A Hybrid Gauss Markov LSTM Mobility Model for Indoor OWC

Titolo del Documento

Un Modello di Mobilità Ibrido Gauss-Markov-LSTM per Comunicazioni Wireless Ottiche (OWC) Indoor

1. Il Problema

Le Comunicazioni Wireless Ottiche (OWC), in particolare i sistemi basati su laser (come i VCSEL), sono candidati promettenti per le reti wireless indoor ad alta capacità grazie allo spettro non regolamentato e all'elevato riuso spaziale. Tuttavia, a differenza dei sistemi RF, i collegamenti OWC sono estremamente sensibili alla mobilità degli utenti.

• Sfida principale: Le prestazioni del collegamento dipendono criticamente dall'allineamento spaziale tra il trasmettitore e il ricevitore. Variazioni nella posizione dell'utente e, ancor più, nell'orientamento del dispositivo (es. come viene tenuto uno smartphone), causano fluttuazioni rapide del guadagno del canale, portando a tassi di dati instabili e possibili interruzioni del collegamento (outage).
• Limiti dei modelli esistenti:
  • Il modello Random Waypoint (RWP) è ampiamente usato ma assume un movimento "senza memoria" (ogni decisione è indipendente dal passato), non riflettendo la realtà del comportamento umano.
  • Il modello Gauss-Markov (GM) introduce correlazione temporale e inerzia, risultando più realistico per il movimento, ma fallisce nel catturare cambiamenti di direzione bruschi e le dinamiche complesse dell'orientamento del dispositivo.
  • I modelli basati puramente sull'apprendimento automatico (ANN) possono essere robusti ma spesso mancano di generalizzazione su scenari non visti e richiedono grandi dataset reali.

2. Metodologia

Gli autori propongono un modello di mobilità ibrido Gauss-Markov-LSTM (GM-LSTM) progettato per prevedere congiuntamente la posizione dell'utente e l'orientamento del dispositivo.

• Architettura Ibrida:
  • Componente Gauss-Markov (GM): Fornisce una base strutturata per la dinamica del movimento, catturando la correlazione temporale e l'inerzia (transizioni lisce in posizione, velocità e direzione).
  • Componente LSTM (Long Short-Term Memory): Una rete neurale ricorrente che apprende il comportamento residuo. Invece di prevedere l'intero stato di mobilità, l'LSTM apprende la differenza (residuo) tra lo stato reale (ground truth) e la previsione del modello GM. Questo permette di catturare deviazioni non lineari, cambiamenti bruschi di traiettoria e variazioni nell'orientamento del dispositivo che il modello stocastico GM non riesce a rappresentare.
• Formulazione:
  Lo stato previsto $\hat{s}_u(t+1)$ è dato dalla somma della previsione GM e della correzione LSTM:
  $$\hat{s}_u(t+1) = f_{GM}(s_u(t)) + f_{LSTM}(s_u(t-k:t))$$
  Dove $s_u(t)$ include posizione $(x, y)$, velocità, direzione e angoli di orientamento.
• Addestramento:
  Il modello viene addestrato offline utilizzando traiettorie sintetiche realistiche che simulano il comportamento umano (variazioni di velocità, direzione e orientamento). L'LSTM viene addestrato per minimizzare l'errore tra lo stato reale e la previsione GM.

3. Contributi Chiave

1. Modellazione Ibrida Innovativa: Integrazione di un modello stocastico (GM) per la struttura di base del movimento e un modello di apprendimento profondo (LSTM) per le dinamiche comportamentali complesse e non lineari.
2. Previsione Congiunta: Il modello prevede simultaneamente la posizione e l'orientamento del dispositivo, un aspetto critico spesso trascurato ma fondamentale per i canali OWC direzionali.
3. Efficienza dei Dati: L'approccio ibrido riduce la dipendenza da enormi dataset reali per l'addestramento, poiché la componente GM cattura la fisica di base del movimento, permettendo all'LSTM di concentrarsi solo sulle deviazioni comportamentali.
4. Miglioramento della Stima del Canale: Una previsione di mobilità più accurata si traduce direttamente in una stima più precisa del guadagno del canale ottico e, di conseguenza, in una migliore allocazione delle risorse e gestione del handover.

4. Risultati

La valutazione delle prestazioni è stata condotta in un ambiente indoor simulato ($5 \times 5 \times 3$ m) con velocità dell'utente variabili da 0.2 a 1.6 m/s. I risultati sono stati confrontati con i modelli RWP e GM classici.

• Errore di Previsione (RMSE):
  • Il modello ibrido GM-LSTM ha ottenuto l'errore quadratico medio (RMSE) più basso nella previsione del canale, superando sia RWP che GM.
  • L'errore aumenta con l'orizzonte di previsione per tutti i modelli, ma il GM-LSTM mantiene una precisione superiore anche a orizzonti più lunghi (fino a 100 ms).
  • Anche all'aumentare della velocità dell'utente, il modello ibrido dimostra una maggiore robustezza rispetto alle controparti convenzionali.
• Prestazioni di Comunicazione (Tasso di Dati):
  • In termini di tasso di dati per utente nel tempo, il modello RWP mostra fluttuazioni significative con picchi e crolli frequenti a causa di previsioni di canale inaccurate.
  • Il modello GM offre una stabilità migliore rispetto a RWP.
  • Il modello GM-LSTM garantisce il tasso di dati più stabile, mantenendosi costantemente vicino alla capacità massima raggiungibile e minimizzando le variazioni. Questo è cruciale per garantire la Qualità di Servizio (QoS) in ambienti dinamici.

5. Significato e Impatto

Questo lavoro dimostra che l'integrazione di approcci basati su modelli fisici/stocastici con tecniche di apprendimento automatico (Machine Learning) è una strategia efficace per la mobilità nelle reti OWC.

• Affidabilità del Sistema: Migliorando l'accuratezza della previsione della mobilità, il sistema può adattarsi meglio alle variazioni del canale ottico, riducendo le interruzioni e mantenendo tassi di dati elevati e stabili.
• Scalabilità Futura: Il framework proposto getta le basi per scenari più complessi, come la gestione di ostacoli (blockage), cambiamenti ambientali dinamici e propagazione multipercorso.
• Implicazioni Pratiche: La capacità di prevedere l'orientamento del dispositivo apre nuove possibilità per l'ottimizzazione delle risorse e le strategie di handover consapevoli della mobilità in reti di prossima generazione (6G e LiFi).

In sintesi, il modello GM-LSTM supera i limiti dei modelli tradizionali fornendo una rappresentazione più fedele del comportamento umano reale, essenziale per sfruttare appieno il potenziale delle comunicazioni wireless ottiche ad alta velocità.