[論文レビュー] Robust Estimators for Variance-Based Device-Free Localization and Tracking

Yang Zhao, Neal Patwari|arXiv (Cornell University)|Sep 26, 2011

Indoor and Outdoor Localization Technologies参考文献 20被引用数 6

ひとこと要約

本稿では、風で揺れる木の葉や振動する機器などの内在的運動によって引き起こされるデバイスフリー定位（DFL）システムの定位誤差を低減する2つのロバスト推定器—SubVRT（部分空間分散に基づくラジオトモグラフィ）およびLSVRT（最小二乗法に基づくラジオトモグラフィ）—を提案する。部分空間分解とRSS分散の共分散に基づく最小二乗推定を活用することで、両手法とも従来のVRTIと比較して定位のRMSEを40％以上低減し、カルマンフィルタの追跡精度を60–70％向上させる。

ABSTRACT

Human motion in the vicinity of a wireless link causes variations in the link received signal strength (RSS). Device-free localization (DFL) systems, such as variance-based radio tomographic imaging (VRTI), use these RSS variations in a static wireless network to detect, locate and track people in the area of the network, even through walls. However, intrinsic motion, such as branches moving in the wind and rotating or vibrating machinery, also causes RSS variations which degrade the performance of a DFL system. In this paper, we propose and evaluate two estimators to reduce the impact of the variations caused by intrinsic motion. One estimator uses subspace decomposition, and the other estimator uses a least squares formulation. Experimental results show that both estimators reduce localization root mean squared error by about 40% compared to VRTI. In addition, the Kalman filter tracking results from both estimators have 97% of errors less than 1.3 m, more than 60% improvement compared to tracking results from VRTI.

研究の動機と目的

• 風で揺れる木の葉や振動する機器などの内在的運動によって引き起こされるデバイスフリー定位（DFL）性能の低下に対処すること。
• VRTIなどの分散ベースDFLシステムにおける「ノイズ」として作用する、内在的運動に起因するRSS分散の特定と低減。
• 現実世界の環境的擾乱下でも、DFLの定位と追跡のロバスト性および精度を向上させること。
• 外部要因でない運動源に対して耐性を持つ推定器を開発し、同時に人間の運動に感度を維持すること。
• 気象などの環境的ダイナミクスがRSS測定に影響を与える実用的展開環境でも、信頼性の高いDFL性能を実現すること。

提案手法

• 信号部分空間構造を活用して、RSS分散測定値の部分空間分解を適用し、内在的運動成分と外部の人間の運動成分を分離する。
• RSS測定の共分散行列の逆行列を用いて、ノイズが強く不安定なリンクを低減する最小二乗推定器を定式化する。
• SubVRTおよびLSVRT推定器を分散ベースラジオトモグラフィックイメージング（VRTI）フレームワークに統合し、位置推定を改善する。
• 改善された位置推定値を用いてカルマンフィルタを適用し、追跡性能を向上させるとともに、軌道出力を滑らかにする。
• 内在的運動信号の空間相関性を活用して、運動源の事前知識が不要な状態でその影響をモデル化・低減する。
• 動的モデルと測定入力のバランスを取るために、カルマンフィルタのパラメータ（過程ノイズおよび測定ノイズ）を最適化する。

実験結果

リサーチクエスチョン

• RQ1 デバイスフリー定位システムにおいて、内在的運動に起因するRSS分散を、人間の運動に起因する分散からどのように効果的に分離できるか。
• RQ2 部分空間分解を用いることで、環境的擾乱下におけるRSSベースDFLシステムの定位誤差をどの程度低減できるか。
• RQ3 RSS共分散に基づく最小二乗式は、DFLにおける非人間運動アーチファクトに対するロバスト性をどのように向上させられるか。
• RQ4 実世界の条件下で、SubVRTおよびLSVRT推定器は従来のVRTIと比較して、定位および追跡精度においてどの程度優れているか。
• RQ5 異なる定位推定器を用いた場合、内在的運動がカルマンフィルタの追跡性能に及ぼす影響は何か。

主な発見

• 実験において顕著な内在的運動が存在する状況で、SubVRTおよびLSVRTは従来のVRTIと比較して、それぞれ40.5％および45.5％の定位ルート・ミーン・スクエア誤差（RMSE）低減を達成した。
• 追跡性能に関しては、SubVRTでは97％の誤差が1.4 m未満に収まり、VRTIと比較して65％の改善を達成した。一方、LSVRTでは97％の誤差が1.2 m未満に収まり、70％の改善を達成した。
• 実験2（高い内在的運動を伴う）において、VRTIの追跡RMSEは83.3％増加したが、SubVRTおよびLSVRTではそれぞれ26.3％および15.8％増加にとどまった。
• SubVRTおよびLSVRTを用いたカルマンフィルタの追跡は、高い内在的運動条件下でも1m未満の精度を維持し、ロバスト性を示した。
• 測定ノイズパラメータ（σ²_v）が広い範囲（0.001～20）で変動しても、カルマンフィルタの性能は比較的敏感ではなく、適切なパrameterチューニングで安定した性能を示した。
• 両推定器は環境的擾乱が生じる状況でもVRTIを著しく上回り、RSS分散測定における非人間運動アーチファクトの低減に有効であることが実証された。