Entropia Condicional e Erro de Localização em Localização Interna Usando Impressão Digital Probabilística de Wi-Fi

Sistemas de localização são cada vez mais valiosos, mas suas estimativas de localização são úteis apenas quando a incerteza da estimativa é conhecida. Essa incerteza é atualmente calculada como o erro de localização dado uma verdade de referência, que é então usada como uma medida estática em ambientes muitas vezes muito diferentes. Em contraste, propomos o uso da entropia condicional de uma distribuição de probabilidade a posteriori como uma medida complementar de incerteza. Essa medida tem a vantagem de ser dinâmica, ou seja, pode ser calculada durante a localização com base em medições individuais de sensores, não requer uma verdade de referência e pode ser aplicada a algoritmos de localização discretos. Além disso, para todo algoritmo de estimativa de localização consistente, tanto o erro de localização quanto as medidas de entropia condicional devem estar relacionadas, ou seja, uma baixa entropia deve sempre corresponder a um pequeno erro de localização, enquanto uma alta entropia pode corresponder a um pequeno ou grande erro de localização. Validamos essa relação experimentalmente calculando ambas as medidas de incerteza em três conjuntos de dados públicos disponíveis usando impressão digital probabilística de Wi-Fi com oito implementações diferentes do modelo de sensor. Mostramos que a discrepância entre essas medidas, ou seja, muitas estimativas de localização apresentando um alto erro de localização enquanto simultaneamente apresentando uma baixa entropia condicional, é maior para as implementações menos realistas do modelo de sensor probabilístico. Com base nos resultados apresentados neste artigo, concluímos que a entropia condicional, sendo dinâmica, complementar ao erro de localização e aplicável tanto à localização contínua quanto discreta, fornece um importante meio extra de caracterizar um método de localização.