Metody klasifikace signálu pro UWB IEEE 802.15.4z secure ranging

Abstract

Práce posuzuje dosud nedostatečně prozkoumaný vliv frekvenčního kanálu na přenositelnost modelů strojového učení pro detekci přímého (LoS) a odraženého (NLoS) signálu v systémech Ultra--WideBand (UWB) s cílem ověřit publikované metody klasifikace a posoudit vliv volby UWB kanálu (frekvence) na přenositelnost klasifikačních modelů. Detekce odraženého signálu je klíčová pro zajištění nejen přesného, ale i bezpečného měření vzdálenosti. Bylo analyzováno 23 publikovaných metod pro klasifikaci LoS a NLoS signálu. Na základě analýzy lze publikovaná řešení rozdělit na 2 kategorie -- řešení využívající pouze impulsní odezvu kanálu a řešení využívající extrahované charakteristiky z impulsní odezvy kanálu a hodnoty z registrů UWB zařízení. Pro podrobné ověřování bylo vybráno 6 z těchto metod, které byly analyzovány s využitím několika scénářů. Pro účely ověřování byl vypracován přehled dostupných datasetů, a zároveň byla získána i neveřejná datová sada z průmyslového prostředí a kanálu 9. Pro posouzení vlivu frekvence na přenositelnost modelů bylo využity 4 různé scénáře, včetně tréninku a ověřování modelu nejprve na stejném, následně i na různém kanálu. Z experimentů vyplývá negativní vliv frekvence na výkonnost modelu, výrazný vliv frekvence na jeho přenositelnost a mezi daty jednotlivých kanálů byly odhaleny rozdíly v distribuci. Vliv frekvence se mezi kanály liší, ale byl pozorován trend klesající výkonnosti modelu se zvyšující se frekvencí kanálu. Nejvýraznější pokles byl pozorován při přenosu mezi skupinami nízkofrekvenčních a vysokofrekvenčních kanálů. Při ověřování jednotlivých modelů byl potvrzen významný vliv prostředí na výkonnost jednotlivých modelů. Pro data z jiného prostředí, získaná odlišným zařízením nebo metodikou, se mohou závěry o vlivu frekvence na přenositelnost lišit.

This thesis addresses the insufficiently explored impact of the frequency channel on the transferability of machine learning models for detecting Line-of-Sight (LoS) and Non-Line-of-Sight (NLoS) signals in Ultra-WideBand (UWB) systems. The work has two main objectives: to verify published classification methods and to assess the influence of UWB channel (frequency) selection on the transferability of classification models. Detecting reflected signals is crucial not only for accurate but also for secure distance measurement. A total of 23 published methods for LoS/NLoS classification were analyzed. Based on this analysis, the existing solutions can be divided into two categories: methods utilizing only the channel impulse response (CIR) and methods employing extracted features from the CIR combined with register values from UWB devices. For detailed evaluation, six of these methods were selected and tested across multiple scenarios. A comprehensive overview of available datasets was compiled, and an additional proprietary dataset from an industrial environment on channel 9 was obtained. To evaluate the impact of frequency on model transferability, four different scenarios were considered, including training and testing models first on the same channel and then on different channels. The experiments reveal a negative effect of frequency on model performance, a significant influence of frequency on transferability, and notable distributional differences between data from individual channels. While the impact of frequency varies among channels, a general trend of decreasing model performance with increasing channel frequency was observed. The most pronounced performance drop occurred when transferring models between low-frequency and high-frequency channel groups. Additionally, the evaluation confirmed a significant influence of the environment on model performance. Consequently, conclusions regarding the effect of frequency on transferability may differ when using data from different environments, devices, or methodologies.