Traduzido do Inglês para o Português - www.onlinedoctranslator.

com

Recebido em 30 de janeiro de 2018, aceito em 9 de março de 2018, data de publicação em 21 de março de 2018, data da versão atual em 23 de abril de 2018.

Identificador de objeto digital 10.1109/ACCESS.2018.2817800

Melhorando a localização interna usando

redes neurais convolucionais em
dispositivos computacionalmente restritos

KLEMEN BREGAR E MIHAEL MOHORČIČ, (Membro Sênior, IEEE)

1Departamento de Sistemas de Comunicação, Instituto Jožef Stefan, 1000 Ljubljana, Eslovênia
2Jožef Stefan International Postgraduate School, 1000 Ljubljana, Eslovênia

Autor correspondente: Klemen Bregar ( klemen.bregar@ijs.si )

Este trabalho foi financiado em parte pela Agência de Pesquisa da Eslovênia através do Esquema para Jovens Pesquisadores sob o Grant P2-0016
e Grant L2-7664 e em parte pela Comunidade Européia por meio do H2020 eWINE Project sob o Grant 688 116.

ABSTRATOA localização interna é um dos principais facilitadores para várias áreas de aplicativos e serviços que dependem de localizações precisas de pessoas, bens e ativos, desde automação residencial e vida assistida até

maior automação de processos logísticos e de produção e otimização de rede sem fio. As soluções existentes fornecem vários níveis de precisão, que também dependem da complexidade do ambiente de rádio interno. Neste

artigo, propomos dois métodos para reduzir o erro de localização em condições internas sem linha de visada (NLoS) usando informações brutas de resposta ao impulso do canal (CIR) obtidas de rádios de banda ultralarga que

não requerem conhecimento prévio sobre o ambiente de rádio. Os métodos são baseados na classificação de canal NLoS e modelos de regressão de erro de alcance, ambos usando redes neurais convolucionais (CNNs) e

implementados na estrutura computacional TensorFlow. Primeiro, mostramos que a classificação de canal NLoS usando dados CIR brutos supera as abordagens existentes baseadas em recursos de sinal de entrada derivados.

Demonstramos ainda que o estado do canal NLoS previsto e as informações de erro de alcance previstas, usadas em combinação com algoritmos de estimativa de localização de mínimos quadrados (LS) e LS ponderados,

melhoram significativamente o desempenho de localização interna. Também avaliamos o desempenho computacional e a adequação dos algoritmos baseados em CNN propostos em várias plataformas de computação com

uma ampla gama de recursos diferentes e mostramos que em um sistema de localização distribuído, eles também podem ser usados em dispositivos computacionalmente restritos. Primeiro, mostramos que a classificação de

canal NLoS usando dados CIR brutos supera as abordagens existentes baseadas em recursos de sinal de entrada derivados. Demonstramos ainda que o estado do canal NLoS previsto e as informações de erro de alcance

previstas, usadas em combinação com algoritmos de estimativa de localização de mínimos quadrados (LS) e LS ponderados, melhoram significativamente o desempenho de localização interna. Também avaliamos o

desempenho computacional e a adequação dos algoritmos baseados em CNN propostos em várias plataformas de computação com uma ampla gama de recursos diferentes e mostramos que em um sistema de localização

distribuído, eles também podem ser usados em dispositivos computacionalmente restritos. Primeiro, mostramos que a classificação de canal NLoS usando dados CIR brutos supera as abordagens existentes baseadas em

recursos de sinal de entrada derivados. Demonstramos ainda que o estado do canal NLoS previsto e as informações de erro de alcance previstas, usadas em combinação com algoritmos de estimativa de localização de mínimos

quadrados (LS) e LS ponderados, melhoram significativamente o desempenho de localização interna. Também avaliamos o desempenho computacional e a adequação dos algoritmos baseados em CNN propostos em várias

plataformas de computação com uma ampla gama de recursos diferentes e mostramos que em um sistema de localização distribuído, eles também podem ser usados em dispositivos computacionalmente restritos.

Demonstramos ainda que o estado do canal NLoS previsto e as informações de erro de alcance previstas, usadas em combinação com algoritmos de estimativa de localização de mínimos quadrados (LS) e LS ponderados, melhoram significativamente o desempenho de localização inte

TERMOS DO ÍNDICEResposta ao impulso do canal, rede neural convolucional, aprendizado profundo, localização interna,
sem linha de visão, mitigação de erro de alcance, banda ultralarga.

I. INTRODUÇÃO redes sem fio. Nos ambientes mais exigentes, onde um grande
A importância das informações sobre a localização interna está número de dispositivos precisam de alta qualidade de serviço (QoS),
aumentando nos serviços e aplicativos de comunicação modernos. serão necessárias redes densas de células pequenas.
Essas informações podem ser usadas para estender os serviços de Em uma rede dinâmica de pequenas células densas, onde muitos usuários
rastreamento e navegação para pessoas e mercadorias de estão em constante movimento, muitos eventos de transferência ocorrem
ambientes externos para ambientes internos, para guiar veículos regularmente. Para o provisionamento de QoS desejado e, assim, evitando a
autônomos dentro de instalações de fabricação e para otimização de sobrecarga de células individuais, são necessários algoritmos de transferência
rede sem fio para facilitar as aplicações acima. inteligentes e eficientes. A localização do usuário rastreada com precisão pode
Os sistemas de comunicação sem fio de próxima geração precisarão ser usada para prever a localização futura do usuário e, assim, prever os
atender a um número crescente de usuários móveis, vários dispositivos próximos eventos de transferência. Com informações de contexto suficientes,
conectados de Internet das Coisas (IoT) e veículos inteligentes com um controlador de sistema pode reservar recursos para novos usuários e
maiores larguras de banda e tempos de resposta mais curtos. O aumento prever sua liberação quando o usuário deixar a área de cobertura da célula.
necessário na capacidade das redes sem fio móveis pode ser obtido com
uma combinação de macrocélulas e pequenas células conectadas em Os sistemas globais de navegação por satélite (GNSS), como o sistema
sistemas auto-organizados, heterogêneos e dinâmicos. de posicionamento global (GPS), são geralmente suficientes para

