🤖 AI

Machine and Deep Learning for Indoor UWB Jammer Localization

Este artículo aborda el desafío de la localización de inhibidores UWB en interiores bajo condiciones ambientales cambiantes mediante la introducción de dos nuevos conjuntos de datos y la propuesta de un autoencoder ConvNeXt de dominio adversarial que mejora significativamente la transferibilidad y reduce el error de localización en comparación con las líneas base no adversariales.

Autores originales: Hamed Fard, Mahsa Kholghi, Benedikt Groß, Gerhard Wunder

Publicado 2026-07-16

📖 6 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Hamed Fard, Mahsa Kholghi, Benedikt Groß, Gerhard Wunder

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que estás intentando encontrar a un amigo en una habitación ruidosa y llena de gente usando una linterna especial que rebota en las paredes para decirte exactamente dónde está. Así es como funciona la tecnología de Banda Ultra Ancha (UWB) para rastrear cosas como tus llaves, tu mascota o incluso robots en un edificio inteligente. Es increíblemente precisa, situando normalmente la ubicación dentro del ancho de unos pocos dedos. Pero, como cualquier linterna, puede quedar cegada. Si alguien se para en la habitación con una luz estroboscópica gigante y cegadora (un "inhibidor"), el sistema se queda ciego y el rastreo falla. Esto es un gran problema para la seguridad; si un actor malintencionado puede inhibir la señal, puede ocultar su ubicación o detener el funcionamiento de un sistema de seguridad.

Para solucionar esto, los científicos han empezado a enseñar a las computadoras a ser detectives. En lugar de solo mirar la señal, utilizan el Aprendizaje Automático (ML) y el Aprendizaje Profundo (DL) —básicamente, programas de computadora que aprenden de ejemplos— para averiguar de dónde viene la luz cegadora, incluso cuando la señal es desordenada. La gran pregunta es: ¿Pueden estos detectives de computadora aprender a encontrar al inhibidor en una habitación, y luego hacer instantáneamente el mismo trabajo en una habitación completamente diferente donde los muebles han sido movidos? Normalmente, las computadoras son pésimas en esto; memorizan la habitación específica en la que fueron entrenadas y se confunden cuando el diseño cambia. Este artículo aborda ese rompecabezas exacto: cómo construir una IA cazadora de inhibidores que no se pierda cuando el entorno cambia.

El dilema del detective: Una habitación frente a la siguiente

Los investigadores configuraron un experimento de la vida real para probar esto. Construyeron un "laboratorio de inhibición" con cuatro receptores (como cámaras de seguridad) y un robot que llevaba una señal legítima. Luego, introdujeron a un "villano": un dispositivo que lanzaba constantemente interferencias para confundir al sistema. Recopilaron datos en dos escenarios diferentes. Primero, mapearon 52 lugares distintos donde el inhibidor podía esconderse en una habitación con muebles estándar (la habitación "Fuente"). Entrenaron sus modelos de IA con estos datos, y los resultados fueron impresionantes. El mejor modelo, un tipo de algoritmo llamado XGBoost, podía adivinar la ubicación del inhibidor con un error promedio de solo 20,16 cm (unos 8 pulgadas). Era como un detective que podía encontrar una moneda escondida en una sala de estar específica con una precisión increíble.

Pero luego, los investigadores jugaron una broma. Movieron los muebles —dos escritorios, una silla y algunos objetos pequeños— creando un diseño completamente nuevo (la habitación "Objetivo"). Probaron los mismos modelos de IA que habían dominado la primera habitación. El resultado fue un desastre. El modelo XGBoost, que era tan seguro antes, de repente se quedó sin saber qué hacer. Su error promedio se disparó a 207,99 cm (más de 6,5 pies). No era solo que estuviera un poco desviado; estaba completamente perdido. Esto demostró que los modelos de IA estándar son como estudiantes que memorizan las respuestas de un examen específico pero fallan inmediatamente si las preguntas se reorganizan. El "cambio de dominio" (el cambio en la habitación) los rompió.

La solución: El detective que cambia de forma

Para solucionar esto, los autores no solo intentaron entrenar a la IA con más datos; cambiaron cómo aprendía la IA. Introdujeron un nuevo método llamado "Autoencoder de Convolución de Dominio Adversario" (o A-CNT por sus siglas en inglés). Piensa en esto como entrenar al detective para que ignore los muebles por completo y se concentre solo en la forma del ruido que hace el inhibidor.

Así es como funcionó:

El Autoencoder: Primero, enseñaron a la IA a comprimir los datos de la señal desordenada en un resumen pequeño y eficiente, eliminando el "ruido" del diseño específico de la habitación.
La Capa de Reversión de Gradiente: Esta es la parte ingeniosa. Añadieron un paso "adversario" especial. Imagina un juego donde la IA intenta aprender la ubicación del inhibidor, pero una segunda IA "crítica" intenta adivinar de qué habitación provienen los datos. La IA principal es entrenada para engañar al crítico. Si el crítico no puede notar la diferencia entre la habitación "Fuente" y la habitación "Objetivo", significa que la IA principal ha aprendido características que son iguales en ambos lugares. Esto obliga a la IA a aprender las reglas universales de la inhibición, no las reglas específicas de una habitación.

