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

Resumo Técnico: Caracterização de Canais LOS/NLOS Baseada em L-Momentos via Distribuição Kappa de Quatro Parâmetros para Medições de CTE de AoA em BLE

Definição do Problema
Sistemas de determinação de direção (Direction-Finding) de Bluetooth Low Energy (BLE) dependem de amostras de Fase e Quadratura (IQ) coletadas durante transmissões de Extensão de Tom Constante (CTE). As propriedades estatísticas dessas amostras são fortemente influenciadas pelo regime de propagação: condições de Linha de Visada (LOS) tipicamente produzem estatísticas estáveis, enquanto condições de Não-Linha de Visada (NLOS) introduzem distorções de multicaminho, sombreamento e superposição dependente de fase que degradam a estimativa de Ângulo de Chegada (AoA).

Datasets e modelos existentes sofrem de três limitações primárias:

1. Falta de Geometria Pareada: A maioria dos datasets não fornece medições pareadas de LOS/NLOS rigidamente controladas sob geometrias idênticas de âncora-tag, tornando difícil isolar efeitos de propagação de mudanças geométricas.
2. Modelagem Inadequada: Frameworks de simulação comuns dependem de ruído branco gaussiano aditivo ou modelos de desvanecimento plano simples (ex: Rayleigh, Rice), que falham em capturar as estatísticas de amplitude de cauda pesada e assimétricas frequentemente observadas em ambientes internos com obstruções (cluttered).
3. Rigor Estatístico: Há uma falta de modelos rotulados em nível de IQ, rigorosamente validados, adequados para aplicações de aprendizado de máquina (ML) em larga escala. Além disso, estatísticas de momentos de produto clássicas são sensíveis a outliers e caudas pesadas, podendo levar a uma caracterização de canal não confiável.

Metodologia
Os autores propõem um framework abrangente combinando uma campanha de medição controlada com modelagem estatística robusta usando L-momentos.

1. Campanha de Medição Controlada:

   • Hardware: Foi utilizado um kit de desenvolvimento u-blox XPLR-AOA-3 (âncoras ANT-B10 e tags C209) em um laboratório interno de 630 × 385 cm.
   • Protocolo: Uma geometria estritamente pareada foi aplicada, onde as medições de LOS e NLOS foram realizadas em posições e orientações idênticas de âncora-tag. Condições de NLOS foram criadas inserindo um bloqueador (pilha de papel revestida de grafeno) que obstruía o caminho direto, mas permitia reflexões.
   • Volume de Dados: A campanha coletou 132.000 pacotes CTE rotulados (1000 pacotes por evento através de várias configurações de localização de tag, orientação e pontos de acesso).

2. Pré-processamento Robusto:

   • Um pipeline de detecção de outliers em múltiplas etapas foi aplicado para remover pacotes CTE anômalos. Isso combinou três métodos:
     • Intervalo Interquartil (IQR): Para filtragem univariada de flutuações aleatórias.
     • Desvio Absoluto do Mediano (MAD): Um estimador de escala robusto e livre de distribuição para detectar desvios extremos em distribuições marginais.
     • Determinante de Covariância Mínima (MCD): Um método multivariado para identificar pontos anômalos em seu espaço de características conjuntas.
   • Este processo reduziu o dataset para 12.007 amostras de alta qualidade, retendo a tendência estatística central.

3. Validação Estatística:

   • Teste de Hipótese: Testes t de Welch e testes de Levene por característica foram aplicados às 64 dimensões de características de potência derivadas de IQ. Estes testes confirmaram que as diferenças de média e variância entre os subconjuntos LOS e NLOS eram estatisticamente significativas ($\alpha \le 0,01$, $P$ ajustado $\le 10^{-6}$) em quase todas as dimensões.

