[論文レビュー] Discriminative Learning-based Smartphone Indoor Localization

José Luis Carrera Villacrés, Zhongliang Zhao+3 more|arXiv (Cornell University)|Apr 11, 2018

Indoor and Outdoor Localization Technologies参考文献 20被引用数 9

ひとこと要約

本稿では、Wi-Fi RSSI、磁気場、床図データを統合した拡張型パーティクルフィルタを用いて、サイトサーベイ作業の負担を軽減する判別学習ベースのスマートフォン室内局所化システムを提案する。密なフィンガープrintイングに代わって、判別学習による部屋レベルのランドマーク検出に依存することで、従来のフィンガープリント法と比較して89%のオフライン作業を削減し、平均1.55mの局所化誤差を達成した。

ABSTRACT

Due to the growing area of ubiquitous mobile applications, indoor localization of smartphones has become an interesting research topic. Most of the current indoor localization systems rely on intensive site survey to achieve high accuracy. In this work, we propose an efficient smartphones indoor localization system that is able to reduce the site survey effort while still achieving high localization accuracy. Our system is built by fusing a variety of signals, such as Wi-Fi received signal strength indicator, magnetic field and floor plan information in an enhanced particle filter. To achieve high and stable performance, we first apply discriminative learning models to integrate Wi-Fi and magnetic field readings to achieve room level landmark detection. Further, we integrate landmark detection, range-based localization models, with a graph-based discretized system state representation. Because our approach requires only discriminative learning-based room level landmark detections, the time spent in the learning phase is significantly reduced compared to traditional Wi-Fi fingerprinting or landmark-based approaches. We conduct experimental studies to evaluate our system in an office-like indoor environment. Experiment results show that our system can significantly reduce the learning efforts, and the localization method can achieve performance with an average localization error of 1.55 meters.

研究の動機と目的

• 室内局所化システムにおけるサイトサーベイに要する時間と作業負担を低減すること。
• スマートフォンセンサーを用いて最小限のオフラインキャリブレーションで高い局所化精度を達成すること。
• 密なフィンガープリントイングに代わって、判別学習を用いて部屋レベルのランドマーク検出を実現すること。
• サーバー支援なしでリアルタイムかつデバイス上での局所化を可能にすること。
• 従来の手法（KNN、カルマンフィルタ、三平方法）と比較して、より高い耐障害性と安定性を実現すること。

提案手法

• 状態推定に、拡張型パーティクルフィルタを用いてWi-Fi RSSI、磁気場測定値、床図データを統合する。
• 判別学習モデル（例：SVM、KNN）を用いて、Wi-Fiおよび磁気場信号から部屋レベルのランドマークを検出する。
• 室内環境をモデル化し、局所化の一貫性を向上させるために、グラフベースの離散化状態表現を採用する。
• 距離推定精度を向上させるために、合成NLR-LDPL距離測定法を適用する。
• 固定サーベイポイントを避けることで、オフライン段階の複雑さを低減。代わりに、3Hzでデータを機会的収集する。
• 20の基準点を用いて距離パラメータを推定し、パーティクルフィルタフレームワーク内での尤度推定を実施する。

実験結果

リサーチクエスチョン

• RQ1 判別学習ベースのランドマーク検出は、室内局所化における密なサイトサーベイの必要性を低減できるか？
• RQ2 Wi-Fi、磁気場、床図データの統合は、局所化精度と安定性をどのように向上させるか？
• RQ3 スマートフォンベースのシステムにおいて、局所化精度とオフラインキャリブレーション作業量のトレードオフは何か？
• RQ4 本手法は、KNN、カルマンフィルタリング、非線形最小二乗三平方法と比較して、リアルタイム性能と精度で優れているか？
• RQ5 本システムは、オフラインデータ収集を最小限に抑えながら、デバイス上で高い精度を達成できるか？

主な発見

• 提案手法は、実際のオフィス環境において平均1.55メートルの局所化誤差を達成した。
• 90百分位数の局所化誤差は2.8メートルであり、変動する条件下でも高い信頼性を示している。
• オフラインキャリブレーション時間は約49分にまで短縮され、フィンガープリントベースのKNN（460分）と比較して89%の削減が達成された。
• 3.712件のランドマークインスタンスを3Hzで収集するのに僅か21分で完了し、データ収集作業の負担が著しく軽減された。
• KNN、カルマンフィルタリング、非線形最小二乗三平方法といった従来手法と比較して、精度と安定性の両面で優れた性能を示した。
• サーバー支援なしでスマートフォン上でリアルタイムの局所化が可能となった。