[論文レビュー] Simultaneous Localization and Mapping Problem in Wireless Sensor Networks

Thierry Dumont, Sylvain Le Corff|arXiv (Cornell University)|Sep 26, 2012

Indoor and Outdoor Localization Technologies参考文献 18被引用数 5

ひとこと要約

本論文は、順次データを用いてデバイスの位置と動的信号伝搬マップを同時に推定する、屋内WiFiベースのローカライゼーション向けオンライン自己キャリブレーション型同時位置測定と地図作成（SLAM）フレームワークを提案する。信号強度を決定論的平均路損失モデルに加え、ガウス過程事前分布を用いた非パrametric摂動場としてモデル化し、パーティクルフィルタリングを用いたオンライン期待値最大化（EM）アルゴリズムを採用することで、オフラインキャリブレーションを必要とせず、時間経過とともにローカライゼーション精度を向上させるとともに、新たな障害物などの環境変化に対しても適応可能となる。

ABSTRACT

Mobile device localization in wireless sensor networks is a challenging task. It has already been addressed when the WiFI propagation maps of the access points are modeled deterministically. However, this procedure does not take into account the environmental dynamics and also assumes an offline human training calibration. In this paper, the maps are made of an average indoor propagation model combined with a perturbation field which represents the influence of the environment. This perturbation field is embedded with a prior distribution. The device localization is dealt with using Sequential Monte Carlo methods and relies on the estimation of the propagation maps. This inference task is performed online, i.e. using the observations sequentially, with a recently proposed online Expectation Maximization based algorithm. The performance of the algorithm are illustrated through Monte Carlo experiments.

研究の動機と目的

• 従来の固定された伝搬マップが時間経過とともに劣化する動的環境において、正確な屋内ローカライゼーションを維持する課題に対処すること。
• 高価な静的サイト調査を不要とし、移動端末からの観測データからオンラインで伝搬マップを推定可能とする。
• 環境変化（新たな障害物や家具の移動など）に適応可能な自己更新型ローカライゼーションシステムの開発。
• 順次データを用いて、デバイスの位置と伝搬マップパラメータを同時に推定することで、時間経過に伴い耐性と精度が向上すること。

提案手法

• 受信信号強度インジケータ（RSSI）観測値を、パラメトリックな平均路損失モデルと、遮蔽や反射などの環境的要因を表す非パrametric摂動場の組み合わせとしてモデル化する。
• 摂動場に未知のハイパーパrameterを有するガウス過程事前分布を割り当てたベイジアン半パラメトリックモデルを実装する。
• ストリーミングRSSIデータから伝搬マップパラメータとハイパーパrameterを再帰的に推定するため、オンライン期待値最大化（EM）アルゴリズムを用いる。
• 推定された伝搬マップに基づいて、パーティクルフィルタリングを用いて移動端末の位置をリアルタイムで推定する。
• 個々のアクセスポイント（AP）ごとにブロックワイズ更新戦略を導入し、部分的データストリームを用いて各APの信号マップを段階的に改善可能とする。
• 十分統計量の定期的再初期化と、真値が既知のテストデータセットを用いた性能検証により、オンラインEMアルゴリズムの安定化を図る。

実験結果

リサーチクエスチョン

• RQ1 事前にキャリブレートされた伝搬マップに依存せずに、WiFiベースのローカライゼーションシステムは動的屋内環境でも高い精度を維持できるか？
• RQ2 オンラインで信号伝搬マップを学習することで、固定されたオフラインモデルと比較して、時間経過に伴いローカライゼーション性能はどのように向上するか？
• RQ3 自己キャリブレーション型SLAMシステムは、新たな障害物や家具の移動といった環境変化にどの程度適応可能か？
• RQ4 インクリメンタルでAP別マップ更新が、全体のローカライゼーション精度と収束速度に及ぼす影響は何か？

主な発見

• 推定位置と真の位置間の距離の0.8-quantileとして測定されたローカライゼーション誤差は、新しいデータから学習するに従い時間経過とともに減少し、経験を積むに従い精度が向上することを示している。
• 一部のアクセスポイント（例：AP 10）では約7回の更新後に安定した性能を示し、テスト環境では誤差が2メートル未満に安定した。
• 最終的な推定された伝搬マップ（図8）は、壁を通じた信号減衰の現実的なパターンを示しており、モデルが環境的摂動を適切に捉えられることを確認した。
• 一部のAPが各観測で可視でない不完全なデータに対しても、システムは依然として効果的に収束したため、不完全データに対するロバストネスを示した。
• 1,100件のRSSI測定値（12本の定義済み経路に沿って）からなる実世界のテストデータセットを用いた性能検証では、各マップ更新に伴い一貫した改善が観察された。
• 再調査を必要とせず、環境変化に継続的に適応できるため、動的環境下では静的マップモデルを上回る性能を示した。