2169-3536 2018 IEEE. Traduções e mineração de conteúdo são permitidas apenas para pesquisa acadêmica.
VOLUME 6, 2018 O uso pessoal também é permitido, mas a republicação/redistribuição requer permissão IEEE. Consulte 17429
http://www.ieee.org/publications_standards/publications/rights/index.html para obter mais informações.
 K. Bregar, M. Mohorčič: Melhorando a localização interna usando CNNs em dispositivos computacionalmente restritos
aplicações devido à sua precisão e ampla disponibilidade em
smartphones e outros dispositivos. Para uso em ambientes internos,
no entanto, seus sinais são muito fracos ou degradados por efeitos
multipercurso, exigindo diferentes abordagens. Os sistemas de
localização indoor requerem infraestrutura especial, que pode fazer
parte dos meios de comunicação existentes (por exemplo, pontos de
acesso WiFi) ou precisa ser instalada adicionalmente (por exemplo,
beacons Bluetooth). Esses sistemas são baseados em características
de propagação de sinal e, para maior desempenho de localização,
eles geralmente precisam de medições e procedimentos de
calibração extensos e demorados.
Uma abordagem alternativa, habilitada por rádios de banda
ultralarga (UWB), é baseada na medição do tempo de voo (ToF) entre
dois nós e aprimorada por informações detalhadas sobre as
características do canal de propagação obtidas da resposta ao
impulso do canal (CIR). As características de propagação derivadas
da informação CIR podem ser usadas para mitigar desvios de ToF
causados por caminhos de propagação de sinal prolongados
devido a obstáculos no ambiente, melhorando significativamente o
desempenho de localização.
Neste artigo, propomos uma nova abordagem para localização
interna usando dois algoritmos de rede neural convolucional (CNN)
trabalhando em dados CIR brutos obtidos do rádio UWB para cada
pacote recebido. O primeiro algoritmo, usado para detectar
condições de canal sem linha de visada (NLoS), elimina a
necessidade de procedimentos de extração de recursos. O segundo
algoritmo para regressão de erro de alcance é usado para reduzir o
impacto da estimativa de alcance NLoS na precisão da localização,
ponderando contribuições de alcance individuais de acordo com o
erro de alcance estimado. Para investigar a adequação da
classificação de canal CNN complexa e modelos de regressão de
erro de alcance em dispositivos computacionalmente restritos na
borda da rede, também realizamos comparações de desempenho
em termos de tempos de cálculo em várias plataformas de
computação.
As principais contribuições deste documento são as seguintes:
• Uma nova abordagem para localização interna usando CNN
para classificação de canal e regressão de erro de alcance em
traços CIR brutos unidimensionais, em vez de recursos
derivados.
• Avaliação de desempenho do algoritmo de classificação
proposto em diferentes plataformas de computação, desde
computadores embarcados de baixo custo até PCs pessoais de
alto desempenho.
O restante deste artigo está organizado da seguinte forma. Seção
IIresume alguns trabalhos relacionados da literatura. SeçãoIII
descreve a arquitetura do sistema de localização e a Seção4descreve
o equipamento de medição e o processo de construção de conjuntos
de dados de localização e classificação NLoS. Na seçãoV, são
descritos dois métodos de localização de nó que são
subsequentemente usados em combinação com a classificação de
canal baseada em CNN recentemente proposta e os algoritmos de
mitigação de erro de localização definidos na SeçãoVI. Na seçãoVII,
diferentes algoritmos de localização são testados usando a detecção
NLoS proposta e modelos de erro de alcance baseados em CNN, e
na SeçãoVIII, um desempenho crítico
17430
a avaliação do sistema de classificação de canais proposto é
realizada em várias plataformas de computação com diferentes
capacidades computacionais. SeçãoIXconclui o papel.
II. TRABALHO RELATADO
Diferentes abordagens de localização interna na literatura podem ser
grosseiramente classificadas em três grupos principais de acordo com as
informações de modelagem em que se baseiam: métodos baseados no
indicador de força do sinal recebido (RSSI), métodos baseados no ângulo
de chegada (AoA) e métodos baseados no tempo algoritmos de
localização [1].
A fonte mais proeminente de erros em algoritmos de localização
baseados em RSSI vem da alta dependência da variabilidade do
canal causada pela natureza dinâmica e imprevisível dos efeitos do
canal de rádio (sombreamento, propagação de caminhos múltiplos,
reflexões, desvanecimento do canal e assim por diante) [2], [3]. A
maioria dos métodos avançados e precisos de localização interna
baseados em RSSI são métodos de impressão digital RSSI [3], [4],
onde um dispositivo é posicionado com base na impressão digital
RSSI capturada de vários pontos de acesso (APs). No entanto, a
maioria desses métodos é complexa e requer extensas medições e
calibração do ambiente. Algoritmos de impressão digital adaptáveis
foram desenvolvidos recentemente para eliminar a necessidade de
recalibração periódica completa do sistema devido à natureza
dinâmica do ambiente [5].
Os sistemas de localização baseados em AoA dependem da direção de
propagação capturada da onda de rádio no arranjo de antena receptora.
Se grande resolução de ângulo e conseqüentemente grande precisão de
localização são desejadas, então arranjos de antenas complexos são
necessários no lado do receptor [6], o que não é prático ou mesmo
inviável na maioria dos casos.
Os algoritmos de localização baseados em tempo são baseados na
medição do tempo de propagação do sinal entre um transmissor e um
receptor. Algoritmos de localização de tempo de chegada (ToA) ou
diferença de tempo de chegada (TDoA) podem ser implementados se a
sincronização precisa do relógio for assegurada entre todos ou nós de
referência dentro do sistema, respectivamente [1].
No posicionamento interno de dispositivos sem fio com recursos
limitados, como o considerado neste estudo, geralmente não há
sincronização de relógio disponível entre os nós. Nesse caso, os métodos
de variação bidirecional (TWR) ou tempo de ida e volta (RTT) podem ser
usados. Nos sistemas de alcance TWR, cada pacote é carimbado em
ambos os lados e viaja duas vezes entre o transmissor e o receptor. Com
essa abordagem, são coletados dois timestamps em um receptor e dois
timestamps em um transmissor. Isso elimina as diferenças do relógio
local no cálculo do tempo de voo (ToF), mas requer boa estabilidade do
relógio para reduzir a influência da variabilidade do relógio local e início
preciso e eficiente da determinação do registro de data e hora do quadro
[7] desde cada nanossegundo de erro no ToF significa aproximadamente
30 cm de erro na estimativa de alcance. Os rádios de pulso UWB com sua
largura de banda ultralarga (normalmente mais de 500 MHz) e pulsos de
transmissão muito curtos oferecem altas resoluções temporais e
espaciais e grande imunidade ao desvanecimento de multipercurso em
comparação com tecnologias de comunicação baseadas em portadora de
banda estreita. No entanto, grande capacidade de resolução multipath
VOLUME 6, 2018
K. Bregar, M. Mohorčič: Melhorando a localização interna usando CNNs em dispositivos computacionalmente restritos
FIGURA 1.A figura mostra duas abordagens, como o erro de alcance e sua contribuição para a precisão da localização podem ser mitigados. A primeira abordagem detecta a
condição NLoS e remove os intervalos NLoS do processo de localização. A segunda abordagem estima o erro de alcance e o utiliza como um peso no processo de localização.
sozinho não elimina os efeitos do multipath e
propagação NLoS [8], [9].
Erros de alcance introduzidos por propagação multipath e NLoS
em ambientes internos podem facilmente atingir alcances de metros
e devem ser detectados e mitigados adequadamente para evitar
erros de localização maiores. As abordagens de mitigação de erro de
localização podem ser classificadas como técnicas de identificação
NLoS e técnicas de mitigação de erro de alcance. A identificação
NLoS é usada para detectar corretamente os nós NLoS, que podem
posteriormente ser eliminados do pool de nós usados para
localização [10]. Isso é útil quando temos um grande número de nós
âncora disponíveis, muitos deles com um link LoS para um nó
localizado. As técnicas de identificação NLoS usam principalmente
estatísticas de canal e forma de onda (RSSI, curtose, assimetria,
atraso médio excessivo e assim por diante) como dados de entrada.
Alguns deles são baseados em testes de razão de verossimilhança
ou testes de hipóteses binárias [9], [11], que dependem de funções
de distribuição de probabilidade de vários parâmetros para a
realização do canal atual. Outros métodos são baseados em
algoritmos de aprendizado de máquina, como Support Vector
Machine (SVM) [10], [12], Gaussian Processes (GP) [11] e Relevance
Vector Machine (RVM) [12].
A mitigação de erro de alcance é realizada de maneira
semelhante à identificação NLoS. Alguns trabalhos usam testes de
hipóteses binárias com modelos de propagação e erro [11], mas a
maioria dos exemplos na literatura é baseada nos mesmos
algoritmos de aprendizado de máquina da identificação NLoS. Em
muitos casos, os autores preveem o erro de alcance com base nas
características do canal e o subtraem do alcance estimado
anteriormente [10], [12], [13], mas em outros casos, eles estimam os
pesos usados para a ponderação adicional de intervalos mitigados
para melhorar ainda mais a precisão da localização [12].
Recentemente, os algoritmos de treinamento para redes neurais foram
aprimorados a ponto de sinais totalmente dimensionais, como imagens,
formas de onda e assim por diante, poderem ser alimentados a um algoritmo
de classificação sem extrações complexas de recursos e transformações de
entrada. Com o advento de unidades de processamento gráfico de propósito
geral acessíveis (GPGPUs) e melhorias nos mecanismos de treinamento de
redes neurais de aprendizado profundo, as CNNs como seu subconjunto
tornaram-se cada vez mais populares e viáveis para uso pronto para
produção. Idéias arquitetônicas para
VOLUME 6, 2018
CNNs (por exemplo, campos receptivos, pesos compartilhados,
subamostragem espacial e assim por diante) são extraídas de suas
contrapartes biológicas e aplicadas para garantir algum grau de
mudança de entrada, escala e invariância de distorção [14]. Até onde
sabemos, não houve implementação anterior de classificação NLoS
ou mitigação de erro de alcance com base em dados CIR brutos
usando CNNs.
III. ARQUITETURA DO SISTEMA
As arquiteturas para dois sistemas de localização interna, uma baseada
na classificação de alcance NLoS e a outra baseada na estimativa de erro
de alcance, são conceitualmente representadas na Fig.1 juntamente com
representações gráficas de manipulação de alcance em ambas as
abordagens. O sistema superior usa a classificação NLoS com um
procedimento para eliminar todos os intervalos NLoS do pool de âncoras
de localização. É composto por várias partes funcionais. O bloco de
classificação de entrada com uma unidade de classificação NLoS
reconhece medições de faixa NLoS com base em dados CIR acessíveis
para cada medição de faixa. Se uma medição de alcance para um
determinado par de nós for reconhecida como uma medição NLoS, o nó
correspondente será removido do conjunto de nós âncora disponíveis
para localização; caso contrário, ele é alimentado diretamente para a
unidade de estimativa de localização.
O segundo sistema de localização representado na parte inferior
da Fig.1usa uma CNN para estimativa de erro de alcance e
subsequente redução do erro de localização sem reduzir o número
de nós âncora de localização disponíveis, ponderando contribuições
de alcance individuais de acordo com o erro de alcance estimado. O
bloco de regressão de erro de entrada estima o tamanho do erro de
alcance com base em um modelo construído durante o treinamento
da rede neural com conjunto de dados de localização descrito na
SeçãoIV-C. As estimativas de erro de alcance são então usadas nos
processos de localização para remover o erro previsto dos intervalos
estimados ou, no caso do estimador de localização baseado em
mínimos quadrados ponderados (WLS), também para ponderar
estimativas de intervalo individuais.
4. MEDIDAS
Esta seção descreve os procedimentos e equipamentos de medição
usados para coletar o conjunto de dados de classificação UWB NLoS
interno e o conjunto de dados de mitigação de erro de localização.
17431
 K. Bregar, M. Mohorčič: Melhorando a localização interna usando CNNs em dispositivos computacionalmente restritos
A campanha de medição foi dividida em duas fases. A
primeira fase incluiu a coleta de dados LoS e NLoS em vários
ambientes internos representativos sem medições de
alcance. A segunda fase incluiu medições em um ambiente
de escritório com nós posicionados em uma grade
predefinida com distâncias exatas conhecidas entre os nós.
A. EQUIPAMENTO DE MEDIÇÃO E CONFIGURAÇÃO
Para experimentar diferentes abordagens de localização,
desenvolvemos uma placa de rádio autônoma personalizada, que é
representada na Fig.2. É baseado em uma tecnologia de rádio de
impulso UWB (IR-UWB) usando um transceptor de baixo custo
atualmente disponível, DecaWave DWM10001. O DWM1000 é um
módulo transceptor sem fio compatível com IEEE 802.15.4-2011 IR-
UWB com uma antena de cerâmica integrada que permite alcance
interno com uma precisão de 10 cm.
FIGURA 2.Placa IR-UWB com DWM1000.
O módulo DWM1000 IR-UWB é combinado com um poderoso
microcontrolador STM32F103 com 512 kB FLASH e 64 kB de
memória RAM. Pode ser alimentado via USB, um dispositivo
externo ou uma bateria. A conexão de dados entre o nó UWB e
a plataforma de experimentação pode ser estabelecida através
de uma porta serial virtual USB ou interface USART acessível em
um conector de extensão.
Na campanha de medição, dois nós UWB são conectados via
USB a dois computadores single-board (SBC) separados com
sistema operacional GNU/Linux e daí para a estação de trabalho
de experimentação via WiFi ou rede Ethernet, conforme
ilustrado na Fig.3. O protocolo de transferência MQTT é usado
para controle de nó e coleta de medições para manter a
complexidade do aplicativo de medição no nível mais baixo
possível.
B. CONJUNTO DE DADOS DE CLASSIFICAÇÃO NLOS
Para construir um modelo de classificação baseado em CNN para
separação de canais LoS e NLoS, é necessário um extenso conjunto de
dados representando ambas as classes. Como cada ambiente interno é
diferente em termos de características de propagação de multipercurso,
as medições em vários ambientes internos diferentes têm
módulo 1DWM1000,https://www.decawave.com/products/
dwm1000-module
17432
FIGURA 3.Arquitetura do sistema de medição e localização.
foram coletados para construir um modelo mais genérico e evitar o
ajuste excessivo ao ambiente específico.
É muito demorado construir um extenso conjunto
de dados com localizações de nós predefinidas em
muitos ambientes internos diferentes. Assim, para
acelerar o processo de aquisição de conjuntos de
dados para classificação, omitimos o posicionamento
estrito dos nós em uma grade predefinida. Em vez
disso, um nó UWB foi colocado em uma posição fixa
aleatória em um ambiente interno selecionado e as
medições foram feitas enquanto movia o outro nó
UWB pelo ambiente. Primeiro, 3.000 medições foram
coletadas para condições de canal LOS e, em seguida,
3.000 medições foram coletadas para condições NLoS
no mesmo ambiente. Para garantir que as medições
coletadas estejam sempre de acordo com o estado do
canal desejado,
No conjunto de dados para classificação das condições do canal,
consideramos 7 ambientes internos diferentes: dois ambientes de
escritório, uma pequena oficina, dois apartamentos, uma cozinha com
sala de jantar e uma sala de aquecimento. Cada um desses ambientes
possui características específicas de propagação de multipath, que
agregam riqueza ao conjunto de dados e evitam que o modelo resultante
para classificação de LoS e NLoS seja superajustado a um único
ambiente.
No conjunto de dados, cada ponto de medição inclui a estimativa
de alcance (com base em um ToF estimado), valor RSS, nível de ruído
e CIR.
C. CONJUNTO DE DADOS DE LOCALIZAÇÃO
Para testar o desempenho dos algoritmos de mitigação de erro de
localização, um conjunto de dados com intervalos medidos e distâncias
reais entre nós e âncoras deve ser construído. A partir de distâncias
conhecidas e estimadas entre os nós, os erros de alcance são calculados
e posteriormente usados para construir um modelo de regressão de
erro de alcance para mitigação de erros de localização.
Para isso, definimos uma grade com 1mespaçamento entre
pontos em dois ambientes de escritório. Um nó foi colocado em uma
posição aleatória em uma grade e o segundo nó foi posicionado
sucessivamente em diferentes posições na grade. Para cada ponto
da grade, foram feitas 100 medições. As medições foram
posteriormente separadas em dois grupos diferentes de acordo com
VOLUME 6, 2018
K. Bregar, M. Mohorčič: Melhorando a localização interna usando CNNs em dispositivos computacionalmente restritos

