Adaptive Learning Strategies for AoA-Based Outdoor Localization: A Comprehensive Framework

Resumen Técnico: Estrategias de Aprendizaje Adaptativo para la Localización Exterior Basada en AoA

Declaración del Problema
La localización en redes 5G/B5G y 6G es crítica para aplicaciones como el transporte inteligente y las fábricas inteligentes. Si bien las características del Ángulo de Llegada (AoA) derivadas de la Información del Estado del Canal (CSI) ofrecen una localización en la capa física robusta y resistente a la falsificación, la implementación en el mundo real enfrenta desafíos significativos. Estos incluyen las fluctuaciones no despreciables de las estimaciones de AoA debido al ruido y la multipath, el alto costo y la latencia asociados con la recolección de grandes conjuntos de datos etiquetados para el entrenamiento fuera de línea, y la dificultad de adaptarse a cambios ambientales dinámicos (por ejemplo, movilidad del usuario, obstrucciones) sin olvidar catastrófico. Los enfoques existentes a menudo tratan el aprendizaje fuera de línea, el aprendizaje continuo en línea y el aprendizaje de pocos ejemplos como soluciones aisladas, careciendo de un marco unificado que se adapte a la disponibilidad variable de datos y a las fases de implementación.

Metodología
Los autores proponen un marco adaptativo integral que integra estrategias de aprendizaje fuera de línea y en línea, adaptado a la disponibilidad de datos etiquetados y a la fase operativa de la red. El marco utiliza características de AoA extraídas de mediciones CSI de MIMO masivo (mMIMO) mediante los algoritmos MUSIC y ESPRIT.

1. Marco de Aprendizaje Fuera de Línea (Grandes Conjuntos de Datos):

   • Clasificación Jerárquica: Se emplea un enfoque de dos etapas. Primero, un clasificador binario distingue entre regiones de Línea de Vista (LoS) y Sin Línea de Vista (NLoS). Segundo, clasificadores multiclase específicos de la región identifican trayectorias predefinidas dentro de cada región.
   • Optimización: El marco incorpora un módulo de optimización de hiperparámetros utilizando optimización bayesiana (mediante Optuna) para ajustar los clasificadores (por ejemplo, Random Forest, Gradient Boosting, SVM) para maximizar la precisión.
   • Gestión de Modelos: Un mecanismo de evaluación paralelo permite la acumulación de nuevos datos y el reentrenamiento de modelos candidatos. Los candidatos superiores reemplazan al modelo implementado para garantizar la fiabilidad a largo plazo.

2. Marco de Aprendizaje en Línea (Datos de Flujo y Etiquetas Limitadas):

   • Aumento de Datos: Para abordar la escasez de datos, los autores evalúan las Redes Generativas Antagónicas Condicionales (CGAN) y los Autoencoders Variacionales Condicionales (CVAE). Los resultados experimentales indican que CVAE produce características de AoA sintéticas de mayor calidad que preservan mejor la distribución subyacente de los datos en comparación con CGAN.
   • Aprendizaje Continuo: Para datos de flujo, el marco emplea modelos basados en árboles incrementales y conjuntos (Hoeffding Tree, Hoeffding Adaptive Tree, Adaptive Random Forest, Streaming Random Patches, Aggregated Mondrian Forest y Gaussian Naive Bayes). Estos modelos se actualizan incrementalmente a medida que llegan los datos, mitigando la necesidad de un reentrenamiento completo.
   • Aprendizaje de Pocos Ejemplos: Para escenarios con muestras etiquetadas extremadamente limitadas (por ejemplo, nuevas trayectorias), se propone un enfoque de aprendizaje de pocos ejemplos basado en métricas utilizando Redes Prototípicas (ProtoNet). Esto permite la inicialización rápida de nuevas clases calculando prototipos de clase en un espacio de incrustación a partir de un pequeño conjunto de soporte.

