L-Moment-Based LOS and NLOS Channel Characterization via Four-parameter Kappa Distribution for AoA BLE CTE Measurements

Resumen Técnico: Caracterización de Canales LOS/NLOS Basada en L-Momentos mediante la Distribución Kappa de Cuatro Parámetros para Mediciones de CTE de AoA en BLE

Planteamiento del Problema
Los sistemas de determinación de dirección (direction-finding) de Bluetooth Low Energy (BLE) dependen de muestras de In-phase y Quadrature (IQ) recolectadas durante las transmisiones de Constant Tone Extension (CTE). Las propiedades estadísticas de estas muestras están fuertemente influenciadas por el régimen de propagación: las condiciones de Line-of-Sight (LOS) suelen producir estadísticas estables, mientras que las condiciones de Non-Line-of-Sight (NLOS) introducen distorsiones por multitrayectoria, sombreado y superposición dependiente de la fase que degradan la estimación del Ángulo de Llegada (AoA).

Los conjuntos de datos y modelos existentes sufren tres limitaciones principales:

1. Falta de Geometría Emparejada: La mayoría de los conjuntos de datos no proporcionan mediciones emparejadas y estrictamente controladas de LOS/NLOS bajo geometrías idénticas de ancla-etiqueta (anchor-tag), lo que dificulta aislar los efectos de propagación de los cambios geométricos.
2. Modelado Inadecuado: Los marcos de simulación comunes dependen de ruido blanco gaussiano aditivo o modelos simples de desvanecimiento plano (p. ej., Rayleigh, Rician), los cuales no logran capturar las estadísticas de amplitud de cola pesada y sesgadas que se observan frecuentemente en entornos NLOS interiores congestionados.
3. Rigor Estadístico: Existe una falta de etiquetas de nivel de IQ, rigurosamente validadas, adecuadas para aplicaciones de aprendizaje automático (ML) a gran escala. Además, las estadísticas clásicas de momentos de producto son sensibles a los valores atípicos (outliers) y a las colas pesadas, lo que puede conducir a una caracterización de canal poco fiable.

Metodología
Los autores proponen un marco integral que combina una campaña de medición controlada con un modelado estadístico robusto utilizando L-momentos.

1. Campaña de Medición Controlada:

   • Hardware: Se utilizó un kit de desarrollo u-blox XPLR-AOA-3 (anclas ANT-B10 y etiquetas C209) en un laboratorio interior de 630 × 385 cm.
   • Protocolo: Se impuso una geometría estrictamente emparejada donde las mediciones de LOS y NLOS se tomaron en las mismas posiciones y orientaciones de ancla-etiqueta. Las condiciones de NLOS se crearon insertando un bloqueador (una pila de papel recubierta de grafeno) que obstruía la trayectoria directa pero permitía las reflexiones.
   • Volumen de Datos: La campaña recolectó 132,000 paquetes CTE etiquetados (1000 paquetes por evento a través de diversas configuraciones de ubicación de la etiqueta, orientación y puntos de acceso).

2. Preprocesamiento Robusto:

   • Se aplicó un pipeline de detección de valores atípicos de múltiples etapas para eliminar paquetes CTE anómalos. Este combinó tres métodos:
     • Rango Intercuartílico (IQR): Para el filtrado univariante de fluctuaciones aleatorias.
     • Desviación Absoluta de la Mediana (MAD): Un estimador de escala robusto y libre de distribución para detectar desviaciones extremas en distribuciones marginales.
     • Determinante de Covarianza Mínima (MCD): Un método multivariante para identificar puntos anómalos en su espacio de características conjunto.
   • Este proceso redujo el conjunto de datos a 12,007 muestras de alta calidad, reteniendo la tendencia estadística central.

3. Validación Estadística:

   • Pruebas de Hipótesis: Se aplicaron pruebas t de Welch y pruebas de Levene por característica a las 64 dimensiones de las características de potencia derivadas de IQ. Estas pruebas confirmaron que las diferencias de media y varianza entre los subconjuntos LOS y NLOS eran estadísticamente significativas ($\alpha \le 0.01$, $P$ ajustado $\le 10^{-6}$) en casi todas las dimensiones.