os ambientes de escritório em que foram inseridos. Um grupo foi usado

como dados de treinamento e o segundo grupo foi usado como dados de
teste para avaliar o desempenho da mitigação de erros sem superajuste
do ambiente.
Cada ponto de dados no conjunto de dados inclui as posições
xey de um nó, posições xey de uma âncora, estimativa de
alcance baseada em um ToF estimado, valor RSS, nível de ruído
e envelope CIR acumulado.

V. LOCALIZAÇÃO DO NÓ
Para uma estimativa de localização de nó em sistemas de localização
baseados em alcance sem conhecimento prévio da geometria do
ambiente, precisamos de vários nós âncora com localizações conhecidas.
Para uma localização 2D, precisamos de três âncoras e, para uma
localização 3D, precisamos de pelo menos 4 âncoras dentro do alcance
FIGURA 4.A figura mostra o erro de variação para diferentes faixas e
de um nó. Vários algoritmos de estimação têm sido investigados na
diferentes situações de NLoS e LoS.
literatura, mas por simplicidade e abordagem não probabilística,
selecionamos os algoritmos de mínimos quadrados (LS) e de mínimos
quadrados ponderados (WLS). a posição estimadaθ̂de um nó pode ser expresso com o
estimador WLS derivado no Apêndice B e definido em (4)
A. ESTIMATIVA DE LOCALIZAÇÃO DE MENOS QUADRADOS

A distância entre uma âncora e um nó com localização desconhecida

é formulada como uma distância euclidiana θ̂WLS= (HTWH)−1HTWx. (4)
Ao introduzir a matriz de ponderaçãoC, o erro de alcance estimado
deu=‖p̂e−peu‖ (1)
para um intervalo individual pode ser multiplicado por um intervalo

ondedeué o intervalo medido entre o nó e a i-ésima âncora,p̂ estimado para aumentar favoravelmente a ponderação de âncoras mais

eé uma posição estimada desconhecida de um nó, e peué próximas. Os pesos para uma matriz de ponderação podem ser

uma posição da i-ésima âncora. calculados pelo inverso do produto do intervalo estimadodeue estimativa

