[論文レビュー] Sensor-Aided Learning for Wi-Fi Positioning with Beacon Channel State Information

Jeongsik Choi|arXiv (Cornell University)|Jul 13, 2020

Indoor and Outdoor Localization Technologies被引用数 4

ひとこと要約

本論文は、ビーコンフレームからのチャネル状態情報（CSI）を活用して、範囲測定の精度を向上させるセンサー補助の教師なし学習フレームワークを提案する。インertialセンサーのデータとWi-FiのCSIを統合することで、推定された軌道とセンサー由来の経路を一致させるように範囲測定モジュールを訓練し、特に多径フェージングが顕著な動的インディア環境において、RSSのみの手法よりも高い精度を達成する。

ABSTRACT

Because each indoor site has its own radio propagation characteristics, a site survey process is essential to optimize a Wi-Fi ranging strategy for range-based positioning solutions. This paper studies an unsupervised learning technique that autonomously investigates the characteristics of the surrounding environment using sensor data accumulated while users use a positioning application. Using the collected sensor data, the device trajectory can be regenerated, and a Wi-Fi ranging module is trained to make the shape of the estimated trajectory using Wi-Fi similar to that obtained from sensors. In this process, the ranging module learns the way to identify the channel conditions from each Wi-Fi access point (AP) and produce ranging results accordingly. Furthermore, we collect the channel state information (CSI) from beacon frames and evaluate the benefit of using CSI in addition to received signal strength (RSS) measurements. When CSI is available, the ranging module can identify more diverse channel conditions from each AP, and thus more precise positioning results can be achieved. The effectiveness of the proposed learning technique is verified using a real-time positioning application implemented on a PC platform.

研究の動機と目的

• Wi-FiベースのインDoor定位において、手動によるサイトサーベイやグランドトゥースデータに依存することを減らし、自律的な環境特徴抽出を可能にする。
• ビーコンフレームからの詳細なCSIを活用することで、RSSのみに比べて多径フェージングや周波数選択性フェージングをよりよく捉えることにより、範囲測定の精度を向上させる。
• ラベル付き座標が不要な状態で、Wi-Fiの範囲測定モデルを訓練するための教師なし学習アプローチを開発する。この際、センサーの軌道をグランドトゥースの代理として用いる。
• CSIとインエラシャルセンサーの統合を用いて、リアルタイムかつデバイス内での範囲測定モデルの適応を可能にし、人的介入を最小限に抑える。

提案手法

• モバイルデバイスのインエラシャルセンサー（加速度計とジャイロスコープ）のデータを用い、歩行者dead reckoning（PDR）により基準軌道を再構築する。
• PDRを状態遷移モデルとして用い、複数回の初期方向の初期化を伴う拡張カルマンフィルタ（EKF）を用いて、デバイスの位置と姿勢を推定する。
• 教師なし学習を用いてWi-Fiの範囲測定モジュールを訓練する：このモジュールは、ビーコンフレームからのCSIを範囲推定値にマッピングするように学習し、Wi-Fi由来の軌道とセンサー由来の軌道の誤差を最小化する。
• 商用Wi-Fiチップ上で、従来のOFDMビーコンフレーム（20 MHz帯域）からCSIを取得可能な新しいCSIツールを活用し、APの改造なしに複数のAPからの同時CSI収集を可能にする。
• 予測された範囲と測定された範囲の差（イノベーション）を複数のEKF候補に対して最小化することで、最良の状態推定を選択する。
• CSIとRSSの測定値を統合することで、フェージングやシャドウイング下でもより頑健な距離推定を可能にする。

実験結果

リサーチクエスチョン

• RQ1 グランドトゥース座標が不要な状態で、センサー軌道を用いた教師なし学習が、Wi-Fiの範囲測定モデルを効果的に訓練できるか？
• RQ2 ビーコンフレームからのCSIを組み込むことで、RSSのみの範囲測定に比べて、定位精度がどの程度向上するか？
• RQ3 本手法は、限られたCSI帯域幅、非同期なビーコン送信、低サンプリングレートといった課題をどのように処理するか？
• RQ4 CSIとインエラシャルセンサーのデータ統合により、リアルタイムのインドア定位におけるドリフト低減と軌道の一貫性向上が達成できるか？

主な発見

• 提案された教師なし学習フレームワークは、ラベルなしの学習データを必要とせず、Wi-Fi由来の軌道とセンサー由来の軌道を一致させることで、定位精度を顕著に向上させる。
• ビーコンフレームからのCSIを組み込むことで、多径成分や周波数選択性フェージングを特定可能となり、RSSのみに比べてより安定的かつ正確な範囲測定が可能になる。
• 多径とシャドウイングが顕著な環境では、CSIが細かなチャネル特性を捉える能力を有するため、RSSベースのフィンガープrintィングに比べて優れた性能を発揮する。
• イノベーションに基づく選択を伴う複数のEKF候補を用いることで、初期状態の不確実性や測定ノイズに対する耐性が向上する。
• CSIツールにより、従来のHTのみのCSI収集に起因する制限を克服し、レガシーなビーコンフレームを用いて複数APからの同時CSI収集が可能になった。
• 本システムはPCプラットフォーム上でリアルタイムでの実行が可能であることが実証され、商業デバイスへの実用的導入の有効性が裏付けられた。