A Hybrid Gauss Markov LSTM Mobility Model for Indoor OWC

Resumen Técnico: Modelo de Movilidad Híbrido Gauss-Markov-LSTM para OWC en Interiores

1. Problema

La Comunicación Óptica Inalámbrica (OWC), especialmente basada en láseres (como VCSELs), es una candidata prometedora para redes interiores de alta capacidad debido a su gran espectro no regulado y alta reutilización espacial. Sin embargo, estos sistemas son extremadamente sensibles a la movilidad del usuario. A diferencia de las redes de radiofrecuencia (RF), donde la propagación es robusta, en OWC el rendimiento del enlace depende críticamente del alineamiento espacial entre el transmisor y el receptor.

• Desafío principal: Las variaciones en la posición del usuario y, más críticamente, en la orientación del dispositivo, provocan fluctuaciones rápidas en la ganancia del canal, resultando en tasas de datos inestables y posibles interrupciones del enlace.
• Limitaciones de los modelos existentes:
  • El modelo Random Waypoint (RWP) asume movimientos sin memoria (independientes), lo cual no refleja el comportamiento humano real.
  • El modelo Gauss-Markov (GM) introduce correlación temporal y suavidad, pero sigue siendo limitado para capturar cambios abruptos de dirección y variaciones complejas en la orientación del dispositivo.
  • Los modelos puramente basados en aprendizaje automático (como redes neuronales) a menudo carecen de robustez ante escenarios no vistos y requieren grandes conjuntos de datos.

2. Metodología

Los autores proponen un modelo de movilidad híbrido Gauss-Markov y Redes de Memoria a Corto y Largo Plazo (GM-LSTM) diseñado para predecir conjuntamente la posición del usuario y la orientación del dispositivo.

• Arquitectura Híbrida:
  • Componente Gauss-Markov (GM): Actúa como una línea base estructurada. Captura la correlación temporal y la inercia del movimiento humano, asegurando transiciones suaves en velocidad y dirección. Proporciona una estimación inicial basada en un proceso estocástico.
  • Componente LSTM (Long Short-Term Memory): Se encarga de aprender el comportamiento residual. Toma como entrada una secuencia de estados de movilidad pasados (posición y orientación) y predice la desviación (residuo) entre la predicción del modelo GM y el estado real. Esto permite capturar patrones no lineales, cambios abruptos y dinámicas de orientación que el modelo GM no puede modelar por sí solo.
• Entrenamiento: El modelo se entrena de forma supervisada utilizando trayectorias sintéticas que imitan el comportamiento humano realista (variaciones de velocidad, dirección y orientación). La red neuronal aprende a minimizar la diferencia entre el estado real y la predicción del modelo GM.
• Predicción: Durante la inferencia, el sistema combina la estimación base del GM con la corrección aprendida por la LSTM para generar el estado futuro estimado ($\hat{s}_u(t+1)$), el cual se utiliza para estimar la ganancia del canal óptico y asignar recursos.

3. Contribuciones Clave

• Modelado Conjunto: Es uno de los primeros enfoques que predice simultáneamente la posición y la orientación del dispositivo en entornos OWC, reconociendo que ambos factores son críticos para la calidad del enlace.
• Integración de Modelos y Aprendizaje: Combina la interpretabilidad y la estructura física del modelo Gauss-Markov con la capacidad de generalización de patrones complejos de las redes LSTM, superando las limitaciones de ambos enfoques por separado.
• Generación de Datos Controlada: Permite generar datos de entrenamiento diversos y controlados sin depender exclusivamente de mediciones del mundo real extensivas, mientras se capturan características clave de movilidad relevantes para OWC.
• Evaluación Integral: Propone una evaluación basada no solo en la precisión de la predicción de posición, sino también en el impacto directo en la tasa de datos por usuario y la estabilidad del enlace.

4. Resultados

La evaluación se realizó en un entorno interior simulado ($5 \times 5 \times 3$ m) con velocidades de usuario entre 0.2 y 1.6 m/s, comparando el modelo propuesto (GM-LSTM) contra RWP y GM convencional.

• Precisión de Predicción (RMSE):
  • El modelo GM-LSTM logró el Error Cuadrático Medio (RMSE) más bajo en la predicción del canal en comparación con RWP y GM.
  • A medida que aumentaba el horizonte de predicción (hasta 1000 ms) y la velocidad del usuario, el error de los modelos RWP y GM crecía significativamente, mientras que el modelo híbrido mantuvo una mayor robustez.
• Estabilidad de la Tasa de Datos:
  • El modelo RWP mostró fluctuaciones severas y caídas profundas en la tasa de datos debido a predicciones inexactas.
  • El modelo GM mejoró la suavidad, pero el modelo GM-LSTM proporcionó la tasa de datos más estable, manteniéndose consistentemente cerca de la capacidad máxima y minimizando las variaciones.
• Robustez: El modelo híbrido demostró una capacidad superior para compensar las desviaciones del modelo estocástico bajo condiciones de movimiento dinámico, resultando en una estimación de canal más fiable.

5. Significado e Impacto

Este trabajo es significativo porque aborda la brecha crítica entre la modelización teórica de la movilidad y la realidad operativa de las redes OWC de alta velocidad.

• Fiabilidad del Sistema: Al mejorar la precisión en la predicción de la movilidad y la orientación, permite una estimación más fiable de la ganancia del canal óptico, lo cual es fundamental para la adaptación de enlaces y la gestión de recursos.
• Calidad de Servicio (QoS): La reducción de la variabilidad en la tasa de datos es crucial para mantener servicios de alta calidad en entornos interiores dinámicos, evitando interrupciones frecuentes.
• Futuro: El enfoque híbrido sienta las bases para estrategias más avanzadas de asignación de recursos adaptativa y handover (traspaso) consciente de la movilidad, y sugiere direcciones futuras para incluir bloqueos de usuarios y propagación multipath en escenarios más complejos.

En conclusión, la integración de la dinámica estocástica con el aprendizaje profundo de residuos ofrece una solución superior para la gestión de la movilidad en la próxima generación de redes inalámbricas ópticas.