🤖 AI

Machine and Deep Learning for Indoor UWB Jammer Localization

Dit artikel behandelt de uitdaging van indoor UWB-jammerlokalisatie onder veranderende omgevingsomstandigheden door twee nieuwe datasets te introduceren en een domein-adversariële ConvNeXt-autoencoder voor te stellen die de transfereerbaarheid aanzienlijk verbetert en de lokalisatiefout vermindert in vergelijking met niet-adversariële baselines.

Oorspronkelijke auteurs: Hamed Fard, Mahsa Kholghi, Benedikt Groß, Gerhard Wunder

Gepubliceerd 2026-07-16

📖 6 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Hamed Fard, Mahsa Kholghi, Benedikt Groß, Gerhard Wunder

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je een vriend probeert te vinden in een drukke, lawaaierige kamer met behulp van een speciale zaklamp die tegen de muren weerkaatst om precies te vertellen waar hij zich bevindt. Dit is hoe Ultra-wideband (UWB) technologie werkt voor het volgen van zaken zoals je sleutels, je huisdier of zelfs robots in een slim gebouw. Het is ongelooflijk nauwkeurig en bepaalt meestal de locatie binnen de breedte van een paar vingers. Maar, net als elke zaklamp, kan het verblind worden. Als iemand in de kamer staat met een enorme, verblindende stroboscoop (een "jammer"), wordt het systeem blind en faalt de tracking. Dit is een groot probleem voor de beveiliging; als een kwaadwillende het signaal kan storen, kan hij zijn locatie verbergen of een beveiligingssysteem uitschakelen.

Om dit op te lossen, zijn wetenschappers begonnen computers te leren om detectives te zijn. In plaats van alleen naar het signaal te kijken, gebruiken ze Machine Learning (ML) en Deep Learning (DL) — in feite computerprogramma's die leren van voorbeelden — om te achterhalen waar het verblindende licht vandaan komt, zelfs wanneer het signaal rommelig is. De grote vraag is: kunnen deze computerdetectives leren om de jammer in de ene kamer te vinden, en vervolgens in een compleet andere kamer waar de meubels zijn verplaatst direct dezelfde taak uit te voeren? Meestal zijn computers hier slecht in; ze onthouden de specifieke kamer waarin ze getraind zijn en raken in de war wanneer de indeling verandert. Dit papier pakt exact dat puzzelstuk aan: hoe bouw je een AI die de jammer opspoort die niet de weg kwijtraakt wanneer de omgeving verandert.

Het dilemma van de detective: De ene kamer versus de volgende

De onderzoekers zetten een experiment in de echte wereld op om dit te testen. Ze bouwden een "jamming lab" met vier ontvangers (zoals beveiligingscamera's) en een robot die een legitiem signaal droeg. Vervolgens introduceerden ze een "schurk" — een apparaat dat constant interferentie uitstuurde om het systeem te verwarren. Ze verzamelden gegevens in twee verschillende scenario's. Eerst brachten ze 52 verschillende plekken in kaart waar de jammer zich kon verstoppen in een kamer met standaard meubilair (de "Source" kamer). Ze trainden hun AI-modellen op deze gegevens, en de resultaten waren indrukwekkend. Het beste model, een type algoritme genaamd XGBoost, kon de locatie van de jammer raden met een gemiddelde fout van slechts 20,16 cm (ongeveer 8 inch). Het was als een detective die met ongelooflijke nauwkeurigheid een verborgen muntje in een specifieke woonkamer kon vinden.

Maar toen speelden de onderzoekers een trucje. Ze verplaatsten de meubels — twee bureaus, een stoel en wat kleine objecten — waardoor er een compleet nieuwe indeling ontstond (de "Target" kamer). Ze testten dezelfde AI-modellen die de eerste kamer onder de knie hadden gekregen. Het resultaat was een ramp. Het XGBoost-model, dat daarvoor zo zelfverzekerd was, was plotseling volkomen hulpeloos. De gemiddelde fout schoot omhoog naar 207,99 cm (meer dan 6,5 voet). Het was niet alleen een beetje naast; het was de weg volledig kwijt. Dit bewees dat standaard AI-modellen lijken op studenten die de antwoorden op een specifieke toets uit het hoofd leren, maar direct falen als de vragen worden gehusseld. De "domain shift" (de verandering in de kamer) maakte hen kapot.

