Localização Multiuso com Deep Learning e Segmentação Semântica por Ângulo de Chegada
Um artigo recente publicado no arXiv propõe uma nova abordagem baseada em deep learning para a localização de múltiplas fontes utilizando exclusivamente medições de ângulo de chegada (AoA - Angle of Arrival). A pesquisa aborda um cenário dinâmico onde a plataforma receptora está em movimento, enquanto as fontes são consideradas estacionárias. Embora existam diversos métodos para localização de fonte única, o estudo destaca uma lacuna significativa na pesquisa focada em localização de múltiplas fontes em ambientes dinâmicos.
Para preencher essa lacuna, os autores propõem uma estrutura baseada em deep learning que emprega modelos de segmentação semântica para realizar a localização multi-fonte. Especificamente, são utilizados os modelos UNet e UNet++ como base, que processam imagens de entrada codificando as posições da plataforma juntamente com as linhas de localização de direção correspondentes em cada posição. Ao analisar as interseções dessas linhas, os modelos são capazes de identificar e localizar múltiplas fontes de forma eficaz.
A eficácia da abordagem foi avaliada através de simulações, abrangendo cenários de localização de fonte única e multi-fonte. Os resultados demonstram que, enquanto o método proposto apresenta desempenho comparável aos métodos tradicionais em cenários de fonte única, ele alcança localização de fonte precisa mesmo em condições desafiadoras, como altos níveis de ruído e um número maior de fontes.
Os modelos UNet e UNet++ foram escolhidos por sua capacidade de extrair e refinar características para tarefas de localização. O UNet++, em particular, melhora a fusão de características de baixo e alto nível, o que é útil para distinguir fontes próximas e reduzir ambiguidades nas interseções das linhas de localização. Embora a complexidade computacional possa ser alta, as operações podem ser eficientemente paralelizadas em GPUs. A pesquisa se insere na área de Processamento de Sinais (eess.SP).