Adaptive Learning Strategies for AoA-Based Outdoor Localization: A Comprehensive Framework

Sintesi Tecnica: Strategie di Apprendimento Adattivo per la Localizzazione Esterna Basata su AoA

Enunciato del Problema
La localizzazione nelle reti 5G/B5G e 6G è fondamentale per applicazioni come i trasporti intelligenti e le fabbriche smart. Sebbene le caratteristiche dell'Angolo di Arrivo (AoA) derivate dalle Informazioni sullo Stato del Canale (CSI) offrano una localizzazione a livello fisico robusta e resistente alla falsificazione, il dispiegamento nel mondo reale affronta sfide significative. Queste includono le fluttuazioni non trascurabili delle stime AoA dovute al rumore e al multipercorso, l'alto costo e la latenza associati alla raccolta di grandi dataset etichettati per l'addestramento offline, e la difficoltà di adattarsi ai cambiamenti dinamici dell'ambiente (ad esempio, mobilità dell'utente, ostruzioni) senza dimenticare catastroficamente. Gli approcci esistenti trattano spesso l'apprendimento offline, l'apprendimento continuo online e l'apprendimento few-shot come soluzioni isolate, mancando di un quadro unificato che si adatti alla disponibilità variabile dei dati e alle fasi di dispiegamento.

Metodologia
Gli autori propongono un quadro adattivo completo che integra strategie di apprendimento offline e online, adattate alla disponibilità di dati etichettati e alla fase operativa della rete. Il quadro utilizza le caratteristiche AoA estratte dalle misurazioni CSI di massive MIMO (mMIMO) mediante gli algoritmi MUSIC e ESPRIT.

1. Quadro di Apprendimento Offline (Grandi Dataset):

   • Classificazione Gerarchica: Viene adottato un approccio in due fasi. In primo luogo, un classificatore binario distingue tra le regioni in Linea di Vista (LoS) e Non in Linea di Vista (NLoS). In secondo luogo, classificatori multiclasse specifici per la regione identificano le traiettorie predefinite all'interno di ciascuna regione.
   • Ottimizzazione: Il quadro incorpora un modulo di ottimizzazione degli iperparametri che utilizza l'ottimizzazione bayesiana (tramite Optuna) per sintonizzare i classificatori (ad esempio, Random Forest, Gradient Boosting, SVM) per massimizzare l'accuratezza.
   • Gestione del Modello: Un meccanismo di valutazione parallelo consente l'accumulo di nuovi dati e il riaddestramento di modelli candidati. I candidati superiori sostituiscono il modello distribuito per garantire l'affidabilità a lungo termine.

2. Quadro di Apprendimento Online (Dati in Streaming ed Etichette Limitate):

   • Aumento dei Dati: Per affrontare la scarsità di dati, gli autori valutano le Reti Avversarie Generative Condizionali (CGAN) e gli Autoencoder Variazionali Condizionali (CVAE). I risultati sperimentali indicano che il CVAE produce caratteristiche AoA sintetiche di qualità superiore che preservano meglio la distribuzione sottostante dei dati rispetto alle CGAN.
   • Apprendimento Continuo: Per i dati in streaming, il quadro impiega modelli incrementali basati su alberi e ensemble (Hoeffding Tree, Hoeffding Adaptive Tree, Adaptive Random Forest, Streaming Random Patches, Aggregated Mondrian Forest e Gaussian Naive Bayes). Questi modelli si aggiornano in modo incrementale man mano che arrivano i dati, mitigando la necessità di un riaddestramento completo.
   • Apprendimento Few-Shot: Per scenari con campioni etichettati estremamente limitati (ad esempio, nuove traiettorie), viene proposto un approccio di apprendimento few-shot basato su metriche utilizzando le Prototypical Networks (ProtoNet). Ciò consente l'inizializzazione rapida di nuove classi calcolando i prototipi di classe in uno spazio di embedding da un piccolo set di supporto.

