martes, 31 de octubre de 2017

Artículo en revista "An Empirical Study of the Transmission Power Setting for Bluetooth-Based Indoor Localization Mechanisms"

El siguiente post tiene el propósito de presentar el artículo de localización en interiores a través del RSSI-fingerprinting para beacons bluetooth. Dicho artículo ha sido aceptado en la revista Sensors con el título "An Empirical Study of the Transmission Power Setting for Bluetooth-Based Indoor Localization Mechanisms"

En la siguiente Figura 1 se observa la metodología realizada en el paper:

Esquema genera
Figura 1: Esquema general.



 La cita del artículo es:

Castillo-Cara Manuel, Lovón-Melgarejo Jesús, Bravo-Rocca Gusseppe, Orozco-Barbosa Luis, García-Varea Ismael. An Empirical Study of the Transmission Power Setting for Bluetooth-Based Indoor Localization Mechanisms. Sensors. 2017; 17(6):1318. doi:10.3390/s17061318.
En este documento, nos centramos en la optimización la localización indoor a través de RSSI fingerprinting con Bluetooth Bluetooth Low Energy 4.0 (BLE4.0). Siguiendo un enfoque holístico, comenzamos por evaluar las capacidades de dos dispositivos receptores tipo Bluetooth. Luego evaluamos la relevancia RSSI fingerprinting reportada por cada beacon analizando cada uno de los niveles de potencia de transmisión usando técnicas de selección de características (future selection). En base a nuestros hallazgos, utilizamos dos algoritmos de clasificación para mejorar la configuración de los niveles de potencia de transmisión de cada uno de los beacons. Nuestros principales hallazgos muestran que nuestra propuesta puede mejorar en gran medida la precisión de la ubicación estableciendo un nivel de potencia de transmisión personalizado para cada beacon.

Por tanto, teniendo en cuenta la Figura 1 y el resumen del trabajo anteriormente mencionado el primer aspecto a desarrollar son los mecanismos utilizados en este paper.

1. Localización con BLE4.0: Configuración, herramientas y algoritmos

La Figura 2 muestra la distribución del área utilizada para la localización en indoor de manera que se tiene 15 sectores de 1m2 con 5 beacons etiquetados 'Be07', 'Be08', 'Be09', 'Be10' y 'Be11'. Además, entre cada sector se tiene una zona de guardia de 0.5m2. Por otro lado, los beacons tiene 8 niveles de potencia de transmisión desde el nivel más alto Tx=0x01 hasta el más bajo Tx=0x08; aunque para este paper se han utilizado desde Tx=0x01 a Tx=0x06 ya que los dos últimos niveles no cubrían adecuadamente todo el área.
Zona de localización indoor
Figura 2: Zona de localización indoor.
En cuanto a las características de los receptores se ha optado por utilizar una Raspberri con una antena de Bluetooth, a partir de ahora BLE4.0 antena, ya que como muestra la figura 3 tiene unas mejores características en la recepción de datos de los emisores que un dispositivo Smartphone.
Figura 3: Comparativa de RSSI (dBm) para BLE4.0 antena y Smartphone
Por último, los algoritmos utilizados han sido los siguientes:
  • k-NN: En este paper, hemos establecido el hiperparámetro en k = 5 como la mejor solución, en base a algunos de nuestros análisis numéricos preliminares. Utilizamos las siguientes versiones del algoritmo: la distancia ponderada (WD) y el modo (MD).
  • SVM: Para este algoritmo, hemos explorado el uso del clasificador lineal y el kernel polinomial con dos grados diferentes, 2 y 3. Finalmente, presentamos sólo los mejores resultados, que se obtuvieron con un kernel polinomial con una función cuadrática.
En base a estos algoritmo, para corroborar que tenemos mejores capacidades de recepción en Raspberri que en Smartphone la Tabla 1 muestra el Accuracy para cada una de ellas.
Comparación Smartphone/antena
Tabla 1: Global accuracy para k-NN usando Moda (con k=5) y SVM (con kernel polinomial cuadrático) usando Tx=0x04.

2. Relevancia de los beacons y evaluación simétrica

Para certificar de que nuestra red de sensores se encuentra balanceada en cuanto a los datos obtenidos por el receptor, se ha utilizado la técnica future selction con dos algoritmos: Extra Trees y Grandient Boosting Algorithm. La Figura 4 y 5 muestra como son las características de datos para cada una de la potencias de transmisión (desde la (a) con Tx=0x01 hasta (f) con Tx=0x06, respectivamente). De estas figura se desprende que nuestra red se encuentra correctamente balanceada en cuanto a la data obtenida
Future selection for ExtraTrees
Figura 4: Relevancia de cada beacon usando ExtraTrees para cada potencia de transmisión
Future selection for GBC
Figura 5: Relevancia de cada beacon usando Gradient Boosting Classifier para cada potencia de transmisión
Teniendo una red de sensores totalmente balanceada según lo visto previamente la Tabla 2 muestra los primeros resultados accuracy (precisión) para cada una de las potencias utilizada. Como puede verse, para k-NN con Tx=0x03 obtenemos el mejor resultado; mientras que para SVM se obtiene para Tx=0x06.
Baseline - Global accuracy
Tabla 2: Global accuracy para k-NN (con k=5) usando moda y SVM (con kernel polinomial cuadrático) para las diferentes potencias de transmisión. Los mejores resultados son mostrados en negrita.

