Lightweight Non-Line-of-Sight Channel Detection for ML-assisted Bluetooth Direction Finding

Resumen Técnico: Detección de Canales de Línea de Visión No Directa Ligeros para la Determinación de Dirección Asistida por ML en Bluetooth

Planteamiento del Problema
La determinación de dirección (DF) de Bluetooth de baja energía (BLE) se utiliza cada vez más para la localización industrial en interiores y servicios minoristas. Sin embargo, su precisión se ve significativamente comprometida en entornos de línea de visión no directa (NLOS), donde las reflexiones de trayectorias múltiples y la dispersión sesgan las estimaciones del ángulo de llegada (AoA). Aunque los enfoques de Aprendizaje Automático (ML) para la detección de NLOS están bien establecidos para sistemas de banda ancha (por ejemplo, UWB, celular) utilizando características de la Respuesta de Impulso del Canal (CIR), no son directamente aplicables a BLE. BLE opera en la banda restringida de 2.4 GHz ISM con un ancho de banda estrecho, lo que impide el uso de características de CIR de banda ancha. Además, los conjuntos de datos públicos de BLE existentes no están optimizados para la clasificación LOS/NLOS, y existe una falta de marcos de ML rigurosos adaptados a los observables nativos de BLE, específicamente las estadísticas de In-phase-Quadrature (IQ) de la Extensión de Tono Constante (CTE). Además, los despliegues prácticos de BLE suelen ocurrir en plataformas embebidas con recursos limitados, lo que requiere algoritmos ligeros que equilibren la precisión con una baja complejidad computacional, huella de memoria y latencia de inferencia.

Metodología
Los autores proponen un flujo de trabajo de ML ligero y orientado a la calidad, diseñado específicamente para las características IQ de la CTE de BLE. La metodología abarca cuatro etapas principales:

1. Adquisición y Generación de Datos: Se llevó a cabo una campaña de medición controlada utilizando hardware u-blox XPLR-AOA-3 en dos entornos interiores distintos: una habitación cuadrada ("R") con estructuras metálicas y un pasillo de oficina ("O"). Se utilizó un bloqueador recubierto de grafeno para imponer condiciones de NLOS al eliminar las trayectorias de señal directas mientras se permitían las reflexiones. Este proceso generó conjuntos de datos etiquetados que contienen vectores de características derivados de IQ de 64 dimensiones tanto para escenarios LOS como NLOS.
2. Ingeniería de Características y Preprocesamiento:
   • Estandarización Robusta: Para mitigar la influencia de los valores atípicos y los efectos de colas pesadas comunes en los datos NLOS, se aplicó una estandarización robusta basada en cuantiles (RobustScaler), utilizando el Rango Intercuartílico (IQR).
   • Análisis Exploratorio: Se utilizó el Análisis de Componentes Principales (PCA) para verificar la separabilidad estadística entre las clases LOS y NLOS. Se empleó la Estimación de Densidad de Kernel Adaptativa (AKDE) para modelar las funciones de densidad de probabilidad (PDF) condicionales de clase, revelando que las distribuciones NLOS presentan colas más pesadas y una mayor dispersión en comparación con las LOS.
3. Aproximación de Kernel y Mapeo de Características: Para capturar estructuras no lineales sin el alto costo computacional de los métodos de kernel completos, el estudio utiliza la Aproximación de Kernel de Nyström (NKA). Esto construye mapas de características no lineales de bajo rango. Se evaluaron varios tipos de kernel, incluyendo Características de Fourier Aleatorias (RFF), Función de Base Radial (RBF), Polinomial y Sigmoide.
4. Clasificación Ligera: El flujo de trabajo emplea un cabezal de Clasificador de Vectores de Soporte (SVC) ligero que opera sobre las características transformadas por kernel. Este enfoque se compara con líneas base que incluyen Random Forest (RF) y Perceptrón Multicapa (MLP). El marco enfatiza el "identificación y descarte", donde los canales NLOS no confiables son detectados y excluidos de la triangulación posterior.

Contribuciones Clave

• Generación de Conjunto de Datos: Creación de conjuntos de datos etiquetados LOS/NLOS a partir de mediciones controladas de AoA de BLE en dos entornos de propagación distintos, acompañados de validación estadística mediante PCA y AKDE para confirmar la separabilidad de las clases.
• Selección de Kernel de Características: Demostración de que la Aproximación de Kernel de Nyström (NKA) mejora significativamente el rendimiento de la detección LOS/NLOS al capturar las no linealidades intrínsecas en el espacio de características, superando a las líneas base lineales.
• Marco Sistemático: Propuesta de un marco guiado por la calidad para la selección de tipos de kernel, hiperparámetros y presupuestos de características, diseñado específicamente para dispositivos BLE con recursos limitados.
• Detección de Baja Complejidad: Desarrollo y comparación de flujos de trabajo de clasificación ligeros que producen probabilidades a posteriori calibradas. Esto permite una selección de umbral consciente del costo para el despliegue en tiempo real, equilibrando los costos de clasificación errónea.

Resultados
Los resultados experimentales a través de cuatro configuraciones de conjuntos de datos (Escenarios "R" y "O", y combinaciones sintéticas "Mixed" y "Proportional") indican:

• Mejoras en la Precisión: Los enfoques basados en NKA mejoraron la precisión aproximadamente un 7–14% en relación con las líneas base de SVC lineal bruto. Por ejemplo, en el escenario "O", la precisión alcanzó el 93% con NKA-SVC frente al 86% para SVC lineal con un tamaño de entrenamiento de 7K.
• Comparación de Modelos: Aunque el MLP logró la precisión absoluta más alta (aprox. 90.8%), incurrió en una mayor complejidad de entrenamiento y sensibilidad a los hiperparámetros. Random Forest mostró una precisión competitiva pero carecía de eficiencia de memoria.
• Compromisos de Eficiencia: El enfoque Nyström–SVC (específicamente usando RFF) ofreció el compromiso más favorable. Redujo el tiempo de inferencia en aproximadamente un 44% en comparación con MLP y redujo significativamente el tiempo de entrenamiento en comparación con otros modelos no lineales, manteniendo una pequeña huella de memoria (aprox. 17 KB para RFF+SVC frente a 120 KB para RF).
• Robustez: Los modelos demostraron insensibilidad al ruido, con una degradación de la precisión limitada al 1–3% cuando se introdujo ruido blanco gaussiano aditivo (AWGN) a 20 dB de SNR.
• Calibración: El flujo de trabajo generó con éxito probabilidades a posteriori calibradas, lo que permite la selección de umbrales adaptativos basados en el compromiso deseado entre sensibilidad y especificidad.

Significancia y Reivindicaciones
El artículo afirma que el marco propuesto proporciona un camino práctico y efectivo hacia la clasificación-y-descarte de NLOS robusta para la localización de AoA de BLE industrial. Los autores enfatizan que, si bien los modelos de aprendizaje profundo (MLP) ofrecen una alta precisión, el enfoque de SVC lineal basado en kernel propuesto es superior para entornos con recursos limitados debido a su favorable equilibrio entre complejidad de entrenamiento, costo de inferencia y uso de memoria. El trabajo valida que la transformación de características específicas de BLE es esencial para la clasificación de canales basada en datos, ya que los enfoques genéricos de banda ancha son insuficientes. Finalmente, el estudio sugiere que integrar estos indicadores de calidad en un motor de posicionamiento puede permitir una ponderación de la medición de AoA consciente de la confianza, mejorando así la fiabilidad de la localización sin requerir aceleración de hardware especializada.