Resumen Técnico: Mapeo de Radio en Interiores sin Anotaciones mediante Inferencia de Trayectorias Informada por Física

Enunciado del Problema

La construcción de mapas de radio en interiores tradicionalmente depende de encuestas de sitio intensivas en mano de obra que requieren etiquetas precisas de ubicación del usuario, lo que hace que el proceso sea costoso y difícil de escalar. Los métodos existentes que intentan reducir los costos de calibración a menudo dependen de anotaciones parciales de ubicación o utilizan Unidades de Medición Inercial (IMU) para obtener indicios de movimiento relativo. Sin embargo, las soluciones basadas en IMU enfrentan limitaciones relacionadas con la disponibilidad de hardware, los permisos del sistema operativo, las políticas de privacidad y la deriva acumulada de los sensores.

Este artículo aborda el problema del mapeo de radio en interiores sin etiquetas de ubicación del usuario y sin mediciones de IMU. El problema se formula en un entorno de despliegue práctico donde:

1. Las ubicaciones de los Puntos de Acceso (AP), las orientaciones de las antenas y el dominio espacial válido transitable son conocidos (derivados de registros de instalación o planos de planta).
2. Ninguna muestra de Información del Estado del Canal (CSI) está anotada con la coordenada física del usuario.
3. El objetivo es inferir la trayectoria latente asociada a una secuencia temporal de CSI y utilizar esta trayectoria recuperada para construir un mapa de radio.

El desafío radica en el complejo entorno interior, donde la propagación por múltiples trayectorias severa, las mediciones asíncronas y los componentes de no línea de vista (NLoS) oscurecen la relación entre las variaciones de la CSI y el desplazamiento físico.

Metodología

Los autores proponen un Marco de Inferencia de Trayectorias Informado por Física basado en un modelo bayesiano regularizado espacialmente. El enfoque central involucra tres componentes principales:

1. Continuidad Espacial Informada por Física (Característica PADP)

El marco explota la continuidad espacial local de la propagación por múltiples trayectorias. Los autores observan que pequeños desplazamientos físicos en un entorno cuasi-estático inducen cambios estructurados en la fase, el retardo y las respuestas angulares de los componentes dominantes de múltiples trayectorias.

• Construcción de PADP: Se construye una distancia de perfil de Potencia-Ángulo-Retardo (PADP) a partir de la CSI de MIMO-OFDM. Esto implica normalizar la CSI, proyectarla sobre un diccionario angular y una matriz DFT normalizada, y calcular la magnitud.
• Proposición de Continuidad: Se demuestra que, dentro de un vecindario local, la distancia PADP entre dos observaciones de CSI sirve como un proxy físicamente significativo para la distancia euclidiana entre las ubicaciones de usuario correspondientes. Esta relación se modela como un sustituto lineal con ruido aditivo, proporcionando un término de regularización por pares para la inferencia de trayectorias.

2. Modelo de Inferencia de Trayectorias Bayesiano

El problema se formula como una optimización conjunta de la trayectoria latente ($X_T$) y los parámetros de propagación ($\Theta_p$). La función objetivo maximiza una verosimilitud logarítmica regularizada espacialmente:

• Términos de Emisión: Incorpora la Intensidad de la Señal Recibida (RSS) modelada mediante un modelo de pérdida de trayectoria por distancia logarítmica e información direccional derivada de una búsqueda tipo MUSIC sobre la matriz de covarianza espacial.
• Términos de Transición: Utiliza un modelo de movilidad de Markov de primer orden sobre un grafo espacial discretizado derivado del dominio transitable conocido, restringiendo el movimiento basándose en velocidades de caminata plausibles.
• Regularización: Un término de energía por pares penaliza las transiciones donde el desplazamiento físico es inconsistente con la variación de PADP observada. Este término se pondera mediante un parámetro $\eta$.

