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

Technische Samenvatting: L-moment-gebaseerde LOS/NLOS Kanaalkarakterisering via een Vierparameters Kappa-distributie voor AoA BLE CTE-metingen

Probleemstelling
Bluetooth Low Energy (BLE) direction-finding systemen vertrouwen op In-phase en Quadrature (IQ) samples die worden verzameld tijdens Constant Tone Extension (CTE) transmissies. De statistische eigenschappen van deze samples worden sterk beïnvloed door het propagatieregime: Line-of-Sight (LOS) condities leveren doorgaans stabiele statistieken, terwijl Non-Line-of-Sight (NLOS) condities multipad-verstoringen, schaduwvorming en fase-afhankelijke superpositie introduceren die de Angle-of-Arrival (AoA) schatting verslechteren.

Bestaande datasets en modellen lijden onder drie primaire beperkingen:

1. Gebrek aan Gepaarde Geometrie: De meeste datasets bieden geen strikt gecontroleerde, gepaarde LOS/NLOS metingen onder identieke anchor-tag geometrieën, wat het moeilijk maakt om propagatie-effecten te isoleren van geometrische veranderingen.
2. Inadequate Modellering: Veel simulatieframeworks vertrouwen op additive white Gaussian noise of eenvoudige flat-fading modellen (bijv. Rayleigh, Rician), die er niet in slagen de heavy-tailed en scheve amplitude-statistieken te vangen die vaak worden waargenomen in rommelige indoor NLOS-omgevingen.
3. Statistische Rigor: Er is een gebrek aan rigoureus gevalideerde, IQ-niveau LOS/NLOS labels die geschikt zijn voor grootschalige machine learning (ML) toepassingen. Bovendien zijn klassieke product-moment statistieken gevoelig voor uitschieters en heavy tails, wat kan leiden tot onbetrouwbare kanaalkarakterisering.

Methodologie
De auteurs stellen een uitgebreid framework voor dat een gecontroleerde meetcampagne combineert met robuuste statistische modellering met behulp van L-momenten.

1. Gecontroleerde Meetcampagne:

   • Hardware: Een off-the-shelf u-blox XPLR-AOA-3 development kit (ANT-B10 anchors en C209 tags) werd gebruikt in een 630 × 385 cm laboratorium binnen.
   • Protocol: Een strikt gepaarde geometrie werd afgedwongen waarbij LOS en NLOS metingen werden genomen op identieke anchor-tag posities en oriëntaties. NLOS condities werden gecreëerd door een blokkade (graphene-coated papierstapel) in te voegen die het directe pad blokkeerde maar reflecties doorliet.
   • Datavolume: De campagne verzamelde 132.000 gelabelde CTE pakketten (1000 pakketten per event over diverse configuraties van tag locatie, oriëntatie en access points).

2. Robuuste Preprocessing:

   • Een multi-stage outlier detectie pipeline werd toegepast om anomalieën in CTE pakketten te verwijderen. Dit combineerde drie methoden:
     • Inter-Quantile Range (IQR): Voor univariate filtering van willekeurige fluctuaties.
     • Median Absolute Deviation (MAD): Een robuuste, distributievrije schattingsmethode voor de schaal van marginale distributies voor het detecteren van extreme afwijkingen.
     • Minimum Covariance Determinant (MCD): Een multivariate methode om punten te identificeren die anomal zijn in hun gezamenlijke feature space.
   • Dit proces reduceerde de dataset tot 12.007 hoogwaardige samples terwijl de centrale statistische tendens behouden bleef.

3. Statistische Validatie:

   • Hypothesetesten: Feature-wise Welch's t-testen en Levene's testen werden toegepast op de 64-dimensionale IQ-afgeleide power features. Deze testen bevestigden dat verschillen in gemiddelde en variantie tussen LOS en NLOS subsets statistisch significant waren ($\alpha \le 0.01$, aangepaste $P \le 10^{-6}$) over bijna alle dimensies.

