Domain generalization in ultra-wideband ranging error mitigation

Abstract

Ultra-wideband technology enables highly precise indoor localization. However, its accuracy degrades significantly in non-line-of-sight conditions, where obstacles block the direct signal path. Such obstructions result in an overestimation of the transmitter-receiver distance due to signal reflections or a reduction in propagation speed as the signal passes through materials. Machine learning models have been successfully applied to mitigate such ranging errors. However, their ability to generalize to previously unseen environments, a crucial component for real-world deployment, remains a challenge. While model fine-tuning has been demonstrated to enhance predictive performance, it relies on labeled data collected within the target domain. This time-consuming process becomes increasingly impractical when deploying a large number of indoor localization systems across diverse environments. To address this limitation, this thesis evaluates the potential of self-supervised learning and domain-adversarial training to improve generalization and enable adaptation to new domains. The findings indicate that generalization across transmission channels can be accomplished with a purely supervised baseline, while cross-environment generalization poses a significant challenge, particularly across different datasets. Among the investigated approaches, domain-adversarial training improved robustness, while self-supervised learning produced mixed results. The integration of unlabeled target domain data into the training process was found to be largely ineffective. Die Ultrabreitband-Technologie ermöglicht eine hochpräzise Indoor-Lokalisierung. Bei Nicht-Sichtverbindungen, bei denen Hindernisse den direkten Signalpfad blockieren, kommt es jedoch zu einer erheblichen Verschlechterung der Genauigkeit. Solche Hindernisse führen aufgrund von Signalreflexionen oder einer bei der Materialdurchdringung verlangsamten Signalausbreitungsgeschwindigkeit zu einer Überschätzung der Distanz zwischen Sender und Empfänger. Maschinelle Lernverfahren wurden bereits erfolgreich zur Reduktion dieser Distanzfehler eingesetzt. Ihre Fähigkeit, auf zuvor unbekannte Umgebungen zu generalisieren, was einen entscheidenden Faktor für den Einsatz in der Praxis darstellt, bleibt jedoch eine Herausforderung. Zwar kann durch Feinabstimmung des Modells eine Verbesserung der Vorhersageleistung erzielt werden, allerdings erfordert dies annotierte Daten der Zieldomäne. Dieser zeitaufwändige Prozess wird zunehmend unpraktikabel, wenn eine große Anzahl an Indoor-Lokalisierungssystemen in unterschiedlichen Umgebungen bereitgestellt werden soll. Zur Überwindung dieser Einschränkung untersucht diese Arbeit das Potenzial von selbstüberwachtem Lernen und Domain-Adversarial Training, um die Generalisierungsfähigkeit zu verbessern und eine Anpassung an neue Domänen zu ermöglichen. Die Ergebnisse zeigen, dass eine Generalisierung über verschiedene Übertragungskanäle hinweg bereits mit einem rein überwachten Basismodell erreichbar ist, während die Generalisierung über verschiedene Umgebungen hinweg eine deutlich größere Herausforderung darstellt, insbesondere datensatzübergreifend. Unter den untersuchten Ansätzen erhöhte Domain-Adversarial Training die Robustheit, während mit selbstüberwachtem Lernen gemischte Ergebnisse erreicht wurden. Die Einbindung unannotierter Daten aus der Zieldomäne in den Trainingsprozess erwies sich größtenteils als wirkungslos.