4. Análisis de L-Momentos y Modelado Kappa:

   • L-Momentos: En lugar de los momentos convencionales, los autores utilizaron L-momentos (combinaciones lineales de estadísticos de orden), que son menos sensibles a los valores atípicos y a las colas pesadas.
   • Diagrama de Relación de L-Momentos (LMRD): Se graficaron las relaciones de L-momentos (LMR) empíricas, específicamente la asimetría de L ($\tau_3$) y la curtosis de L ($\tau_4$). El análisis reveló grupos distintos para LOS y NLOS, con NLOS exhibiendo colas más pesadas y una mayor asimetría.
   • Distribución Kappa: Se ajustó una familia de distribución Kappa de cuatro parámetros a los LMR. Esta familia flexible abarca las distribuciones de Valor Extremo Generalizado (GEV), Logística Generalizada (GLO) y Pareto Generalizado (GPA) como casos especiales, permitiendo un mejor ajuste a los datos empíricos que los modelos de tres parámetros.
   • Bondad de Ajuste (GoF): Los modelos Kappa demostraron puntuaciones de discrepancia significativamente menores ($D_{NLOS} = 3.20 \times 10^{-4}$) y desviaciones de L-curtosis estandarizadas cercanas a cero en comparación con los modelos tradicionales de Rayleigh, Rice o GEV.

5. Aplicación de ML (Clustering):

   • Los autores aplicaron el agrupamiento DBSCAN para comparar la separabilidad de los datos usando momentos de producto convencionales frente a relaciones de L-momentos. Las características de L-momentos produjeron dos grupos distintos y bien separados (LOS y NLOS), mientras que los momentos de producto colapsaron en un solo grupo con alto ruido.

Contribuciones Clave

• Conjunto de Datos de IQ de BLE Emparejado: La creación de un conjunto de datos a gran escala y etiquetado por clase, donde las capturas de LOS y NLOS se registran bajo condiciones geométricas estrictamente idénticas, facilitando el ML riguroso y la caracterización de canales.
• Validación Estadística de la Separabilidad: Demostración, mediante la eliminación robusta de valores atípicos y pruebas de hipótesis, de que las condiciones de LOS y NLOS producen estadísticas de primer y segundo orden estadísticamente distintas en el espacio de características de potencia derivada de IQ.
• Caracterización de Canal mediante L-Momentos: La primera aplicación del análisis de L-momentos a las mediciones de CTE de AoA en BLE. El estudio muestra que los canales NLOS exhiben un comportamiento de cola pesada que es pobremente capturado por modelos clásicos, pero bien modelado por la distribución Kappa de cuatro parámetros.
• Representaciones de ML Mejoradas: Evidencia de que las estadísticas de L-momentos proporcionan características más compactas, robustas y separables para la detección de LOS/NLOS y la simulación de canales en comparación con los momentos de producto convencionales, como se demuestra por el rendimiento superior de clustering de DBSCAN.

Resultos

• Significancia Estadística: Todas las diferencias de media entre LOS y NLOS fueron estadísticamente significativas, y el 92% de las diferencias de varianza por característica también fueron significativas.
• Ajuste del Modelo: La distribución Kappa proporcionó el mejor ajuste para los datos empíricos. Específicamente, para los datos NLOS, el modelo Kappa logró una discrepancia ($D_{NLOS}$) de $3.20 \times 10^{-4}$, la más pequeña en el LMRD, con una desviación de L-curtosis estandarizada ($Z_{NLOS}$) de $1.18 \times 10^{-2}$. En contraste, modelos estándar como Rayleigh y Rice mostraron errores significativamente mayores.
• Clustering: Las representaciones basadas en L-momentos separaron exitosamente los datos de LOS y NLOS en dos grupos con un coeficiente de silueta de 0.018, mientras que las representaciones de momentos de producto no lograron formar grupos distintos.

Significancia y Reivindicaciones
El artículo afirma ser el primero en aplicar el análisis de L-momentos a las mediciones de CTE de AoA en BLE. Su significancia radica en proporcionar un marco estadístico robusto para caracterizar canales inalámbricos interiores que son de cola pesada y asimétricos. Los autores argumentan que:

• Las suposiciones clásicas de Gauss o Rayleigh son a menudo inadecuadas para modelar las estadísticas de potencia NLOS en entornos congestionados.
• Los descriptores de L-momentos ofrecen una alternativa más fiable para el preprocesamiento, la detección de LOS/NLOS y la simulación de canales realista.
• El modelado basado en Kappa y las características de L-momentos propuestos pueden integrarse en procesos de estimación de AoA asistidos por ML para mejorar la robustez bajo condiciones de propagación de cola pesada.

Los autores mantienen la modestia respecto al alcance, señalando que el análisis actual está limitado a un único entorno interior y una configuración de hardware fija. Sugieren que trabajos futuros evalúen la transferibilidad de estas relaciones de L-momentos/Kappa a través de diversos entornos y escenarios dinámicos que involucren objetos en movimiento.