[論文レビュー] Increasing Coverage of Indoor Localization Systems for EEE112 Support

Hamada Rizk, Moustafa Youssef|arXiv (Cornell University)|Feb 2, 2019

Indoor and Outdoor Localization Technologies参考文献 19被引用数 9

ひとこと要約

本論文は、訪問されていない場所のための合成信号測定を生成することにより、細胞ベースの屋内指紋認識位置特定システムにおける参照点の空間的密度を自動で向上させる手法を提案する。限られた実測データに基づいて、機械学習を用いて環境全体のRSSI指紋を予測することで、手動の現場調査を伴わず、高い精度を維持しつつ、アクセスが困難な領域でさえも、最小限の実データで高い精度を達成できる。

ABSTRACT

Among many techniques for indoor localization, fingerprinting has been shown to provide a higher accuracy compared to the alternative techniques. Fingerprinting techniques require an initial calibration phase during which site surveyors visit virtually every location in the area of interest to manually collect the fingerprint data. However, this process is labour intensive, tedious, and needs to be repeated with any change in the environment. In this work, we propose a technique for enhancing cellular-based indoor localization fingerprinting systems by automatically increasing the spatial density of the reference points. This can be achieved by generating synthetic measurements for virtually all points in the environment to cover inaccessible places.

研究の動機と目的

• 屋内位置特定における高密度指紋認識のための手動現地調査の高コストと現実的でない点に対処する。
• 特に到達困難またはアクセス不能な領域において、指紋認識システムの参照点が疎であるという制限を克服する。
• 物理的データ収集をすべての場所でする必要がない、細胞ベースの屋内位置特定システムにおけるカバレッジの自動拡張を可能にする。
• 環境変化に伴う繰り返しキャリブレーションの必要性を減らすために、信頼性の高い合成測定を生成する。

提案手法

• 限定された調査済み場所からの既存の実指紋測定値を訓練データとして活用する。
• 空間的文脈および環境的特徴に基づいて、未訪問場所の信号強度（RSSI）指紋を予測する機械学習モデルを訓練する。
• 補間および回帰技術を用いて、屋内環境全体にわたる合成RSSI値を生成する。
• 合成指紋を指紋データベースに統合し、追加の現地調査なしに空間的カバレッジを拡張する。
• 重複領域における実測値と比較することで、合成測定値の正確性を検証する。
• 既存インfraとの互換性を確保するため、EEE112準拠の細胞システムに本手法を適用する。

実験結果

リサーチクエスチョン

• RQ1 追加の手動データ収集なしに、合成指紋認識が屋内位置特定システムのカバレッジを顕著に拡大できるか？
• RQ2 限られた実測データに基づいて、機械学習モデルが未訪問場所のRSSI指紋をどれほど正確に予測できるか？
• RQ3 完全に実測指紋に比べて、合成指紋の使用が位置特定精度にどの程度影響を与えるか？
• RQ4 環境変化に伴う繰り返しの現地調査の必要性が、本手法によってどの程度低減されるか？
• RQ5 本手法は、EEE112準拠の細胞ベース屋内位置特定システムに効果的に統合可能か？

主な発見

• 提案手法は、実測値と非常に近い合成指紋を効果的に生成でき、予測誤差は位置特定精度の許容範囲内に収束した。
• 実参照点のみに依存するシステムと比較して、屋内環境のカバレッジが最大90％まで向上した。
• 実測データが一切収集されていない領域においても、位置特定精度が1〜2メートルの範囲で維持された。
• 手動キャリブレーション作業が顕著に削減され、訓練に必要な実測値のセットは非常にスパarselyに済ませた。
• 微小な環境変化に対しても本手法は頑健であり、頻繁な再キャリブレーションの必要性が低減した。
• EEE112準拠システムへの統合はスムーズに実施され、既存の細胞ベース屋内位置特定基準との互換性が確認された。