4. L-Moment Analyse en Kappa Modellering:

   • L-Momenten: In plaats van conventionele momenten gebruikten de auteurs L-momenten (lineaire combinaties van order statistieken), die minder gevoelig zijn voor uitschieters en heavy tails.
   • L-Moment Ratio Diagram (LMRD): Empirische L-moment ratio's (LMR's), specifiek L-skewness ($\tau_3$) en L-kurtosis ($\tau_4$), werden geplot. De analyse onthulde duidelijke clusters voor LOS en NLOS, waarbij NLOS zwaardere tails en sterkere asymmetrie vertoonde.
   • Kappa Distributie: Een vierparameters Kappa-distributiefamilie werd gefit aan de LMR's. Deze flexibele familie omvat de Generalized Extreme Value (GEV), Generalized Logistic (GLO) en Generalized Pareto (GPA) distributies als speciale gevallen, waardoor het de empirische data beter kan matchen dan drieparameters modellen.
   • Goodness-of-Fit (GoF): De Kappa-modellen vertoonden aanzienlijk lagere discrepantie scores ($D_{NLOS} = 3.20 \times 10^{-4}$) en bijna nul gestandaardiseerde L-kurtosis afwijkingen vergeleken met traditionele Rayleigh, Rice of GEV modellen.

5. ML Toepassing (Clustering):

   • De auteurs pasten DBSCAN clustering toe om de scheidbaarheid van data te vergelijken met behulp van conventionele product-momenten versus L-moment ratio's. L-moment features leverden twee duidelijke, goed gescheiden clusters op (LOS en NLOS), terwijl product-momenten inklapten tot een enkele cluster met hoge ruis.

Belangrijkste Bijdragen

• Gepaarde BLE IQ Dataset: De creatie van een grootschalige, klasse-gelabelde dataset waarbij LOS en NLOS captures zijn opgenomen onder strikt identieke geometrische condities, wat rigoureuze ML en kanaalkarakterisering faciliteert.
• Statistische Validatie van Scheidbaarheid: Demonstratie door middel van robuuste outlier verwijdering en hypothesetesten dat LOS en NLOS condities statistisch onderscheidbare eerste- en tweede-orde statistieken produceren in de IQ-afgeleide power feature space.
• L-Moment Kanaalkarakterisering: De eerste toepassing van L-moment analyse op BLE AoA CTE metingen. De studie toont aan dat NLOS kanalen heavy-tailed gedrag vertonen dat slecht wordt gevangen door klassieke modellen, maar goed wordt gemodelleerd door de vierparameters Kappa-distributie.
• Verbeterde ML Representaties: Bewijs dat L-moment statistieken meer compacte, robuuste en scheidbare features bieden voor LOS/NLOS detectie en realistische kanaalsimulatie vergeleken met conventionele product-momenten, zoals aangetoond door superieure DBSCAN clustering prestaties.

Resultaten

• Statistische Significantie: Alle gemiddelde verschillen tussen LOS en NLOS waren statistisch significant, en 92% van de feature-wise variantie verschillen waren ook significant.
• Model Fit: De Kappa distributie bood de beste fit voor de empirische data. Specifiek voor NLOS data bereikte het Kappa model een discrepantie ($D_{NLOS}$) van $3.20 \times 10^{-4}$, de kleinste in de LMRD, met een gestandaardiseerde L-kurtosis afwijking ($Z_{NLOS}$) van $1.18 \times 10^{-2}$. In tegenstelling hiermee vertoonden standaard modellen zoals Rayleigh en Rice aanzienlijk grotere fouten.
• Clustering: L-moment gebaseerde representaties slaagden erin om LOS en NLOS data te scheiden in twee clusters met een silhouette score van 0.018, terwijl product-moment representaties er niet in slaagden om onderscheidende clusters te vormen.

Betekenis en Claims
Het artikel claimt de eerste te zijn die L-moment analyse toepast op BLE AoA CTE metingen. De significantie ligt in het bieden van een robuust statistisch framework voor het karakteriseren van indoor draadloze kanalen die heavy-tailed en asymmetrisch zijn. De auteurs stellen dat:

• Klassieke Gaussian of Rayleigh aannames vaak inadequaat zijn voor het modelleren van NLOS power statistieken in drukke omgevingen.
• L-moment beschrijvers een betrouwbaarder alternatief bieden voor preprocessing, LOS/NLOS detectie en realistische kanaalsimulatie.
• De voorgestelde Kappa-gebaseerde modellering en L-moment features kunnen worden geïntegreerd in ML-ondersteunde AoA schattingspipelines om de robuustheid onder heavy-tailed propagatie condities te verbeteren.

De auteurs blijven bescheiden over de reikwijdte en merken op dat de huidige analyse beperkt is tot een enkele indoor omgeving en een vaste hardware configuratie. Zij suggereren dat toekomstig werk de transferabiliteit van deze L-moment/Kappa relaties naar diverse omgevingen en dynamische scenario's met bewegende objecten moet evalueren.