L-Moment-Based LOS and NLOS Channel Characterization via Four-parameter Kappa Distribution for AoA BLE CTE Measurements

Sintesi Tecnica: Caratterizzazione del Canale LOS/NLOS basata su L-Momenti tramite Distribuzione Kappa a quattro parametri per misurazioni BLE CTE di AoA

Definizione del Problema
I sistemi di direction-finding Bluetooth Low Energy (BLE) si affidano a campioni In-phase e Quadrature (IQ) raccolti durante le trasmissioni di Constant Tone Extension (CTE). Le proprietà statistiche di questi campioni sono fortemente influenzate dal regime di propagazione: le condizioni di Line-of-Sight (LOS) producono tipicamente statistiche stabili, mentre le condizioni di Non-Line-of-Sight (NLOS) introducono distorsioni da multipath, shadowing e sovrapposizioni dipendenti dalla fase che degradano la stima dell'Angle-of-Arrival (AoA).

I dataset e i modelli esistenti soffrono di tre limitazioni primarie:

1. Mancanza di Geometria Accoppiata: La maggior parte dei dataset non fornisce misurazioni LOS/NLOS strettamente controllate e accoppiate sotto identiche geometrie tra ancora e tag, rendendo difficile isolare gli effetti di propagazione dai cambiamenti geometrici.
2. Modellazione Inadeguata: I comuni framework di simulazione si affidano al rumore bianco gaussiano additivo o a semplici modelli di fading piatto (es. Rayleigh, Rice), che non riescono a catturare le statistiche di ampiezza con code pesanti (heavy-tailed) e asimmetriche spesso osservate in ambienti indoor NLOS congestionati.
3. Rigore Statistico: Vi è una mancanza di etichette LOS/NLOS a livello di IQ rigorosamente validate, idonee per applicazioni di machine learning (ML) su larga scala. Inoltre, le statistiche classiche dei momenti di prodotto sono sensibili agli outlier e alle code pesanti, il che può portare a una caratterizzazione del canale inaffidabile.

Metodologia
Gli autori propongono un framework completo che combina una campagna di misurazione controllata con una modellazione statistica robusta utilizzando gli L-momenti.

1. Campagna di Misurazione Controllata:

   • Hardware: È stato utilizzato un kit di sviluppo u-blox XPLR-AOA-3 (ancore ANT-B10 e tag C209) in un laboratorio indoor di 630 × 385 cm.
   • Protocollo: È stata imposta una geometria strettamente accoppiata in cui le misurazioni LOS e NLOS sono state effettuate nelle identiche posizioni e orientamenti di ancora-tag. Le condizioni NLOS sono state create inserendo un bloccante (una pila di carta rivestita di grafene) che ostruiva il percorso diretto consentendo al contempo le riflessioni.
   • Volume di Dati: La campagna ha raccolto 132.000 pacchetti CTE etichettati (1000 pacchetti per evento attraverso varie configurazioni di posizione del tag, orientamento e access point).

2. Pre-elaborazione Robusta:

   • È stata applicata una pipeline di rilevamento degli outlier multistadio per rimuovere i pacchetti CTE anomali. Questa combinava tre metodi:
     • Inter-Quantile Range (IQR): Per il filtraggio univariato delle fluttuazioni casuali.
     • Median Absolute Deviation (MAD): Un estimatore di scala robusto e privo di distribuzione per rilevare deviazioni estreme nelle distribuzioni marginali.
     • Minimum Covariance Determinant (MCD): Un metodo multivariato per identificare punti anomali nello spazio delle caratteristiche congiunte.
   • Questo processo ha ridotto il dataset a 12.007 campioni di alta qualità mantenendo la tendenza statistica centrale.

3. Validazione Statistica:

   • Test di Ipotesi: Test t di Welch e test di Levene per caratteristiche sono stati applicati alle 64 dimensioni delle feature di potenza derivate da IQ. Questi test hanno confermato che le differenze di media e varianza tra i subset LOS e NLOS erano statisticamente significative ($\alpha \le 0.01$, $P$ aggiustato $\le 10^{-6}$) in quasi tutte le dimensioni.

