Data Augmentation and Attention for massive MIMO-based Indoor Localization in Changing Environments

Título: Aumento de Dados e Atenção para Localização Indoor Baseada em Massive MIMO em Ambientes Dinâmicos

1. Problema

A localização indoor de alta precisão é crucial para ambientes inteligentes e automação industrial. Sistemas Massive MIMO (Multiple-Input Multiple-Output) oferecem potencial para precisão na escala de milímetros ao utilizar informações ricas do Estado do Canal (CSI). No entanto, a maioria das soluções baseadas em Deep Learning (DL) é otimizada para ambientes estáticos, onde usuários e dispositivos permanecem imóveis durante a coleta de dados e a inferência.

O desafio central abordado neste trabalho é a generalização desses modelos para ambientes dinâmicos e em mudança. Em cenários reais, fatores como movimento rápido, bloqueios imprevisíveis (pessoas caminhando) e condições de canal variáveis degradam severamente o desempenho de modelos treinados apenas em dados estáticos. Especificamente, a transição de condições de Linha de Visada (LoS) para Não Linha de Visada (nLoS) devido a bloqueios repentinos é um ponto crítico que os modelos atuais não conseguem lidar bem sem dados de treinamento específicos desses cenários.

2. Metodologia

Os autores propõem uma solução que combina técnicas de aumento de dados e aprimoramento da arquitetura da rede neural para treinar um modelo em um ambiente estático, mas capaz de operar em ambientes dinâmicos.

• Configuração do Sistema:

  • Utiliza um sistema Massive MIMO indoor com uma estação base de 64 antenas (arranjo linear uniforme - ULA) e um usuário com uma antena.
  • O CSI é representado como uma matriz complexa de 64 antenas x 100 subportadoras.
  • Os dados de treinamento são coletados em um cenário estático (sem movimento), enquanto a avaliação é feita em um cenário "nômade" (dinâmico), onde humanos caminham por trajetórias específicas, bloqueando LoS e criando reflexões.

• Técnicas de Aumento de Dados (Data Augmentation):
  Para simular bloqueios de antenas e condições nLoS sem coletar novos dados dinâmicos, foram propostas duas técnicas:

  1. Abordagem "Vanilla" (Zeragem): Seleciona aleatoriamente um subconjunto de antenas em metade das amostras de treinamento e define o CSI dessas antenas para zero. Isso força o modelo a aprender a descartar antenas inúteis.
  2. Atenuação Aleatória (Random Attenuation): Em vez de zerar, o sinal recebido em um subconjunto aleatório de antenas é atenuado por um fator aleatório entre 10 dB e 40 dB. Esta técnica é considerada mais realista, pois simula a perda de sinal devido a bloqueios humanos sem eliminar completamente a informação (o que não ocorre na realidade física).

• Arquitetura do Modelo (ADN - AttentionDenseNet):

  • Baseia-se em um modelo DL existente (DenseNet - DN) que já alcançava alta precisão em cenários estáticos.
  • Inovação: Inserção de dois módulos de Atenção (Attention modules):
    1. Atenção em Subportadoras: Foca em quais subportadoras contêm mais informações relevantes (considerando o desvanecimento seletivo em frequência).
    2. Atenção em Antenas: Foca em quais antenas são mais confiáveis, permitindo que o modelo "ignore" antenas bloqueadas ou com LoS degradado e foque nas que ainda têm visada direta.

3. Contribuições Principais

1. Novas Técnicas de Aumento de Dados para nLoS: Proposta de métodos específicos para simular antenas bloqueadas, com foco na atenuação aleatória como uma representação mais fiel do ambiente real do que a simples zeragem de dados.
2. Modelo DL Aprimorado com Atenção: Adaptação de um estado-da-arte existente, integrando mecanismos de atenção para melhorar a adaptabilidade a condições de canal variáveis e dinâmicas.
3. Validação em Cenários Não Vistos: Demonstração de que é possível manter alta precisão de localização em ambientes dinâmicos (com bloqueios e movimento) usando apenas dados de treinamento de um ambiente estático, desde que o modelo seja adequadamente aumentado e arquitetado.

4. Resultados

Os modelos foram treinados apenas com dados estáticos (com e sem aumento) e testados em dados dinâmicos (cenários com pessoas caminhando).

• Desempenho em Ambiente Estático (Teste):

  • O modelo base (DN) sem aumento obteve erro médio de 6 mm.
  • O modelo com atenção (ADN) sem aumento obteve 8 mm (ligeiramente pior no estático, indicando que a arquitetura base já era muito eficiente para o caso estático).
  • O aumento de dados "Vanilla" piorou o desempenho no estático.
  • A Atenuação Aleatória melhorou a generalização dentro do mesmo ambiente para o modelo base.

• Desempenho em Ambiente Dinâmico (Generalização):

  • Pior Cenário: Modelo DN treinado sem aumento de dados no cenário dinâmico apresentou um erro médio catastrófico de 286 mm.
  • Melhoria com Atenção: O uso de apenas os módulos de atenção (sem aumento de dados) reduziu o erro para 156 mm.
  • Melhoria com Aumento de Dados: O uso de aumento de dados "Vanilla" melhorou a generalização, mas a Atenuação Aleatória foi superior.
  • Melhor Resultado: O modelo ADN (com Atenção) treinado com Atenuação Aleatória alcançou um erro médio de 66 mm no cenário dinâmico.
  • Limite Superior: Quando treinado diretamente com dados dinâmicos (o que não é o objetivo do trabalho, mas serve de referência), o modelo atingiu 12 mm, mostrando que ainda há margem de melhoria, mas o salto de 286 mm para 66 mm é significativo.

• Análise de Comportamento:

  • O modelo com atenuação aleatória mostrou as curvas de erro mais estáveis e menos picos periódicos (causados pelo bloqueio humano) em comparação aos outros.
  • Visualização da Atenção: Os mapas de calor do módulo de atenção mostraram que o modelo aprendeu a dar mais peso à antena mais próxima do usuário (LoS) e a reduzir o peso nas antenas bloqueadas durante o movimento da pessoa, validando a eficácia do mecanismo de atenção.

5. Significado e Conclusão

Este trabalho demonstra que a combinação de mecanismos de atenção e aumento de dados realista (atenuação) permite que modelos de localização indoor baseados em Massive MIMO generalizem de ambientes estáticos para dinâmicos.

A descoberta mais relevante é que não é necessário coletar dados de treinamento de cenários complexos e dinâmicos para obter um desempenho robusto. Ao simular corretamente os efeitos de bloqueio (atenuação) e permitir que a rede aprenda a selecionar as melhores características (atenção), é possível reduzir o erro de localização em ambientes em mudança de quase 30 cm para menos de 7 cm. Isso abre caminho para aplicações práticas de localização em tempo real em fábricas, hospitais e escritórios inteligentes, onde o ambiente muda constantemente.

Limitações e Futuro: O estudo utilizou um conjunto de dados com apenas quatro posições de usuário e trajetórias de movimento fixas. Trabalhos futuros visam coletar dados mais diversificados e refinar as técnicas de aumento para cobrir uma gama mais ampla de condições de SNR e tipos de obstrução.