[論文レビュー] CRISLoc: Reconstructable CSI Fingerprintingfor Indoor Smartphone Localization

Zhihui Gao, Yunfan Gao+3 more|arXiv (Cornell University)|Oct 15, 2019

Indoor and Outdoor Localization Technologies参考文献 47被引用数 4

ひとこと要約

CRISLoc は、移動したアクセスポイント（AP）に対しても精度を維持できるように、転移学習と統合クラスタリング／外れ値検出を用いて CSI フィンガープリントを再構築する、受動的でスマートフォンベースの屋内局所化システムである。6m×8m のラボ環境で平均局所化誤差 0.29m を達成し、1 つまたは 2 つの AP を移動させた場合にそれぞれ 5.4cm および 8.6cm の増加にとどまる。これは、AP の協力が不要な市販のスマートフォン上でも実用的で頑健な展開が可能であることを示している。

ABSTRACT

Channel state information (CSI) based fingerprinting for WIFI indoor localization has attracted lots of attention very recently.The frequency diverse and temporally stable CSI better represents the location dependent channel characteristics than the coarsereceived signal strength (RSS). However, the acquisition of CSI requires the cooperation of access points (APs) and involves only dataframes, which imposes restrictions on real-world deployment. In this paper, we present CRISLoc, the first CSI fingerprinting basedlocalization prototype system using ubiquitous smartphones. CRISLoc operates in a completely passive mode, overhearing thepackets on-the-fly for his own CSI acquisition. The smartphone CSI is sanitized via calibrating the distortion enforced by WiFi amplifiercircuits. CRISLoc tackles the challenge of altered APs with a joint clustering and outlier detection method to find them. A novel transferlearning approach is proposed to reconstruct the high-dimensional CSI fingerprint database on the basis of the outdated fingerprintsand a few fresh measurements, and an enhanced KNN approach is proposed to pinpoint the location of a smartphone. Our studyreveals important properties about the stability and sensitivity of smartphone CSI that has not been reported previously. Experimentalresults show that CRISLoc can achieve a mean error of around 0.29m in a6m times 8mresearch laboratory. The mean error increases by 5.4 cm and 8.6 cm upon the movement of one and two APs, which validates the robustness of CRISLoc against environment changes.

研究の動機と目的

• AP の協力や接続を必要とせず、市販のスマートフォン上で CSI ベースのフィンガープリント局所化を可能にすること。
• 動的 AP 配置の課題に対処するため、位置や ID が変更された AP を検出するとともに、古くなった CSI フィンガープリントを再構築すること。
• スマートフォンからのキャリブレーション済みで高次元の CSI を用いて、実世界の屋内環境における局所化精度と頑健性を向上させること。
• 既存の CSI ツールキットがアクティブな接続や専用ハードウェアを必要とするという制限を克服する実用的で展開可能なシステムを開発すること。

提案手法

• スマートフォン上で AP への接続を確立せずに、受動モードでデータフレーム、ACK、ビーコンから生の CSI を抽出するために Nexmon ツールキットを活用する。
• AGC キャリブレーションとサブキャリアフィルタリングを適用して CSI の振幅を安定化させ、約 50 個のサブキャリアを有効に活用する（Intel 5300 CSI Tool のほぼ 2 倍）。
• 推定位置の空間的クラスタリングパターンを分析することで、異常な AP を特定するための統合クラスタリングと外れ値検出手法を採用する。
• 古くなった CSI と最新の CSI を共通の部分空間に投影する新しい転移学習フレームワークを提案する。
• 分散と空間相関に基づく適応的重みを組み込むことで、局所化精度を向上させる拡張 KNN（EEKNN）マッチングルールを導入する。
• 逐次分析と Jenks 最適化を用いて、AP 変更の検出とフィンガープリントの一貫性の検証のための信頼性の閾値を設定する。

実験結果

リサーチクエスチョン

• RQ1 市販のスマートフォン上で、AP の協力が全く不要な完全な受動モードで、CSI フィンガープリント局所化を効果的に実装できるか？
• RQ2 動的屋内環境において AP の位置や識別子が変更された場合、自動的にその変更を検出する方法は何か？
• RQ3 転移学習を用いて、古くなった CSI フィンガープリントをどの程度再構築できるか、AP 変更後の局所化精度を維持できるか？
• RQ4 AP の移動が局所化誤差に与える影響は何か？そして、このような環境変化に対してもシステムは頑健に保てるか？

主な発見

• CRISLoc は、スマートフォンベースの CSI 収集のみを用いて、6m×8m のラボ環境で平均局所化誤差 0.29m を達成した。
• 1 つの AP を移動させた場合に平均誤差が 5.4cm 増加するのみで、2 つの AP を移動させた場合も 8.6cm 増加にとどまり、高い頑健性を示した。
• 統合クラスタリングと外れ値検出手法は、1 つと 2 つの AP が変更された場合にそれぞれ F1 スコア 0.893 と 0.827 を達成した。
• 転移学習により、古くなった CSI フィンガープリントの効果的な再構築が可能となり、完全な再サーベイの必要なくシステムの精度を維持できた。
• EEKNN マッチングルールは、分散に基づく適応的重みを組み込むことで、従来の WKNN よりも局所化誤差を 21.3% 減少させた。
• 本システムは、AP への接続を確立せずに、2.4GHz 帯で 20MHz 帯域幅を用いて Nexus 5 スマartフォンから使用可能な CSI を効果的に抽出できた。