[論文レビュー] DeepPos: Deep Supervised Autoencoder Network for CSI Based Indoor Localization

Peyman Yazdanian, Vahid Pourahmadi|arXiv (Cornell University)|Nov 27, 2018

Indoor and Outdoor Localization Technologies参考文献 10被引用数 13

ひとこと要約

DeepPosは、個々の訓練点ごとのフィンガープrintを保存する必要がない、1つの学習済みモデルで環境全体をモデル化する新しい深層教師あり自己符号化器（SAE）フレームワークを提案する。異なる仮定されたラベルのもとで入力CSIを再構築し、再構築誤差が最小となるラベルを選択することで、従来の深層学習手法（例：DeepFi）と比較して、大幅に低い訓練およびテストの複雑さで高い精度を達成する。

ABSTRACT

The widespread mobile devices facilitated the emergence of many new applications and services. Among them are location-based services (LBS) that provide services based on user's location. Several techniques have been presented to enable LBS even in indoor environments where Global Positioning System (GPS) has low localization accuracy. These methods use some environment measurements (like Channel State Information (CSI) or Received Signal Strength (RSS)) for user localization. In this paper, we will use CSI and a novel deep learning algorithm to design a robust and efficient system for indoor localization. More precisely, we use supervised autoencoder (SAE) to model the environment using the data collected during the training phase. Then, during the testing phase, we use the trained model and estimate the coordinates of the unknown point by checking different possible labels. Unlike the previous fingerprinting approaches, in this work, we do not store the {CSI/RSS} of fingerprints and instead we model the environment only with a single SAE. The performance of the proposed scheme is then evaluated in two indoor environments and compared with that of similar approaches.

研究の動機と目的

• 各訓練点ごとに個別のモデルを保存する従来のフィンガープrintベースの室内局所化システムにおける、高コストのストレージと計算負荷の問題を解決すること。
• 各点ごとのモデル保存を1つの統一された深層SAEモデルに置き換えることで、オフライン（訓練）およびオンライン（テスト）の両フェーズにおける効率を向上させること。
• 訓練点の数が増加する際でも、実行時間とメモリ使用量を大幅に削減しながら、高い局所化精度を維持すること。
• 1つのSAEが、室内環境全体の空間的に変化するCSI特性を効果的に捉えることができることを示すこと。
• 従来の手法に比べて複雑度の指標で優れており、精度を損なわずに、CSIベースの室内位置特定のスケーラブルで効率的な深層学習ソリューションを提供すること。

提案手法

• 環境内の所定の訓練点（SPs）で収集した生のCSI測定値を用いて、1つの深層教師あり自己符号化器（SAE）を訓練する。
• 教師あり訓練中に、中間層（ボトルネック層）にSPのID（位置ラベル）を入力として組み込み、ネットワークが位置固有の表現を学習できるようにする。
• 訓練済みSAEのパラメータ（重みとバイアス）を、生のCSIフィンガープリントの代わりに環境全体の完全なモデルとして保存する。
• テスト段階では、未知のテスト点からの生のCSIをSAEに入力し、各可能なラベル（すなわち、各SPの位置）について再構築誤差を評価する。
• 再構築誤差が最小となるラベルを、テスト点の推定位置として選択する。
• SAEの復元層は、CSI再構築の整合性に基づいて、最も可能性の高い位置に特徴をマッピングする教師あり回帰器として機能する。

実験結果

リサーチクエスチョン

• RQ1 1つの深層教師あり自己符号化器が、個々の点ごとのフィンガープリントを保存せずに、室内環境全体のCSI特性を効果的にモデル化できるか？
• RQ2 DeepFiのような従来のフィンガープリント手法と比較して、提案手法DeepPosの局所化精度と計算複雑度はどのように異なるか？
• RQ3 訓練点の数を増加させた場合、DeepPosの精度と実行時間は、従来のアプローチと比較してどのように変化するか？
• RQ4 各点ごとのモデル訓練・保存に比べて、統一されたSAEモデルの使用が、訓練およびテストのオーバーヘッドを顕著に低減できるか？
• RQ5 SAEフレームワークにおけるCSIの再構築誤差が、室内環境における位置推定の信頼性のある指標として機能できるか？

主な発見

• DeepPosは、教室で平均局所化誤差1.872 m、通路とホールで1.824 mを達成し、実行時間ではDeepFiを上回りながらも、同等の精度を維持する。
• DeepPosの平均実行時間は、教室で1.1449 s、通路とホールで1.053 sであり、それぞれDeepFiの3.7072 sおよび3.457 sと比べて顕著に低い。
• DeepPosの訓練時間は、訓練点の数の増加に伴い、特に逐次訓練モードにおいて、DeepFiよりもはるかにゆっくりと増加する。
• DeepPosは、各訓練点ごとに別々のモデルを保存・訓練する必要があるDeepFiと比べて、訓練時のメモリ使用量が著しく少ない。
• 並列訓練の仮定下でも、単一モデルアーキテクチャのおかげで、DeepPosは依然として低いメモリ使用量を維持する。
• DeepPosとDeepFiの両者において、訓練点の数が増加するに従い、精度が同様に向上するため、DeepPosは複雑度を削減しながらも高い性能を維持していることが確認される。