Seguindo a derivação fornecida no Apêndice A, um sistema quadrada do erro de alcanceεeu(5)

predefinido de equações lineares em forma de matriz pode ser 1

escrito e a posição estimadaθ̂de um nó pode ser calculado ceu= . (5)
deueu
ε
2
usando um estimador LS conforme definido em (2)
VI. CLASSIFICAÇÃO NLOS E ESTIMAÇÃO DE ERRO DE
θ̂LS= (HTH)−1HTx, (2) RANGE USANDO CNN
Para o modelo de classificação NLoS e modelo de regressão de erro de
ondeHé uma matriz de observação exé um vetor de dados
alcance, decidimos usar CNN devido à sua invariância de deslocamento
observados.
de entrada superior e capacidade de aprender modelos complexos. Essas
características tornam possível omitir a necessidade de pré-
B. ESTIMATIVA DE LOCALIZAÇÃO DE MENOS QUADRADOS PESADOS
processamento de dados de entrada e derivar vetores de entrada de
Com mínimos quadrados ordinários, a suposição implícita é ter variações baixa dimensão do CIR. A classificação proposta e as estruturas CNN de
constantes de erros de alcance. No entanto, os intervalos de NLoS regressão de erro de alcance funcionam em dados CIR brutos obtidos
normalmente têm erros de alcance aumentados, como mostrado na Fig.4 diretamente do rádio DW1000 IR-UWB em cenários de localização em
. De fato, os erros de alcance aumentam com a gravidade da condição tempo real. Implementamos estruturas CNN usando uma biblioteca de
NLoS e com o aumento da distância de propagação. A contribuição dos software de código aberto para computação numérica usando gráficos
intervalos NLoS para a precisão da localização é destrutiva, e a de fluxo de dados, a saber, TensorFlowMT[15]. Sua implementação é
ponderação de intervalos medidos individualmente de acordo com o erro muito eficiente; assim, ele também pode executar estruturas CNN
de intervalo esperado pode ajudar a enfatizar as contribuições dos complexas em tempo real em dispositivos computacionalmente restritos,
intervalos mais confiáveis. como smartphones de baixo custo ou pequenos computadores de placa
Com a introdução da diagonalNxNmatriz de ponderação única (SBCs) baseados em ARM, por exemplo, Raspberry Pi, Beagle-Bone
definida positivaC(3) e assim por diante.
- - A principal contribuição deste trabalho é a forma como a CNN é
c1 0 ... 0
utilizada. Tradicionalmente, as CNNs são alimentadas em 2 dimensões
- c2 ... 0 --
-0 (3) amostras de entrada de imagens. Reduzimos a dimensionalidade da
C= -. . .. . . -,
-.. .. . .- CNN para aceitar traços de entrada unidimensionais na forma
0 0 ... cn de dados CIR. A carga computacional para aprender e

VOLUME 6, 2018 17433

 K. Bregar, M. Mohorčič: Melhorando a localização interna usando CNNs em dispositivos computacionalmente restritos
processos de iniciação é, portanto, muito menor em comparação com
suas contrapartes bidimensionais.
A. ESTRUTURA DE REDE NEURAL CONVOLUCIONAL
A CNN é organizada em uma estrutura em camadas. Cada unidade em uma
única camada convolucional tem seu próprio campo receptivo local (uma fatia
dedicada) de uma entrada. Consiste em vários neurônios artificiais individuais,
organizados verticalmente em planos com diferentes conjuntos de pesos para
realizar múltiplas extrações de recursos em entradas idênticas. Os pesos de
uma unidade são compartilhados com todas as unidades em uma camada.
Todas as unidades da camada geram um conjunto de saídas chamado de mapa
de recursos, que alimenta a próxima camada. Uma estrutura em camadas
genérica de um exemplo de CNN é representada na Fig.5.
FIGURA 5.Representação gráfica de uma arquitetura CNN.
A função de ativação para cada neurônio individual na
estrutura da CNN proposta é uma função de unidade linear
retificada (ReLU). O ReLU fornece uma boa quantidade de não
linearidade ao sistema e é fácil e rápido de calcular. Também
não afeta o desempenho real da CNN por uma margem
significativa em comparação com funções de ativação mais
complicadas, como função sigmóide logística ou função de
ativação tangente hiperbólica.
Uma das camadas funcionais em uma CNN é uma camada de
redução espacial, onde os dados de saída da camada anterior
são reduzidos para minimizar os efeitos das posições espaciais
dos recursos detectados. Selecionamos a função de redução
espacial max pooling, que seleciona o valor máximo dos valores
cobertos na janela de pooling atual e o propaga para a próxima
camada. O tamanho da janela de agrupamento define a redução
espacial da entrada. Se a largura de uma janela de pooling for 2
e o tamanho do passo (passo) for 2, então o pooling
17434
seleciona o máximo dos dois valores de entrada e a janela de
agrupamento é deslocada para dois valores de entrada por vez.
Nesse caso, a dimensão de entrada é reduzida por um fator de
2. Uma boa prática em CNNs é que o número de pesos
permaneça constante em toda a rede neural. Seguindo a
camada de redução espacial, o número de pesos pode ser
mantido constante com um aumento adequado no número de
planos dentro das camadas convolucionais [16].
Após uma série de camadas convolucionais e de redução espacial, ocorre
uma camada totalmente conectada. Uma combinação de camadas
convolucionais com camadas de redução espacial funciona como uma unidade
de pré-processamento de entrada automática que substitui os procedimentos
complexos tradicionais de extração de recursos. Eles servem como uma
camada de extração automática de recursos, fornecendo recursos para a
seguinte camada neural totalmente conectada. Uma camada totalmente
conectada tem todos os neurônios conectados a todas as saídas da última
camada convolucional. Em seguida, uma camada de leitura calcula a saída
correspondente.
No caso da classificação NLoS, uma camada de leitura
consiste em dois neurônios totalmente conectados com um
algoritmo de regressão softmax nas saídas dos neurônios. O
primeiro neurônio prediz a classe NLoS e o segundo neurônio
prediz a classe LoS. A função de saída de regressão softmax
transforma as saídas numéricas dos neurônios da camada de
leitura em valores binários (a saída mais forte obtém um valor
de 1 e a outra obtém um valor de 0).
Para a regressão de erro de alcance, a camada de leitura consiste
em um único neurônio com uma função de ativação linear
retornando o valor numérico do erro de alcance previsto.
B. TREINAMENTO CNN
Treinar uma rede neural com espaços de parâmetros de alta dimensão
requer algoritmos de otimização eficientes. As funções objetivas são
muitas vezes estocásticas devido à subamostragem de dados internos,
regularização de abandono e outras fontes de ruído. Kingma e Ba [17]
propuseram um algoritmo de otimização estocástica
computacionalmente eficiente, Adam, que requer apenas gradientes de
primeira ordem com pouco requisito de memória, é invariante ao
redimensionamento diagonal dos gradientes e é adequado para
problemas de alta dimensão. Ele fornece convergência de aprendizado
rápida e confiável que pode ser consideravelmente mais rápida do que
algoritmos de otimização semelhantes (por exemplo, Adagrad, SGD e
assim por diante) [17].
Para evitar o overfitting de uma rede neural em pelo menos algum grau, a
regularização de abandono é usada para evitar coadaptações complexas nos
dados de treinamento. Em cada amostra de treinamento, cada neurônio em
uma camada totalmente conectada é omitido aleatoriamente da rede com uma
probabilidade predefinida (normalmente definida como 0,5 [18]).
Em nosso caso, em vez de expor todo o conjunto de dados de treinamento
à rede neural treinada de uma vez, lotes menores de 256 amostras escolhidas
aleatoriamente são alimentados na rede durante iterações consecutivas de
aprendizado. Dessa forma, garantimos uma convergência mais robusta com
uma frequência de atualização de modelo mais alta em comparação com os
algoritmos de aprendizado em lote completo usuais.
VOLUME 6, 2018
K. Bregar, M. Mohorčič: Melhorando a localização interna usando CNNs em dispositivos computacionalmente restritos
C. ALIMENTANDO A ENTRADA PARA CNN
Os dados de resposta ao impulso do canal em um acumulador DW1000
CIR têm 992 compartimentos para a frequência de repetição de pulso
(PRF) de 16 MHz e 1016 amostras para o PRF de 64 MHz com uma
resolução de aproximadamente 1 ns ou precisamente meio período da
frequência fundamental de 499,2 MHz.
Cada envelope de resposta ao impulso no acumulador começa a
aumentar em compartimentos de acumuladores ligeiramente diferentes,
e o tempo CIR inicial relativo exato é, portanto, variável. O DW1000
detecta e determina o índice bin inicial do sinal com um algoritmo
proprietário integrado e pode ser facilmente acessado durante o tempo
de pós-processamento.
Em um acumulador CIR, aproximadamente 152 bins armazenam a
maior parte das informações disponíveis sobre as características de
propagação no ambiente. A visualização de um exemplo de CIR de 152
binlong é representada na Fig.6. Durante os processos de aprendizado,
classificação e regressão, os primeiros 152 bins CIR são usados,
começando no primeiro bin de índice de caminho detectado por um i
FIGURA 6.Um exemplo de dados LoS CIR.
VII. AVALIAÇÃO DE DESEMPENHO DE CLASSIFICAÇÃO E
LOCALIZAÇÃO
A avaliação de desempenho das estruturas CNN propostas para
classificação NLoS e regressão de erro de alcance foi realizada
usando diferentes subconjuntos de dados coletados durante a
campanha de medição, conforme descrito na Seção4e como foi
usado para o treinamento de modelos CNN para evitar resultados
tendenciosos ou excessivamente otimistas.
A. COMPARAÇÃO DE DESEMPENHO DE CLASSIFICAÇÃO NLOS
O método de classificação NLoS proposto baseado em CNN usando
dados CIR brutos precisa ser avaliado em relação a abordagens padrão
em que recursos pré-calculados de dados CIR são usados. Para a
abordagem clássica baseada em recursos, calculamos ou reutilizamos
recursos de sinal prontamente disponíveis: valor RSS, valor RSS do
primeiro caminho, atraso médio em excesso, propagação do atraso do
quadrado médio da raiz (RMS), curtose e assimetria.
For o NLoS cl assificação m sed em pr calculado
tributoeu BA
CIR características, nós usado multil avocê por céptron (MLP) e
jantar ort vetor ma chinês (SVM ) implementar mentao é do
VOLUME E 6, 2018
Biblioteca de aprendizado de máquina Python scikit-learn [19]. A
implementação do SVM foi testada com uma função de kernel linear e
com um kernel de função de base radial (RBF).
A rede neural MLP (NN) foi definida como uma MLP de 3 camadas
com uma camada oculta, onde a camada de entrada possui 6
neurônios, a camada oculta possui 152 neurônios e a camada de
saída possui um neurônio. A função de ativação neural selecionada
foi a unidade linear retificada (ReLU). A estrutura MLP foi
determinada durante um processo de otimização onde o candidato
NN de melhor desempenho foi selecionado. A estrutura foi treinada
usando o algoritmo de otimização de gradiente descendente
estocástico (SGD) com uma taxa de aprendizado adaptável, taxa de
aprendizado iniciallr=0.1, condição de paradapara mim=10−7, e as
sinapses de rede iniciais definidas para valores aleatórios.
Para avaliar o desempenho dos algoritmos de aprendizado de
máquina, algumas métricas padrão baseadas na matriz de confusão
foram calculadas [20]. Na matriz de confusão, as linhas representam
as classes reais das amostras e as colunas representam as classes
atribuídas no processo de classificação. As atribuições resultantes se
enquadram em quatro categorias, chamadas de verdadeiro positivo
(TP), verdadeiro negativo (TN), falso positivo (FP) e falso negativo
(FN).
As métricas de desempenho de classificação aplicadas são as
seguintes:
PT+TN
• Precisão:PT+TN+PF+FNfornece a porcentagem de instâncias
classificadas corretamente.
• Precisão:PT
PT+PFrepresenta a porcentagem de corretamente
classificou instâncias NLoS dentro de todas as instâncias que foram
classificadas como instâncias NLoS.
PT
• Sensibilidade:
PT+FNé a taxa de verdadeiro positivo ou uma fração
de instâncias classificadas corretamente dentro da classe NLoS.
• F1 ou média harmônica de precisão e sensibilidade:
2·precisão·sensibilidade
precisão+sensibilidade.
Os resultados para as quatro abordagens estão resumidos na
Tabela1. O método proposto usando CNN mostra desempenho
semelhante ao das abordagens padrão baseadas em recursos
derivados e os supera ligeiramente. O número de instâncias
classificadas incorretamente é distribuído de maneira mais
uniforme entre duas classes possíveis, o que significa que
números semelhantes de instâncias NLoS e LoS são classificados
incorretamente.
B. DESEMPENHO DE LOCALIZAÇÃO DE
DIFERENTES ABORDAGENS
Em seguida, avaliamos o desempenho de localização de diferentes
abordagens LS e WLS, comparando aquelas com e sem
TABELA 1.Desempenho de classificação NLoS.
17435
 K. Bregar, M. Mohorčič: Melhorando a localização interna usando CNNs em dispositivos computacionalmente restritos

