WiLoc: Massive Measured Dataset of Wi-Fi Channel State Information with Application to Machine-Learning Based Localization

1. O Problema

A localização baseada em aprendizado de máquina (ML) utilizando Informações de Estado do Canal (CSI - Channel State Information) do Wi-Fi é uma abordagem promissora para obter alta precisão com baixo custo. No entanto, o desenvolvimento e a validação robusta desses algoritmos enfrentam uma barreira crítica: a escassez de dados reais e massivos.

Os desafios identificados incluem:

• Limitação de Dados Existentes: Conjuntos de dados públicos atuais são pequenos, cobrindo poucos pontos de acesso (APs), poucas localizações de usuários (UEs) e poucos ambientes (geralmente um único edifício). Isso leva a problemas de overfitting (sobreajuste) e falta de generalização.
• Limitações de Dados Sintéticos: Dados gerados por simulação (ex: ray-tracing) frequentemente falham em modelar com precisão a difração e o espalhamento difuso, resultando em avaliações de desempenho enganosas.
• Complexidade da Coleta: Coletar dados CSI precisos em larga escala exige equipamentos de alta precisão, sincronização temporal rigorosa e a capacidade de monitorar múltiplos canais simultaneamente sem perder pacotes, o que é difícil com hardware comercial padrão.

2. Metodologia

Os autores realizaram uma campanha de medição de precisão de três meses na Universidade do Sul da Califórnia (USC) para criar o conjunto de dados WiLoc. A metodologia foi desenhada para superar três desafios fundamentais:

• Implantação de Transmissores (TXs): Em vez de instalar milhares de transmissores dedicados (impraticável e caro), utilizaram a rede Wi-Fi existente do campus, composta por mais de 3.000 APs. Para evitar interferências e distorções de beamforming, capturaram apenas quadros de beacon (transmitidos periodicamente pelo padrão IEEE 802.11 sem beamforming).
• Receptor de Precisão (RX): Utilizaram um Universal Software Radio Peripheral (USRP) como receptor. Diferente de cartões Wi-Fi comerciais que varrem canais sequencialmente (perdendo dados), o USRP digitaliza e grava todo o espectro de 100 MHz da banda ISM (2.4 GHz) simultaneamente, garantindo a captura contínua de CSI de todos os APs visíveis.
• Rótulos Precisos (Ground Truth): Para obter coordenadas exatas, o receptor foi montado em um carrinho equipado com um encoder óptico de dupla fase sincronizado com o equipamento de RF. O carrinho foi movido ao longo de trilhos lineares marcados no chão (com laser e fita) para garantir trajetórias retas e distâncias precisas, evitando erros de deriva comuns em unidades de medição inercial (IMUs).
• Ambientes: A coleta cobriu 16 edifícios diferentes (com 180 corredores) e mais de 30 ruas ao ar livre, totalizando mais de 12 milhões de localizações de UE.

3. Principais Contribuições

O artigo apresenta o WiLoc, que é descrito como o maior conjunto de dados de CSI rotulado publicamente disponível até a data da publicação. Suas características distintivas são:

• Escala Massiva:

  • 12 milhões de localizações de UE.

  • 3.000 APs únicos.

  • Cobertura de 16 edifícios e > 30 ruas.
• Dimensões Diversificadas: Diferente de conjuntos anteriores que focavam em um único prédio, o WiLoc abrange múltiplos ambientes internos e externos, permitindo o estudo de transferência de aprendizado entre diferentes cenários.
• Acesso Público: O conjunto de dados foi disponibilizado publicamente para a comunidade de pesquisa.
• Metadados Ricos: Cada amostra de CSI inclui 14 atributos, como índice de canal, carimbo de tempo, distância, velocidade do carrinho, direção, rótulo do AP, coordenadas (X, Y), andar, RSSI, ruído, SINR e índice de repetição.

4. Resultados e Validação

Os autores realizaram validações rigorosas e estudos de caso para demonstrar a utilidade do dataset:

• Estabilidade Temporal: Medições mostraram que, mesmo com pessoas passando, a correlação da magnitude do CSI permanece alta (>95% para 80% dos casos), indicando que o sinal é estável o suficiente para localização.
• Impacto no Aprendizado Supervisionado: Experimentos com redes neurais (MLP e Transformers) demonstraram que aumentar o número de APs visíveis melhora significativamente a precisão (RMSE), até um certo limiar. O uso do WiLoc permitiu atingir erros médios comparáveis aos melhores resultados da literatura, superando métodos de correspondência simples.
• Aprendizado por Transferência (Transfer Learning):
  • Intra-edifício: Modelos treinados em múltiplos andares de um prédio e ajustados (fine-tuned) em um andar alvo com poucos dados mostraram alta eficiência.
  • Inter-edifício: A transferência entre edifícios diferentes é mais desafiadora devido a diferenças estruturais, mas a grande diversidade do dataset de origem (múltiplos prédios) permitiu que o modelo aprendesse representações de características mais genéricas, melhorando a precisão no ambiente alvo em comparação com o uso de poucos dados de origem.
• Comparação com Estado da Arte: O WiLoc supera em 10x a 30x o número de UEs e APs de conjuntos de dados existentes (como WILD, P2SLAM, CSU), sendo o único a incluir localizações ao ar livre.

5. Significado e Limitações

Significado:
O WiLoc estabelece um novo padrão para a pesquisa em localização baseada em ML. Ele permite que pesquisadores testem algoritmos em cenários realistas e diversificados, facilitando o desenvolvimento de sistemas robustos que não falhem ao mudar de ambiente (problema comum em datasets pequenos). A disponibilidade pública deste dataset deve acelerar o avanço em localização de alta precisão, previsão de canais e modelagem de handovers.

Limitações:

• Transmissores Não Calibrados: Como utilizaram a rede existente, as características específicas de cada AP não foram calibradas individualmente (o que exigiria equipamentos dedicados e licença de frequência exclusiva).
• Localização Exata dos APs Internos: Por políticas de segurança da universidade, as coordenadas exatas dos APs dentro dos escritórios não foram divulgadas, o que impede o uso de algoritmos baseados puramente em Tempo de Chegada (ToA) que exigem essa informação.
• Trajetórias Lineares: As medições foram feitas em linhas retas, não em grades retangulares completas, o que pode limitar certos tipos de treinamento.
• Dispositivos de Consumo: Os dados foram coletados com um receptor de precisão (USRP), não com smartphones reais. Portanto, variações causadas por diferentes modelos de celulares ou pela forma como são segurados pelos usuários não estão refletidas diretamente no dataset (embora possam ser simuladas em pós-processamento).

Em resumo, o artigo fornece a infraestrutura de dados necessária para que a comunidade científica supere as limitações atuais de generalização em sistemas de localização baseados em IA.