[論文レビュー] Machine Learning Methods for User Positioning With Uplink RSS in Distributed Massive MIMO

K. N. R. Surya Vara Prasad, Ekram Hossain+1 more|arXiv (Cornell University)|Jan 20, 2018

Distributed Sensor Networks and Detection Algorithms参考文献 3被引用数 3

ひとこと要約

本稿では、上行リンク受信信号強度（RSS）を用いた分散型 massive MIMO システムにおけるユーザー位置推定のためのガウス過程回帰（GPR）フレームワークを提案する。従来のGPRでは、テストRSSデータにノイズが含まれる場合に不切なほど小さな誤差範囲（2σ）を提示するという深刻な問題を解決する。本稿では、シャドウイングノイズを考慮することで現実的な2σ誤差範囲を生成する数値近似ガウス過程（NaGP）手法を導入し、BCRLB（ベイジアンクラーマー・ラオ下界）に近いRMSE性能を達成した。

ABSTRACT

We consider a machine learning approach based on Gaussian process regression (GP) to position users in a distributed massive multiple-input multiple-output (MIMO) system with the uplink received signal strength (RSS) data. We focus on the scenario where noise-free RSS is available for training, but only noisy RSS is available for testing purposes. To estimate the test user locations and their 2σ error-bars, we adopt two state-of-the-art GP methods, namely, the conventional GP (CGP) and the numerical approximation GP (NaGP) methods. We find that the CGP method, which treats the noisy test RSS vectors as noise-free, provides unrealistically small 2σ error-bars on the estimated locations. To alleviate this concern, we derive the true predictive distribution for the test user locations and then employ the NaGP method to numerically approximate it as a Gaussian with the same first and second order moments. We also derive a Bayesian Cramer-Rao lower bound (BCRLB) on the achievable root- mean-squared-error (RMSE) performance of the two GP methods. Simulation studies reveal that: (i) the NaGP method indeed provides realistic 2σ error-bars on the estimated locations, (ii) operation in massive MIMO regime improves the RMSE performance, and (iii) the achieved RMSE performances are very close to the derived BCRLB.

研究の動機と目的

• テストRSSデータにシャドウイングノイズが含まれる場合に、従来のガウス過程回帰（CGP）が不切なほど小さな2σ誤差範囲を提示するという限界を解消すること。
• ノイズを含むテストデータを用いたRSSベースの位置推定システムにおける、ユーザー位置予測のための現実的な不確実性推定（誤差範囲）を導出する手法を開発すること。
• 上行リンクRSSを信号指紋として用いた、分散型 massive MIMO システムにおける機械学習ベースのユーザー位置推定の性能を調査すること。
• 提案手法の到達可能なルート・マンス・スクエアド誤差（RMSE）性能をベンチマークするため、ベイジアンクラーマー・ラオ下界（BCRLB）を導出すること。
• massive MIMO レジームが位置推定精度をどの程度向上させるか、およびテストRSSにノイズを考慮することで不確実性推定がどの程度改善されるかを検証すること。

提案手法

• 既知のユーザー位置、パスロスモデル、基地局アンテナ位置から生成されたノイズのないRSSデータを用いてガウス過程モデルを学習する。
• 従来のGP（CGP）を用いて位置推定を実行し、ノイズを含むテストRSSをノイズなしとみなすため、楽観的な不確実性推定が生じる。
• ノイズRSS分布の一次モーメントと二次モーメントを一致させることで、真のユーザー位置予測分布を近似する数値近似GP（NaGP）手法を導入する。
• モーメントマッチングを用いて、真の予測分布を、正確な平均（位置推定）と分散（現実的な2σ誤差範囲）を持つガウス分布として数値的に近似する。
• 予測分散に対する線形代数的演算を用いて、RMSEのベイジアンクラーマー・ラオ下界（BCRLB）を導出し、性能ベンチマークとして用いる。
• 多変量ガウス分布の条件付き分布の性質を活用して、GPフレームワーク内でRSSとユーザー位置の関係をモデル化する。

実験結果

リサーチクエスチョン

• RQ1 なぜ従来のGP回帰は、ユーザー位置推定においてノイズを含むテストRSSデータに適用された場合に、不切なほど小さな2σ誤差範囲を生成するのか？
• RQ2 ノイズを含むテストRSSデータを用いたRSSベースの位置推定において、現実的な不確実性推定を生成できる数値近似手法を開発可能か？
• RQ3 提案手法NaGPのRMSEおよび不確実性推定性能は、従来のGPと比較してどの程度優れているか？
• RQ4 従来のMIMOと比較して、massive MIMO レジームで位置推定精度がどの程度向上するか？
• RQ5 提案手法の到達可能なRMSE性能は、理論的なベイジアンクラーマー・ラオ下界（BCRLB）からどの程度近いか？

主な発見

• 従来のGP（CGP）手法は、テストRSSデータのノイズを無視するため、過剰に楽観的な不確実性推定が生じ、不切なほど小さな2σ誤差範囲を提示する。
• 提案されたNaGP手法は、テストRSSにおけるシャドウイングノイズの統計的性質を考慮することで、現実的な2σ誤差範囲を提供し、より信頼性の高い不確実性評価を実現する。
• massive MIMO レジームでは、アンテナ数の増加と信号ベクトル情報の豊富さのおかげで、従来のMIMOと比較してRMSE性能が顕著に向上する。
• NaGP手法のRMSE性能は、導出されたベイジアンクラーマー・ラオ下界（BCRLB）に非常に近い。これは、近似的に最適な推定性能を達成していることを示している。
• BCRLBは、予測分散に対する単純な線形代数的演算により計算可能であり、位置推定システムの性能評価に実用的なベンチマークとして利用可能である。
• 本研究では、ノイズのないRSSデータで学習を行うことは便利であるが、それによりRMSEが上昇するという性能のトレードオフが生じることを明らかにした。今後の研究では、より優れた近似手法の開発が求められる。