境动态、信道传播特性和硬件异构性带来的挑战。传统的指纹识别和基于模型的方法需要大量的校准工作，并且在面对新的设备、信道或部署环境时，性能会显著下降。这些方法难以适应大规模、异构的Wi-Fi部署场景。

核心思路：Locaris的核心思路是将室内定位问题转化为一个序列建模问题，利用大型语言模型（LLM）强大的学习能力，直接从原始Wi-Fi遥测数据中学习位置信息。通过将每个接入点（AP）的测量值视为一个token，Locaris能够摄取原始数据而无需进行复杂的预处理或特征工程。这种方法旨在实现免校准、可泛化和鲁棒的室内定位。

技术框架：Locaris采用Decoder-Only Transformer架构，将原始Wi-Fi遥测数据作为输入序列，经过嵌入层后输入到Transformer解码器中。解码器通过自注意力机制学习输入序列中各个AP测量值之间的关系，并预测设备的位置坐标。整个框架可以分为数据输入、模型推理和位置输出三个主要阶段。

关键创新：Locaris的关键创新在于利用LLM直接处理原始Wi-Fi遥测数据，避免了传统方法中繁琐的特征工程和校准过程。通过在不同的Wi-Fi数据集上进行微调，Locaris能够学习到一种通用的位置映射，从而实现跨环境的迁移学习。此外，Locaris还具有良好的少样本自适应能力，仅需少量校准数据即可适应新的设备和部署场景。

关键设计：Locaris的关键设计包括：1) 将AP测量值作为token输入LLM；2) 采用Decoder-Only Transformer架构，利用自注意力机制学习AP之间的关系；3) 使用回归损失函数（如均方误差）来训练模型，直接预测位置坐标；4) 通过微调预训练的LLM，加速模型收敛并提高泛化能力。具体的参数设置和网络结构取决于所使用的LLM模型。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，Locaris在各种类型的遥测数据上匹配或超过了现有技术。在少样本自适应实验中，仅使用少量校准点，Locaris即可实现亚米级定位精度，并且在AP缺失的情况下仍能保持稳健的性能。这些结果验证了Locaris在实际场景中室内定位的可行性和优越性。

🎯 应用场景

Locaris可应用于各种室内定位场景，如商场导航、仓库管理、智能家居、医疗健康等。其免校准和跨环境迁移能力使其特别适用于大规模、异构的Wi-Fi部署环境。未来，Locaris有望成为一种通用的室内定位解决方案，降低部署成本，提高定位精度和鲁棒性。

📄 摘要（原文）

Indoor Wi-Fi positioning remains a challenging problem due to the high sensitivity of radio signals to environmental dynamics, channel propagation characteristics, and hardware heterogeneity. Conventional fingerprinting and model-based approaches typically require labor-intensive calibration and suffer rapid performance degradation when devices, channel or deployment conditions change. In this paper, we introduce Locaris, a decoder-only large language model (LLM) for indoor localization. Locaris treats each access point (AP) measurement as a token, enabling the ingestion of raw Wi-Fi telemetry without pre-processing. By fine-tuning its LLM on different Wi-Fi datasets, Locaris learns a lightweight and generalizable mapping from raw signals directly to device location. Our experimental study comparing Locaris with state-of-the-art methods consistently shows that Locaris matches or surpasses existing techniques for various types of telemetry. Our results demonstrate that compact LLMs can serve as calibration-free regression models for indoor localization, offering scalable and robust cross-environment performance in heterogeneous Wi-Fi deployments. Few-shot adaptation experiments, using only a handful of calibration points per device, further show that Locaris maintains high accuracy when applied to previously unseen devices and deployment scenarios. This yields sub-meter accuracy with just a few hundred samples, robust performance under missing APs and supports any and all available telemetry. Our findings highlight the practical viability of Locaris for indoor positioning in the real-world scenarios, particularly in large-scale deployments where extensive calibration is infeasible.