[论文解读] Inferring proximity from Bluetooth Low Energy RSSI with Unscented Kalman Smoothers

Tom Lovett, Mark Briers+4 more|arXiv (Cornell University)|Jul 9, 2020

Bluetooth and Wireless Communication Technologies参考文献 20被引用 12

一句话总结

本文提出一种基于无迹卡尔曼平滑器（UKS）与高斯过程观测模型的概率方法，用于从噪声较大的蓝牙低能耗（BLE）RSSI值中推断设备间距离。该方法通过建模不确定性和序列RSSI模式，在真实世界数据集上优于传统梯度提升回归器，实现O(n)时间复杂度下的高精度距离估计。

ABSTRACT

The Covid-19 pandemic has resulted in a variety of approaches for managing infection outbreaks in international populations. One example is mobile phone applications, which attempt to alert infected individuals and their contacts by automatically inferring two key components of infection risk: the proximity to an individual who may be infected, and the duration of proximity. The former component, proximity, relies on Bluetooth Low Energy (BLE) Received Signal Strength Indicator(RSSI) as a distance sensor, and this has been shown to be problematic; not least because of unpredictable variations caused by different device types, device location on-body, device orientation, the local environment and the general noise associated with radio frequency propagation. In this paper, we present an approach that infers posterior probabilities over distance given sequences of RSSI values. Using a single-dimensional Unscented Kalman Smoother (UKS) for non-linear state space modelling, we outline several Gaussian process observation transforms, including: a generative model that directly captures sources of variation; and a discriminative model that learns a suitable observation function from training data using both distance and infection risk as optimisation objective functions. Our results show that good risk prediction can be achieved in $\mathcal{O}(n)$ time on real-world data sets, with the UKS outperforming more traditional classification methods learned from the same training data.

研究动机与目标

• 解决在新冠疫情背景下，由于环境和设备特异性差异导致BLE RSSI作为距离传感器不可靠的问题。
• 开发一种稳健方法，从RSSI值序列中推断距离的后验概率分布，同时考虑噪声和不确定性。
• 通过UKS进行序列推断，比较生成式与判别式建模方法在RSSI到距离映射中的表现。
• 通过利用时间序列RSSI数据和不确定性量化，提升接触追踪应用中的风险预测准确性。

提出的方法

• 采用一维无迹卡尔曼平滑器（UKS）建模距离随时间变化的非线性状态空间，以RSSI作为观测值。
• 实现两种基于高斯过程的观测模型：一种为生成式模型，显式捕捉RSSI变化的来源（如设备类型、朝向）；另一种为判别式模型，从训练数据中学习。
• 使用双重目标（距离与感染风险预测）的贝叶斯优化方法对判别式模型进行优化。
• 采用对数正态分布进行RSSI到距离的映射，以反映真实环境中观察到的长尾RSSI分布特征。
• 应用UKS推断距离的后验分布，实现在距离估计中的不确定性量化。
• 在两个真实世界数据集（MIT H0H1与都柏林三一学院）上评估性能，涵盖设备在口袋或手持等不同条件。

实验结果

研究问题

• RQ1 与传统分类方法相比，概率序列模型能否提升从噪声BLE RSSI中推断距离的性能？
• RQ2 在不同设备和环境条件下，建模RSSI变异性的生成式与判别式观测模型在性能上如何比较？
• RQ3 将RSSI建模为对数正态随机变量，是否相比正态分布能提升距离估计的准确性？
• RQ4 在设备位于口袋或手中等挑战性场景下，UKS方法的性能表现如何，此时RSSI最为不稳定？
• RQ5 通过后验分布进行不确定性量化，在真实部署中在多大程度上提升了距离推断的可靠性？

主要发现

• 无迹卡尔曼平滑器（UKS）在MIT H0H1与都柏林三一学院两个数据集上均优于梯度提升回归器，展现出更优的风险预测准确性。
• 针对感染风险优化的判别式模型性能略优于仅针对距离优化的模型，表明风险感知学习可提升推断性能。
• 采用对数正态分布进行RSSI到距离映射的模型，平均性能略优于正态分布，尤其在处理长尾RSSI波动方面表现更优。
• 当设备位于口袋（静坐状态）时，假阴性最为常见；当设备手持时，假阳性最为频繁，凸显这两种配置下的持续挑战。
• UKS框架实现了O(n)时间复杂度的实时推断，并提供完整的后验不确定性估计，显著优于非概率模型。
• 未发现明确证据表明生成式模型优于判别式模型，但两者在多样化的现实条件下均表现出稳健性能。