De oplossing: De vormveranderende detective

Om dit op te lossen, probeerden de auteurs niet alleen de AI op meer data te trainen; ze veranderden hoe de AI leerde. Ze introduceerden een nieuwe methode genaamd een "Domain-Adversarial ConvNeXt Autoencoder" (of A-CNT voor kort). Denk hierbij aan het trainen van de detective om het meubilair volledig te negeren en zich alleen te concentreren op de vorm van de ruis die de jammer maakt.

Zo werkte het:

De Autoencoder: Eerst leerden ze de AI om de rommelige signaalgegevens te comprimeren tot een kleine, efficiënte samenvatting, waarbij de "ruis" van de specifieke kamerindeling werd gestript.
De Gradient Reversal Layer: Dit is het slimme deel. Ze voegden een speciale "adversarial" stap toe. Stel je een spel voor waarbij de AI probeert de locatie van de jammer te leren, maar een tweede "critic" AI probeert te raden uit welke kamer de gegevens komen. De hoofdaI wordt getraind om de critic te misleiden. Als de critic het verschil niet kan zien tussen de "Source" kamer en de "Target" kamer, betekent dit dat de hoofdaI kenmerken heeft geleerd die in beide plaatsen hetzelfde zijn. Het dwingt de AI om de universele regels van jamming te leren, en niet de specifieke regels van één kamer.

De resultaten: Een enorme comeback

Toen ze dit nieuwe A-CNT-systeem testten in de rommelige kamer met de verplaatste meubels, waren de resultaten verbluffend. Het systeem herstelde zich niet alleen; het bloeide op.

De gemiddelde fout daalde van de rampzalige 207,99 cm naar 34,67 cm (ongeveer 13,6 inch).
Dit was een verbetering van 83% ten opzichte van de beste eerdere poging die deze adversarial truc niet gebruikte.
Het belangrijkste is dat het deel van de gokken dat binnen een veilige marge van 30 cm (ongeveer 1 voet) viel, steeg van een trieste 0,03 (bijna nooit) naar 0,56 (meer dan de helft van de tijd).

Het paper vergeleek deze nieuwe methode ook met andere standaard "transfer learning" trucs (zoals CORAL en MMD) en stelde vast dat hoewel die een beetje hielpen, de adversarial benadering de duidelijke winnaar was. Ze controleerden zelfs of de AI daadwerkelijk de locatie leerde en niet alleen het type kamer. Door een eenvoudige wiskundige truc toe te passen op de interne "hersenen" van de AI (de bottleneck features), vonden ze dat de AI de locatie van de jammer nog steeds met 99,37% nauwkeurigheid in afzonderlijke zones kon verdelen, wat bewees dat de AI de ruimtelijke indeling echt begreep ondanks de veranderingen in het meubilair.

Wat dit betekent

Het paper concludeert dat hoewel standaard machine learning geweldig is in een statische wereld, het hopeloos faalt wanneer de omgeving verandert. Echter, door gebruik te maken van deze adversarial "misleidings"-techniek, kunnen we localization-systemen bouwen die robuust genoeg zijn om de chaos van de echte wereld aan te kunnen. De auteurs suggereren dat deze benadering de sleutel kan zijn tot het betrouwbaar maken van UWB-beveiligingssystemen in dynamische plaatsen zoals smart homes of magazijnen waar zaken constant worden verplaatst. Ze merken ook op dat dit pas het begin is, en geven aan dat toekomstig werk zich kan richten op 3D-ruimtes en zelfs complexere lay-outs. De les is duidelijk: om een jammer te vinden in een veranderende wereld, heb je een detective nodig die leert om het meubilair te negeren en naar het signaal te luisteren.

