[論文レビュー] Multilateration: Methods For Clustering Intersection Points For Wireless Sensor Networks Localization With Distance Estimation Error

Marios Karagiannis, Ioannis Chatzigiannakis+1 more|arXiv (Cornell University)|Mar 16, 2012

Indoor and Outdoor Localization Technologies参考文献 16被引用数 9

ひとこと要約

本稿では、アンカーノードを用いた無線センサーノードの局所化のための3つのマルチラテラションベースの手法を提案する。距離推定の誤差がある状況下でも精度を向上させるために、距離推定円の交点をクラスタリングする。Method 2が最も高い耐障害性を示し、接続性や誤差レベルが変化しても一貫して位置推定誤差を低減する。Method 3は誤差がゼロの状況で完全な正確性を達成する。

ABSTRACT

In this paper we describe three methods for localizing a wireless sensor network node, using anchor nodes in its neighbourhood, when there is an error in distance estimation present. We use the intersection points of the circles formed with the estimated distances from each anchors and we apply different methods to form clusters. We then use the cluster points to calculate the final position.

研究の動機と目的

• GPS不能環境（屋内や宇宙探査ミッションなど）における無線センサーネットワーク（WSN）局所化における距離推定の不正確さという課題に対処すること。
• アンカーノードへの推定距離から形成される円の交点をクラスタリングすることで、局所化精度を向上させること。
• 異なるレベルの距離推定誤差およびネットワーク接続性の下で、さまざまなクラスタリング戦略の耐障害性と正確性を評価すること。
• 測定ノイズが存在しても性能を維持できる、実用的で低オーバーヘッドなGPSベースの局所化の代替手法を提供すること。

提案手法

• ターゲットノードからその近隣のアンカーノードへの推定距離を用い、各アンカーノードを中心として半径が推定距離に等しい円を描画する。
• 描画された円同士のすべてのペアワイズ交点を計算し、候補となる位置点を生成する。
• 3つの異なるクラスタリングアルゴリズムを用いて交点をグループ化する：Method 1はk-meansクラスタリング、Method 2は局所的最大値検出を伴う密度ベースのアプローチ、Method 3は最も頻繁に出現する領域を選択する投票ベースの手法。
• ノイズや一貫性のない交点による誤差を最小限に抑えるために、最も顕著なクラスタの重心を最終ノード位置として推定する。
• 距離推定誤差を真の距離のパcent（%）としてモデル化し、各イテレーションで[RealDist - RealDist×e, RealDist + RealDist×e]の範囲から一様に誤差値をサンプリングする。
• 1つのネットワークあたり100ノードの平均総誤差を用いて性能を評価し、0%から20%までの誤差レベルごとに200イテレーションを実行する。

実験結果

リサーチクエスチョン

• RQ1 距離推定誤差下で、マルチラテラションの交点に対するさまざまなクラスタリング戦略が、局所化正確性にどのように影響するか？
• RQ2 距離推定誤差が増加するに従って、どの手法が最も低い位置推定誤差を維持するか？
• RQ3 ネットワーク接続性（平均次数）は、各クラスタリング手法の性能にどのように影響するか？
• RQ4 距離推定誤差が最小限の状況で、クラスタリング手法がほぼゼロ誤差を達成できるか？
• RQ5 どの手法が多様なネットワークトポロジーや誤差条件において、最も一貫性があり耐障害性が高い性能を示すか？

主な発見

• Method 2は、テストされた4つのネットワークすべておよび誤差レベルの増加に対して、一貫して低い位置推定誤差を示し、最も高い耐障害性を示した。
• Method 2は、平均接続性が増加するにつれて誤差の勾配が減少する傾向を示し、利用可能なアンカーノードが増えるほど性能が向上することを示した。
• Method 1およびMethod 2は非常に低い距離推定誤差（<0.5%）の状況で高い推定誤差を示したが、Method 3は距離誤差がゼロの際に0%の位置推定誤差を達成した。
• Method 3は、近似ゼロ誤差レベルで最も正確であった。これは、理想的な条件下での高精度性を確認するものである。
• すべての手法がネットワーク接続性の向上に伴い正確性を向上させたが、Method 2が正確性と安定性の間で最も優れたトレードオフを維持した。
• 結果から、クラスタリング戦略が、特に現実的な距離推定誤差条件下での局所化性能に顕著な影響を与えることが確認された。