Survey-Free Radio Map Construction via HMM-Based Coarse-to-Fine Inference

Resumo Técnico: Construção de Mapa de Rádio sem Levantamento via Inferência de Finação Grossa a Fina Baseada em HMM

Declaração do Problema
A construção tradicional de mapas de rádio para localização indoor depende fortemente de levantamentos manuais intensivos em mão de obra para coletar medições de Intensidade do Sinal Recebido (RSS) em Posições de Referência (RPs) precisamente rotuladas. Este processo é demorado, custoso e exige recalibração frequente devido a mudanças ambientais. Embora abordagens de crowdsourcing que utilizam Unidades de Medição Inercial (IMUs) tenham sido propostas para reduzir o esforço manual, elas introduzem limitações significativas: dependência de hardware do lado do cliente (IMUs de smartphones) que sofrem com ruído e deriva, e potenciais barreiras de permissão para acessar dados de sensores. Além disso, métodos não supervisionados existentes lutam para mapear dados de RSS ruidosos para regiões físicas devido a efeitos de multipath, e modelos de rastreamento baseados em propagação frequentemente falham sem coordenadas de verdade absoluta. O desafio central abordado é construir um mapa de rádio preciso e recuperar trajetórias de usuários usando apenas sequências de RSS não rotuladas, sem levantamentos manuais ou sensores inerciais auxiliares.

Metodologia: Inferência de Finação Grossa a Fina Baseada em HMM (HCFI)
Os autores propõem o framework HCFI, projetado para ambientes guiados por corredores com um fluxo pedonal unidirecional dominante. O método opera em duas etapas distintas:

1. Nível Grossa: Inferência de Rótulo de Região

   • Objetivo: Partitionar sequências de RSS não rotuladas em regiões físicas distintas e alinhá-las com a planta baixa conhecida.
   • Mecanismo: Os autores empregam um Modelo Oculto de Markov (HMM) onde os estados ocultos são sequências de visita à região e tempos de permanência.
   • Verossimilhança da Observação: Para lidar com flutuações de RSS e heterogeneidade de dispositivos, dados brutos de RSS são transformados via uma Rede Neural Recorrente (RNN). Um modelo de subespaço (PCA Probabilístico) é aplicado a esses embeddings para capturar diferenças inter-regionais enquanto suprime o ruído.
   • Priors: O modelo incorpora uma distribuição de Poisson para a duração da permanência e um prior de transição que impõe um fluxo unidirecional (usuários não revisitam regiões em uma única sequência), permitindo a omissão ocasional de regiões.
   • Otimização: Um framework Generalizado de Expectativa-Maximização (EM) é utilizado. O passo E utiliza decodificação de Viterbi para inferir rótulos de região. O passo M atualiza parâmetros da RNN via uma tarefa de verificação de ordem de sequência auto-supervisionada (distinguindo sequências cronológicas de embaralhadas), atualiza estatísticas de tempo de permanência e refina parâmetros do subespaço.
   • Alinhamento: Clusters virtuais gerados pelo processo EM são mapeados para regiões físicas na planta baixa usando um algoritmo de correspondência bipartida (algoritmo húngaro) baseado em centróides ponderados pela intensidade do sinal e locais conhecidos de Pontos de Acesso (APs).

2. Nível Fina: Inferência de Rótulo de Localização

   • Objetivo: Estimar coordenadas 2D precisas do usuário e parâmetros de propagação específicos da região dentro das regiões inferidas.
   • Mecanismo: Esta etapa formula o problema como uma estimação Sequencial de Máxima A Posteriori (MAP). Otimiza conjuntamente as trajetórias dos usuários e parâmetros de perda de caminho log-distância específicos da região ($\alpha, \beta, \sigma$).
   • Restrições: O espaço de busca é estritamente limitado pelas fronteiras físicas das regiões inferidas na etapa grossa. Um modelo de mobilidade espaço-temporal (probabilidade de transição Gaussiana) impõe viabilidade cinemática (limites de velocidade de caminhada).
   • Otimização: Um algoritmo de otimização alternada é empregado. Parâmetros de propagação são atualizados via ajuste de mínimos quadrados de forma fechada. Trajetórias de usuários são recuperadas usando um Algoritmo Genético (GA) personalizado que busca dentro dos limites de região restritos, equilibrando a verossimilhança do RSS e priores de mobilidade.

