Mapeamento e localização indoor baseado em Wi-Fi

• Ano: 2026
• Titulo Original: Sistema de mapeamento e localização indoor baseado em Wi-Fi fingerprinting e redes neurais artificiais
• Modalidade: Trabalho de Conclusão de Curso
• Organização: UFABC
• Autores: Anderson Lima de Araújo, Hugo Puertas de Araújo
• Anexos:

  Monografia	Apresentação

RESUMO: Para sistemas de localização indoor, soluções tradicionais como o Global Positioning System (GPS) não apresentam desempenho satisfatório. Uma solução que se destaca é a utilização dos sinais de Wi-Fi para estimar a localização. Neste trabalho foi desenvolvido um sistema completo, desde o banco de dados até o aplicativo para smartphone, para coleta de sinais de Wi-Fi e para predição de localização no piso térreo da UFABC campus Santo André utilizando o método de impressão digital, consistindo de uma etapa de classificação para estimar a torre e de uma etapa de regressão para estimar as coordenadas. Como algoritmo de aprendizado de máquina para predição, foi utilizado um autocodificador variacional (VAE – variational autoencoder), conjuntamente com um perceptron multicamadas (Multilayer Perceptron – MLP), e os resultados obtidos são comparados com outros algoritmos pertinentes encontrados na literatura, avaliados com e sem Análise dos Componentes principais (Principal Component Analysis – PCA). A precisão do sistema mostrou-se satisfatória e o VAE apresentou bom desempenho para regressão, melhorando o desempenho do MLP, embora com desempenho próximo ao do MLP combinado com PCA. Para o problema de classificação, o VAE não apresentou melhoria de desempenho para o sistema.

ABSTRACT: For indoor localization systems, traditional solutions such as the Global Positioning System (GPS) do not provide satisfactory performance. A prominent alternative is the use of Wi-Fi signals to estimate location. In this work, a complete system was developed, from the database to the smartphone application, to be used for location prediction on the ground floor of the UFABC Santo André campus using the fingerprinting method, consisting of a classification stage to estimate the tower and a regression stage to estimate coordinates. As machine learning algorithms for prediction, a variational autoencoder (VAE) was used in conjunction with a multilayer perceptron (MLP), and the obtained results are compared with other relevant algorithms from the literature, evaluated with and without Principal Component Analysis (PCA). The system's accuracy proved to be satisfatory, and the VAE demonstrated good performance for regression, improving the performance of the MLP, although with performance close to MLP combined with PCA. For the classification problem, the VAE did not show performance improvement for the system.