[論文レビュー] Position Tracking using Likelihood Modeling of Channel Features with Gaussian Processes

Sebastian Kram, Christopher Kraus+4 more|arXiv (Cornell University)|Mar 24, 2022

Indoor and Outdoor Localization Technologies被引用数 4

ひとこと要約

本稿では、スパースな屋内環境における頑健な位置追跡を実現するため、チャネル特徴の尤度をモデル化するガウス過程回帰（GPR）ベースのフィンガープrintフレームワークを提案する。自己符号化器を用いてチャネル測定値を圧縮し、距離に依存するガウス過程を特徴量に回帰することで、パーティクルフィルタ統合に向けた統計的観測モデルを可能にし、スパースデータにおいて0.52 mのMAEを達成した。これは、低LOS、マルチパス支配の産業環境において、CNNベースのフィンガープrint（1.3 m MAE）を顕著に上回る性能を示している。

ABSTRACT

Recent localization frameworks exploit spatial information of complex channel measurements (CMs) to estimate accurate positions even in multipath propagation scenarios. State-of-the art CM fingerprinting(FP)-based methods employ convolutional neural networks (CNN) to extract the spatial information. However, they need spatially dense data sets (associated with high acquisition and maintenance efforts) to work well -- which is rarely the case in practical applications. If such data is not available (or its quality is low), we cannot compensate the performance degradation of CNN-based FP as they do not provide statistical position estimates, which prevents a fusion with other sources of information on the observation level. We propose a novel localization framework that adapts well to sparse datasets that only contain CMs of specific areas within the environment with strong multipath propagation. Our framework compresses CMs into informative features to unravel spatial information. It then regresses Gaussian processes (GPs) for each of them, which imply statistical observation models based on distance-dependent covariance kernels. Our framework combines the trained GPs with line-of-sight ranges and a dynamics model in a particle filter. Our measurements show that our approach outperforms state-of-the-art CNN fingerprinting (0.52 m vs. 1.3 m MAE) on spatially sparse data collected in a realistic industrial indoor environment.

研究の動機と目的

• 深層学習ベースのフィンガープリント（CNN-FP）の限界を解決すること。特に、高密度データセットを必要とし、統計的観測モデルが欠如している点。
• 複雑なマルチパス伝搬を示す産業的実環境に一般的に見られるスパースなデータ環境でも、信頼性の高い位置追跡を可能にすること。
• ガウス過程を用いて尤度ベースの観測モデルを開発し、観測レベルでの他のセンサ（例：TOF）との統合を支援すること。
• 高マルチパス領域からの最小限でターゲティングされたフィンガープリントデータを用いることで、データ収集および保守コストを削減すること。
• データスパarsityおよび環境変化にさらされても性能を維持できる、スケーラブルでコンactかつ信頼性の高いCNN-FPの代替手段を提供すること。

提案手法

• 訓練済みの自己符号化器（AE）を用いて、生のチャネル測定値（CMs）を空間的特徴に圧縮し、コンactで情報豊富な表現を抽出する。
• マルチパス成分からのような伝搬固有の特徴を抽出することで、空間的感度を向上させ、物理的信号挙動をモデル化する。
• 距離に依存する共分散カーネルを用いて、各特徴サブセットごとに個別のガウス過程（GPs）を訓練し、観測尤度をモデル化する。
• 学習済みのGP尤度を、時間差距離（TOF）距離およびダイナミクスモデルと統合し、パーティクルフィルタを用いて連合状態推定を実行する。
• 定常的で距離に基づくカーネルを用いることで、空間的相関性および信頼性を暗黙的にモデル化し、不確実性を考慮した追跡を可能にする。
• リサンプリングを伴うパーティクルフィルタを適用し、GPベース尤度、TOF測定値、運動ダイナミクスを統合することで、頑健でリアルタイムな追跡を実現する。

実験結果

リサーチクエスチョン

• RQ1 複雑なマルチパス伝搬を示す空間的にスパースな屋内環境において、尤度ベースのフィンガープリントフレームワークは、CNNベースの手法を上回ることができるか？
• RQ2 データスパarsity下で、GPRベースの観測モデルの性能は、ディープラーニングベースのフィンガープリントと比較してどの程度劣化するか？
• RQ3 GPで推定された尤度とTOFおよびダイナミクスモデルを統合することで、低LOS条件下での追跡精度が向上するか？
• RQ4 自己符号化器で圧縮されたコンactな特徴を用いることで、最小限の学習データで正確な追跡が可能になるか？
• RQ5 環境変化が生じたり、特定領域でデータが欠落した場合でも、このフレームワークは信頼性および正確性を維持できるか？

主な発見

• 提案されたGPR-AE-Sフレームワークは、空間的にスパースなフィンガープリントデータセットにおいて、平均絶対誤差（MAE）0.52 mを達成した。これは、同じ条件下でCNN-FP（1.3 m MAE）を顕著に上回る性能である。
• 低LOSカバレッジ領域では、GPR-AE-SフレームワークはC95誤差1.60 mを維持するが、CNN-FPは信頼できる観測モデルの欠如により著しい性能低下を示す。
• スパースデータにおける性能劣化は、MED（平均誤差劣化）0.287 mと、CNN-FPに比べて低い水準を示しており、データスパarsityに対する優れたロバストネスを示している。
• 観測尤度を統計的にモデル化することで、フレームワークはパーティクルフィルタ内でのTOFおよびダイナミクスモデルとの有効な統合を可能にした。一方、CNN-FPは状態レベルでのみ統合可能である。
• GPRにおける距離に依存するカーネルの使用により、システムは信頼性および不確実性を推定でき、大規模で混合伝搬環境でも安定した追跡が可能になった。
• 高マルチパス領域からのターゲティングされた記録のみを要するため、データ収集および保守コストを削減でき、産業的導入に実用的である。