[論文レビュー] SenseFlow: An Experimental Study for Tracking People

Kai Li, Chau Yuen+5 more|arXiv (Cornell University)|Jun 12, 2016

Mobile Crowdsensing and Crowdsourcing参考文献 14被引用数 3

ひとこと要約

SenseFlow は、スマートフォンからのプローブ要求を用いて、現実世界の環境で群衆の密度を監視し、移動フローを追跡する、軽量で受動的な人間追跡システムを提案する。プローブ要求の間隔と RSSI を用いた局所化により、ネットワークのオーバーヘッドを低減し、追跡精度を向上させ、最適な条件下（Android、スクリーンオン、Wi-Fi 非登録）で最大 92.9% の追跡精度を達成する。

ABSTRACT

The main challenges in large-scale people tracking are the recognition of people density in a specific area and tracking the people flow path. To address these challenges, we present SenseFlow, a lightweight people tracking system. SenseFlow utilises off-the-shelf devices which sniff probe requests periodically polled by user's smartphones in a passive manner. We demonstrate the feasibility of SenseFlow by building a proof-of-concept prototype and undertaking extensive evaluations in real-world settings. We deploy the system in one laboratory to study office hours of researchers, a crowded public area in city to evaluate the scalability and performance "in the wild", and four classrooms in the university to monitor the number of students. We also evaluate SenseFlow with varying walking speeds and different models of smartphones to investigate the people flow tracking performance.

研究の動機と目的

• スマートフォンからの受動的プローブ要求スニッフィングを用いた、軽量でスケーラブルな人間追跡システムの開発。
• 密集した環境における高頻度のプローブ要求送信によるネットワークオーバーヘッドの低減。
• 複数のゲートウェイが同じデバイスを受信するプローブ要求の過聴問題を解消することで、追跡精度の向上。
• スマートフォンの動作モード（例：スクリーンオン/オフ、Wi-Fi 登録/非登録）が追跡性能に与える影響の評価。
• ラボ、公共施設、教室など多様な現実世界の環境で、人々の密度と軌道フローのリアルタイム監視の実現。

提案手法

• 異なる場所に時刻同期された無線ゲートウェイノード（GN）を展開し、スマートフォンからのプローブ要求を受動的に収集する。
• MAC アドレスとタイムスタンプのみを送信する Probe Request Interval-based Data Collection Scheme (PRI-DCS) を実装し、ネットワークトラフィックを低減する。
• 受信信号強度インジケータ（RSSI）を用いて、プローブ要求の過聴問題を解消し、信号が最も強い GN をデバイスの位置として選択する。
• ユーザーの軌道を GN ID のシーケンスとしてモデル化し、Longest Common Subsequence (LCS) アルゴリズムを適用して移動経路を認識・追跡する。
• すべての GN からのデータを集約して中央サーバーでリアルタイムの人数密度と軌道パターンを計算する。
• 制御実験と現実世界の実験を用いて、異なる歩行速度、スマートフォンモデル、動作モード下でのシステムの妥当性を検証する。

実験結果

リサーチクエスチョン

• RQ1 異なるスマートフォンモデルおよび動作モードにおけるプローブ要求送信間隔の違いは何か？ また、これにより追跡精度にどのような影響があるか？
• RQ2 プローブ要求の過聴が追跡性能に及ぼす影響はどの程度で、RSSI を用いた選択によりどのように軽減できるか？
• RQ3 歩行速度がプローブ要求を用いた個々の検出および追跡に与える影響は何か？
• RQ4 SenseFlow は現実世界の環境で、事前に定義された移動経路をどの程度正確に認識できるか？
• RQ5 PRI-DCS スキームは、追跡の忠実性を維持しつつ、ネットワークオーバーヘッドをどの程度低減できるか？

主な発見

• Android スマートフォンにおいて、(スクリーンオン、Wi-Fi 非登録) モードでは、プローブ要求が最も頻繁に送信されるため、SenseFlow は最大 92.9% の追跡精度を達成する。
• (スクリーンオフ、Wi-Fi 登録) モードでは、プローブ要求の間隔が長くなるため、Android では追跡精度が著しく 44.3% に低下し、iOS では 27.2% に低下する。
• (スクリーンオフ、Wi-Fi 非登録) モードでは、iOS や Windows モバイル端末の追跡精度が (スクリーンオン、Wi-Fi 登録) モードよりも向上する。これは、デバイスがネットワークをより頻繁にスキャンするためである。
• 成功した軌道認識率は、(スクリーンオン、Wi-Fi 非登録) モードでは 100% に達するが、(スクリーンオン、Wi-Fi 登録) モードでは 60% に低下し、(スクリーンオフ、Wi-Fi 登録) モードではわずか 20% にまで低下する。
• RSSI を用いて最も可能性の高いゲートウェイを選択することで、プローブ要求の過聴問題を効果的に軽減し、局所化精度を向上させている。
• PRI-DCS スキームにより、MAC アドレスとタイムスタンプという必須データのみを送信することで、ネットワークトラフィックを著しく低減し、大規模環境へのスケーラブルな展開を可能にしている。