4. Análise de L-Momentos e Modelagem Kappa:

   • L-Momentos: Em vez de momentos convencionais, os autores utilizaram L-momentos (combinações lineares de estatísticas de ordem), que são menos sensíveis a outliers e caudas pesadas.
   • Diagrama de Razão de L-Momentos (LMRD): Razões de L-momentos empíricos (LMRs), especificamente L-skewness ($\tau_3$) e L-kurtosis ($\tau_4$), foram plotadas. A análise revelou clusters distintos para LOS e NLOS, com NLOS exibindo caudas mais pesadas e maior assimetria.
   • Distribuição Kappa: Uma família de distribuição Kappa de quatro parâmetros foi ajustada aos LMRs. Esta família flexível engloba as distribuições de Valor Extremo Generalizado (GEV), Logística Generalizada (GLO) e Pareto Generalizado (GPA) como casos especiais, permitindo que se ajuste melhor aos dados empíricos do que modelos de três parâmetros.
   • Ajuste (Goodness-of-Fit): Os modelos Kappa demonstraram pontuações de discrepância significativamente menores ($D_{NLOS} = 3,20 \times 10^{-4}$) e desvios de L-kurtosis padronizados próximos de zero comparados aos modelos tradicionais de Rayleigh, Rice ou GEV.

5. Aplicação de ML (Agrupamento):

   • Os autores aplicaram o agrupamento DBSCAN para comparar a separabilidade dos dados usando momentos de produto convencionais versus razões de L-momentos. As características de L-momentos geraram dois clusters distintos e bem separados (LOS e NLOS), enquanto os momentos de produto colapsaram em um único cluster com alto ruído.

Principais Contribuições

• Dataset de IQ de BLE Pareado: A criação de um dataset de larga escala e rotulado onde as capturas de LOS e NLOS foram registradas sob condições geométricas estritamente idênticas, facilitando a caracterização de canal e ML rigorosos.
• Validação Estatística de Separabilidade: Demonstração, através de remoção robusta de outliers e testes de hipótese, que as condições de LOS e NLOS produzem estatísticas de primeira e segunda ordem estatisticamente distintas no espaço de características de potência derivada de IQ.
• Caracterização de Canal via L-Momentos: A primeira aplicação de análise de L-momentos a medições de CTE de AoA em BLE. O estudo mostra que canais NLOS exibem comportamento de cauda pesada que é mal capturado por modelos clássicos, mas bem modelado pela distribuição Kappa de quatro parâmetros.
• Representações de ML Melhoradas: Evidência de que as estatísticas de L-momentos fornecem características mais compactas, robustas e separáveis para detecção de LOS/NLOS e simulação de canal em comparação com os momentos de produto convencionais, conforme demonstrado pelo desempenho superior de agrupamento DBSCAN.

Resultos

• Significância Estatística: Todas as diferenças de média entre LOS e NLOS foram estatisticamente significativas, e 92% das diferenças de variância por característica também foram significativas.
• Ajuste do Modelo: A distribuição Kappa forneceu o melhor ajuste para os dados empíricos. Especificamente, para os dados NLOS, o modelo Kappa alcançou uma discrepância ($D_{NLOS}$) de $3,20 \times 10^{-4}$, a menor no LMRD, com um desvio de L-kurtosis padronizado ($Z_{NLOS}$) de $1,18 \times 10^{-2}$. Em contraste, modelos padrão como Rayleigh e Rice mostraram erros significativamente maiores.
• Agrupamento: Representações baseadas em L-momentos agruparam com sucesso os dados de LOS e NLOS em dois clusters com um coeficiente de silhueta de 0,018, enquanto representações de momentos de produto falharam em formar clusters distintos.

Significância e Alegações
O artigo afirma ser o primeiro a aplicar a análise de L-momentos a medições de CTE de AoA em BLE. Sua significância reside em fornecer um framework estatístico robusto para caracterizar canais internos que possuem caudas pesadas e assimetria. Os autores argumentam que:

• Suposições clássicas de Gauss ou Rayleigh são frequentemente inadequadas para modelar as estatísticas de potência NLOS em ambientes com obstruções.
• Descritores de L-momentos oferecem uma alternativa mais confiável para pré-processamento, detecção de LOS/NLOS e simulação de canal realista.
• A modelagem proposta baseada em Kappa e as características de L-momentos podem ser integradas em pipelines de estimativa de AoA assistidos por ML para melhorar a robustez sob condições de propagação de cauda pesada.

Os autores mantêm modéstia quanto ao escopo, observando que a análise atual é limitada a um único ambiente interno e configuração de hardware fixa. Eles sugerem que trabalhos futuros avaliem a transferibilidade dessas relações de L-momentos/Kappa através de diversos ambientes e cenários dinâmicos envolvendo objetos em movimento.