Distributed Multi-View Vision-Only RSSI Estimation

1. Declaração do Problema

O Indicador de Intensidade do Sinal Recebido (RSSI) é uma métrica crítica para o gerenciamento de enlaces sem fio (por exemplo, handover, gerenciamento de feixe, controle de potência). No entanto, os métodos convencionais dependem de feedback do lado do receptor, o que sofre de três limitações principais:

• Sobrecarga de Enlace de Subida: Consome recursos de comunicação.
• Instabilidade: Suscetível ao desvanecimento por multipath e ao sombreamento.
• Latência: Os loops de feedback relatam condições do canal passadas, impedindo a adaptação proativa.

Embora abordagens baseadas em visão (usando câmeras como sensores fora de banda) tenham surgido, os métodos existentes enfrentam obstáculos significativos:

• Dependência de Hardware: Muitos exigem entradas auxiliares como imagens de profundidade, LiDAR ou GPS.
• Limitações Espaciais: Sistemas de visão única sofrem com Campo de Visão (FoV) restrito e condições de Não-Linha-de-Vista (NLoS).
• Fusão Ineficaz: Sistemas de múltiplas visões existentes frequentemente processam as visões de forma independente (falhando em explorar a diversidade espacial) ou utilizam implantações centralizadas que carecem de diversidade espacial suficiente.

Objetivo: Desenvolver um framework de estimativa de RSSI apenas por visão que aproveite observações de múltiplas visões distribuídas para superar as limitações de FoV e NLoS sem sensores auxiliares.

2. Metodologia: MulViT-TF

Os autores propõem o MulViT-TF, um framework que utiliza câmeras RGB distribuídas espacialmente e fusão baseada em Transformer.

Arquitetura

1. Codificadores ViT Independentes:

   • A imagem de cada câmera é processada por um codificador Vision Transformer (ViT) independente.
   • As imagens são divididas em patches, incorporadas em um espaço de dimensão $D$ e aumentadas com um token CLS aprendível e incorporações posicionais.
   • Pré-treinamento: Os codificadores são inicializados a partir de um modelo pré-treinado no Places365 (um conjunto de dados centrado em cenas) usando a receita DeiT. Isso garante que o modelo aprenda uma compreensão holística do ambiente, em vez de apenas reconhecimento de objetos.
   • Ajuste Fino (Fine-tuning): Um processo de duas fases é utilizado:
     • Fase 1: A espinha dorsal (backbone) é congelada; apenas os tokens CLS, incorporações posicionais, módulo de fusão e cabeçalho MLP são treinados.
     • Fase 2: Otimização conjunta de ponta a ponta com uma taxa de aprendizado reduzida para a espinha dorsal.

2. Módulo de Fusão Baseado em Transformer:

   • As matrizes de tokens de todas as câmeras são concatenadas para formar uma entrada unificada $Z$.
   • Um bloco Fusion Transformer dedicado processa essa sequência concatenada.
   • Mecanismo: Ao permitir que a Atenção Multi-Cabeça (MHA) atenda a tokens de todas as câmeras simultaneamente, o modelo captura correlações espaciais entre câmeras. Isso permite que o sistema infera características de propagação de sinal em regiões ocultas de uma câmera, mas visíveis para outra.

3. Geração de Saída:

   • Os tokens CLS da saída fusionada são extraídos e concatenados.
   • Um cabeçalho de Perceptron de Camadas Múltiplas (MLP) prevê o valor final do RSSI.

Baselines para Comparação

• Visão Única (SinViT): Um único codificador ViT sem interação entre câmeras.
• DNN Token a Token (MulViT-TWDNN): Um modelo de múltiplas visões onde a fusão Transformer é substituída por uma Rede Neural Profunda (DNN) simples com incorporações de segmento, carecendo do mecanismo de atenção para correlação entre visões.

3. Configuração Experimental

• Ambientes: Duas cenas internas distintas foram testadas:
  • Cena 1: Sala de escritório com obstáculos de móveis (alta proporção de NLoS).
  • Cena 2: Sala de conferências com condições predominantemente de Linha-de-Vista (LoS).
• Hardware:
  • Câmeras: Duas unidades Raspberry Pi Camera Module V2 por cena (pontos de vista distribuídos).
  • Sem Fio: Módulos ESP32-S3 atuando como AP e STA com antenas omnidirecionais de 2,4 GHz.
• Coleta de Dados:
  • Imagens capturadas a 20 Hz; RSSI a 40 Hz.
  • Sincronização via Protocolo de Tempo de Rede (NTP).
  • Pré-processamento incluiu remoção de outliers, suavização Gaussiana e subamostragem para corresponder às taxas de imagem.
  • Conjunto de dados: 10.000 amostras por cena (divisão 80/10/10 para treino/validação/teste).

4. Resultados Principais

O MulViT-TF proposto superou todas as baselines em ambas as cenas, apesar de usar menos parâmetros e FLOPs do que a melhor baseline de visão única.

Métricas de Desempenho (Cena 1 vs. Cena 2):

• Redução de RMSE: O MulViT-TF reduziu o RMSE em 26,3% (Cena 1) e 16,6% (Cena 2) em comparação com a melhor baseline de visão única (SinViT-W).
• Cobertura de Erro (limite de 3dB): A proporção de estimativas dentro de uma margem de erro de 3dB aumentou significativamente:
  • Cena 1: De 70,7% (melhor visão única) para 84,5%.
  • Cena 2: De 70,9% para 78,4%.
• Correlação: Alcançou um coeficiente de correlação de Pearson ($r$) de 0,92 (Cena 1) e 0,87 (Cena 2).
• Eficiência: O MulViT-TF alcançou esses resultados com 1,76 GFLOPs e 1,72M parâmetros, o que é inferior à melhor baseline de visão única (SinViT-W: 2,10 GFLOPs, 2,90M parâmetros).

Principais Descobertas:

• Superioridade da Fusão: A fusão baseada em Transformer (MulViT-TF) superou significativamente a fusão DNN token a token (MulViT-TWDNN), provando que mecanismos de atenção são cruciais para capturar correlações espaciais entre visões.
• Robustez: A abordagem de múltiplas visões forneceu desempenho consistente entre diferentes câmeras, enquanto modelos de visão única mostraram alta sensibilidade a pontos de vista específicos.
• Tratamento de NLoS: A configuração de múltiplas visões distribuídas mitigou efetivamente problemas de NLoS ao aproveitar pontos de vista complementares.

5. Significado e Contribuições

1. Framework Distribuído Apenas por Visão: Introduz uma abordagem inovadora que depende exclusivamente de câmeras RGB distribuídas, eliminando a necessidade de hardware especializado (LiDAR, sensores de profundidade) ou sinais de feedback auxiliares.
2. Diversidade Espacial Eficaz: Demonstra que a fusão de múltiplas visões distribuídas via Transformers pode resolver condições de NLoS e limitações de FoV que sistemas de visão única ou de múltiplas visões não fusionadas não conseguem.
3. Eficiência: Alcança precisão state-of-the-art com menor custo computacional (FLOPs) e contagem de parâmetros em comparação com arquiteturas de visão única mais profundas.
4. Aplicabilidade Prática: Validado em ambientes internos do mundo real com hardware real de WiFi e câmera, mostrando potencial imediato para implantação em ecossistemas de IoT (por exemplo, CCTV, robôs de serviço) para gerenciamento proativo de redes sem fio.
5. Impacto Futuro: O framework estabelece as bases para expandir a sensoriamento baseado em visão para outras tarefas sem fio, como estimativa de canal, beamforming e handover proativo.