Avaliação do uso de dados sintéticos em algoritmos de radiolocalização baseados em fingerprinting e aprendizagem de máquina

Abstract

Uma localização precisa é fundamental para diversas aplicações, desde a navegação e a mobilidade urbana até a segurança e os serviços personalizados. Para tanto, o sistema de posicionamento global (GPS) é amplamente utilizado, mas apresenta limitações em ambientes internos e áreas urbanas densas. Para superar essas limitações, técnicas de radiolocalização baseadas em fingerprinting e aprendizado de máquina têm sido exploradas. Essas técnicas utilizam parâmetros de sinais de rádio frequência, como o nível do sinal recebido, o tempo de ida e volta e a informação do estado do canal, para treinar modelos capazes de estimar a posição de um usuário. No entanto, a coleta de fingerprints para treinamento desses modelos é um processo custoso e pode gerar preocupações com a privacidade. Uma alternativa promissora para tratar esses problemas é a geração de dados sintéticos, que permite reduzir a necessidade de grandes volumes de dados reais, diminuindo os custos de coleta e preservando informações pessoais. Este trabalho tem como objetivo investigar e comparar o impacto de diferentes técnicas de geração de dados sintéticos no desempenho de modelos de localização. Para isso, foram feitos experimentos de geração de dados sintéticos, em duas bases de dados distintas, considerando duas formas de geração condicional, geração não condicional, geração seletiva e não seletiva. Foram utilizados três modelos localizadores baseados em aprendizagem de máquina, com o intuito de avaliar o impacto das diferentes formas de geração de dados sintéticos na precisão dos modelos. No total foram treinados 90 modelos, dentre os modelos base, que receberam apenas dados reais e os modelos dos experimentos, que receberam dados reais e sintéticos. Os resultados obtidos desses experimentos indicam que a geração de dados sintéticos pode melhorar o desempenho de modelos de predição baseados em aprendizagem de máquina.