[論文レビュー] A Comprehensive Survey of Machine Learning Based Localization with Wireless Signals

Daoud Burghal, Ashwin T. Ravi+3 more|arXiv (Cornell University)|Dec 21, 2020

Indoor and Outdoor Localization Technologies参考文献 364被引用数 42

ひとこと要約

この論文はRF信号を用いたMLベースの位置推定を概観し、システムアーキテクチャ、入力特徴量、ML手法、データセット、オープンな課題を詳述する。

ABSTRACT

The last few decades have witnessed a growing interest in location-based services. Using localization systems based on Radio Frequency (RF) signals has proven its efficacy for both indoor and outdoor applications. However, challenges remain with respect to both complexity and accuracy of such systems. Machine Learning (ML) is one of the most promising methods for mitigating these problems, as ML (especially deep learning) offers powerful practical data-driven tools that can be integrated into localization systems. In this paper, we provide a comprehensive survey of ML-based localization solutions that use RF signals. The survey spans different aspects, ranging from the system architectures, to the input features, the ML methods, and the datasets. A main point of the paper is the interaction between the domain knowledge arising from the physics of localization systems, and the various ML approaches. Besides the ML methods, the utilized input features play a major role in shaping the localization solution; we present a detailed discussion of the different features and what could influence them, be it the underlying wireless technology or standards or the preprocessing techniques. A detailed discussion is dedicated to the different ML methods that have been applied to localization problems, discussing the underlying problem and the solution structure. Furthermore, we summarize the different ways the datasets were acquired, and then list the publicly available ones. Overall, the survey categorizes and partly summarizes insights from almost 400 papers in this field. This survey is self-contained, as we provide a concise review of the main ML and wireless propagation concepts, which shall help the researchers in either field navigate through the surveyed solutions, and suggested open problems.

研究の動機と目的

• MLが屋内外環境でのRF位置推定の課題を緩和する方法を評価する。
• 入力特徴量、ワイヤレス技術、およびMLベースの位置推定に影響を与える標準を要約する。
• 位置推定におけるMLフレームワーク、データ入手性のシナリオ、DL主導のアプローチを分類する。
• 公的に利用可能なデータセットと今後の研究を導く実践的な課題を強調する。

提案手法

• 共通の基準を確立するためにMLの基礎と無線伝搬概念をレビューする。
• 位置推定アプローチ（ trilateration/ ToA, proximity, fingerprinting, direct methods ）とそれらへのMLの統合方法を分類する。
• 入力特徴量とそれらの無線技術・標準との関係を調査する。
• MLフレームワーク、データ入手性（ supervised, unsupervised, transfer learning ）、およびDL中心の解法を検討する。
• データセットを要約し、オープンな課題と今後の方向性を提供する。

実験結果

リサーチクエスチョン

• RQ1 RFベースの位置推定に対して、さまざまなシステムアーキテクチャでどのML技術が適用されているか？
• RQ2 どの入力特徴量と無線標準がMLベースの位置推定性能に最も影響を与えるか？
• RQ3 データ入手性と学習フレームワーク（supervised/unsupervised/transfer）がML位置推定ソリューションをどのように形成するか？
• RQ4 公開データセットは何が存在し、主なオープン課題と研究方向は何か？

主な発見

• MLベースの位置推定は、主に4つのクラス（trilateration/ ToA, proximity, fingerprinting, direct methods）に分類され、MLは従来のステップを補完または置換する。
• 特徴選択と前処理はMLの性能に大きく影響し、MLは異種データソースを活用できる。
• 深層学習はMLベースの位置推定の最近の成長を牽引しており、多くの最近の解法がDLアーキテクチャを活用している。
• 公的データセットとデータ取得手法をまとめ、再現性とベンチマーキングを支援している。
• 論文は主要な課題（トレーニングデータの入手性、頑健性、デバイス上でのリアルタイム計算、特徴選択）を特定し、今後の研究方向を提案している。