4. Analisi degli L-Momenti e Modellazione Kappa:

   • L-Momenti: Invece dei momenti convenzionali, gli autori hanno utilizzato gli L-momenti (combinazioni lineari di ordini statistici), che sono meno sensibili agli outlier e alle code pesanti.
   • Diagramma del Rapporto degli L-Momenti (LMRD): I rapporti degli L-momenti empirici (LMR), specificamente l'L-skewness ($\tau_3$) e l'L-kurtosis ($\tau_4$), sono stati tracciati. L'analisi ha rivelato cluster distinti per LOS e NLOS, con NLOS che esibisce code più pesanti e una maggiore asimmetria.
   • Distribuzione Kappa: Una famiglia di distribuzioni Kappa a quattro parametri è stata adattata agli LMR. Questa famiglia flessibile comprende le distribuzioni Generalized Extreme Value (GEV), Generalized Logistic (GLO) e Generalized Pareto (GPA) come casi speciali, permettendo di adattarsi meglio ai dati empirici rispetto ai modelli a tre parametri.
   • Goodness-of-Fit (GoF): I modelli Kappa hanno dimostrato punteggi di discrepanza significativamente inferiori ($D_{NLOS} = 3.20 \times 10^{-4}$) e deviazioni di L-kurtosis standardizzate quasi nulle rispetto ai modelli Rayleigh, Rice o GEV tradizionali.

5. Applicazione ML (Clustering):

   • Gli autori hanno applicato il clustering DBSCAN per confrontare la separabilità dei dati utilizzando i momenti di prodotto convenzionali rispetto ai rapporti degli L-momenti. Le feature degli L-momenti hanno prodotto due cluster distinti e ben separati (LOS e NLOS), mentre i momenti di prodotto sono collassati in un singolo cluster con alto rumore.

Contributi Chiave

• Dataset IQ BLE Accoppiato: La creazione di un dataset su larga scala, etichettato per classe, dove le catture LOS e NLOS sono registrate sotto identiche condizioni geometriche, facilitando un rigore ML e una caratterizzazione del canale rigorosi.
• Validazione Statistica della Separabilità: Dimostrazione, attraverso una robusta rimozione degli outlier e test di ipotesi, che le condizioni LOS e NLOS producono statistiche di primo e secondo ordine statisticamente distinte nello spazio delle caratteristiche di potenza derivate da IQ.
• Caratterizzazione del Canale tramite L-Momenti: La prima applicazione dell'analisi degli L-momenti alle misurazioni BLE AoA CTE. Lo studio mostra che i canali NLOS esibiscono un comportamento a code pesanti che è scarsamente catturato dai modelli classici ma ben modellato dalla distribuzione Kappa a quattro parametri.
• Migliori Rappresentazioni ML: Evidenza che le statistiche degli L-momenti forniscono feature più compatte, robuste e separabili per il rilevamento LOS/NLOS e la simulazione del canale rispetto ai convenzionali momenti di prodotto, come dimostrato dalle prestazioni superiori nel clustering DBSCAN.

Risultati

• Significatività Statistica: Tutte le differenze di media tra LOS e NLOS erano statisticamente significative, con il 92% delle differenze di varianza per caratteristica che risultava significativo.
• Fit del Modello: La distribuzione Kappa ha fornito il miglior adattamento ai dati empirici. Nello specifico, per i dati NLOS, il modello Kappa ha raggiunto una discrepanza ($D_{NLOS}$) di $3.20 \times 10^{-4}$, la più piccola nell'LMRD, con una deviazione di L-kurtosis standardizzata ($Z_{NLOS}$) di $1.18 \times 10^{-2}$. Al contrario, i modelli standard come Rayleigh e Rice hanno mostrato errori significativamente più grandi.
• Clustering: Le rappresentazioni basate sugli L-momenti hanno separato con successo i dati LOS e NLOS in due cluster con un coefficiente di silhouette di 0.018, mentre le rappresentazioni dei momenti di prodotto non sono riuscite a formare cluster distinti.

Significatività e Rivendicazioni
Il documento afferma di essere il primo ad applicare l'analisi degli L-momenti alle misurazioni BLE AoA CTE. La sua importanza risiede nel fornire un framework statistico robusto per la caratterizzazione di canali wireless indoor che presentano code pesanti e asimmetria. Gli autori sostengono che:

• Le assunzioni classiche Gaussian o Rayleigh sono spesso inadeguate per modellare le statistiche di potenza NLOS in ambienti congestionati.
• I descrittori L-momenti offrono un'alternativa più affidabile per la pre-elaborazione, il rilevamento LOS/NLOS e la simulazione realistica del canale.
• La modellazione basata su Kappa e le feature degli L-momenti possono essere integrate in pipeline di stima AoA assistite da ML per migliorare la robustezza in condizioni di propagazione a code pesanti.

Gli autori rimangono modesti riguardo all'ambito, osservando che l'analisi attuale è limitata a un singolo ambiente indoor e a una configurazione hardware fissa. Suggeriscono che il lavoro futuro debba valutare la trasferibilità di queste relazioni L-momenti/Kappa attraverso ambienti diversificati e scenari dinamici che coinvolgono oggetti in movimento.