[論文レビュー] CrowdInside: Automatic Construction of Indoor Floorplans

Moustafa Alzantot, Moustafa Youssef|arXiv (Cornell University)|Sep 17, 2012

Indoor and Outdoor Localization Technologies参考文献 23被引用数 16

ひとこと要約

CrowdInsideは、スマートフォンの慣性センサを活用して、自動的に正確な屋内フロアプランを構築するクラウドソーシングベースのシステムを提示する。エレベーター、階段などのアンカー・ポイントを用いてデッドレコニング誤差をリセットすることで、中央値の距離誤差が12倍以上改善され、290個のモーショントレースのみで正確なフロアプラン推定が可能になる。

ABSTRACT

The existence of a worldwide indoor floorplans database can lead to significant growth in location-based applications, especially for indoor environments. In this paper, we present CrowdInside: a crowdsourcing-based system for the automatic construction of buildings floorplans. CrowdInside leverages the smart phones sensors that are ubiquitously available with humans who use a building to automatically and transparently construct accurate motion traces. These accurate traces are generated based on a novel technique for reducing the errors in the inertial motion traces by using the points of interest in the indoor environment, such as elevators and stairs, for error resetting. The collected traces are then processed to detect the overall floorplan shape as well as higher level semantics such as detecting rooms and corridors shapes along with a variety of points of interest in the environment. Implementation of the system in two testbeds, using different Android phones, shows that CrowdInside can detect the points of interest accurately with 0.2% false positive rate and 1.3% false negative rate. In addition, the proposed error resetting technique leads to more than 12 times enhancement in the median distance error compared to the state-of-the-art. Moreover, the detailed floorplan can be accurately estimated with a a relatively small number of traces. This number is amortized over the number of users of the building. We also discuss possible extensions to CrowdInside for inferring even higher level semantics about the discovered floorplans.

研究の動機と目的

• 位置ベースのアプリケーション向けに、グローバルに利用可能な屋内フロアプランの不足に対処すること。
• スマートフォンのモーショントレースのみを用いて、インfra構造に依存しない自動的なフロアプラン構築を可能にすること。
• 環境上のアンカー・ポイントを活用して誤差リセットを行うことで、慣性デッドレコニングの精度を向上させること。
• クラウドソーシングされたトレースから、部屋、通路、ドア、ポイント・オブ・インタレスト（POI）などのフロアプランの意味的要素を検出・分類すること。
• 商用Androidデバイスを用いた実世界のテストベッドで、実現可能性と正確性を実証すること。

提案手法

• 建物内を自然に移動するスマートフォンから得られる、新しい慣性センサデータ（加速度計、ジャイロスコープ、磁気計）を活用する。
• 検出されたアンカー・ポイント（例：エレベーター、階段）を活用して、蓄積されたデッドレコニングのずれを是正する、画期的な誤差リセット技術を採用する。
• クラスタリングと分類を用いて、モーショントレースのパターンに基づき、通路と部屋を区別し、個々の部屋を分離する。
• 計算幾何学的手法を用いて、クラスタリングされたモーショントレースから部屋の形状を推定する。
• トレースを処理して、フロアプランの輪郭と、ドアの位置やPOIの位置といった高レベルの意味的要因を検出する。
• トラジェクトリ特性に基づいて、空間領域を分類・セグメンテーションするための機械学習技術を採用する。

実験結果

リサーチクエスチョン

• RQ1 スマートフォンの慣性センサトレースを用いて、事前のインfra構造なしに正確な屋内フロアプランを構築できるか？
• RQ2 環境上のアンカー・ポイントを活用することで、デッドレコニングにおける誤差蓄積を効果的に是正できるか？
• RQ3 クラウドソーシングされたモーショントレースから、フロアプランのレイアウトと意味的要素（部屋、通路、ドア）をどれほど自動的に推定できるか？
• RQ4 スマートフォンのセンサのみを用いて、エレベーター、階段などのアンカー・ポイントをどれほど正確に検出できるか？
• RQ5 実際の建物で信頼性のあるフロアプラン再構築を達成するために、どの程度のモーショントレースが必要か？

主な発見

• CrowdInsideは、実世界の展開において、アンカー・ポイントの誤検出率が0.2%、見逃し率が1.3%であることを確認した。
• 提案された誤差リセット技術により、最新の慣性センサ専用手法と比較して、中央値の距離誤差が12倍以上低減された。
• 290個のモーショントレースのみで、詳細なフロアプランを正確に再構築できる。これはユーザー間で分散して処理される。
• システムは、モーショントレースのクラスタリングと分類を通じて、通路と部屋を明確に区別し、ドアの位置を同定した。
• 事前の建物レイアウトの知識や特別なインfra構造を必要とせず、高い正確性でフロアプラン推定を達成した。
• ショッピングモールと大学キャンパスの2つのテストベッドでの評価により、さまざまなAndroidデバイスと実世界の条件下でも、安定したパフォーマンスを確認した。