Los resultados: Un regreso masivo

Cuando probaron este nuevo sistema A-CNT en la habitación desordenada con los muebles movidos, los resultados fueron asombrosos. El sistema no solo se recuperó; prosperó.

El error promedio cayó de los desastrosos 207,99 cm a 34,67 cm (unas 13,6 pulgadas).
Esto fue una mejora del 83% sobre el mejor intento previo que no utilizaba este truco adversario.
Lo más importante, la fracción de predicciones que estaban dentro de un margen seguro de 30 cm (aproximadamente 1 pie) saltó de un patético 0,03 (casi nunca) a 0,56 (más de la mitad de las veces).

El artículo también comparó este nuevo método contra otros trucos estándar de "aprendizaje por transferencia" (como CORAL y MMD) y encontró que, si bien ayudaron un poco, el enfoque adversario fue el claro ganador. Incluso verificaron si la IA realmente estaba aprendiendo la ubicación y no solo el tipo de habitación. Usando un simple truco matemático en el "cerebro" interno de la IA (las características del cuello de botella), encontraron que la IA aún podía separar la ubicación del inhibidor en zonas distintas con una precisión del 99,37%, demostrando que realmente comprendía la disposición espacial a pesar de los cambios en los muebles.

Lo que esto significa

El artículo concluye que, si bien el aprendizaje automático estándar es excelente en un mundo estático, falla estrepitosamente cuando el entorno cambia. Sin embargo, al utilizar esta técnica de "engaño" adversario, podemos construir sistemas de localización que sean lo suficientemente robustos como para manejar el caos del mundo real. Los autores sugieren que este enfoque podría ser la clave para hacer que los sistemas de seguridad UWB sean confiables en lugares dinámicos como hogares inteligentes o almacenes donde las cosas se mueven constantemente. También señalan que esto es solo el comienzo, insinuando que el trabajo futuro podría abordar espacios en 3D y diseños aún más complejos. La conclusión es clara: para encontrar un inhibidor en un mundo cambiante, necesitas un detective que aprenda a ignorar los muebles y a escuchar la señal.

Resumen Técnico: Aprendizaje Automático y Aprendizaje Profundo para la Localización de Interferidores UWB en Interiores

Planteamiento del Problema

La tecnología de banda ultraancha (UWB) ofrece una precisión de escala de centímetros para el posicionamiento en tiempo real, lo que la hace vital para el seguimiento de activos y la detección de intrusiones. Sin embargo, los sistemas UWB son vulnerables a ataques de interferencia (jamming), que pueden interrumpir los servicios de localización. Si bien el aprendizaje automático (ML) y el aprendizaje profundo (DL) han avanzado en la localización de etiquetas legítimas, el desafío específico de localizar interferidores maliciosos dentro de entornos interiores permanece en gran medida inexplorado. Además, los marcos de trabajo de ML/DL existentes suelen fallar al generalizarse en entornos físicos variables; los modelos entrenados en una disposición de habitación específica sufren una degradación severa de rendimiento cuando se despliegan en una disposición modificada debido al desplazamiento de dominio (domain shift). Este artículo aborda la necesidad de una localización de interferidores robusta e invariante al dominio que pueda resistir cambios en el mobiliario y la disposición de los interiores.

Metodología

Recopilación de Datos y Configuración Experimental

Los autores introdujeron dos nuevos conjuntos de datos UWB recolectados en un laboratorio interior (3 m × 5 m) utilizando cuatro receptores UWB (anclas) y un transmisor legítimo montado en un robot TurtleBot.

Dominio Fuente: Datos recolectados con muebles estándar en 52 posiciones de interferidor predefinidas.
Dominio Objetivo: Datos recolectados tras mover dos escritorios, una silla y otros objetos, en 16 nuevas posiciones de interferidor seleccionadas aleatoriamente.
Modelo de Amenaza: El interferidor utiliza un transceptor de la serie DW3000 para transmitir tramas UWB continuas a la potencia regulatoria máxima, simulando un ataque dirigido al canal de 6.5 GHz.
Volumen de Datos: El conjunto de datos de la fuente contiene 461,795 muestras, y el conjunto de datos de destino contiene 28,793 muestras.

Ingeniería de Características

Se utilizaron dos tipos de características:

Características de Diagnóstico: Lecturas numéricas de los registros del transceptor DW3000 (por ejemplo, errores de cabecera PHY, fallos de Reed–Solomon, integridad de CRC, RSSI y métricas de pico de Ipatov/potencia).
Características de Respuesta de Impulso del Canal (CIR): Taps de CIR complejos brutos (300 taps) convertidos en magnitud, fase seno y fase coseno, luego truncados a los primeros 100 taps para reducir el ruido.

Modelos de Referencia (Baselines)

El estudio estableció líneas de base exhaustivas utilizando enfoques tanto de ML clásico como de DL:

ML: Random Forest (RF), XGBoost (XGB) y K-Nearest Neighbors (KNN).
DL: SimpleNN (red residual), ConvMixer1D y Transformer Tabular.
Los hiperparámetros se optimizaron mediante optimización bayesiana (Optuna).