3. Algoritmo de Optimización Alternada

Dado que la trayectoria y los parámetros están acoplados, los autores emplean una estrategia de optimización alternada:

1. Inicialización: Se estima una trayectoria gruesa utilizando solo RSS, verosimilitudes direccionales y restricciones de movilidad (estableciendo el peso de regularización $\eta = 0$).
2. Estimación de Parámetros: Dada la trayectoria actual, los parámetros de propagación (coeficientes de pérdida de trayectoria, varianzas de ruido y parámetros de continuidad PADP) se actualizan utilizando soluciones de forma cerrada o estimación por mínimos cuadrados.
3. Refinamiento de la Trayectoria: Con los parámetros actualizados, la trayectoria se refina maximizando el objetivo regularizado sobre el grafo espacial utilizando una recursión tipo Viterbi.
4. Construcción del Mapa de Radio: Una vez recuperada la trayectoria latente, las observaciones de CSI se asocian con las coordenadas inferidas para construir mapas de radio de RSS, PADP, canal y dominio de haz utilizando promedios ponderados por kernel.

Contribuciones Clave

El artículo destaca cuatro contribuciones principales:

1. Formulación sin Etiquetas de Ubicación: Un nuevo planteamiento del problema para el mapeo de radio en interiores que no requiere etiquetas de ubicación del usuario ni datos de IMU, basándose únicamente en la geometría conocida de los AP y los dominios transitables.
2. Indicio de Continuidad PADP: La construcción de una distancia de CSI basada en PADP que captura variaciones locales de ángulo-retardo, sirviendo como un proxy informado por física para pequeños desplazamientos espaciales.
3. Inferencia Bayesiana Regularizada: Un marco que integra RSS, información angular, restricciones de movilidad y continuidad PADP para recuperar conjuntamente la trayectoria latente y estimar los parámetros de propagación.
4. Validación en el Mundo Real: Demostración experimental en un conjunto de datos industrial real que muestra la efectividad del método en comparación con las líneas base existentes.

Resultados Experimentales

El marco propuesto se evaluó en el conjunto de datos dichasus-cf0x, recopilado en un almacén industrial real (aprox. 14 m $\times$ 14 m) con 4 Arrays Planos Uniformes (UPA) distribuidos. Las posiciones de referencia se utilizaron exclusivamente para la evaluación, no para el entrenamiento ni la inferencia.

Métricas de Rendimiento:

• Error de Localización: El método propuesto logró un error de localización promedio de 0.88 m. Esto superó a las líneas base representativas, incluidos los métodos de incrustación de canal (por ejemplo, Bilateración en 0.98 m, Siamesa en 1.21 m) y los métodos asistidos por IMU (por ejemplo, RITA en 7.58 m, GraphIPS en 2.11 m).
• Construcción del Mapa de Radio: El método logró un error de construcción del mapa de haz relativo de 6.68% y un RMSE de reconstrucción del canal de 6.93%.
• Estudio de Ablación: Eliminar la regularización PADP (Propuesto sin) aumentó el error de localización a 1.32 m, demostrando el valor del indicio de continuidad informado por física.

Análisis Comparativo:

• Los métodos asistidos por IMU mostraron un rendimiento degradado, probablemente debido a la acumulación de deriva y la discrepancia de dominio en el entorno industrial.
• Los métodos no supervisados basados en agrupamiento (ENAP, VRLoc) también tuvieron un rendimiento inferior, lo que sugiere que las estructuras de clústeres discretos por sí solas son insuficientes para preservar la continuidad de la trayectoria a nivel fino.
• La recuperación de la trayectoria del método propuesto preservó mejor la forma global del camino medido en comparación con otros métodos, según se visualiza en los resultados experimentales.

Significado y Afirmaciones

El artículo afirma que los mapas de radio en interiores pueden construirse a partir de secuencias de CSI sin depender de etiquetas de ubicación del usuario ni de mediciones auxiliares de IMU, siempre que se conozcan la geometría de los AP y el dominio transitable. El significado radica en:

• Reducción de Costos de Calibración: Eliminar la necesidad de encuestas de sitio intensivas en mano de obra y etiquetado preciso.
• Independencia del Hardware: Eliminar la dependencia de las IMU, evitando así problemas relacionados con la heterogeneidad del hardware, la privacidad y la deriva de los sensores.
• Aprendizaje Informado por Física: Demostrar que las variaciones locales de ángulo-retardo en la CSI retienen información geométrica útil incluso en entornos de múltiples trayectorias severas, permitiendo la construcción de un prior de continuidad espacial "informado por física".

Los autores concluyen que la trayectoria recuperada sirve como un ancla espacial válida para construir mapas de radio de alta fidelidad (dominios de RSS, PADP, canal y haz), validando la efectividad de la regularización PADP propuesta en escenarios industriales del mundo real.