Angle of Arrival estimation using Bluetooth 5.1 and deep networks

Le résumé fourni par la source

Os sistemas de posicionamento indoor ganharam destaque impulsionados pelo aumento do uso de dispositivos móveis e pela necessidade de localização ou orientação precisa em diversos setores. O Bluetooth Low Energy (BLE) 5.1 destacase para tarefas de orientação espacial devido ao baixo consumo energético e à disponibilidade de recursos para obtenção do ângulo de chegada (AoA), por meio de amostras em quadratura IQ. O processamento dessas amostras é fundamental para a estimação do AoA. No entanto, a literatura carece de bases de dados desses sinais de rádio com amostras reais além de ainda não dispor de estudos aplicando conceitos de machine learning e, especificamente, de deep learning, para estimar o ângulo de chegada. Nesse contexto, este trabalho propõe o uso de técnicas de deep learning para a estimação do AoA por meio de um modelo de regressão aplicado a sistemas de orientação indoor baseados em Bluetooth utilizando amostra reais coletadas. Apresentamos todo o cenário de coleta e os procedimentos necessários para a validação das amostras e do modelo proposto. Através da métrica de desempenho Mean Absolute Error (MAE), constatamos um erro de 1,38° na estimação do ângulo de 135° e, no geral, o modelo proposto apresentou um MAE de 1,87°.

Ce résumé expose les affirmations des auteurs. BNTIC ne l’interprète pas comme une validation indépendante des résultats.