Adaptive Learning Strategies for AoA-Based Outdoor Localization: A Comprehensive Framework

Resumo Técnico: Estratégias de Aprendizado Adaptativo para Localização Externa Baseada em AoA

Declaração do Problema
A localização em redes 5G/B5G e 6G é crítica para aplicações como transporte inteligente e fábricas inteligentes. Embora os recursos de Ângulo de Chegada (AoA) derivados da Informação de Estado do Canal (CSI) ofereçam localização na camada física robusta e resistente a falsificações, a implantação no mundo real enfrenta desafios significativos. Estes incluem as flutuações não negligenciáveis das estimativas de AoA devido ao ruído e ao multipercurso, o alto custo e a latência associados à coleta de grandes conjuntos de dados rotulados para treinamento offline, e a dificuldade de adaptação a mudanças ambientais dinâmicas (por exemplo, mobilidade do usuário, bloqueios) sem esquecimento catastrófico. Abordagens existentes frequentemente tratam o aprendizado offline, o aprendizado contínuo online e o aprendizado com poucos exemplos como soluções isoladas, carecendo de um quadro unificado que se adapte à disponibilidade variável de dados e às fases de implantação.

Metodologia
Os autores propõem um quadro adaptativo abrangente que integra estratégias de aprendizado offline e online, adaptado à disponibilidade de dados rotulados e à fase operacional da rede. O quadro utiliza recursos de AoA extraídos de medições CSI de MIMO massivo (mMIMO) usando os algoritmos MUSIC e ESPRIT.

1. Quadro de Aprendizado Offline (Grandes Conjuntos de Dados):

   • Classificação Hierárquica: É empregada uma abordagem de dois estágios. Primeiro, um classificador binário distingue entre regiões de Linha de Visada (LoS) e Sem Linha de Visada (NLoS). Segundo, classificadores multiclasse específicos da região identificam trajetórias pré-definidas dentro de cada região.
   • Otimização: O quadro incorpora um módulo de otimização de hiperparâmetros usando otimização bayesiana (via Optuna) para ajustar classificadores (por exemplo, Random Forest, Gradient Boosting, SVM) para máxima precisão.
   • Gerenciamento de Modelos: Um mecanismo de avaliação paralela permite o acúmulo de novos dados e o re-treinamento de modelos candidatos. Candidatos superiores substituem o modelo implantado para garantir confiabilidade a longo prazo.

2. Quadro de Aprendizado Online (Dados em Fluxo e Rótulos Limitados):

   • Aumento de Dados: Para abordar a escassez de dados, os autores avaliam Redes Adversariais Generativas Condicionais (CGAN) e Autoencoders Variacionais Condicionais (CVAE). Os resultados experimentais indicam que o CVAE produz recursos de AoA sintéticos de maior qualidade que preservam melhor a distribuição subjacente dos dados em comparação com o CGAN.
   • Aprendizado Contínuo: Para dados em fluxo, o quadro emprega modelos incrementais baseados em árvores e de ensemble (Árvore de Hoeffding, Árvore Adaptativa de Hoeffding, Floresta Aleatória Adaptativa, Patches Aleatórios em Fluxo, Floresta Mondrian Agregada e Naive Bayes Gaussiano). Esses modelos atualizam-se incrementalmente à medida que os dados chegam, mitigando a necessidade de re-treinamento completo.
   • Aprendizado com Poucos Exemplos: Para cenários com amostras rotuladas extremamente limitadas (por exemplo, novas trajetórias), é proposto uma abordagem de aprendizado com poucos exemplos baseada em métricas usando Redes Prototípicas (ProtoNet). Isso permite a inicialização rápida de novas classes calculando protótipos de classe em um espaço de incorporação a partir de um pequeno conjunto de suporte.

Principais Contribuições

• Quadro Adaptativo Unificado: O artigo apresenta um quadro holístico que transita perfeitamente entre os paradigmas de aprendizado offline, contínuo online e com poucos exemplos com base nas condições de implantação (disponibilidade de dados e requisitos de latência).
• Estratégia Offline Hierárquica: Os autores demonstram que uma classificação hierárquica LoS/NLoS seguida por classificação de trajetória específica da região, quando combinada com ajuste de hiperparâmetros, alcança precisão quase perfeita.
• Avaliação de Estratégias Online: O estudo compara sistematicamente vários algoritmos de aprendizado incremental e abordagens com poucos exemplos em um conjunto de dados externo do mundo real. Identifica a Floresta Mondrian Agregada (AMF) como o aprendiz incremental mais eficaz e valida a utilidade do ProtoNet para adaptação rápida com rótulos limitados.
• Aumento de Dados Generativo: O trabalho fornece uma análise comparativa de CGAN e CVAE para aumento no nível de recursos, estabelecendo o CVAE como o método superior para gerar dados de AoA sintéticos para apoiar o ensaio de modelos e a avaliação de robustez.

Resultados Experimentais
O quadro foi avaliado em um conjunto de dados externo real de mMIMO OFDM coletado no campus da Nokia em Stuttgart, Alemanha (64 antenas, 2,18 GHz).

• Desempenho Offline: Após a otimização de hiperparâmetros, o quadro hierárquico alcançou 100% de precisão na distinção entre regiões LoS e NLoS. Para classificação de trajetória, alcançou 99,82% de precisão em regiões LoS e aproximadamente 98% de precisão em regiões NLoS.
• Aprendizado Contínuo Online: A Floresta Mondrian Agregada (AMF) alcançou a maior precisão online de aproximadamente 94% em ambas as regiões LoS e NLoS. Crucialmente, manteve taxas de esquecimento muito baixas, variando de 0,0248 a 0,0427, demonstrando forte estabilidade contra o esquecimento catastrófico.
• Aprendizado com Poucos Exemplos: O ProtoNet mostrou desempenho forte em configurações com poucos exemplos, com a precisão melhorando à medida que o número de shots de suporte ($K$) aumentava. Em condições LoS, a precisão atingiu ~0,91 com $K \ge 8$. O método exibiu baixa latência de inferência (1,05–1,23 ms) e custos de atualização moderados.
• Aumento de Dados: Amostras geradas pelo CVAE mantiveram alta precisão de classificação (86%) quando usadas para treinar/testar classificadores, enquanto amostras do CGAN resultaram em degradação significativa de desempenho (37%), confirmando a adequação do CVAE para esta aplicação.

Significado e Alegações
Os autores afirmam que a localização robusta e de baixa latência em ambientes sem fio externos dinâmicos é alcançável sem depender exclusivamente de grandes conjuntos de dados estáticos. Ao aproveitar um quadro adaptativo, o sistema pode:

1. Estabelecer uma linha de base de alta precisão através do aprendizado offline quando os dados são abundantes.
2. Adaptar-se continuamente a mudanças ambientais e novas trajetórias usando aprendizado online, aliviando assim a necessidade de campanhas frequentes e intensivas em recursos de coleta de dados.
3. Inicializar rapidamente novas classes com dados rotulados mínimos usando aprendizado com poucos exemplos.

O artigo conclui que essas estratégias coletivamente permitem uma solução de localização escalável e adaptativa adequada ao ciclo de vida dinâmico das futuras Redes de Acesso Rádio (RAN) 6G, onde as características do canal e os comportamentos dos usuários são não estacionários. Os resultados sugerem que os recursos baseados em AoA, quando processados através dessas estratégias de aprendizado adaptativo, podem servir como entradas confiáveis para esquemas de autenticação na camada física e avaliação de confiança.