técnicas de mitigação de erros. Em todos os casos, a mitigação de erros também alto. No entanto, com um número crescente de âncoras, a
foi realizada usando a classificação NLoS baseada em CNN proposta e estimativa de localização torna-se refinada, conforme ilustrado na
modelos de regressão de erros. Fig.7 (LS) e resumidos na Tabela3.

1) ESTIMADOR DE LOCALIZAÇÃO LS COM INTERVALOS DE LOS TABELA 3.Precisão do estimador de localização LS.
O melhor desempenho de localização interna é obtido quando todos os
intervalos usados na estimativa de localização são intervalos de LoS.
Espera-se que todas as faixas de LoS tenham erros de alcance mínimos e,
portanto, contribuam com menos erros para a localização estimada do
que suas contrapartes de NLoS. Os intervalos de LoS no experimento são
filtrados com base no conhecimento prévio registrado durante a
campanha de medição. Os resultados são apresentados na Tabela2e na
Fig.7 (LS_LOS). Desempenho de localização semelhante é difícil de
alcançar em cenários da vida real devido a um ambiente de rádio em
constante mudança e à ausência de informações exatas de LoS, que só
podem ser previstas com alguma certeza. 3) ESTIMADOR DE LOCALIZAÇÃO LS COM CLASSIFICAÇÃO NLOS
Nesta abordagem, a classificação CNN é usada para detectar e
MESA 2.Precisão do estimador LS para faixas de LoS. eliminar intervalos NLoS do pool de âncoras de localização. O
desempenho é menor do que no caso de conhecimento prévio
perfeito de NLoS na SeçãoVII-B.1. No entanto, tais cenários de
localização só podem ser usados efetivamente em ambientes onde
um número abundante de âncoras LoS está disponível. Os
resultados são apresentados na Tabela4e na Fig.7(LS_CLASS).

TABELA 4.Precisão do estimador de localização LS com classificação NLoS.

4) ESTIMADOR DE LOCALIZAÇÃO LS COM MITIGAÇÃO

FIGURA 7.Precisão de localização para diferentes algoritmos de localização e
diferentes números de âncoras.
DE ERROS DE ALCANCE
Nesse caso, o erro de alcance é estimado para cada alcance medido
no pool de localização. As estimativas de erro de alcance são
calculadas com base no CIR e nas informações de erro de alcance
disponíveis no conjunto de dados de localização usando o modelo
CNN. O erro estimado é subtraído do alcance medido, e o alcance
mitigado resultante é usado no estimador de localização LS. Os
resultados estão representados na Fig.7(LS_REG) e na Tabela5.

2) ESTIMADOR DE LOCALIZAÇÃO LS SEM MITIGAÇÃO DE ERROS TABELA 5.Precisão do estimador de localização LS com mitigação de erro de alcance.

