[論文レビュー] Predicting Floor-Level for 911 Calls with Neural Networks and Smartphone Sensor Data

William Falcon, Henning Schulzrinne|arXiv (Cornell University)|Oct 29, 2017

Evacuation and Crowd Dynamics被引用数 5

ひとこと要約

本論文は、ビーコン、事前の建物知識、ユーザー行動モデルを必要とせず、スマートフォンのセンサー（具体的にはLSTMベースの屋内・屋外分類器と気圧変化）を用いて、高層ビルにおける911通報者の階層を自己完結型で予測するシステムを提示している。ニューヨークシティの建物において63件の実世界試行で100％の正確性を達成した。

ABSTRACT

In cities with tall buildings, emergency responders need an accurate floor level location to find 911 callers quickly. We introduce a system to estimate a victim's floor level via their mobile device's sensor data in a two-step process. First, we train a neural network to determine when a smartphone enters or exits a building via GPS signal changes. Second, we use a barometer equipped smartphone to measure the change in barometric pressure from the entrance of the building to the victim's indoor location. Unlike impractical previous approaches, our system is the first that does not require the use of beacons, prior knowledge of the building infrastructure, or knowledge of user behavior. We demonstrate real-world feasibility through 63 experiments across five different tall buildings throughout New York City where our system predicted the correct floor level with 100% accuracy.

研究の動機と目的

• 高層都市部の建物における911緊急通報の階層特定の正確なニーズに対応すること。
• GPSやWi-Fiの垂直位置特定における限界を乗り越え、スマートフォンの気圧計とセンサーフュージョンを活用して垂直位置を特定すること。
• インfraストラクチャの支援を必要とせず、事前の建物データやユーザー固有のキャリブレーションなしに動作するシステムを開発すること。
• 標準的なスマートフォンセンサーと機械学習のみを用いて、リアルタイムかつ正確な階層推定を可能にすること。
• 広範な実世界テストを通じて、多様な建物タイプへの適用可能性とスケーラビリティを実証すること。

提案手法

• GPS、RSSI、磁気センサーのデータを用いて、LSTMモデルを訓練し、スマートフォンの状態を屋内・屋外に分類する。
• 建物の入り口から屋内位置までの気圧差を測定し、垂直移動距離を推定する。
• ヒューリスティックな階層高（m = 4.02 m）または建物固有のm値を用いて、気圧差を階層推定に変換する。
• 繰り返しの建物訪問から得られる気圧差を用いてクラスタリングアルゴリズムを適用し、教師なしで階層間距離を学習する。
• カスタムiOSアプリ（Sensory）を用いて1秒間に1回のレートでセンサデータを収集し、分析およびモデル学習用に保存する。
• 絶対気圧差（ΔP）と等圧式を用いて高さ変化を推定する：Δh = (R_d * T) / (g * M) * ln(P0/P)，ここでP0とPは基準圧力および現在の圧力である。

実験結果

リサーチクエスチョン

• RQ1 GPS、RSSI、磁気センサーのデータのみを用いて、LSTMベースの分類器が屋内・屋外のスマートフォン状態を正確に区別できるか？
• RQ2 建物構造に関する事前の知識なしに、スマートフォンセンサーの気圧変化がどの程度正確に階層を推定できるか？
• RQ3 固定されたヒューリスティックな階層高さ（m = 4.02 m）と建物固有の高さ推定値を用いた場合、階層予測の正確性にどのような差が生じるか？
• RQ4 繰り返しの建物訪問により、教師なしクラスタリングを用いて階層間距離を学習し、予測正確性を向上させられるか？
• RQ5 インfraストラクチャやユーザーキャリブレーションなしに、都市部の多様な高層ビルに一般化可能か？

主な発見

• LSTM分類器は、ロジスティック回帰、SVM、ランダムフォレスト、HMMと比較して90.3％の正確性を達成した。
• 固定されたヒューリスティックな階層高（m = 4.02 m）を用いた場合、63件の試行のうち65.0％で正しい階層を予測した。
• 建物固有の階層間高さ（mは建物に応じて条件付き）を用いた場合、階層予測の正確性は100％に達した。
• 繰り返しの訪問における気圧差のクラスタリングは、高い正確性で階層間距離を推定でき、Uris Hallの例では7階から8階の間で実際の3.5 mに対して3.47 mと正確に推定された。
• 外部インfraストラクチャや事前の知識なしに、ニューヨークシティの5つの異なる高層ビルで実世界での実現可能性を示した。
• 本手法は頑健で一般化可能であり、GPSおよび気圧計を備えたスマートフォンのみを必要とし、ユーザーまたは建物固有のキャリブレーションも不要である。