Principais Contribuições

• Framework sem Levantamento: Introdução de um framework totalmente não supervisionado e independente de IMU para construção de mapas de rádio usando apenas medições de RSS não rotuladas em ambientes guiados por corredores.
• Arquitetura HCFI: Desenvolvimento de um método de inferência em duas etapas que combina agrupamento de regiões baseado em HMM com recuperação de trajetória restrita, efetivamente fechando a lacuna entre dados de sinal brutos e geografia física.
• Aprendizado de Características Robusto: Integração de uma tarefa de verificação de sequência baseada em RNN dentro do loop EM para aprender embeddings temporais robustos, prevenindo colapso de características e garantindo recuperação precisa da topologia.
• Otimização Restrita: Um algoritmo de inferência de trajetória que aproveita limites regionais para reduzir o espaço de busca, tornando a estimação conjunta de coordenadas e parâmetros de propagação tratável sem verdade absoluta.

Resultados Experimentais
O método foi avaliado em um ambiente de escritório de 768 m² com 27 APs e 9 regiões distintas, usando dados de 4 usuários móveis.

• Inferência de Rótulo de Região: O método HCFI alcançou uma precisão de classificação de região de 97,8% e uma Precisão de Topologia de 100%, superando significativamente as linhas de base de agrupamento não supervisionado mais avançadas (por exemplo, SPC, LSE) e aproximando-se do desempenho de métodos totalmente supervisionados (SVM, KNN).
• Construção de Mapa de Rádio: O mapa de rádio estimado alcançou um Erro Absoluto Médio (MAE) de 8,96 dB e um Erro Quadrático Médio (RMSE) de 15,36 dB.
• Recuperação de Trajetória: O erro médio de estimação de rótulo de localização foi de 2,08 metros, superando outros métodos baseados apenas em RSS (por exemplo, RRM em 3,14 m) e ficando logo atrás do método Leto assistido por IMU (1,92 m).
• Desempenho de Localização: Usando o mapa de rádio construído com um algoritmo de Vizinho Mais Próximo (KNN), o sistema alcançou um erro de posicionamento médio de 3,33 metros em três conjuntos de dados de teste independentes. Este desempenho é comparável à linha de base Leto assistida por IMU e significativamente superior a métodos tradicionais baseados apenas em RSS (que excederam 11 metros).

Significado e Alegações
O artigo alega que o framework HCFI oferece uma solução altamente viável e sem sobrecarga para a construção contínua de mapas de rádio em ambientes com pressupostos topológicos sequenciais. Ao incorporar matematicamente probabilidades de mobilidade sequencial em limites físicos internos, os autores demonstram que os gargalos fundamentais da falta de rótulos de verdade absoluta e sensores inerciais auxiliares podem ser superados. Os resultados sugerem que a inferência não supervisionada, restrita a regiões, pode aproximar-se dos limites de desempenho anteriormente considerados como exigindo calibração manual intensiva em mão de obra. O trabalho conclui que explorar correlações espaciais latentes em sinais RF estocásticos ambientais fornece um paradigma de baixa sobrecarga para sustentar Serviços Baseados em Localização (LBS) sem os custos proibitivos de levantamentos de local ou as dependências de hardware de sistemas baseados em IMU. Os autores observam que a dependência atual de fluxo unidirecional limita a aplicabilidade a espaços abertos não restritos, identificando o relaxamento dessa restrição topológica como uma direção primária para trabalhos futuros.