Wi-Fi定位技术因其可利用现有的网络基础设施、部署成本较低、无需用户主动介入等特点，在室外人群定位中具有重要的应用潜力。针对室外环境接入点（Access Point，AP）部署稀疏、信号波动性大等问题，本文基于Set Transformer的主干结构，在原始的接收信号强度（Received Signal Strength Indicator，RSSI）特征上引入AP所属空间的语义特征、AP共现特征及AP信号强度等多个特征，以增强AP的多维度特征表达。模型能够有效处理变长且无序的AP集合，通过模型的多头注意力机制在不同表示的投影空间中并行学习AP集合内部特征的相互关系，提高对特征表达的多样性和鲁棒性，从而实现模型在室外信号稀疏区域的有效定位。基于复杂室外场景的采集数据，采用统一的训练配置进行对比实验，实验结果显示，本文方法相比未引入相关特征的原始Set Transformer模型在定位精度上提升了约36.32%。
 

Set Transformer；RSSI;语义特征；Wi-Fi指纹定位；室外定位