Lightweight Non-Line-of-Sight Channel Detection for ML-assisted Bluetooth Direction Finding

Resumo Técnico: Detecção de Canal Não-Linha-de-Visada Leve para Localização por Direção via Bluetooth Assistida por ML

Definição do Problema
A determinação de direção (DF) via Bluetooth Low Energy (BLE) é cada vez mais utilizada para localização industrial interna e serviços de varejo. No entanto, sua precisão é significativamente comprometida em ambientes de não-linha-de-visada (NLOS), onde reflexões de multicaminho e espalhamento enviesam as estimativas de ângulo de chegada (AoA). Embora abordagens de Aprendizado de Máquina (ML) para detecção de NLOS estejam bem estabelecidas para sistemas de banda larga (ex: UWB, celular) utilizando características de Resposta de Impulso de Canal (CIR), elas não são diretamente aplicáveis ao BLE. O BLE opera na banda restrita de 2,4 GHz ISM com largura de banda estreita, o que impede o uso de características CIR de banda larga. Além disso, conjuntos de dados públicos de BLE existentes não são otimizados para classificação LOS/NLOS, e há uma carência de frameworks de ML rigorosos adaptados especificamente para observáveis nativos de BLE, especificamente estatísticas de In-phase-Quadrature (IQ) da Extensão de Tom Constante (CTE). Adicionalmente, implementações práticas de BLE ocorrem frequentemente em plataformas embarcadas de recursos limitados, necessitando de algoritmos leves que equilibrem precisão com baixa complexidade computacional, pegada de memória e latência de inferência.

Metodologia
Os autores propõem um pipeline de ML leve e orientado pela qualidade, projetado especificamente para características de IQ de CTE de BLE. A metodologia abrange quatro estágios principais:

1. Aquisição e Geração de Dados: Uma campanha de medição controlada foi realizada utilizando hardware u-blox XPLR-AOA-3 em dois ambientes internos distintos: uma sala quadrada ("R") com estruturas metálicas e um corredor de escritório ("O"). Um bloqueador revestido de grafeno foi utilizado para impor condições de NLOS, eliminando caminhos diretos de sinal enquanto permitia reflexões. Este processo gerou conjuntos de dados rotulados contendo vetores de características derivados de IQ de 64 dimensões para ambos os cenários LOS e NLOS.
2. Engenharia de Características e Pré-processamento:
   • Padronização Robusta: Para mitigar a influência de outliers e efeitos de cauda pesada comuns em dados NLOS, uma padronização robusta baseada em quantis (RobustScaler) foi aplicada, utilizando o Intervalo Interquartil (IQR).
   • Análise Exploratória: A Análise de Componentes Principais (PCA) foi utilizada para verificar a separabilidade estatística entre as classes LOS e NLOS. A Estimativa de Densidade de Kernel Adaptativa (AKDE) foi empregada para modelar as funções de densidade de probabilidade (PDF) condicionais de classe, revelando que as distribuições NLOS exibem caudas mais pesadas e maior dispersão em comparação com as LOS.
3. Aproximação de Kernel e Mapeamento de Características: Para capturar estruturas não lineares sem o alto custo computacional de métodos de kernel completos, o estudo utiliza a Aproximação de Kernel Nyström (NKA). Isso constrói mapas de características não lineares de baixo posto. Diversos tipos de kernel foram avaliados, incluindo Random Fourier Features (RFF), Radial Basis Function (RBF), Polinomial e Sigmoide.
4. Classificação Leve: O pipeline emprega um cabeçalho de Classificador de Vetores de Suporte (SVC) leve operando sobre as características transformadas por kernel. Esta abordagem é comparada contra baselines incluindo Random Forest (RF) e Perceptron Multicamadas (MLP). O framework enfatiza a "identificação-e-descarte", onde canais NLOS não confiáveis são detectados e excluídos da triangulação subsequente.

Principais Contribuições

• Geração de Dataset: Criação de datasets rotulados de LOS/NLOS a partir de medições de AoA de BLE controladas em dois ambientes de propagação distintos, acompanhados de validação estatística usando PCA e AKDE para confirmar a separabilidade de classe.
• Seleção de Kernel-Característica: Demonstração de que a Aproximação de Kernel Nyström (NKA) melhora significativamente o desempenho de detecção de LOS/NLOS ao capturar não linearidades intrínsecas no espaço de características, superando baselines lineares.
• Framework Sistemático: Proposta de um framework guiado pela qualidade para seleção de tipos de kernel, hiperparâmetros e orçamentos de características, especificamente adaptado para dispositivos BLE de recursos restritos.
• Detecção de Baixa Complexidade: Desenvolvimento e comparação de pipelines de classificação leves que produzem probabilidades posteriores calibradas. Isso permite a seleção de limiar custo-efetiva para implementação em tempo real, equilibrando custos de classificação incorreta.

Resultados
Resultados experimentais através de quatro configurações de dataset (Cenários "R" e "O", e combinações sintéticas "Mixed" e "Proportional") indicam:

• Melhorias de Acurácia: Abordagens baseadas em NKA melhoraram a acurácia em aproximadamente 7–14% em relação aos baselines de SVC linear bruto. Por exemplo, no cenário "O", a acurácia atingiu 93% com NKA-SVC comparado a 86% para o SVC linear com um tamanho de treinamento de 7K.
• Comparação de Modelos: Embora o MLP tenha alcançado a acurácia absoluta mais alta (aprox. 90,8%), ele incorreu em maior complexidade de treinamento e sensibilidade a hiperparâmetros. O Random Forest mostrou acurácia competitiva, mas carece de eficiência de memória.
• Trade-offs de Eficiência: A abordagem Nyström–SVC (especificamente usando RFF) ofereceu o trade-off mais favorável. Reduziu o tempo de inferência em aproximadamente 44% em comparação ao MLP e reduziu significativamente o tempo de treinamento em comparação com outros modelos não lineares, mantendo uma pequena pegada de memória (aprox. 17 KB para RFF+SVC vs. 120 KB para RF).
• Robustez: Os modelos demonstraram insensibilidade ao ruído, com degradação de acurácia limitada a 1–3% quando um ruído branco gaussiano aditivo (AWGN) com SNR de 20 dB foi introduzido.
• Calibração: O pipeline gerou com sucesso probabilidades posteriores calibradas, permitindo a seleção de limiar adaptativa baseada no trade-off desejado entre sensibilidade e especificidade.

Significância e Alegações
O artigo alega que o framework proposto fornece um caminho prático e eficaz para a classificação-e-descarte de NLOS robusta para localização de AoA de BLE industrial. Os autores enfatizam que, embora modelos de deep learning (MLP) ofereçam alta acurácia, a abordagem proposta de SVC linear baseado em kernel é superior para ambientes de recursos restritos devido ao seu equilíbrio favorável de complexidade de treinamento, custo de inferência e uso de memória. O trabalho valida que a transformação de características específica de BLE é essencial para a classificação de canal baseada em dados, visto que abordagens genéricas de banda larga são insuficientes. Finalmente, o estudo sugere que integrar esses indicadores de qualidade em um motor de posicionamento pode permitir o peso consciente de confiança das medições de AoA, melhorando assim a confiabilidade da localização sem exigir aceleração de hardware especializada.