[論文レビュー] Veni Vidi Dixi: Reliable Wireless Communication with Depth Images

Serkut Ayvaşık, H. Murat Gürsu+1 more|arXiv (Cornell University)|Dec 4, 2019

Indoor and Outdoor Localization Technologies参考文献 16被引用数 9

ひとこと要約

本稿では、監視カメラの深度画像と畳み込みニューラルネットワーク（CNN）を用いてパイロット信号なしで複素数チャネル係数を予測する、新しいブラインド無線チャネル推定手法Veni Vidi Dixi（VVD）を提案する。深度データからの環境の幾何構造を活用することで、移動する障害物が存在する動的インダストリアル環境でも信頼性の高い通信を実現し、パイロット信号に依存しない従来手法や時系列推定手法を凌駆する。パイロットのオーバーヘッドや受信機の複雑さを解消する。

ABSTRACT

The upcoming industrial revolution requires deployment of critical wireless sensor networks for automation and monitoring purposes. However, the reliability of the wireless communication is rendered unpredictable by mobile elements in the communication environment such as humans or mobile robots which lead to dynamically changing radio environments. Changes in the wireless channel can be monitored with frequent pilot transmission. However, that would stress the battery life of sensors. In this work a new wireless channel estimation technique, Veni Vidi Dixi, VVD, is proposed. VVD leverages the redundant information in depth images obtained from the surveillance cameras in the communication environment and utilizes Convolutional Neural Networks CNNs to map the depth images of the communication environment to complex wireless channel estimations. VVD increases the wireless communication reliability without the need for frequent pilot transmission and with no additional complexity on the receiver. The proposed method is tested by conducting measurements in an indoor environment with a single mobile human. Up to authors best knowledge our work is the first to obtain complex wireless channel estimation from only depth images without any pilot transmission. The collected wireless trace, depth images and codes are publicly available.

研究の動機と目的

• 人間やロボットなどの移動障害物によって引き起こされる動的インダストリアル環境における無線通信の信頼性の低さを解消すること。
• センサのバッテリを消費し、密度の高いセンサネットワークにおけるスケーラビリティを制限する頻繁なパイロット送信の必要性を排除すること。
• 機械学習を用いて深度画像から複素数チャネルインパルス応答（CIR）係数を予測することで、信頼性の高い低オーバーヘッドの無線通信を実現すること。
• 環境変化に急速に対応できる必要がある工業オートメーション分野におけるスケーラブルでリアルタイムなソリューションを提供すること。

提案手法

• VVDは、監視カメラから得られる同期された深度画像を用いて、従来のパイロット信号に代わる無線チャネル状態を推定する。
• 畳み込みニューラルネットワーク（CNN）を訓練し、深度画像の特徴量を複素数値チャネルインパルス応答（CIR）係数にマッピングする。
• 深度画像に含まれる空間的および幾何的情報を活用して、多径成分（MPCs）とその位相・振幅の変動をモデル化する。
• 屋内環境で収集された同期された無線チャネルトレースと深度画像の公開データセットを用いてCNNを訓練する。
• 環境の幾何構造から無線チャネル状態へのマッピングを学習することで、明示的なチャネルサウンディングを回避する。
• 受信機に追加の信号伝送や複雑さを要せず、ブラインド推定を実現する。

実験結果

リサーチクエスチョン

• RQ1 監視カメラの深度画像を用いて、いかなるパイロット送信なしに、信頼性のある複素数無線チャネル係数を推定できるか？
• RQ2 動的インドア環境において、VVDの性能はカルマンフィルタなどの従来の時系列推定手法と比べてどうなるか？
• RQ3 CNNがリアルタイムで環境の幾何構造と無線チャネル特性の間のマッピングをどの程度学習できるか？
• RQ4 移動する人間が視線直進（LoS）経路やMPCsを遮断するような状況下でも、本手法は信頼性を維持できるか？
• RQ5 再トレーニングなしに、異なる環境設定に一般化できるか？

主な発見

• VVDはいかなるパイロット送信なしに信頼性の高い無線通信を実現し、エネルギー消費と信号伝送オーバーヘッドを顕著に削減する。
• 特に環境の急激な変化が生じる状況下で、カルマンフィルタベースの時系列推定手法よりも平均的にチャネル推定精度が優れている。
• 15通りのテスト組み合わせを通じて検証されたように、CNNベースのアプローチは異なる人間の移動パターンや環境設定にうまく一般化する。
• 人間がLoS経路を遮る、もしくは多径成分を変化させるような動的シナリオにおいても、低遅延かつ高信頼性を維持する。
• 同期された無線トレース、深度画像、およびトレーニング済みモデルを含む収集済みデータセットは、今後の研究や検証のために公開されている。