[論文レビュー] Reconfigurable Intelligent Surfaces and Machine Learning for Wireless Fingerprinting Localization

Cam Ly Nguyen, Orestis Georgiou+1 more|arXiv (Cornell University)|Oct 7, 2020

Indoor and Outdoor Localization Technologies参考文献 19被引用数 21

ひとこと要約

本稿では、再構成可能知的表面（RIS）を用いて多様で明確に区別可能な電波マップを生成する機械学習強化型無線指紋認識位置決定システムを提案する。特徴選択を適用することでRISの状態空間の複雑さを低減し、訓練時間とグリッド解像度を削減しながら、1メートル未塔の位置決定精度を達成した。これはヒューリスティック法およびランダムな設定選択を上回る性能を示した。

ABSTRACT

Reconfigurable Intelligent Surfaces (RISs) promise improved, secure and more efficient wireless communications. We propose and demonstrate how to exploit the diversity offered by RISs to generate and select easily differentiable radio maps for use in wireless fingerprinting localization applications. Further, we apply machine learning feature selection methods to prune the large state space of the RIS, thus reducing complexity and enhancing localization accuracy and position acquisition time. We evaluate our proposed approach by generation of radio maps with a novel radio propagation modelling and simulations.

研究の動機と目的

• 従来の方法が信号の起源の曖昧さにより失敗するRISを活用するインテリア環境において、高精度な無線位置決定を可能にすること。
• 指紋認識に用いるRISベースの電波マップ生成における高い複雑さと大きな状態空間の課題に対処すること。
• 最適なRIS設定選択のための機械学習を活用することで、位置決定誤差と位置特定時間の低減を図ること。
• ヒューリスティック法およびランダムなRIS設定選択手法と比較して、機械学習ベースの特徴選択（ML-FS）の有効性を検証すること。

提案手法

• 本システムは、薄いワイヤアンテナのインピーダンス行列に基づく新規な電波伝搬モデルを用い、APおよびRISからの合成電磁界をシミュレートする。
• 電波マップは、50種類の異なるRIS設定をシミュレートすることで生成される：10種類は一様インピーダンス（平面反射）、10種類は線形増加インピーダンス（ビームフォーミング）、30種類はランダムインピーダンス（拡散散乱）。
• 50の候補から最も情報量の多いRIS設定を特定するために、機械学習特徴選択（ML-FS）手法を適用し、有効な状態空間を低減する。
• 位置決定にはk-NN、ニューラルネットワーク、ランダムフォレストを用い、テスト条件下でk-NNが最も優れた性能を示した。
• 比較のためのベースラインとして、ヒューリスティック状態選択（HSS）とランダム設定サンプリングが用いられた。
• 2種類のグリッド解像度（100点：2×2 m、400点：1×1 m）で性能を評価し、累積分布関数と平均誤差を用いて位置決定誤差を測定した。

実験結果

リサーチクエスチョン

• RQ1 RISの再設定を用いて、指紋認識ベースの位置決定精度を向上させる多様で区別可能な電波マップを生成できるか？
• RQ2 機械学習ベースの特徴選択が、ヒューリスティック法やランダム選択に比べ、位置決定誤差と複雑さの低減に優れているか？
• RQ3 最適なRIS設定選択を用いることで、電波マップの解像度（例：400点から100点）をどれだけ低減しても1メートル未塔の位置決定精度を維持できるか？
• RQ4 異なる機械学習アルゴリズム（k-NN、NN、RF）は、変動するRIS設定集合において、RIS支援型指紋認識位置決定でどの程度の性能を示すか？
• RQ5 目標とする位置決定誤差を達成するために、電波マップ解像度とRIS設定数（M）の間にはどのようなトレードオフがあるか？

主な発見

• k-NNアルゴリズムに機械学習特徴選択（ML-FS）を適用した場合、M=12の設定とL=100グリッドポイントを用いることで、平均誤差が1メートル未塔に達した。
• ML-FSはヒューリスティック状態選択（HSS）およびランダム設定選択を著しく上回り、HSSは距離指標における外れ値バイアスのため、ランダムサンプリングよりも劣った性能を示した。
• 平均位置決定誤差2メートルは、400グリッドポイントとM=22のランダム設定、または100グリッドポイントとM=12のML-FSを用いることで達成可能であり、解像度と設定複雑さの間の重要なトレードオフを示した。
• 累積分布関数（CDF）の結果から、すべてのアルゴリズムにおいて特徴選択を適用することで位置決定誤差が一貫して改善されたことが示され、k-NNでは最も顕著な向上が見られた。
• 本手法により、密度の高い電波マップのサンプリングや複数のアクセスポイントを必要とせず、RISの再設定性を活用して多様で情報量の多い電波マップを生成することで、1メートル未塔の位置決定精度を実現した。
• 結果から、RISの再設定が動的かつ効果的なツールとして指紋認識位置決定の向上に利用可能であり、時間的・計算的複雑さを低減しながらも高い精度を維持できることを確認した。