Sintesi Tecnica: Un Modello Umano a Corpo di Rotazione per il Sensing RF con Calibrazione Guidata dalle Misurazioni

Definizione del Problema

I sistemi di Localizzazione Device-Free (DFL) e di sensing a Radiofrequenza (RF) dipendono fortemente da dataset su larga scala, diversificati e ben etichettati per addestrare modelli di machine learning per il rilevamento della presenza, del movimento e dell'attività umana. Tuttavia, l'acquisizione di tali dataset attraverso estese campagne di misurazione in vari ambienti e configurazioni è proibitivamente costosa e richiede molto tempo. Sebbene le simulazioni numeriche offrano un'alternativa per la generazione di dati sintetici, i metodi esistenti affrontano un significativo compromesso tra accuratezza ed efficienza computazionale:

• I metodi full-wave (ad es., 3-D FEM, FDTD) forniscono un'alta fedeltà ma richiedono risorse computazionali eccessive, rendendoli inadatti alla generazione di database su larga scala.
• I modelli analitici o semi-analitici (ad es., approssimazioni sferiche o cilindriche) sono computazionalmente efficienti ma non riescono a catturare le complesse caratteristiche di scattering del corpo umano a causa di una semplificazione geometrica eccessiva.
• La modellazione dell'ambiente indoor è ulteriormente complicata dalla propagazione multipath e dai riflessi di pareti e oggetti, che sono difficili da caratterizzare accuratamente senza una conoscenza geometrica dettagliata o estese misurazioni.

Di conseguenza, esiste la necessità di un approccio di modellazione fisicamente coerente e computazionalmente efficiente che possa generare dati di sensing RF realistici tenendo conto dei complessi effetti di propagazione indoor.

Metodologia

Il documento propone un framework di predizione ibrido che combina un modello del corpo umano specializzato con una tecnica di ricostruzione dell'ambiente guidata dalle misurazioni.

1. Modello Umano a Corpo di Rotazione (BoR) e 2.5-D FEM

Il nucleo del modello di scattering umano è un'approssimazione a Corpo di Rotazione (BoR). Questo modello preserva le principali caratteristiche geometriche del corpo umano (testa, collo, torso, fianchi, gambe) mantenendo al contempo la simmetria rotazionale.

• Solver Numerico: Viene sviluppato un Metodo degli Elementi Finiti 2.5-Dimensionale (2.5-D FEM) rapido per calcolare i campi di scattering del modello BoR sotto l'eccitazione di un dipolo di Hertz a polarizzazione verticale.
• Decomposizione: Il metodo decoppia i contributi di campo delle diverse armoniche azimutali, risolvendo il problema nel piano $\rho-z$ anziché in un volume 3-D completo.
• Ricostruzione del Campo: Per calcolare i campi a distanze superiori al dominio FEM immediato, il metodo utilizza sorgenti equivalenti su una superficie cilindrica che circonda il corpo, consentendo un post-processing efficiente dei dati in campo vicino e lontano senza dover rimeshare l'intero ambiente.
• Proprietà dei Materiali: Il corpo umano è modellato come un tessuto muscolare omogeneo con permittività relativa derivata dal modello di Cole-Cole a 2,43 GHz ($\epsilon_r = 52,7 - j12,76$).

2. Modellazione del Campo di Sfondo Guidata dalle Misurazioni

Per affrontare la complessità della propagazione indoor senza ricorrere allo ray-tracing esplicito o a una mappatura ambientale dettagliata, gli autori introducono un approccio di recupero della fase (phase-retrieval):

• Concetto: Il campo totale è modellato come la sovrapposizione di un campo di fondo ($E_{bg}$) e di un campo diffuso dall'uomo ($E_{sca}$). Mentre l'ampiezza del campo di fondo è nota dalle misurazioni (in assenza di un essere umano), la sua fase è ignota.
• Recupero della Fase: Utilizzando un piccolo "set di addestramento" di misurazioni in cui è presente un essere umano in posizioni note, le fasi ignote del campo di fondo vengono ricostruite. L'ottimizzazione minimizza la differenza tra l'ampiezza del Received Signal Strength Indicator (RSSI) predetta e quella misurata.
• Calibrazione: Una costante di calibrazione globale viene ottimizzata congiuntamente per tenere conto delle incertezze nella calibrazione di trasmettitore/ricevitore e per convertire le unità di campo elettrico in potenza.
• Assunzioni: Il metodo assume che l'accoppiamento mutuo tra il corpo umano e gli scatteratori ambientali (interazioni di ordine superiore) sia trascurabile e che l'eccitazione per i calcoli di scattering possa essere approssimata dal campo in spazio libero.

