[論文レビュー] DeepWiTraffic: Low Cost WiFi-Based Traffic Monitoring System Using Deep Learning

Myounggyu Won, Sayan Sahu+1 more|arXiv (Cornell University)|Dec 19, 2018

Indoor and Outdoor Localization Technologies参考文献 34被引用数 7

ひとこと要約

DeepWiTrafficは、2台のWiFi送受信機を用いて、チャネル状態情報（CSI）を介して車両を検出・分類する低コストで非侵襲的なWiFiベースの交通モニタリングシステムを提案する。空間的・時間的相関を有するCSIの振幅および位相データを畳み込みニューラルネットワーク（CNN）で処理することで、実際の農村道路データにおいて99.4％の検出精度と91.1％の平均分類精度を達成した。

ABSTRACT

A traffic monitoring system (TMS) is an integral part of Intelligent Transportation Systems (ITS). It is an essential tool for traffic analysis and planning. One of the biggest challenges is, however, the high cost especially in covering the huge rural road network. In this paper, we propose to address the problem by developing a novel TMS called DeepWiTraffic. DeepWiTraffic is a low-cost, portable, and non-intrusive solution that is built only with two WiFi transceivers. It exploits the unique WiFi Channel State Information (CSI) of passing vehicles to perform detection and classification of vehicles. Spatial and temporal correlations of CSI amplitude and phase data are identified and analyzed using a machine learning technique to classify vehicles into five different types: motorcycles, passenger vehicles, SUVs, pickup trucks, and large trucks. A large amount of CSI data and ground-truth video data are collected over a month period from a real-world two-lane rural roadway to validate the effectiveness of DeepWiTraffic. The results validate that DeepWiTraffic is an effective TMS with the average detection accuracy of 99.4% and the average classification accuracy of 91.1% in comparison with state-of-the-art non-intrusive TMSs.

研究の動機と目的

• 農村道路網における従来の交通モニタリングシステム（TMS）の高い設置および保守コストを低減すること。
• 誘導ループや舗装センサーなどの侵襲的システムの限界を克服し、走行止めや高額な設置コストを回避すること。
• 市販のWiFiハードウェアを用いた非侵襲的で持ち運び可能かつ低コストなTMSの代替手段を開発すること。
• プライバシーを侵害する可能性のあるカメラを用いずに、バイク、乗用車、SUV、ピックアップトラック、大型トラックなどの車両を正確に検出・分類すること。
• 通過する車両によって引き起こされる独自のCSI特性を活用することで、2台のWiFi送受信機のみで高い性能を達成すること。

提案手法

• 実験では30のサブキャリアを対象とし、2台の市販WiFi送受信機（送信機と受信機）を用いて、2車線の農村道路でCSIデータを収集する。
• 多変量サブキャリアのCSI振幅データを一次元に圧縮するために主成分分析（PCA）を適用し、処理速度の向上と検出精度の向上を図る。
• 移動中の車両によって引き起こされるCSI位相変化に高い感度を示すために、線形変換に基づく位相事前処理手法を実装する。
• 事前処理済みのCSIデータ（振幅および位相）を画像形式の入力に変換し、畳み込みニューラルネットワーク（CNN）に供給する。
• CNNを訓練して、CSI画像から空間的・時間的特徴を自動抽出し、エンドツーエンドの車両分類を実現する。
• 検出および分類性能の検証に、1か月間にわたり収集した真値の動画データを用いる。

実験結果

リサーチクエスチョン

• RQ1 農村道路において、低コストで非侵襲的な方法としてWiFiのCSIを効果的に活用して車両を検出・分類できるか？
• RQ2 CSIの振幅および位相データにおける空間的・時間的相関は、異なる車両タイプを区別するためにどのように寄与するか？
• RQ3 PCAおよび位相事前処理手法は、計算負荷を低減しつつ、検出および分類精度をどの程度向上できるか？
• RQ4 実際の農村環境下で、提案されたCNNベースのモデルは、最先端の非侵襲的TMSソリューションと比較してどの程度の性能を示すか？
• RQ5 環境ノイズや低速移動物体（例：歩行者）が存在する状況でも、性能を損なわず高い精度を維持できるか？

主な発見

• DeepWiTrafficは、全車両タイプにおいて平均99.4％の車両検出精度を達成し、ほぼ完璧な検出能力を示した。
• 本システムは、バイク、乗用車、SUV、ピックアップトラック、大型トラックの5つの異なる車両タイプについて、平均91.1％の分類精度を達成した。
• PCAに基づく次元削減により、30のCSIサブキャリアを1つの成分に圧縮でき、処理速度が著しく向上するとともに、検出の忠実性を保持した。
• 線形位相事前処理手法は、車両によって引き起こされるCSI位相の動的変化を効果的に捉え、分類性能の向上に寄与した。
• 画像形式のCSIデータを入力として学習したCNNベースのモデルは、従来の機械学習手法に比べ、特徴抽出および分類精度の両面で優れた性能を示した。
• 1か月間にわたる実環境でのデータ収集期間を通じて、環境ノイズおよび低速移動物体に対しても、本システムは高い精度を維持するという強靭性を示した。