O estimador de localização LS é o método de localização mais simples

baseado em medições de alcance de um nó a várias âncoras. É usado
quando nenhum conhecimento prévio é usado sobre variações de
medição de alcance e, portanto, suposições estatísticas sobre os dados
medidos. Consequentemente, o desempenho esperado
forma nce grealmente depends ligado º e qualidade da gama disponível
medida ents. No caso de N Gamas de LoS, erros de alcance e
são altos, um nd portanto , a expectativa erros de posicionamento são

17436 VOLUME 6, 2018

K. Bregar, M. Mohorčič: Melhorando a localização interna usando CNNs em dispositivos computacionalmente restritos
5) ESTIMADOR DE LOCALIZAÇÃO WLS
As informações do regressor de erro de alcance da CNN podem ser
usadas como um fator de ponderação na estimativa de localização WLS.
Como mostrado na Fig.7(WLS) e na Tabela6, uma precisão muito maior
pode ser alcançada do que com o estimador LS simples à medida que o
número de âncoras disponíveis aumenta.
TABELA 6.Precisão do estimador de localização WLS.
6) ESTIMADOR DE LOCALIZAÇÃO WLS COM MITIGAÇÃO DE
ERROS DE VARIEDADE
A combinação de estimador de localização WLS e mitigação de erro
de alcance com regressão de erro de alcance CNN mostra o melhor
desempenho de localização de todos os métodos sem filtrar os
intervalos de NLoS. Os resultados são mostrados na Tabela7e na Fig.
7(WLS_REG).
TABELA 7.Precisão do estimador de localização WLS com mitigação de erro de
alcance.
VIII. AVALIAÇÃO DE DESEMPENHO COMPUTACIONAL
Conforme descrito na SeçãoVI, selecionamos o TensorFlow para a
implementação do CNN, pois ele funciona bem em várias plataformas de
computação, desde estações de trabalho, servidores ou clusters até
smartphones de baixo custo e SBCs executando SOs GNU/Linux. De fato,
estávamos particularmente interessados na possibilidade de
implementar e operar algoritmos baseados em CNN em dispositivos
computacionalmente restritos. TensorFlow Lite2foi lançado recentemente
e foi especialmente projetado e otimizado para rodar em smartphones
com o mínimo de recursos possível. Em vez de usar os buffers de
protocolo padrão3para serialização de dados estruturados, FlatBuffers4a
serialização de dados é introduzida com uma pegada de código que é
uma ordem de grandeza
2TensorFlow Lite,https://www.tensorflow.org/mobile/
tflite/
3Prot ocoeu s, https :/ / developers.google.com/
Amortecedor
protocolo- buffers/
4FlatBuffe rs,https:// google.git hub.io/flatbuffers/
VOLUME 6, 201 8
menor e sem necessidade de análise para acessar os dados. Há também
uma versão anterior da implementação móvel, TensorFlow Mobile5, mas
ambas as implementações suportam apenas plataformas móveis, como
Android ou iOS. Em dispositivos GNU/Linux, apenas a distribuição padrão
do TensorFlow pode ser usada com o melhor de nosso conhecimento.
A. PLATAFORMAS DE COMPUTAÇÃO EM TESTE
Para testar e avaliar o desempenho dos algoritmos baseados em
CNN propostos, selecionamos 6 plataformas de computação
amplamente acessíveis e difundidas. Classificamo-las em dois
grupos distintos: plataforma de capacidade restrita e plataforma de
linha de performance. As plataformas de capacidade restrita
destinam-se ao uso em nós de sensores distribuídos, terminais de
usuários remotos ou gateways de borda. As plataformas da linha de
desempenho destinam-se ao uso em aplicações de computação
intensiva, centralizadas e em nuvem.
Uma das plataformas de computação de capacidade restrita e de
baixo orçamento mais populares é o Raspberry Pi6executando o
Raspbian baseado em Debian7Sistema operacional GNU/Linux.
Todas as versões do Raspberry Pi usam microprocessadores ARM
semelhantes aos encontrados em smartphones. Na avaliação,
usamos a versão 1 (RPI1) com microprocessador ARM1176JZF-S
single-core, 512MB de RAM e clock de 700MHz, além da mais recente
e poderosa versão 3 (RPI3) com CPU quadcore ARM Cortex-A53 , 1
GB de RAM e frequência de CPU de 1,2 GHz. A terceira plataforma de
computação de capacidade restrita é representada por um netbook
(NET) da Asus baseado em um processador Intel Atom N450 x86 de
64 bits com dois threads, 2 GB de RAM e frequência básica de CPU
de 1,66 GHz.
As plataformas de computação de linha de desempenho são
representadas por um computador ultrabook e dois laptops de
estação de trabalho de alto desempenho. O ultrabook Lenovo Yoga
(UB) é baseado em uma CPU Intel i7-4500U de 64 bits com 4 threads,
frequência de CPU básica de 1,8 GHz e 8 GB de RAM. As demais
plataformas de alto desempenho são um HP EliteBook 8560w (WS1)
baseado em uma CPU Intel i7-2670QM com 8 threads e 8 GB de RAM
e um Dell XPS15 (WS2) baseado em uma CPU Intel i7-6700HQ com 8
threads e 16 GB de RAM. Todas as plataformas selecionadas são
executadas no sistema operacional Ubuntu 16.04.3 LTS GNU/Linux
idêntico, exceto as plataformas Raspberry Pi que executam o
sistema operacional Raspbian baseado em Debian 9.1 GNU/Linux.
Os parâmetros das plataformas selecionadas são coletados na
Tabela8.
B. DEFINIÇÃO DO TESTE DE DESEMPENHO
Desenvolvemos um teste de desempenho específico para avaliar a
rapidez com que uma plataforma com o modelo de classificação de canal
NLoS baseado em CNN pode classificar amostras de entrada de acordo
com o tamanho do lote de amostras. TensorFlow é otimizado para
cálculos numéricos em grandes multidimensionais organizados
5TensorFlow Mobile,https://www.tensorflow.org/mobile/
6Raspberry Pi,https://www.raspberrypi.org/
7Raspbian, https://www.raspberrypi.org/downloads/
raspbian/
17437
 K. Bregar, M. Mohorčič: Melhorando a localização interna usando CNNs em dispositivos computacionalmente restritos
TABELA 8.Plataformas computacionais utilizadas na avaliação de desempenho.
matrizes de valores numéricos (tensores) e espera-se que funcione
melhor com lotes maiores de amostras de entrada. O teste é escrito
na linguagem de programação Python (versão 2.7) usando as
bibliotecas de extensão Python NumPy, scikit-learn [19] e Pandas.
Algoritmo 1Algoritmo de teste de desempenho
dados_definir←carregar_dados
paraeu=0para11fazer
começar_tempo←atual_tempo
paraj=1para1000fazer
classificar(dados_set.getNextBatch(2eu))
fim para
fim_tempo←atual_tempo
desempenho[eu]← (1000∗2eu)/(fim_tempo−começar_tempo) fim
para
O script de teste é apresentado em pseudocódigo no Algoritmo1. O
algoritmo carrega e inicializa o modelo de classificação dentro do
ambiente TensorFlow. Em seguida, ele carrega os dados de teste de
arquivos .csv e os formata de acordo com os requisitos definidos durante
o estágio de treinamento do modelo de classificação NLOS. Primeiro, 152
bins do primeiro índice de caminho indicado dentro do acumulador CIR
de estimativa de intervalo individual são retirados e adicionados à matriz
do conjunto de dados de teste. Em seguida, um algoritmo de teste mede
o tempo para executar 1.000 iterações de classificação com tamanhos de
lote de amostra sucessivamente crescentes. Os tamanhos dos lotes de
amostra aumentam com 2n, ondenvai de 0 a 11, ou seja, comporta de 1 a
2048 amostras.
Durante o procedimento de classificação, cada amostra CIR é primeiro
centralizada e dimensionada removendo a média e dimensionando para unidade de
variância elemento a elemento com base em estatísticas relevantes com-
colocados no conjunto de dados de treinamento. O lote de amostra padronizado
é t hen alimentado ao T ensorFlow im plemmentação de t ele treinou
CNN classificação NLoS modelo de cátion . O número de classificado
samples durante o 1000 iterações s é dividido por t ele passou
comtempo de colocação para obter o cl assificação perfo rmance of
um pl atform sob tes t.
17438
C. RESULTADOS DE DESEMPENHO
Os requisitos de desempenho para plataformas de computação
dependem da posição em que são usadas em uma rede. No caso de um
sistema de localização UWB que explora informações CIR, um dispositivo
final requer apenas a capacidade de processar algumas ou no máximo
algumas dezenas de amostras CIR por segundo, e um dispositivo de
borda, como um nó âncora, requer algumas centenas de amostras por
segundo para fornecer taxas de atualização de localização suficientes.
Quando a localização é fornecida em um nível de infraestrutura
centralizado, uma plataforma de computação central deve fornecer
vários milhares de links processados e também ser capaz de processar
outras tarefas de computação.
Todas as plataformas testadas apresentam comportamento
semelhante quanto ao tamanho dos lotes de amostra. O desempenho
aumenta com o aumento do tamanho do lote e para quando os recursos
de computação são utilizados de forma otimizada. O TensorFlow foi
projetado para funcionar de maneira ideal com blocos maiores de dados,
o que fica evidente nos gráficos de desempenho representados na Fig.8.
O desempenho com tamanhos de lote pequenos é limitado pela
velocidade de carregamento de dados e pelos tempos de resposta de
componentes individuais na cadeia computacional (carregamento de
dados, escalonamento de dados e classificação). Com lotes de amostras
maiores, há menos procedimentos de manipulação de dados por
amostra e, com CPUs multithread, a carga de trabalho pode ser
distribuída com mais eficiência. A maioria das plataformas testadas
atinge desempenho máximo com lotes de 1024 amostras, exceto as
plataformas menos poderosas RPI1 e NET. Essas plataformas atingem o
desempenho máximo mais cedo devido ao tamanho menor da memória,
menor número de threads de CPU e menor desempenho da CPU.
A plataforma RPI1 é capaz de processar 92
classificações por segundo em um tamanho de lote de
4 amostras. Isso é suficiente para processamento no
nível do dispositivo final, satisfazendo o requisito
mínimo para localização 3D. O desempenho máximo
alcançado com a plataforma RPI1 é de 212
classificações por segundo com um tamanho de lote
de 256 amostras. A plataforma RPI3 mais nova e
aprimorada é poderosa o suficiente para executar
como um dispositivo de borda com 514 classificações
por segundo com um tamanho de lote de 4 amostras,
3577 classificações por segundo com um tamanho de
lote de 256 amostras e atinge desempenho máximo
de 4252 classificações por segundo com um tamanho
do lote de 2048 amostras.
No lado de alto desempenho das plataformas testadas,
adequadas para soluções de localização centralizadas, a plataforma
UB de nível básico atinge 3723 classificações por segundo com um
tamanho de lote de 4 amostras, 17339 classificações por segundo
com um tamanho de lote de 256 amostras e atinge o pico
desempenho de 18.183 classificações por segundo com um
tamanho de lote de 512 amostras. A plataforma WS1 de alto
desempenho atinge 1223 classificações por segundo com um
tamanho de lote de 4 amostras, 29182 classificações por segundo
para um tamanho de lote de 256 amostras e atinge desempenho
máximo de 34933 classificações por segundo com um lote
VOLUME 6, 2018
K. Bregar, M. Mohorčič: Melhorando a localização interna usando CNNs em dispositivos computacionalmente restritos
FIGURA 8.Desempenho de classificação de diferentes plataformas de hardware.
tamanho de 2048 amostras. O laptop de estação de trabalho mais
recente WS2 atinge 1686 classificações por segundo com um
tamanho de lote de 4 amostras, 39713 classificações por segundo
em um tamanho de lote de 256 amostras e desempenho máximo de
50531 amostras por segundo com um tamanho de lote de 2048
amostras.
Os resultados apresentados acima confirmam que, em um sistema de
localização distribuído, o algoritmo de classificação NLoS baseado em
CNN proposto usando o TensorFlow também pode ser utilizado em
dispositivos de ponta e/ou borda com capacidade restrita. Assim, em
comparação com a implementação centralizada, a implementação que
utiliza computação em dispositivos finais e periféricos
• evita a necessidade de transferir grandes quantidades de dados CIR
para as plataformas de computação em servidores de localização
centralizados ou na nuvem,
• atinge menor latência na localização, o que é essencial em
diversos domínios de aplicação, e
• garante maior escalabilidade.
IX. CONCLUSÃO
Neste artigo, uma nova abordagem para localização interna é proposta e
avaliada usando dois métodos baseados em CNN trabalhando em dados
UWB CIR brutos. Em particular, os dois métodos usam classificação de
canal NLoS e modelos de regressão de erro de alcance para reduzir o
erro na localização interna sem qualquer conhecimento prévio do
ambiente de rádio. A comparação de desempenho da classificação de
canal NLoS confirma que o método com dados CNN e CIR bruto supera
ligeiramente os métodos baseados em recursos CIR derivados
estatisticamente. Quando usado com estimadores de localização LS e
WLS como técnicas para mitigação de erros de localização, a classificação
NLoS baseada em CNN proposta e a regressão de erros melhoram
significativamente o desempenho de localização dos métodos LS e WLS
de linha de base. A regressão de erro de alcance usada em todos os
intervalos disponíveis tem um desempenho melhor do que a filtragem de
intervalos NLoS. Como parte do trabalho futuro, campanhas de medição
extensas adicionais são planejadas em diferentes ambientes internos
para capturar mais condições de propagação de LoS e NLoS e,
posteriormente,
VOLUME 6, 2018
construir uma classificação NLoS mais geral e modelos de regressão de
erro de alcance para validação adicional.
Ao fornecer resultados de localização interna mais confiáveis, os
novos métodos propostos implicam maior dimensionalidade dos
dados de entrada, que combinados com a complexidade da CNN
geram maiores demandas de computação em comparação com as
abordagens clássicas. No entanto, a avaliação do desempenho
computacional em várias plataformas de computação indica que
elas atendem aos requisitos da implementação do TensorFlow dos
métodos com um escopo de localização adequadamente restrito.
Assim, os métodos propostos podem melhorar a localização interna
em implantações centralizadas e distribuídas, esta última exigindo
otimização da topologia da rede, ao mesmo tempo em que oferece
uma boa compensação em termos de largura de banda necessária
para transferir dados CIR e permite menor latência.
APÊNDICE A
ESTIMADOR DE LOCALIZAÇÃO DE MENOS QUADRADOS
O estimador LS escolheθtal que faz um modelo de sinal s[n]
mais próximo dos dados observadosx[n]. O critério de erro
LS é definido por (A.1). O valor deθque minimizaJ(θ) é o
estimador LS.
−1
N∑
J(θ) = (x[n] −s[n])2 (A.1)
n=0
Para localização 2-D, a distância euclidiana entre uma
âncora e um nó é formulada como em (A.2)
√
deu= (xeu−x)2+ (yeu−y)2 (A.2)
ondedeué o intervalo medido entre o nó e a i-ésima âncora,xeuey
eusão as coordenadas da i-ésima âncora, exe ysão as
coordenadas de um nó que ainda não são conhecidas.
Aplicando a abordagem LS linear para um parâmetro escalar,
assumimos (A.3), ondeh[n] é uma sequência conhecida.
s[n] =θh[n] (A.3)
17439
 K. Bregar, M. Mohorčič: Melhorando a localização interna usando CNNs em dispositivos computacionalmente restritos

