Detection and mitigation of body shadowing in a pedestrian localization and tracking system for vulnerable people using Machine Learning

Abstract

This document presents the analysis of application of Machine Learning (ML) for the detection and mitigation of the body shadowing in a ultra-wide band (UWB) localization system based on 6.5 GHz from an empirical approach. This study considers vulnerable people as a kind of users who live alone and need a permanent monitoring. Then, the ex-periments were performed in scenarios where the only obstruction was made by the body shadowing of the person that carried a mobile terminal on the chest, for localization. In this research, a cyclical methodology is used allowing to face the problem in two general stages. The first stage uses statistics measures, i.e., standard deviation, skewness and kurtosis, of the measured UWB raw data, i.e., time of flight (ToF) and received signal strength (RSS), to classify the channel condition, i.e., line of sight (LOS) and non-LOS (NLOS), and to avoid the information from fixed localization infrastructure in NLOS condition. The second stage uses the results of the classification process to estimate the ranging error caused by the body shadowing and mitigate this, using the information from fixed localization infrastructure in NLOS condition in the localization process. For the classification process, the following supervised ML models were considered: Support Vector Machine (SVM), Decision Tree (DT), and Long Short Term Memory (LSTM). In addition, the unsupervised ML model k-means was used. For the mitigation of the ranging error the following ML models were considered: SVM regression, Random Forest (RF), and Linear Regression (LR). The experimentation was performed in three similar scenarios (university classrooms) with different characteristics as size, quantity of doors or windows. The highest channel classification accuracy achieved was up to 90.7% when the system uses SVM model, and up to 83.3% using the k-means model. These models offer high values of accuracy and a fast response, so they were selected for the tests in the second stage. The mitigation of the ranging error allowed a reduction of the Mean Absolute Error (MAE) from 30 cm to 65 cm. When the fixed localization infrastructure are classified in NLOS condition and the obtained signal measurements in the mobile terminal were not considered by the localization method, the position error improves passing from 71 cm to 28 cm for a percentile of 90%, in the best case. When the classification models and ranging mitigation models are applied to body shadowing mitigation, the position error of the localization system has an additional reduction between 2 cm and 5 cm for a percentile of 90%. Using the collected measurements in the three scenarios, a generalized model for classification and ranging mitigation is trained. The achieved classification accuracy is up to 87%. The MAE for the ranging error is reduced between 50 cm and 60 cm, and the position error for the localization system is reduced up to 2 cm. This research shows that the application of ML improves de performance of the pedestrian localization systems, mitigating the adverse effects caused by the body shadowing.

Este documento presenta el análisis de la aplicación del aprendizaje de maquina (ML, Machine Learning) para la detección de la condición de canal y la mitigación de la sombra corporal en un sistema de localización basado en la tecnología ultra banda ancha (UWB, Wltra-Wide Band) en 6.5 GHz, desde una perspectiva práctica. Este estudio considera a las personas vulnerables como aquellos usuarios que viven solos y requieren un monitoreo permanente. Considerando este tipo de usuarios, las pruebas se realizaron en escenarios donde el cuerpo humano es el obstáculo principal, instalando el terminal móvil en el pecho de una persona. Para esta investigación se utilizó la metodología en cascada cíclica, afrontando el problema de mitigación de la sombra corporal en dos etapas generales: la primer etapa utiliza medidas estadísticas como la desviación estándar, la simetricidad, y la curtosis, de los datos en bruto obtenidos de UWB (tiempo de vuelo e intensidad de señal recibida), para clasificar la condición de canal entre canal con línea de vista (LOS, Line of Sight) y canal sin línea de vista (NLOS, Non Line of Sight), para posteriormente considerar en el proceso de localización solo la información proveniente de la infraestructura de localización fija en condición LOS; la segunda etapa utiliza el proceso de clasificación para estimar el error de la estimación de distancia causado por la sombra corporal, y mitigar este error utilizando la información de la infraestructura de localización fija en condición NLOS en el proceso de localización. Para el proceso de clasificación se consideraron los modelos ML supervisados: máquina de vector de soporte (SVM, Support Vector Machine), árboles de decisión (DT, Decision Tree) y memoria a corto largo plazo (LSTM, Long Short Term Memory). Además, se consideró el modelo no supervisado k-means. Para la mitigación del error en la estimación de distancia se consideraron los modelos ML de regresión: SVM de regresión, bosque aleatorio (RF, Random Forest), y regresión lineal (LR, Linear Regression). Las pruebas se realizaron en tres escenarios de diferentes tamaños y diferente cantidad de ventanas y puertas. La mejor exactitud en la clasificación de canal fue de hasta 90.7% con el modelo SVM, y de hasta 83.3% con el modelo k-means. Estos modelos proporcionan las mejores exactitudes y respuestas rápidas, por lo que fueron seleccionados para la segunda etapa de mitigación de la sombra corporal. La mitigación del error de estimación de distancia permitió una reducción del error medio absoluto (MAE, Mean Absolute Error) de 30 cm a 65 cm. En la primera etapa cuando no se considera la información de la infraestructura de localización fija en condición NLOS para la localización, el error de posición mejora pasando de 71 cm a estar por debajo de 28 cm para un percentil de 90%, en el mejor de los casos. En la segunda, etapa cuando se considera la información de los terminales en condición NLOS mediante la mitigación del error de distancia, el error de posición tiene una reducción adicional entre 2 cm y 5 cm para el percentil 90%. Utilizando las medidas tomadas en los tres escenarios se entrenó un modelo generalizado para la mitigación de la sombra corporal. La exactitud de clasificación alcanzó valores de hasta 87%. La MAE para la mitigación del error con el modelo generalizado se redujo entre 50 cm y 60 cm, y el error de posición del sistema de localización se redujo hasta en 2 cm. Esta investigación muestra que la aplicación de ML mejoró el desempeño del sistema de localización de peatones, mitigando los efectos adversos causados por la sombra corporal.