Survey-Free Radio Map Construction via HMM-Based Coarse-to-Fine Inference

Resumen Técnico: Construcción de Mapas de Radio sin Encuestas mediante Inferencia de lo Grueso a lo Fino Basada en HMM

Planteamiento del Problema
La construcción tradicional de mapas de radio para la localización en interiores depende en gran medida de encuestas manuales en el sitio, intensivas en mano de obra, para recopilar mediciones de la Intensidad de la Señal Recibida (RSS) en Posiciones de Referencia (RPs) etiquetadas con precisión. Este proceso es lento, costoso y requiere recalibración frecuente debido a cambios ambientales. Aunque se han propuesto enfoques de crowdsourcing que utilizan Unidades de Medición Inercial (IMU) para reducir el esfuerzo manual, introducen limitaciones significativas: dependencia del hardware del cliente (IMUs de teléfonos inteligentes) que sufren de ruido y deriva, y posibles barreras de permisos para acceder a los datos de los sensores. Además, los métodos no supervisados existentes luchan por mapear datos de RSS ruidosos a regiones físicas debido a efectos de multitrayectoria, y los modelos de seguimiento basados en propagación a menudo fallan sin coordenadas de verdad fundamental. El desafío central abordado es construir un mapa de radio preciso y recuperar trayectorias de usuarios utilizando únicamente secuencias de RSS sin etiquetar, sin encuestas manuales ni sensores inerciales auxiliares.

Metodología: Inferencia de lo Grueso a lo Fino Basada en HMM (HCFI)
Los autores proponen el marco HCFI, diseñado para entornos guiados por corredores con un flujo peatonal unidireccional dominante. El método opera en dos etapas distintas:

1. Nivel Grueso: Inferencia de Etiquetas de Región

   • Objetivo: Particionar secuencias de RSS sin etiquetar en regiones físicas distintas y alinearlas con la planta baja conocida.
   • Mecanismo: Los autores emplean un Modelo Oculto de Markov (HMM) donde los estados ocultos son secuencias de visitas a regiones y tiempos de permanencia.
   • Verosimilitud de Observación: Para manejar las fluctuaciones de RSS y la heterogeneidad de dispositivos, los datos de RSS crudos se transforman mediante una Red Neuronal Recurrente (RNN). Se aplica un modelo de subespacio (PCA Probabilístico) a estas incrustaciones para capturar diferencias interregionales mientras se suprime el ruido.
   • Priors: El modelo incorpora una distribución de Poisson para la duración de la permanencia y un prior de transición que impone un flujo unidireccional (los usuarios no revisitan regiones en una sola secuencia), permitiendo saltos ocasionales de región.
   • Optimización: Se utiliza un marco Generalizado de Expectación-Maximización (EM). El paso E utiliza decodificación de Viterbi para inferir etiquetas de región. El paso M actualiza los parámetros de la RNN mediante una tarea de verificación de orden de secuencia auto-supervisada (distinguir secuencias cronológicas de secuencias desordenadas), actualiza las estadísticas de tiempo de permanencia y refina los parámetros del subespacio.
   • Alineación: Los clústeres virtuales generados por el proceso EM se mapean a regiones físicas en la planta baja utilizando un algoritmo de emparejamiento bipartito (algoritmo húngaro) basado en centroides ponderados por la intensidad de la señal y ubicaciones conocidas de los Puntos de Acceso (AP).

2. Nivel Fino: Inferencia de Etiquetas de Ubicación

   • Objetivo: Estimar coordenadas 2D precisas del usuario y parámetros de propagación específicos de la región dentro de las regiones inferidas.
   • Mecanismo: Esta etapa formula el problema como una estimación secuencial de Máxima A Posteriori (MAP). Optimiza conjuntamente las trayectorias de los usuarios y los parámetros de pérdida de trayectoria de distancia logarítmica específicos de la región ($\alpha, \beta, \sigma$).
   • Restricciones: El espacio de búsqueda está estrictamente acotado por los límites físicos de las regiones inferidas en la etapa gruesa. Un modelo de movilidad espacio-temporal (probabilidad de transición gaussiana) impone la viabilidad cinemática (límites de velocidad de caminata).
   • Optimización: Se emplea un algoritmo de optimización alternada. Los parámetros de propagación se actualizan mediante ajuste de mínimos cuadrados de forma cerrada. Las trayectorias de los usuarios se recuperan utilizando un Algoritmo Genético (GA) personalizado que busca dentro de los límites de región restringidos, equilibrando la verosimilitud de RSS y los priores de movilidad.

