[論文レビュー] Indoor Localization Algorithm For Smartphones

Kaiqing Zhang, Hu Hong+3 more|arXiv (Cornell University)|Mar 26, 2015

Indoor and Outdoor Localization Technologies参考文献 11被引用数 3

ひとこと要約

本論文は、スマートフォン向けの面積状態支援型屋内位置推定アルゴリズムを提案し、インertial測定値、WiFi RSSI、屋内マップデータを統合することで、位置推定の精度を向上させることを目的としている。ユーザーの位置を動的領域状態としてモデル化し、WiFiアクセスポイントを近接性の指標として用いることで、ドリフトを低減し、実環境実験で平均位置推定誤差1.6メートルを達成した。

ABSTRACT

Increasing sources of sensor measurements and prior knowledge have become available for indoor localization on smartphones. How to effectively utilize these sources for enhancing localization accuracy is an important yet challenging problem. In this paper, we present an area state-aided localization algorithm that exploits various sources of information. Specifically, we introduce the concept of area state to indicate the area where the user is on an indoor map. The position of the user is then estimated using inertial measurement unit (IMU) measurements with the aid of area states. The area states are in turn updated based on the position estimates. To avoid accumulated errors of IMU measurements, our algorithm uses WiFi received signal strength indicator (RSSI) to indicate the vicinity of the user to the routers. The experiment results show that our system can achieve satisfactory localization accuracy in a typical indoor environment.

研究の動機と目的

• 低コストセンサを用いたスマートフォンベースの屋内位置推定におけるドリフトと低精度の課題に対処すること。
• 屋内マップとWiFiアクセスポイントからの事前知識を統合し、位置推定のロバスト性を向上させること。
• 標準的なスマートフォンに適したリアルタイムで実用的な屋内位置推定システムの開発。
• 空間制約と近接性指標を活用することで、デッドレコニングにおける累積誤差を低減すること。

提案手法

• 屋内マップ上の特定の領域（例：通路）におけるユーザーの位置を表すために「領域状態」の概念を導入する。
• 加速度計とジャイロスコープのデータを用いたデッドレコニングにより、ステップごとの位置と方位を推定する。初期位置と方位は既知であるものとする。
• 特に曲がり角や通路の交差点で生じる軌道のドリフトを、マップ制約を適用することで補正する。
• WiFi RSSIを用いてアクセスポイントへの近接性を検出させ、ドリフト補正のための絶対位置指標として機能させる。
• 領域状態を位置推定に基づいて更新し、マップおよびWiFiデータを用いて位置推定を精緻化するフィードバックループを採用する。
• JOSMを用いてマップ作成とキャリブレーションを行い、ノード、リンク、基準点を用いて空間構造を表現する。

実験結果

リサーチクエスチョン

• RQ1 屋内マップから導出される領域状態は、スマートフォンベースのデッドレコニングにおけるドリフトを効果的に低減できるか？
• RQ2 マップ制約とWiFi RSSIの近接性検出を組み合わせることで、位置推定精度はどのように向上するか？
• RQ3 マップ情報とWiFiインジケータを両方使用した場合の性能向上は、片方だけを使用した場合と比べてどの程度か？
• RQ4 センサノイズ、ステップ検出誤り、端末の向きの変化に対して、このシステムはどの程度ロバストか？

主な発見

• 提案されたアルゴリズムにより、実環境実験でIMUのみを用いた場合の平均位置推定誤差4.2メートルが1.6メートルに低減された。
• 領域状態とWiFiインジケータを両方使用した場合、累積分布関数（CDF）において90％の位置推定誤差が2.5メートル未満に収束した。
• マップ制約は、センサのドリフトや歩行長の誤差による小規模な誤差を顕著に低減した。
• WiFi RSSIの近接性検出により、特に開放空間やアクセスポイント付近では位置ドリフトの効果的な補正が可能になった。
• マップベースの軌道制約のおかげで、通路内ではわずかなステップ検出ミスに対してもシステムはロバストな性能を示した。
• キャリブレーション後、方位推定のバイアス（例：アリューモンドリフト）は2度未満にまで低減され、長期的な精度が向上した。