Lightweight Non-Line-of-Sight Channel Detection for ML-assisted Bluetooth Direction Finding

Technische Samenvatting: Lichtgewicht Detectie van Non-Line-of-Sight Kanalen voor ML-ondersteunde Bluetooth Richtingsdetectie

Probleemstelling
Bluetooth Low Energy (BLE) richtingdetectie (DF) wordt steeds vaker toegepast voor indoor industriële lokalisatie en retaildiensten. De nauwkeurigheid wordt echter aanzienlijk aangetast in non-line-of-sight (NLOS) omgevingen, waar multipath-reflecties en verstrooiing de hoek van aankomst (angle-of-arrival, AoA) schattingen beïnvloeden. Hoewel Machine Learning (ML) benaderingen voor NLOS-detectie goed gevestigd zijn voor breedbandige systemen (bijv. UWB, cellulaire netwerken) met behulp van Channel Impulse Response (CIR) kenmerken, zijn deze niet direct toepasbaar op BLE. BLE werkt in de beperkte 2,4 GHz ISM-band met een smalle bandbreedte, wat het gebruik van breedbandige CIR-kenmerken uitsluit. Bovaleer bestaan er geen geoptimaliseerde publieke BLE-datasets voor LOS/NLOS classificatie, en er is een gebrek aan rigoureuze ML-frameworks die specifiek zijn afgestemd op native BLE-observabelen, met name de Constant Tone Extension (CTE) In-phase-Quadrature (IQ) statistieken. Bovendien vinden praktische BLE-implementaties vaak plaats op hulpbronnenbeperkte embedded platforms, wat lichtgewicht algoritmen vereist die een balans vinden tussen nauwkeurigheid en lage computationele complexiteit, geheugenvoetafdruk en inferentielatentie.

Methodologie
De auteurs stellen een kwaliteitsgestuurd, lichtgewicht ML-pipeline voor die specifiek is ontworpen voor BLE CTE IQ-kenmerken. De methodologie omvat vier hoofdfasen:

1. Data-acquisitie en Generatie: Een gecontroleerde meetcampagne werd uitgevoerd met u-blox XPLR-AOA-3 hardware in twee verschillende binnenomgevingen: een vierkante kamer ("R") met metalen structuren en een kantoorgang ("O"). Een met grafeen gecoate blokkade werd gebruikt om NLOS-condities af te dwingen door directe signaalpaden te elimineren terwijl reflecties werden toegestaan. Dit proces genereerde gelabelde datasets met 64-dimensionale IQ-afgeleide feature-vectoren voor zowel LOS als NLOS scenario's.
2. Feature Engineering en Preprocessing:
   • Robuuste Standaardisatie: Om de invloed van uitschieters en heavy-tailed effecten die gebruikelijk zijn bij NLOS-data te mitigeren, werd een robuuste kwantiel-gebaseerde standaardisatie (RobustScaler) toegepast, gebruikmakend van de Interquartile Range (IQR).
   • Exploratieve Analyse: Principal Component Analysis (PCA) werd gebruikt om de statistische scheidbaarheid tussen LOS en NLOS klassen te verifiëren. Adaptive Kernel Density Estimation (AKDE) werd ingezet om klasse-conditionele waarschijnlijkheidsdichtheidsfuncties (PDFs) te modelleren, waarbij werd vastgesteld dat NLOS-distributies zwaardere staarten en een grotere dispersie vertonen vergeleken met LOS.
3. Kernel Approximatie en Feature Mapping: Om niet-lineaire structuren te vangen zonder de hoge computationele kosten van volledige kernelmethoden, maakt de studie gebruik van Nyström Kernel Approximation (NKA). Dit construeert low-rank niet-lineaire feature maps. Verschillende kerneltypen werden geëvalueerd, waaronder Random Fourier Features (RFF), Radial Basis Function (RBF), Polynomial en Sigmoid.
4. Lichtgewicht Classificatie: De pipeline maakt gebruik van een lichtgewicht Support Vector Classifier (SVC) head die opereert op de kernel-getransformeerde features. Deze aanpak wordt vergeleken met baselines inclusief Random Forest (RF) en Multilayer Perceptron (MLP). Het framework legt de nadruk op "identificatie-en-verwijdering", waarbij onbetrouwbare NLOS-kanalen worden gedetecteerd en uitgesloten van daaropvolgende triangulatie.

