Calibration-Free Induced Magnetic Field Indoor and Outdoor Positioning via Data-Driven Modeling

Resumo Técnico: Posicionamento em Ambientes Internos e Externos via Campo Magnético Induzido Livre de Calibração por meio de Modelagem Baseada em Dados

Definição do Problema
A localização interna precisa e confiável continua sendo um desafio significativo para a computação ubíqua e a robótica. Embora existam várias tecnologias (ultrassom, Wi-Fi/BLE, RFID, sensoriamento inercial), elas sofrem de limitações específicas, como requisitos de linha de visada (LOS), sensibilidade a dinâmicas ambientais, interferência de multicaminho e deriva de sinal. O posicionamento baseado em campo magnético oferece uma alternativa robusta devido à sua imunidade a condições de não linha de visada (NLOS), obstáculos dinâmicos e interferência sem fio. No entanto, os sistemas de localização magnética existentes são limitados por sua dependência de inversão de campo analítica, calibração manual ou fingerprinting específico do ambiente. Essas abordagens tradicionais têm dificuldade em capturar distorções de campo não lineares causadas por estruturas metálicas ou variabilidade de implantação, limitando sua escalabilidade e transferibilidade entre diferentes ambientes.

Metodologia
O artigo propõe um framework livre de calibração e baseado em dados para localização por Campo Magnético Induzido (IMF), que mapeia diretamente medições de campo magnético para coordenadas espaciais usando aprendizado de máquina supervisionado, contornando a inversão explícita de campo analítico.

• Arquitetura de Hardware: O sistema utiliza um arranjo de transmissores multi-eixos e um receptor triaxial. Cinco unidades transmissoras (cada uma com três bobinas ortogonais) geram campos magnéticos alternados de baixa frequência (20 kHz). Um módulo receptor com três bobinas de detecção ortogonais detecta tensões induzidas. O hardware inclui um filtro passa-faixa Butterworth de quarta ordem e um amplificador logarítmico para processar os sinais, reduzindo o ruído e comprimindo a faixa dinâmica.
• Paradigma Baseado em Dados: Em vez de inverter equações de campo magnético, o sistema trata a localização como um problema de regressão. O framework aprende a relação não linear entre o campo magnético induzido e a posição espacial a partir dos dados coletados.
• Engenharia de Atributos (Feature Engineering): Para enfrentar o desafio da orientação do receptor, os autores introduzem uma representação de atributos invariante à orientação. Em vez de usar componentes de tensão direcionais brutas, o sistema calcula a magnitude do sinal gerado por cada eixo do transmissor ($M_{ti,\phi} = \sqrt{S^2_{x} + S^2_{y} + S^2_{z}}$). Essa transformação garante que o vetor de atributos permaneça consistente independentemente da rotação do receptor, permitindo uma implantação independente de rotação.
• Configuração Experimental: Os dados foram coletados em quatro ambientes (Sala de Reuniões, Área Social, Corredor e Área Externa) utilizando um sistema baseado em ultrassom (Marvelmind) como verdade de campo (ground truth). O conjunto de dados foi dividido em sessões de treinamento e teste para evitar sobreposição temporal.
• Avaliação do Modelo: O estudo compara vários modelos de aprendizado de máquina, incluindo regressão clássica (SVM, kNN), métodos de conjunto (Random Forest, AdaBoost, GBDT) e arquiteturas de aprendizado profundo (LSTM, MLP).
• Pós-processamento: Para aumentar a continuidade da trajetória, o sistema emprega detecção de outliers (usando métodos de média-variância ou isolation forest) e suavização de sequência para mitigar anomalias locais.

Principais Contribuições

1. Framework Livre de Calibração: O trabalho introduz um paradigma de aprendizado totalmente baseado em dados que elimina a necessidade de inversão de campo explícita ou calibração específica do ambiente, permitindo que modelos treinados em um cenário se generalizem para outros.
2. Arquitetura de Sensoriamento Redesenhada: A integração de múltiplos transmissores de bobina ortogonal com um receptor triaxial permite a captura completa do campo espacial, otimizada para geração e detecção estáveis.
3. Atributos Invariantes à Orientação: A formulação de atributos proposta mitiga os efeitos da rotação do receptor, um fator crítico para implantação prática onde o alinhamento do sensor não pode ser garantido.
4. Benchmarking Sistemático: O artigo fornece uma comparação abrangente entre modelos de aprendizado clássico e profundo, identificando as trocas (trade-offs) entre precisão, complexidade e velocidade de inferência.
5. Análise de Escalabilidade e Generalização: O estudo demonstra que modelos treinados em ambientes internos podem ser implantados em ambientes externos estruturalmente diferentes sem retreinamento. Também analisa a relação entre o espaçamento dos transmissores e a precisão da localização.

Resultados
Experimentos foram conduzidos em diversos cenários internos e externos com variadas densidades de transmissores (3 a 5) e espaçamentos (3m a 5m).

• Desempenho do Modelo: Entre os algoritmos avaliados, o regressor Random Forest alcançou o melhor equilíbrio entre precisão e estabilidade. Ele superou baselines como triangulação e fingerprinting kNN.
• Precisão de Localização:
  • Localização 2D: O sistema alcançou precisão sub-20 cm (erro médio de 19,7 cm) em ambientes internos.
  • Localização 3D: O sistema alcançou precisão sub-30 cm (erro de ponto único de 29,6 cm, reduzido para 23,4 cm após suavização) para estimativa de altura.
• Espaçamento de Transmissores: Um espaçamento de 4 metros proporcionou o equilíbrio ideal entre cobertura e precisão. Espaçamentos além de 5 metros levaram à saturação do campo e mapeamento instável, degradando a precisão.
• Generalização entre Ambientes: Modelos treinados exclusivamente com dados internos foram testados em dados externos (e vice-versa) sem retreinamento. A validação cruzada entre ambientes mostrou uma degradação de menos de 7 cm na precisão, confirmando fortes capacidades de generalização.
• Robustez Ambiental: O sistema manteve desempenho estável em espaços internos com muitos objetos (com móveis metálicos) e áreas externas, embora a interferência metálica tenha aumentado ligeiramente o ruído em ambientes internos em comparação com espaços abertos.

Significância
O artigo estabelece a localização por IMF baseada em dados como uma solução escalável e transferível para o mundo real. Ao mudar da modelagem analítica para a inferência baseada em aprendizado, o trabalho aborda as limitações fundamentais dos sistemas magnéticos existentes em relação à calibração e adaptabilidade ambiental. Os autores posicionam esta abordagem não apenas como uma modalidade alternativa, mas como uma infraestrutura robusta capaz de fornecer desempenho estável e livre de calibração através de diversos ambientes internos e externos. O estudo conclui que o sensoriamento por campo magnético induzido, quando combinado com aprendizado de máquina, oferece um caminho prático para a localização ubíqua que é imune a condições de NLOS e dinâmicas ambientais.