Contribuciones Clave

• Marco sin Encuestas: Introducción de un marco completamente no supervisado e independiente de IMU para la construcción de mapas de radio utilizando únicamente mediciones de RSS sin etiquetar en entornos guiados por corredores.
• Arquitectura HCFI: Desarrollo de un método de inferencia de dos etapas que combina el agrupamiento de regiones basado en HMM con la recuperación de trayectorias restringida, cerrando efectivamente la brecha entre datos de señal crudos y geografía física.
• Aprendizaje de Características Robusto: Integración de una tarea de verificación de secuencias basada en RNN dentro del bucle EM para aprender incrustaciones temporales robustas, previniendo el colapso de características y asegurando una recuperación topológica precisa.
• Optimización Restringida: Un algoritmo de inferencia de trayectorias que aprovecha los límites regionales para reducir el espacio de búsqueda, haciendo tratable la estimación conjunta de coordenadas y parámetros de propagación sin verdad fundamental.

Resultados Experimentales
El método se evaluó en un entorno de oficina de 768 m² con 27 APs y 9 regiones distintas, utilizando datos de 4 usuarios móviles.

• Inferencia de Etiquetas de Región: El método HCFI logró una precisión de clasificación de regiones del 97.8% y una Precisión de Topología del 100%, superando significativamente a las líneas base de agrupamiento no supervisado más avanzadas (por ejemplo, SPC, LSE) y acercándose al rendimiento de métodos totalmente supervisados (SVM, KNN).
• Construcción de Mapa de Radio: El mapa de radio estimado logró un Error Absoluto Medio (MAE) de 8.96 dB y un Error Cuadrático Medio (RMSE) de 15.36 dB.
• Recuperación de Trayectoria: El error promedio de estimación de etiquetas de ubicación fue de 2.08 metros, superando a otros métodos solo de RSS (por ejemplo, RRM en 3.14 m) y quedando muy cerca del método Leto asistido por IMU (1.92 m).
• Rendimiento de Localización: Utilizando el mapa de radio construido con un algoritmo de Vecino Más Cercano (KNN), el sistema logró un error de posicionamiento promedio de 3.33 metros en tres conjuntos de datos de prueba independientes. Este rendimiento es comparable a la línea base Leto asistida por IMU y significativamente superior a los métodos tradicionales solo de RSS (que superaron los 11 metros).

Significado y Afirmaciones
El artículo afirma que el marco HCFI ofrece una solución altamente viable y sin sobrecarga para la construcción continua de mapas de radio en entornos con suposiciones topológicas secuenciales. Al incrustar matemáticamente las probabilidades de movilidad secuencial en los límites físicos interiores, los autores demuestran que los cuellos de botella fundamentales de la falta de etiquetas de verdad fundamental y sensores inerciales auxiliares pueden superarse. Los resultados sugieren que la inferencia no supervisada y restringida por regiones puede acercarse a los límites de rendimiento que anteriormente se pensaba que requerían calibración manual intensiva en mano de obra. El trabajo concluye que explotar las correlaciones espaciales latentes en las señales de RF estocásticas ambientales proporciona un paradigma de baja sobrecarga para sostener Servicios Basados en Ubicación (LBS) sin los costos prohibitivos de las encuestas en el sitio o las dependencias de hardware de los sistemas basados en IMU. Los autores señalan que la dependencia actual del flujo unidireccional limita la aplicabilidad a espacios abiertos sin restricciones, identificando la relajación de esta restricción topológica como una dirección principal para el trabajo futuro.