Belangrijkste Bijdragen

• Dataset Generatie: Creatie van gelabelde LOS/NLOS-datasets uit gecontroleerde BLE AoA-metingen in twee verschillende propagatieomgevingen, vergezeld van statistische validatie met PCA en AKDE om klasse-scheidbaarheid te bevestigen.
• Kernel-Feature Selectie: Demonstratie dat Nyström Kernel Approximation (NKA) de LOS/NLOS detectieprestaties aanzienlijk verbetert door intrinsieke niet-lineariteiten in de feature-ruimte te vangen, waarbij het superieur is aan lineaire baselines.
• Systematisch Framework: Voorstel van een lichtgewicht framework voor het selecteren van kerneltypen, hyperparameters en feature-budgetten, specifiek afgestemd op hulpbronnenbeperkte BLE-apparaten.
• Lage-Complexiteit Detectie: Ontwikkeling en vergelijking van lichtgewicht classificatie-pipelines die gekalibreerde posterieure waarschijnlijkheden produceren. Dit maakt kostenbewuste drempelwaarde-selectie mogelijk voor real-time implementatie, waarbij een balans wordt gevonden tussen misclassificatiekosten.

Resultaten
Experimentele resultaten over vier datasetconfiguraties (Scenario's "R" en "O", en synthetische "Mixed" en "Proportional" combinaties) wijzen op:

• Verbeteringen in Nauwkeurigheid: NKA-gebaseerde benaderingen verbeterden de nauwkeurigheid met ongeveer 7–14% ten opzichte van ruwe lineaire SVC-baselines. Bijvoorbeeld, in de "O" scenario bereikte de nauwkeurigheid 93% met NKA-SVC vergeleken met 86% voor lineaire SVC bij een 7K trainingsomvang.
• Modelvergelijking: Hoewel MLP de hoogste absolute nauwkeurigheid bereikte (ongeveer 90,8%), bracht dit hogere trainingscomplexiteit en gevoeligheid voor hyperparameters met zich mee. Random Forest toonde competitieve nauwkeurigheid, maar miste geheugenefficiëntie.
• Efficiëntie-afwegingen: De Nyström–SVC benadering (specifiek met gebruik van RFF) bood de meest gunstige afweging. Het verminderde de inferentietijd met ongeveer 44% vergeleken met MLP en verminderde de trainingstijd aanzienlijk vergeleken met andere niet-lineaire modellen, terwijl het een kleine geheugenvoetafdruk behield (ongeveer 17 KB voor RFF+SVC versus 120 KB voor RF).
• Robuustheid: Modellen toonden ongevoeligheid voor ruis, met een beperkte degradatie van de nauwkeurigheid van slechts 1–3% wanneer additive white Gaussian noise (AWGN) bij 20 dB SNR werd geïntroduceerd.
• Kalibratie: De pipeline genereerde succesvol gekalibreerde posterieure waarschijnlijkheden, wat adaptieve drempelwaarde-selectie mogelijk maakt op basis van de gewenste afweging tussen sensitiviteit en specificiteit.

Betekenis en Claims
Het artikel claimt dat het voorgestelde framework een praktisch en effectief pad biedt naar robuuste NLOS classificatie-en-verwijdering voor industriële BLE AoA lokalisatie. De auteurs benadrukken dat hoewel deep learning modellen (MLP) een hoge nauwkeurigheid bieden, de voorgestelde kernel-gebaseerde lineaire SVC-benadering superieur is voor omgevingen met beperkte hulpbronnen vanwege de gunstige balans tussen trainingscomplexiteit, inferentiekosten en geheugengebruik. Het werk valideert dat BLE-specifieke feature-transformatie essentieel is voor datagedreven kanaalclassificatie, aangezien generieke breedbandige benaderingen onvoldoende zijn. Tot slot suggereert de studie dat het integreren van deze kwaliteitsindicatoren in een positioneringsmotor de mogelijkheid biedt voor een confidence-aware weging van AoA-metingen, wat de algehele lokalisatiereliabiliteit kan verbeteren zonder dat gespecialiseerde hardwareversnelling vereist is.