Contributi Principali

Il documento delinea tre contributi primari:

1. FEM 2.5-D Efficiente per Modelli BoR Eccitati da Dipolo: Una nuova formulazione per calcolare lo scattering corporeo utilizzando un solver 2.5-D FEM specificamente adattato per l'eccitazione a dipolo. L'accuratezza numerica è validata rispetto a simulazioni full-wave commerciali (Feko™).
2. Valutazione del Modello Umano BoR: Un'analisi comparativa che dimostra come il modello BoR mantenga le principali caratteristiche di scattering di un modello umano 3-D completo (incluse le variazioni spaziali lungo l'altezza del corpo) pur incorrendo in un costo computazionale quasi identico a quello di un semplice modello cilindrico.
3. Ricostruzione del Campo di Sfondo Guidata dalle Misurazioni: Un metodo innovativo per ricostruire le fasi ignote del campo di fondo da un set minimo di misurazioni. Questo codifica implicitamente i complessi effetti di multipath indoor e le riflessioni ambientali, consentendo una previsione accurata dell'RSSI senza una modellazione ambientale esplicita.

Risultati e Validazione

Il framework proposto è stato validato attraverso confronti numerici e un esperimento reale di DFL in ambiente indoor.

Validazione Numerica

• Accuratezza: I risultati del 2.5-D FEM hanno mostrato un eccellente accordo con le simulazioni Feko™, con uno scostamento medio inferiore allo 0,9% per i casi in campo vicino ($\rho=0,3$ m) e all'1,2% per i casi in campo lontano ($\rho=2$ m).
• Efficienza: Rispetto a una simulazione FEM 3-D full-wave in Feko™, il proposto 2.5-D FEM ha ottenuto un incremento di velocità di 154× (37,4s rispetto a 5744,7s) e una riduzione dell'84% nell'uso della memoria (3,1 GB rispetto a 19,3 GB).
• Fedeltà del Modello: I confronti tra i modelli cilindrico, BoR e 3-D hanno mostrato che il modello cilindrico non era in grado di riprodurre le variazioni di scattering dipendenti dall'altezza. Al contrario, il modello BoR ha seguito da vicino le tendenze di scattering del modello 3-D in diverse orientazioni del corpo, con un costo computazionale aggiuntivo trascurabile rispetto al cilindro.

Validazione Sperimentale

• Setup: Gli esperimenti sono stati condotti in una stanza indoor con 20 nodi radio IoT (IEEE 802.15.4, 2,43 GHz) e un soggetto umano in cinque posizioni predefinite.
• Prestazioni del Recupero della Fase: Utilizzando le misurazioni da una singola posizione umana (set di addestramento) per ricostruire le fasi, il modello ha predetto l'RSSI per altre quattro posizioni (set di test) con un NRMSE di -16,2 dB (circa il 15,5% di errore lineare). Questo rappresenta un miglioramento significativo rispetto al modello baseline "senza fase", che ha prodotto un NRMSE di -11,6 dB (circa il 26,3% di errore), ovvero una riduzione del 35% dell'errore di predizione relativo.
• Variazione Spaziale: Il modello ha riprodotto con successo le variazioni spaziali dell'RSSI, inclusi gli estremi locali causati dall'interferenza costruttiva e distruttiva, attraverso diversi link trasmettitore-ricevitore.
• Accuratezza Complessiva: L'approccio proposto ha raggiunto circa l'85% di accuratezza nella predizione nel riprodurre le variazioni spaziali dell'RSSI osservate nella pratica.

Significato e Rivendicazioni

Il documento sostiene che l'approccio proposto offre un compromesso pratico tra fedeltà elettromagnetica ed efficienza computazionale. Combinando il modello umano BoR con la ricostruzione del campo di fondo guidata dalle misurazioni, il metodo consente di:

• Generare Rapidamente Dati Realistici: Può generare dataset di sensing RF su larga scala e fisicamente coerenti a una frazione del costo computazionale richiesto dalle simulazioni full-wave.
• Ridurre la Dipendenza dalle Misurazioni: Riduce significativamente la necessità di estese campagne di misurazione utilizzando un piccolo campione di dati per calibrare gli effetti di propagazione indoor complessi.
• Base per il Machine Learning: L'approccio fornisce una via percorribile per addestrare, valutare e generare database per futuri sistemi di DFL e di sensing RF basati sul machine learning, affrontando il collo di bottiglia critico della scarsità di dati.

Gli autori concludono che, sebbene il modello assuma interazioni di ordine superiore deboli e utilizzi un'orientazione media del corpo, esso cattura efficacemente i meccanismi di scattering dominanti e le caratteristiche di propagazione necessari per la pratica della predizione del sensing RF indoor. Si propone come lavoro futuro l'estensione del metodo ad antenne direzionali e ambienti con target multipli.