3. Potencia de transmisión asimétrica

En esta sección, se evaluará y explicará los beneficios de utilizar la potencia de transmisión asimétrica para la localización en indoor en los modelos de clasificación. Estos datos están dados en términos de accuracy.

3.1. Configuración de potencia de transmisión asimétrica
Recordamos que cada beacon tiene 8 potencias de las cuales en nuestro entorno se han utilizado 6. Además, se tienen 5 beacons por lo que hace un total de 7776 combinaciones a ser procesadas.

Case 1: Potencia de transmisión asimétrica para k-NN

La Figura 6 muestra el error acumulado global para las tres mejores y peores combinaciones para k-NN, utilizando distancia ponderada (a) y moda (b). La combinación más relevante como puede observarse es: 'Be07' con Tx=0x04, 'Be08' con Tx=0x01, 'Be09' con Tx=0x02, 'Be10' con Tx=0x01 y 'Be11' con Tx=0x01, representado como [4,1,2,1,1]. 
Error acumulado
Figura 6: Error acumulado para k-NN (con k=5) usando (a) distancia ponderada (WD) y (b) moda (MD). En ambas gráficas se muestran las tres mejores y peores combinaciones.
En cuanto al RSSI, la Figura 7 muestra el comportamiento de este en cuanto a la niveles de potencia de transmisión para cada beacon. En ellas puede notarse la posición del beacon además de la diferenciación de RSSI entre sectores, aspecto muy importante para la clasificación.
Figura 7: Valores de RSSI usados para las potencia de transmisión más relevantes en cada beacon, [4,1,2,1,1].
Case 2: Potencia de transmisión asimétrica para SVM
En cuanto a SVM, al igual que k-NN se tienen las mismas combinaciones y comportamiento. Tanto es así que la mejor combinación de potencias de transmisión coincide con k-NN, es decir, [4,1,2,1,1]. La figura 8 muestra el error acumulado para SVM para las tres mejores y peores combinaciones.
Figura 8: Error acumulado para SVM (con kernel polinomial cuadrático). En la gráfica se muestra las tres mejores y peores combinaciones.
El comportamiento del RSSI en la mejor combinación, al ser igual que k-NN puede observarse en la Figura 7.

3.2. Discusión
La Tabla 3 y 4 muestran los resultados de diferentes potencias de transmisión obtenidos para k-NN y SVM. Para cada algoritmos se ha expuesto la mejor potencia de transmisión simétrica y asimétrica. Para ambas tablas puede verse que con k-NN usando moda de manera asimétrica se obtienen los mejores resultados.
Error acumulado
Figura 3: Error acumulado con diferentes niveles de potencia de transmisión para k-NN (con k=5) usando moda (MD) y distancia ponderada (WD); y SVM (con función cuadrática polinomial). El mejor resultado es mostrado en negrita.
Figura 4: Error medio con diferentes niveles de potencia de transmisión para k-NN (con k=5) usando moda (MD) y distancia ponderada (WD); y SVM (con función cuadrática polinomial). El mejor resultado es mostrado en negrita.

Por último, la Tabla 5 muestra el accuracy usando diferentes potencias de transmisión asimétricas, para los 5 mejores y peores resultados, y con potencia de transmisión simétrica. En esta tabla, además de comprobar que k-NN tiene unos mejores resultados que SVM, también puede observarse como mejora los parámetros de localización utilizando potencia de transmisión asimétrica. Tanto es así que para k-NN se ha mejorado casi un 13% el accuracy mientras que SVM ha mejorado casi un 14%.
Tabla 5: Resultados de accuracy para k-NN (con k=5) usando moda (MD) y distancia ponderada (WD); y SVM (con función cuadrática polinomial). Los resultados de potencia de transmisión simétrica son mostrados en cursiva. El mejor resultado es mostrado en negrita.
Como se ha observado el artículo abre una nueva vía de localización utilizando potencia de transmisión asimétrica. De igual modo, esta metodología puede se optimizada de de muchas maneras como indica el artículo original. Es por ello que se invita la lectura del paper original donde expone más variantes interesantes y como seguir con la metodología de trabajo.


















0 comentarios:

Publicar un comentario