Technische Samenvatting: Machine Learning en Deep Learning voor Indoor UWB Jammer Lokalisatie

Probleemstelling

Ultra-wideband (UWB) technologie biedt centimeter-precieze nauwkeurigheid voor real-time positionering, wat essentieel is voor asset tracking en inbraakdetectie. Echter, UWB-systemen zijn kwetsbaar voor jamming-aanvallen, die lokalisatiediensten kunnen verstoren. Hoewel machine learning (ML) en deep learning (DL) de lokalisatie van legitieme tags hebben geavanceerd, blijft de specifieke uitdaging van het lokaliseren van malafide jammers binnen binnenomgevingen grotendeels onverkend. Bovendien falen bestaande ML/DL-frameworks vaak bij het generaliseren naar variërende fysieke omgevingen; modellen die getraind zijn in één kamerindeling lijden vaak aan ernstige prestatievermindering wanneer ze worden ingezet in een gewijzigde indeling vanwege domain shift. Dit artikel adresseert de behoefte aan robuuste, domein-invariante jammer lokalisatie die bestand is tegen veranderingen in binnenmeubilair en lay-out.

Methodologie

Dataverzameling en Experimentele Opstelling

De auteurs introduceerden twee nieuwe UWB-datasets verzameld in een laboratorium (3 m × 5 m) met behulp van vier UWB-ontvangers (anchors) en een legitieme zender gemonteerd op een TurtleBot-robot.

Source Domain: Data verzameld met standaard meubilair bij 52 vooraf gedefinieerde jammer-posities.
Target Domain: Data verzameld na het verplaatsen van twee bureaus, een stoel en andere objecten, bij 16 nieuwe, willekeurig geselecteerde jammer-posities.
Threat Model: De jammer gebruikt een DW3000-serie transceiver om continue UWB-frames te verzenden op maximale wettelijke kracht, wat een gerichte aanval op het 6,5 GHz kanaal simuleert.
Datavolume: De source dataset bevat 461.795 samples, en de target dataset bevat 28.793 samples.

Feature Engineering

Twee soorten features werden gebruikt:

Diagnostische Features: Numerieke waarden uit de DW3000 transceiver registers (bijv. PHY-header fouten, Reed–Solomon fouten, CRC integriteit, RSSI, en Ipatov piek/vermogen metrieken).
Channel Impulse Response (CIR) Features: Ruwe complexe CIR taps (300 taps) omgezet in magnitude, sinusfase en cosinusfase, vervolgens afgekapt tot de eerste 100 taps om ruis te verminderen.

Baseline Modellen

De studie stelde uitgebreide baselines op met zowel klassieke ML als DL benaderingen:

ML: Random Forest (RF), XGBoost (XGB), en K-Nearest Neighbors (KNN).
DL: SimpleNN (residual netwerk), ConvMixer1D, en Transformer Tabular.
Hyperparameters werden geoptimaliseerd met behulp van Bayesian optimalisatie (Optuna).

Voorgesteld Framework: Adversarial Domain Adaptation

Om domain shift te mitigeren, stelden de auteurs een Domain-Adversarial ConvNeXt Autoencoder (A-CNT) framework voor. De architectuur bestaat uit:

Denoising ConvNeXt Autoencoder: Een lichtgewicht encoder-decoder netwerk ontworpen om CIR-data te verwerken. De encoder comprimeert de input via convolutionele blokken met layer normalization en depthwise convoluties. Gaussische ruis wordt in de activaties geïnjecteerd om robuustheid te bevorderen.
Gradient Reversal Layer (GRL): Geplaatst tussen de encoder en een domein classifier. Tijdens backpropagation vermenigvuldigt deze de gradiënten met $-\lambda$ , wat de encoder dwingt om features te leren die ononderscheidbaar zijn tussen source en target domeinen.
Trainingsfasen:
- Pre-training: Ongesuperviseerde reconstructie van source data.
- Joint Adversarial Alignment: Ongesuperviseerde training op zowel source als target data om reconstructieverlies en domein classificatieverlies te minimaliseren (via GRL).
- Fine-tuning: Gesuperviseerde regressie op gelabelde target data om coördinaten te voorspellen, terwijl de domein classifier als regularisator behouden blijft.

