[論文レビュー] UAVs using Bayesian Optimization to Locate WiFi Devices

Mattia Carpin, S. Rosati+2 more|arXiv (Cornell University)|Oct 13, 2015

Indoor and Outdoor Localization Technologies参考文献 5被引用数 10

ひとこと要約

本論文では、非協力的WiFiデバイス（スマートフォンなど）を、リアルタイムで信号強度（RSSI）測定を積極的にサンプリングすることで、UAVが効率的に局所化できるベイジアン最適化フレームワークを提案する。ガウス過程回帰を用い、探索と活用のバランスを取ることで、1000×1000 m²の領域で5分以内に探索領域を100メートル未満に縮小し、15分以内に20メートル未満の局所化精度を達成する。実世界のテストで検証された。

ABSTRACT

We address the problem of localizing non-collaborative WiFi devices in a large region. Our main motive is to localize humans by localizing their WiFi devices, e.g. during search-and-rescue operations after a natural disaster. We use an active sensing approach that relies on Unmanned Aerial Vehicles (UAVs) to collect signal-strength measurements at informative locations. The problem is challenging since the measurement is received at arbitrary times and they are received only when the UAV is in close proximity to the device. For these reasons, it is extremely important to make prudent decision with very few measurements. We use the Bayesian optimization approach based on Gaussian process (GP) regression. This approach works well for our application since GPs give reliable predictions with very few measurements while Bayesian optimization makes a judicious trade-off between exploration and exploitation. In field experiments conducted over a region of 1000 $ imes$ 1000 $m^2$, we show that our approach reduces the search area to less than 100 meters around the WiFi device within 5 minutes only. Overall, our approach localizes the device in less than 15 minutes with an error of less than 20 meters.

研究の動機と目的

• 大規模で未知の環境において、非協力的WiFiデバイスを高速かつ高精度に局所化する手法を開発すること。
• UAVがデバイスの近くにいるときのみ得られる、疎で不規則なタイミングのRSSI測定の課題に対処すること。
• 情報的なUAVの飛行経路を知的に選択することで、測定回数と飛行時間を最小限に抑えること。
• 事前の環境モデリングなしに、リアルタイムでデータ駆動の局所化を可能にすること。
• 全ターゲットに対して情報量の多い領域を優先するための共同獲得関数を用いて、複数デバイスへの拡張を図ること。

提案手法

• UAVは、WiFiデバイスの位置に関する情報量の増加を最大化するように、逐次的に飛行経路を選択するベイジアン最適化を用いる。
• RSSI測定データに基づいてガウス過程（GP）回帰モデルを訓練し、探索領域全体における信号強度の事後分布を予測する。
• GPの平均と分散を用いて、高い不確実性（探索）と高い予測RSSI（活用）のバランスを取った獲得関数を用いる。
• UAVは選択された位置でRSSIデータを収集し、GPモデルを更新し、繰り返し推定されるデバイス位置を精緻化する。
• 複数デバイスの場合、個々のデバイス推定の最大平均および最大分散に基づいた共同獲得関数を計算し、UAVの移動を誘導する。
• 推定されたデバイス位置の周囲の不確実性が事前に定めたしきい値未満に低下した時点で、アルゴリズムは終了する。

実験結果

リサーチクエスチョン

• RQ1 ガウス過程回帰を用いたベイジアン最適化は、最小限のRSSI測定で非協力的WiFiデバイスの効率的局所化を可能にするか？
• RQ2 疎で不規則な測定を持つ大規模実環境において、UAVは探索領域をどれほど効果的に縮小し、WiFiデバイスを局所化できるか？
• RQ3 探索と活用のトレードオフに基づくアクティブセンシング戦略は、ランダムまたはグリッドベースの探索に比べて、局所化の速度と精度でどれほど優れているか？
• RQ4 局所化プロセス中に、不確実性と信号強度予測に応じてUAVの飛行経路はどのように動的に適応するか？
• RQ5 共同獲得計画により、複数のWiFiデバイスを同時に効率的に局所化できるか？

主な発見

• 1000×1000 m²の実環境実験において、UAVは15分間の飛行時間で局所化誤差を18メートルにまで低減した。
• わずか5分後には、真のデバイス位置の周囲で100メートル未満の探索領域にまで縮小され、急速な収束が確認された。
• 10回の独立実験において、UAVの飛行経路は常に真のデバイス位置から30メートル以内に収束し、耐障害性が裏付けられた。
• GPモデルの事後平均は時間経過とともに真のデバイス位置に集中し、分散は顕著に減少し、信頼性の向上が示された。
• GP事後分布の進化から、初期には探索が優勢であり、終盤にかけて活用に移行する傾向が明確に観察された。
• 15分間でたった47回の測定で高い精度を達成したため、データが乏しい状況下でも極めて効率的であることが示された。