O critério de erro LS agora é transformado na forma em ( o erro de estimativa LS dado na Eq. (A.6) pode ser reescrita como (
A.4). B.2)

−1 −1
N∑
N∑
J(θ) = (x[n] − θh[n])2 (A.4) J(θ) = ceu(x[n] −s[n])2
n=0 n=0
= (x− Hθ)TC(x− Hθ). (B.2)
Para (A.3), a notação de matriz em (A.5) pode ser usado para o
sinals= [s[0]s[1]. . .s[N−1]]T,ondeHé um conhecidoN×p matriz de Os pesos para uma matriz de ponderação (B.1) pode ser
observação de posto completop. calculado pelo inverso do produto do intervalo estimadodeue
estimativa quadrada de erro de alcanceεeu(B.3)
s=Hθ (A.5) 1
ceu= 2
. (B.3)
deuεeu
O estimador LS pode ser encontrado minimizando (A.6),
resultando em (A.7). A posição estimadaθ̂de um nó agora pode ser expresso
−1 com o estimador WLS definido em (B.4)
N∑
J(θ) = (x[n] −s[n])2 θ̂WLS= (HTWH)−1HTWx. (B.4)
n=0
= (x− Hθ)T(x− Hθ) θ̂= (A.6) REFERÊNCIAS
[1] N. Patwari, JN Ash, S. Kyperountas, AO Hero, RL Moses e
(HTH)−1HTx (A.7) NS Correal, ''Localizando os nós: localização cooperativa em redes de sensores
sem fio,''Processo de Sinal IEEE. Mag., vol. 22, não. 4, pp. 54–69, julho de 2005.
Reescrevendo (A.2) fornece (A.8).
[2] H.-S. Ahn e W. Yu, ''Localização interna baseada em RSSI adaptável ao ambiente''

− 2xeux−2yeuy+x2+y2=d̂2 eu−x2eu−y2eu (A.8) IEEE Trans. Autom. ciência Eng., vol. 6, não. 4, pp. 626–633, outubro de 2009.