Belangrijkste Bijdragen

Nieuwe Datasets: Introductie van twee UWB-datasets (source en target) die diagnostische features en ruwe CIR taps vastleggen in identieke kamers met verschillende lay-outs.
Uitgebreide Baselines: Vaststelling van classificatie- en regressiebenchmarks met behulp van diagnostische features, ondersteund door automatische hyperparameter optimalisatie en interpreteerbaarheid analyse (SHAP, mutual information, eta-squared).
Adversarial Framework: Adaptatie van een domain-adversarial ConvNeXt autoencoder om CIR-afgeleide features over domeinen heen uit te lijnen, specifiek gericht op jammer lokalisatie.
Vergelijkende Analyse: Rigoureuze vergelijking van het voorgestelde A-CNT tegenover niet-adversariële transfer learning (CNT) en unsupervised domain adaptation baselines (CORAL, MMD).

Experimentele Resultaten

Source Domain Prestaties

Op de source dataset presteerden klassieke ML-modellen beter dan deep learning-modellen in zowel classificatie- als regressietaken:

Classificatie: Random Forest behaalde de hoogste F1-macro score van 0,95 met een runtime van 3 minuten.
Regressie: XGBoost behaalde de laagste gemiddelde Euclidische fout van 20,16 cm en een $F_{\le30cm}$ (fractie van voorspellingen binnen 30 cm) van 0,80.

Impact van Domain Shift

Wanneer op de source getrainde modellen werden toegepast op de gewijzigde target lay-out zonder adaptatie, verslechterde de prestatie catastrofaal:

De gemiddelde fout van XGBoost steeg tienvoudig van 20,16 cm naar 207,99 cm.
$F_{\le30cm}$ daalde van 0,80 naar 0,03.
Deep learning modellen (ConvMixer1D, SimpleNN) faalden ook, met gemiddelde fouten boven de 200 cm en negatieve $R^2$ waarden.

Domain Adaptation Prestaties

Het voorgestelde A-CNT framework herstelde de prestaties aanzienlijk:

Gemiddelde Euclidische Fout: Verminderd tot 34,67 cm (vergeleken met 207,99 cm voor de baseline).
Nauwkeurigheid: $F_{\le30cm}$ verbeterde naar 0,56.
Vergelijking: Dit vertegenwoordigt een verbetering van 77% ten opzichte van niet-adversariële transfer learning (CNT, 148,02 cm fout) en een verbetering van 83% ten opzichte van de beste source-getrainde baseline.
Feature Alignment: t-SNE visualisaties en logistische regressietests op bottleneck embeddings bevestigden dat de adversariële alignment de fijnmazige ruimtelijke onderscheidbaarheid behield terwijl de domeinverdelingen werden uitgelijnd.

Betekenis en Claims

Het artikel claimt dat adversariële feature alignment essentieel is voor robuuste en overdraagbare indoor jammer lokalisatie in dynamische omgevingen. Hoewel traditionele ML-modellen effectief zijn in statische settings, zijn ze zeer gevoelig voor omgevingsveranderingen. De studie demonstreert dat een domain-adversarial aanpak met een ConvNeXt autoencoder effectief de domain shift kan mitigeren, waardoor de lokalisatienauwkeurigheid wordt hersteld naar bijna source-niveaus ondanks significante lay-outwijzigingen. De auteurs benadrukken dat dit werk een kritiek gat in de literatuur vult door zich specifiek te richten op jammer lokalisatie in plaats van legitieme tag lokalisatie, en door de praktische uitdaging van generalisatie over fysieke omgevingen aan te pakken. De code en datasets zijn publiekelijk beschikbaar gesteld om verder onderzoek te faciliteren.