TinyML-enabled Human indoor localization with UWB-radar imaging

In the era of rapid technological evolution, the surge in em- bedded devices, edge computing, and IoT units is reshaping computing paradigms towards distributed and edge systems. TinyML, or Tiny Ma- chine Learning, stands at the forefront of this transformation, by enabling AI capabilities on resource-constrained devices. Particularly crucial in IoT and edge computing environments, TinyML facilitates data processing close to the source to reduce latency, save energy, and maintain data privacy. Ultra-Wideband (UWB) radar is a particularly promising technology for a wide variety of applications such as localization, presence detection and communication, due to its large bandwidth, relatively low cost, low power consumption and robust performance, representing a cutting-edge solution that seamlessly integrates with TinyML principles. In this thesis we intro- duce for the first time in the literature a lightweight, privacy-preserving, TinyML solution for human indoor localization powered by Multiple-Input Multiple-Output UWB radar. To achieve this goal we propose a Pipeline that extracts Range-Angle maps from signals of multiple UWB receiver an- tennas and use them as input for a lightweight object detection network, adapted to work on radar data for human localization and counting pur- poses. The solution has been tested on multiple datasets with different UWB radar antennas configuration, analyzing the trade-off between differ- ent energy consumption levels and localization capability.

Nell’era della rapida evoluzione tecnologica, l’incremento di dispositivi embedded, dell’edge computing e delle unità IoT sta ridisegnando i paradigmi dell’informatica verso sistemi distribuiti ed edge. Il TinyML, o Tiny Machine Learning, si pone in prima linea in questa trasformazione, consentendo l’esecuzione di algoritmi di IA su dispositivi con risorse limitate. Aspetto particolarmente rilevante nel contesto dell’IoT e dell’edge computing, è la capacità del TinyML di facilitare l’elaborazione dei dati vicino alla loro fonte di acquisizione per ridurre la latenza, risparmiare energia e assicurare la privacy dei dati. I radar a banda ultralarga (UWB) sono una tecnologia particolarmente promettente per varie applicazioni tra cui la localizzazione, il rilevamento della presenza e la comunicazione, grazie alla loro ampiezza di banda, al costo relativamente basso, al basso consumo energetico e alle robuste prestazioni, rappresentando una soluzione all’avanguardia che si integra perfettamente con i principi del TinyML. In questa tesi introduciamo per la prima volta in letteratura, una soluzione TinyML leggera e rispettosa della privacy per la localizzazione umana in ambienti interni, tramite l’utilizzo di radar UWB a ingressi multipli e uscite multiple. Per raggiungere questo obiettivo proponiamo una pipeline che estrae mappe Distanza-Angolo da segnali di antenne riceventi UWB multiple e le utilizza come input per una rete leggera di rilevamento di oggetti, adattata per lavorare su dati radar per localizzare e contare persone. La nostra soluzione è stata testata su più set di dati con diverse configurazioni di antenne radar UWB, analizzando il trade-off tra i diversi livelli di consumo energetico e la capacità di localizzazione.