Contribuciones Clave

• Marco Adaptativo Unificado: El artículo presenta un marco holístico que transita sin problemas entre los paradigmas de aprendizaje fuera de línea, continuo en línea y de pocos ejemplos según las condiciones de implementación (disponibilidad de datos y requisitos de latencia).
• Estrategia Jerárquica Fuera de Línea: Los autores demuestran que una clasificación jerárquica LoS/NLoS seguida de una clasificación de trayectorias específica de la región, cuando se combina con el ajuste de hiperparámetros, logra una precisión casi perfecta.
• Evaluación de Estrategias en Línea: El estudio compara sistemáticamente varios algoritmos de aprendizaje incremental y enfoques de pocos ejemplos en un conjunto de datos exterior del mundo real. Identifica a Aggregated Mondrian Forest (AMF) como el aprendiz incremental más efectivo y valida la utilidad de ProtoNet para la adaptación rápida con etiquetas limitadas.
• Aumento de Datos Generativo: El trabajo proporciona un análisis comparativo de CGAN y CVAE para el aumento a nivel de características, estableciendo a CVAE como el método superior para generar datos de AoA sintéticos que apoyen el ensayo de modelos y la evaluación de robustez.

Resultados Experimentales
El marco se evaluó en un conjunto de datos real exterior de mMIMO OFDM recopilado en el campus de Nokia en Stuttgart, Alemania (64 antenas, 2.18 GHz).

• Rendimiento Fuera de Línea: Después de la optimización de hiperparámetros, el marco jerárquico logró una precisión del 100% en la distinción entre regiones LoS y NLoS. Para la clasificación de trayectorias, alcanzó una precisión del 99.82% en regiones LoS y aproximadamente 98% de precisión en regiones NLoS.
• Aprendizaje Continuo en Línea: Aggregated Mondrian Forest (AMF) logró la mayor precisión en línea de aproximadamente 94% en ambas regiones LoS y NLoS. Crucialmente, mantuvo tasas de olvido muy bajas, que oscilaron entre 0.0248 y 0.0427, demostrando una fuerte estabilidad contra el olvido catastrófico.
• Aprendizaje de Pocos Ejemplos: ProtoNet mostró un rendimiento sólido en configuraciones de pocos ejemplos, con una precisión que mejoró a medida que aumentaba el número de disparos de soporte ($K$). En condiciones LoS, la precisión alcanzó ~0.91 con $K \ge 8$. El método exhibió una latencia de inferencia baja (1.05–1.23 ms) y costos de actualización moderados.
• Aumento de Datos: Las muestras generadas por CVAE mantuvieron una alta precisión de clasificación (86%) cuando se utilizaron para entrenar/probar clasificadores, mientras que las muestras de CGAN resultaron en una degradación significativa del rendimiento (37%), confirmando la idoneidad de CVAE para esta aplicación.

Significado y Afirmaciones
Los autores afirman que la localización robusta y de baja latencia en entornos inalámbricos exteriores dinámicos es alcanzable sin depender exclusivamente de conjuntos de datos masivos y estáticos. Al aprovechar un marco adaptativo, el sistema puede:

1. Establecer una línea base de alta precisión mediante aprendizaje fuera de línea cuando los datos son abundantes.
2. Adaptarse continuamente a cambios ambientales y nuevas trayectorias utilizando aprendizaje en línea, aliviando así la necesidad de campañas frecuentes y que consumen muchos recursos para la recolección de datos.
3. Inicializar rápidamente nuevas clases con datos etiquetados mínimos utilizando aprendizaje de pocos ejemplos.

El artículo concluye que estas estrategias permiten colectivamente una solución de localización escalable y adaptativa adecuada para el ciclo de vida dinámico de las futuras Redes de Acceso de Radio (RAN) 6G, donde las características del canal y los comportamientos de los usuarios son no estacionarios. Los resultados sugieren que las características basadas en AoA, cuando se procesan mediante estas estrategias de aprendizaje adaptativo, pueden servir como entradas confiables para esquemas de autenticación en la capa física y evaluación de confianza.