[3] K. Wu, J. Xiao, Y. Yi, D. Chen, X. Luo e LM Ni, ''CSI-based indoor

Para linearizar o sistema de equações não lineares, introduzimos localization,''IEEE Trans. Distribuição Paralela Sist., vol. 24, não. 7,
uma nova variável em (A.9) pp. 1300–1309, julho de 2013.
[4] S. Yiu e K. Yang, ''Processo gaussiano assistido localização de impressões
R=x2+y2 (A.9) digitais,''IEEE Internet Things J., vol. 3, não. 5, pp. 683–690, outubro de 2016.
[5] S. He, B. Ji e S.-HG Chan, ''Chameleon: Atualização livre de pesquisa de um banco de
dados de impressões digitais para localização interna''IEEE Computação Pervasiva., vol.
e defina a localização estimada com (A.10).
15, não. 4, pp. 66–75, outubro de 2016.
[ ] [6] H.-J. Shao, X.-P. Zhang e Z. Wang, ''Algoritmos eficientes de forma fechada para
θ̂=x y RT (A.10) autolocalização baseada em AOA de nós sensores usando variáveis auxiliares,''
IEEE Trans. Processo de sinal., vol. 62, nº. 10, pp. 2580–2594, maio de 2014.
Agora podemos escrever o sistema de equações na forma matricial [7] S. Gezicie outros, ''Localização via rádios de banda ultralarga: uma olhada nos aspectos

- - de posicionamento para futuras redes de sensores''Processo de Sinal IEEE. Mag., vol.

− 2x1 − 2y1 1 22, não. 4, pp. 70–84, julho de 2005.

---2x2 − 2y2 1-- [8] D. Dardari, A. Conti, U. Ferner, A. Giorgetti, e MZ Win, ''Ampliando com sinais de
largura de banda ultralarga em ambientes multipercurso''Proc. IEEE, vol. 97, nº.
H= -. . --. (A.11)
-.. ... .
2, pp. 404–426, fevereiro de 2009.
[9] B. Silva e GP Hancke, ''Identificação sem linha de visada baseada em IR-
− 2xN − 2yN 1 UWB em ambientes hostis: Princípios e desafios''IEEE Trans. Ind.
- - Informat., vol. 12, não. 3, pp. 1188–1195, junho de 2016.
d̂12−x2 1−y2 1 [10] S. Maranoe outros, ''Identificação e mitigação de NLOS para localização com base
-d̂2 2−x2 2−y 2 - em dados experimentais UWB,''IEEE J. Sel. Áreas Comun., vol. 28, não. 7, pp.
- 2-
x= - - (A.12) 1026–1035, setembro de 2010.
- ... - [11] Z. Xiao, H. Wen, A. Markham, N. Trigoni, P. Blunsom e
J. Frolik, ''Identificação e mitigação fora da linha de visada usando a intensidade
d̂N2−x2 N−yN 2 do sinal recebido''IEEE Trans. Comun. sem fio, vol. 14, não. 3, pp. 1689–1702,
março de 2015.
que nos fornece um sistema predefinido de equações lineares em [12] T. Van Nguyen, Y. Jeong, H. Shin e MZ Win, ''Aprendizado de máquina para
uma forma normal onde a posição pode ser calculada usando o localização de banda larga''IEEE J. Sel. Áreas Comun., vol. 33, nº. 7, pp.
1357–1380, julho de 2015.
estimador LS definido na Eq. (A.7).
[13] H. Wymeersch, S. Marano, WM Gifford e MZ Win, ''Uma abordagem de
aprendizado de máquina para mitigação de erro de alcance para localização
APÊNDICE B UWB,''IEEE Trans. Comum., vol. 60, não. 6, pp. 1719–1728, junho de 2012.
[14] Y. LeCun, L. Bottou, Y. Bengio e P. Haffner, ''Aprendizado baseado em gradiente
ESTIMADOR DE LOCALIZAÇÃO DE MÍNIMOS QUADRADOS PESADOS
aplicado ao reconhecimento de documentos''Proc. IEEE, vol. 86, nº. 11, pp.
Com a introdução da diagonalNxNmatriz de ponderação 2278–2324, novembro de 1998.
definida positivaC(B.1) [15] M. Abadie outros(2015).TensorFlow: aprendizado de máquina em larga escala em
sistemas heterogêneos. [On-line]. Disponível: https://www.tensorflow.org/
- -
c1 0 ... 0 [16] Y. LeCun e Y. Bengio, ''Redes convolucionais para imagens, fala e séries
temporais'', emO Manual de Teoria do Cérebro e Redes Neurais, MA
- c2 . . . 0 --
-0 Arbib, Ed. Cambridge, MA, EUA: MIT Press, 1998, pp. 255–258. [On-line].
C= -. .. . . -, (B.1)
-.. ... . .-
Disponível: http://dl.acm.org/citation.cfm?id=303568.303704
[17] DP Kingma e J. Ba. (2014). ''Adam: Um método para otimização
0 0 ... cn estocástica.'' [Online]. Disponível: http://arxiv.org/abs/1412.6980

17440 VOLUME 6, 2018

K. Bregar, M. Mohorčič: Melhorando a localização interna usando CNNs em dispositivos computacionalmente restritos
[18] GE Hinton, N. Srivastava, A. Krizhevsky, I. Sutskever e
R. Salakhutdinov. (2012). ''Melhorando as redes neurais prevenindo a co-
adaptação de detectores de características.'' [Online]. Disponível: http://
arxiv.org/abs/1207.0580
[19] F. Pedregosae outros, ''Scikit-learn: aprendizado de máquina em Python,''J. Mach.
Aprender. Res., vol. 12, pp. 2825–2830, outubro de 2011. [Online]. Disponível: http://
hal.inria.fr/hal-00650905
[20] M. Kulin, C. Fortuna, E. De Poorter, D. Deschrijver e I. Moerman, ''Projeto
baseado em dados de redes sem fio inteligentes: uma visão geral e
tutorial''Sensores, vol. 16, não. 6, pág. 790, 2016. [Online]. Disponível:
http://www.mdpi.com/1424-8220/16/6/790
KLEMEN BREGARrecebeu o B.Sc. graduou-se em
engenharia elétrica pela University of Ljubljana,
Ljubljana, em 2013. Ele atualmente está cursando o
Ph.D. licenciatura em tecnologias de informação e
comunicação com a Jožef Stefan International
Postgraduate School. Atualmente é Assistente de
Pesquisa no Departamento de Sistemas de
Comunicação, Jožef Stefan Institute, Ljubljana. Seus
interesses de pesquisa incluem o desenvolvimento
de sistemas embarcados, sensores sem fio
redes sor, sistemas de sensores biomédicos e aprendizado de máquina. Seus
interesses de pesquisa recentes incluem localização interna, sistemas de
comunicação de largura de banda ultralarga, redes biomédicas de sensores sem fio e
a aplicação de redes neurais de aprendizado profundo. Ele está atualmente envolvido
nos projetos H2020 eWine e SAAM e contribui para um projeto nacional de pesquisa
aplicada sobre técnicas avançadas de traçado de raios na caracterização do ambiente
de rádio e localização de rádio (L2-7664).
VOLUME 6, 2018
MIHAEL MOHORČIČ (M'02–SM'10) recebeu o
B.Sc., M.Sc. e Ph.D. graus em engenharia elétrica
pela University of Ljubljana, Ljubljana, em 1994,
1998 e 2002, respectivamente, e o M.Phil.
graduou-se em engenharia elétrica pela
University of Bradford, Bradford, Reino Unido,
em 1998. Atualmente é chefe do Departamento
de Sistemas de Comunicação e consultor
científico do Jožef Stefan Institute e professor
associado do Jožef Stefan Interna-
Escola Nacional de Pós-Graduação. Ele é autor ou co-autor de mais
de 140 artigos de periódicos e conferências, co-autor de dois livros e
colaborador de nove capítulos de livros. Seus interesses de pesquisa
incluem o desenvolvimento e avaliação de desempenho de
protocolos e arquiteturas de rede para sistemas de comunicação
sem fio e móveis e gerenciamento de recursos em redes terrestres,
estratosféricas e de satélites. Seu interesse de pesquisa recente está
focado em redes de rádio cognitivas, aplicações inteligentes de
redes de sensores sem fio, composição dinâmica de serviços de
comunicação e testbeds experimentais sem fio. Ele participou de
muitos projetos de pesquisa cofinanciados pela UE desde 1996 e
atualmente está envolvido nos projetos H2020 eWINE, Fed4FIRE+,
NRG-5 e SAAM.
17441