Marco Propuesto: Adaptación de Dominio Adversaria

Para mitigar el desplazamiento de dominio, los autores propusieron un marco de Autoencoder ConvNeXt de Adaptación de Dominio Adversaria (A-CNT). La arquitectura consta de:

Autoencoder de Denoising ConvNexT: Una red de codificador-decodificador ligera diseñada para procesar datos de CIR. El codificador comprime la entrada mediante bloques convolucionales con normalización de capa y convoluciones de profundidad (depthwise). Se inyecta ruido gaussiano en las activaciones para promover la robustez.
Capa de Reversión de Gradiente (GRL): Insertada entre el codificador y un clasificador de dominio. Durante la retropropagación, multiplica los gradientes por $-\lambda$ , forzando al codificador a aprender características que sean indistinguibles entre los dominios fuente y objetivo.
Fases de Entrenamiento:
- Pre-entrenamiento: Reconstrucción no supervisada de los datos de la fuente.
- Alineación Adversaria Conjunta: Entrenamiento no supervisado en los datos de origen y de destino para minimizar la pérdida de reconstrucción y la pérdida de clasificación de dominio (vía GRL).
- Ajuste Fino (Fine-tuning): Regresión supervisada en datos de destino etiquetados para predecir coordenadas, manteniendo el clasificador de dominio como un regularizador.

Contribuciones Clave

Nuevos Conjuntos de Datos: Introducción de dos conjuntos de datos UWB (fuente y objetivo) que capturan características de diagnóstico y taps de CIR brutos en habitaciones idénticas con diferentes disposiciones.
Baselines Exhaustivos: Establecimiento de puntos de referencia de clasificación y regresión utilizando características de diagnóstico, apoyados por optimización automatizada de hiperparámetros y análisis de interpretabilidad (SHAP, información mutua, eta-cuadrado).
Marco Adversario: Adaptación de un autoencoder ConvNex de dominio adversario para alinear las características derivadas de CIR a través de los dominios, apuntando específicamente a la localización de interferidores.
Análisis Comparativo: Comparación rigurosa del A-CNT propuesto contra el aprendizaje de transferencia no adversario (CNT) y los baselines de adaptación de dominio no supervisada (CORAL, MMD).

Resultados Experimentales

Rendimiento del Dominio Fuente

En el conjunto de datos de la fuente, los modelos de ML clásicos superaron a los modelos de aprendizaje profundo tanto en tareas de clasificación como de regresión:

Clasificación: Random Forest logró el puntaje F1-macro más alto de 0.95 con un tiempo de ejecución de 3 minutos.
Regresión: XGBoost logró el error euclidiano medio más bajo de 20.16 cm y un $F_{\le30cm}$ (fracción de predicciones dentro de 30 cm) de 0.80.

Impacto del Desplazamiento de Dominio

Cuando los modelos entrenados en la fuente se aplicaron a la disposición modificada del objetivo sin adaptación, el rendimiento se degradó catastróficamente:

El error medio de XGBoost aumentó diez veces, de 20.16 cm a 207.99 cm.
El $F_{\le30cm}$ cayó de 0.80 a 0.03.
Los modelos de DL (ConvMixer1D, SimpleNN) también fallaron, con errores medios que superaban los 200 cm y valores de $R^2$ negativos.

Rendimiento de la Adaptación de Dominio

El marco A-CNT propuesto restauró significativamente el rendimiento:

Error Euclidiano Medio: Se redujo a 34.67 cm (comparado con los 207.99 cm del baseline).
Precisión: El $F_{\le30cm}$ mejoró a 0.56.
Comparación: Esto representa una mejora del 77% sobre el aprendizaje de transferencia no adversario (CNT, 148.02 cm de error) y una mejora del 83% sobre el mejor baseline entrenado en la fuente.
Alineación de Características: Las visualizaciones de t-SNE y las pruebas de regresión logística en los embeddings del cuello de botella confirmaron que la alineación adversaria preservó la discriminabilidad espacial fina mientras alineaba las distribuciones de dominio.

Significado y Reivindicaciones

El artículo afirma que la alineación de características adversaria es esencial para una localización de interferidores en interiores robusta y transferible en entornos dinámicos. Mientras que los modelos de ML tradicionales son efectivos en entornos estáticos, son altamente susceptibles a los cambios ambientales. El estudio demuestra que un enfoque de dominio adversario utilizando un autoencoder ConvNeX puede mitigar eficazmente el desplazamiento de dominio, restaurando la precisión de la localización a niveles cercanos a la fuente a pesar de cambios significativos en la disposición. Los autores enfatizan que este trabajo llena un vacío crítico en la literatura al centrarse específicamente en la localización de interferidores en lugar de la localización de etiquetas benignas, y al abordar el desafío práctico de la generalización a través de entornos físicos. El código y los conjuntos de datos se ponen a disposición pública para facilitar más investigaciones.