Contributi Chiave

• Quadro Adattivo Unificato: Il documento presenta un quadro olistico che transita senza soluzione di continuità tra i paradigmi di apprendimento offline, continuo online e few-shot in base alle condizioni di dispiegamento (disponibilità di dati e requisiti di latenza).
• Strategia Offline Gerarchica: Gli autori dimostrano che una classificazione gerarchica LoS/NLoS seguita da una classificazione delle traiettorie specifica per la regione, quando combinata con la sintonizzazione degli iperparametri, raggiunge un'accuratezza quasi perfetta.
• Valutazione delle Strategie Online: Lo studio confronta sistematicamente vari algoritmi di apprendimento incrementale e approcci few-shot su un dataset reale esterno. Identifica l'Aggregated Mondrian Forest (AMF) come il learner incrementale più efficace e convalida l'utilità di ProtoNet per l'adattamento rapido con etichette limitate.
• Aumento Generativo dei Dati: Il lavoro fornisce un'analisi comparativa di CGAN e CVAE per l'aumento a livello di caratteristiche, stabilendo il CVAE come il metodo superiore per generare dati AoA sintetici a supporto della ripetizione del modello e della valutazione della robustezza.

Risultati Sperimentali
Il quadro è stato valutato su un dataset reale esterno mMIMO OFDM raccolto nel campus Nokia di Stoccarda, Germania (64 antenne, 2,18 GHz).

• Prestazioni Offline: Dopo l'ottimizzazione degli iperparametri, il quadro gerarchico ha raggiunto un'accuratezza del 100% nella distinzione delle regioni LoS e NLoS. Per la classificazione delle traiettorie, ha raggiunto un'accuratezza del 99,82% nelle regioni LoS e un'accuratezza di circa il 98% nelle regioni NLoS.
• Apprendimento Continuo Online: L'Aggregated Mondrian Forest (AMF) ha raggiunto la massima accuratezza online di circa il 94% sia nelle regioni LoS che NLoS. Crucialmente, ha mantenuto tassi di oblio molto bassi, che vanno da 0,0248 a 0,0427, dimostrando una forte stabilità contro la dimenticanza catastrofica.
• Apprendimento Few-Shot: ProtoNet ha mostrato prestazioni solide nelle impostazioni few-shot, con un'accuratezza che migliorava all'aumentare del numero di scatti di supporto ($K$). In condizioni LoS, l'accuratezza ha raggiunto ~0,91 con $K \ge 8$. Il metodo ha esibito una bassa latenza di inferenza (1,05–1,23 ms) e costi di aggiornamento moderati.
• Aumento dei Dati: I campioni generati dal CVAE hanno mantenuto un'alta accuratezza di classificazione (86%) quando utilizzati per addestrare/testare i classificatori, mentre i campioni CGAN hanno portato a un significativo degrado delle prestazioni (37%), confermando l'idoneità del CVAE per questa applicazione.

Significato e Affermazioni
Gli autori affermano che una localizzazione robusta e a bassa latenza in ambienti wireless esterni dinamici è realizzabile senza fare affidamento esclusivamente su dataset massicci e statici. Sfruttando un quadro adattivo, il sistema può:

1. Stabilire una linea di base ad alta accuratezza attraverso l'apprendimento offline quando i dati sono abbondanti.
2. Adattarsi continuamente agli spostamenti ambientali e alle nuove traiettorie utilizzando l'apprendimento online, alleviando così la necessità di frequenti campagne di raccolta dati intensive in termini di risorse.
3. Inizializzare rapidamente nuove classi con dati etichettati minimi utilizzando l'apprendimento few-shot.

Il documento conclude che queste strategie collettivamente abilitano una soluzione di localizzazione scalabile e adattiva adatta al ciclo di vita dinamico delle future Reti di Accesso Radio (RAN) 6G, dove le caratteristiche del canale e i comportamenti degli utenti sono non stazionari. I risultati suggeriscono che le caratteristiche basate su AoA, quando elaborate attraverso queste strategie di apprendimento adattivo, possono servire come input affidabili per schemi di autenticazione a livello fisico e valutazione della fiducia.