ProtoAoA: Few-Shot Angle-of-Arrival Estimation using Prototypical Networks

1. Problema e Motivação

A estimativa de Ângulo de Chegada (AoA - Angle-of-Arrival) é fundamental para comunicações sem fio, sendo essencial para localização, formação de feixes (beamforming) e gerenciamento de interferência.

• Limitações Tradicionais: Técnicas clássicas (como o algoritmo MUSIC) são sensíveis ao ruído, exigem condições ideais de subespaço sinal-ruído e têm dificuldade em generalizar para diferentes configurações de antenas ou mudanças ambientais.
• Desafio das Soluções de Aprendizado Profundo (DL): Embora as redes neurais ofereçam super-resolução e robustez, elas dependem massivamente de grandes campanhas de coleta de dados e treinamento extensivo. Isso é um gargalo em cenários do mundo real onde dados rotulados são escassos, caros de obter ou onde as condições mudam dinamicamente (heterogeneidade de hardware, desvio de ambiente).
• Objetivo: Desenvolver uma solução capaz de estimar o AoA com alta precisão utilizando muitos poucos dados de treinamento (aprendizado few-shot), permitindo a generalização para ângulos nunca vistos anteriormente sem a necessidade de retreinamento completo do modelo.

2. Metodologia: ProtoAoA

O artigo propõe o ProtoAoA, uma abordagem baseada em Redes Prototípicas (Prototypical Networks - PN), um método de meta-aprendizado (meta-learning).

• Conceito Central: Em vez de aprender a classificar diretamente, a rede aprende uma função de incorporação (embedding) que mapeia os dados de entrada (amostras complexas IQ) para um espaço de características onde amostras da mesma classe (mesmo ângulo) estão agrupadas perto de um "protótipo" central.
• Arquitetura do Codificador (Encoder):
  • Utiliza um modelo convolucional simples de múltiplas camadas projetado para processar dados IQ complexos de 4 canais (recebidos por 4 antenas).
  • A entrada é um array de forma $(4, n)$, onde $n$ é o número de amostras concatenadas.
  • O encoder consiste em três camadas convolucionais 1D (expandindo o espaço de características), seguidas por max-pooling, achatamento (flatten) e três camadas totalmente conectadas que reduzem a representação para 10 dimensões.
• Processo de Treinamento e Teste (Few-Shot):
  • Treinamento: O modelo é treinado em episódios onde um conjunto de suporte (support set) com $N$ classes e $k$ amostras por classe é usado para calcular os protótipos (média das características de cada classe). O objetivo é minimizar a perda de entropia cruzada ao classificar um conjunto de consulta (query set) com base na distância euclidiana para esses protótipos.
  • Teste (Inferência em Ângulos Não Vistos): Para novos ângulos (classes não vistas durante o treinamento), o modelo não precisa ser retreinado. Basta coletar um pequeno número de amostras (shots) desses novos ângulos, calcular seus protótipos e classificar novas consultas comparando-as com os protótipos existentes e os novos.
• Configuração de Dados (Testbed SDR):
  • Os dados foram coletados em um ambiente real usando um testbed de Rádio Definido por Software (SDR) com USRP X300.
  • O conjunto de dados cobre 225 combinações únicas de ângulos (azimute e elevação de -70° a 70°).
  • Cenário "Skip-3": O estudo foca em um cenário desafiador onde apenas 23% das classes de ângulos (57 de 255) são usadas para treinamento (azul na Fig. 2), enquanto os ângulos restantes (vermelho) são "pulos" (não vistos) e usados para teste few-shot.

3. Principais Contribuições

1. Primeira Aplicação de PN para AoA: O trabalho é, segundo os autores, o primeiro a adotar Redes Prototípicas para classificação eficiente de AoA usando sinais IQ brutos do mundo real.
2. Eficiência de Dados: Demonstra que é possível atingir alta precisão treinando o modelo em apenas 23% das classes do conjunto de dados e generalizando para os 77% restantes com apenas algumas amostras (shots).
3. Validação em Dados Reais: Diferente de muitos trabalhos puramente simulados, a proposta é validada em um testbed SDR com diversas taxas de amostragem e esquemas de modulação (QPSK, 16-QAM, 64-QAM), garantindo a robustez prática.
4. Análise de Trade-off: Avalia sistematicamente o equilíbrio entre escassez de dados e precisão, comparando cenários "Skip-1", "Skip-2" e "Skip-3".

4. Resultados Chave

Os experimentos foram realizados com métricas de Precisão de Classificação e Erro Absoluto Médio (MAE) em graus.

• Desempenho com Poucos Dados (Few-Shot):
  • Com apenas 4 shots (4 amostras por classe) em ângulos não vistos no cenário "Skip-3", o modelo atingiu um MAE de 3°.
  • Com 32 shots, o MAE caiu para 2°.
  • A precisão de classificação para dados não vistos atingiu cerca de 90% no cenário "Skip-2" e 95% no "Skip-1".
• Tendência de Desempenho:
  • A precisão aumenta logaritmicamente com o número de shots ($K$).
  • O cenário "Skip-1" (menos classes não vistas) performou melhor, mas o "Skip-3" (mais classes não vistas) ainda manteve um desempenho robusto, provando a capacidade de generalização.
  • O erro aumenta ligeiramente para classes não vistas em comparação com as vistas, mas permanece baixo (ex: MAE de 2° a 4° dependendo do cenário e número de shots).
• Top-2 Accuracy: A precisão Top-2 (onde a resposta correta está entre as duas melhores previsões) foi consistentemente superior à Top-1, indicando que, mesmo quando o modelo erra o ângulo exato, ele frequentemente identifica um ângulo vizinho muito próximo.

5. Significado e Conclusão

O artigo demonstra que as Redes Prototípicas são uma ferramenta poderosa para resolver o problema de escassez de dados em comunicações sem fio.

• Viabilidade Prática: A capacidade de estimar o AoA com alta precisão usando apenas uma fração dos dados necessários para métodos tradicionais de DL torna a tecnologia viável para cenários dinâmicos onde a coleta de dados massiva é impraticável.
• Generalização: O modelo consegue adaptar-se a novas configurações de antenas ou ambientes (representados pelos ângulos não vistos) sem retreinamento, apenas recalculando protótipos com poucas amostras.
• Futuro: Os autores sugerem que futuras pesquisas podem explorar o uso de modelos fundamentais (foundation models) de IQ brutos para melhorar ainda mais a eficiência de rótulos antes da adaptação few-shot.

Em resumo, o ProtoAoA oferece uma arquitetura leve e eficiente que supera as limitações de dados das abordagens convencionais, estabelecendo um novo padrão para estimativa de AoA em ambientes com recursos limitados.