[논문 리뷰] 5G mmWave Cooperative Positioning and Mapping using Multi-Model PHD Filter and Map Fusion

Hyowon Kim, Karl Granström외 4명|arXiv (Cornell University)|2019. 08. 26.

Indoor and Outdoor Localization Technologies인용 수 14

한 줄 요약

이 논문은 차량 네트워크에서 다양한 물체 유형과 제한된 시야( FoV)를 다루기 위해 다중모델 확률 가설 밀도(PHD) 필터와 맵 융합을 활용한 협동적 5G mmWave 위치 측정 및 맵 작성 프레임워크를 제안한다. 레이먼드-블랙웰라이즈드 파article 필터를 새로운 비동기식 맵 융합 전략(가중 산술 평균 기반)과 융합함으로써, 다중 경로, 잘못된 경고, 데이터 할당 문제에도 불구하고 정확한 동시 위치 측정과 환경 맵 작성 성능을 달성한다.

ABSTRACT

5G millimeter wave (mmWave) signals can enable accurate positioning in vehicular networks when the base station and vehicles are equipped with large antenna arrays. However, radio-based positioning suffers from multipath signals generated by different types of objects in the physical environment. Multipath can be turned into a benefit, by building up a radio map (comprising the number of objects, object type, and object state) and using this map to exploit all available signal paths for positioning. We propose a new method for cooperative vehicle positioning and mapping of the radio environment, comprising a multiple-model probability hypothesis density filter and a map fusion routine, which is able to consider different types of objects and different fields of views. Simulation results demonstrate the performance of the proposed method.

연구 동기 및 목표

• 다양한 물체에서 기인하는 다중 경로 신호로 인해 위치 측정 성능이 악화되는 5G mmWave 차량 네트워크에서 정확한 협동 위치 측정 및 맵 작성 과제를 해결한다.
• 이동성 모델 대신 다중 물체 유형(기지국(BS), 차량 안테나(VA), 산산이 튀는 점(SP))를 다중모델 PHD 필터로 모델링하여 기존 SLAM 방법의 한계를 극복한다.
• 차량 간 시야(FoV)의 다양성을 고려하기 위해 맵 공간을 분할하고 부분집합에 융합 가중치를 할당하는 새로운 비동기식 맵 융합 기법을 설계한다.
• 단일 기지국 기반 위치 측정을 가능하게 하고, 사전 동기화에 대한 의존도를 줄이기 위해 mmWave 신호에서 유도된 라디오 맵을 재사용한다.
• 구름과 잘못된 탐지 상황에서도 차량 상태 추정 정확도를 향상시키기 위해 레이먼드-블랙웰라이즈드 파article 필터에 이론적으로 기반한 가능도 계산을 제공한다.

제안 방법

• 차량-맵 공동 밀도의 레이먼드-블랙웰라이즈드(RB) 표현을 사용하여, 파article 필터로 차량 상태 추정을 수행하고 다중모델 PHD 필터로 맵 추정을 수행한다.
• 기지국(BS), 차량 안테나(VA), 산산이 튀는 점(SP)에 대해 별도의 측정 모델을 지원하는 다중모델 PHD 필터를 구현하여 서로 다른 신호 성분을 동시 추적한다.
• 무한집합(RFS) 가능도에 대한 닫힌 형태의 표현식을 유도하여 파article 무게 갱신을 향상시켜 계산 효율성과 추정 정확도를 향상시킨다.
• 시야(FoV)를 고려한 가중 산술 평균(AA) 융합 규칙를 적용: 맵 공간이 상호 배타적인 부분집합으로 분할되고, 각 차량의 기여도는 그 시야 커버리지에 따라 가중치가 할당된다.
• PHD 갱신 구성 요소(상태 예측, 공분산 갱신, 칼만 이득)를 유한 차분 근사법을 통해 CKF(Central Difference Kalman Filter)로 계산한다.
• 기지국에서 비동기식 맵 융합을 수행하여, 각 차량이 다수의 상호작용 동안 글로벌 맵에 기여하고, 모든 차량이 융합된 맵에 접근할 수 있도록 보장한다.

실험 결과

연구 질문

• RQ1 5G mmWave 신호를 어떻게 활용하여 기지국, 차량 안테나, 산산이 튀는 점을 포함한 환경 물체와 동시에 차량 위치를 추정할 수 있는가?
• RQ2 측정값에 기원 태그가 없고 구름 영향을 받는 경우, 협동 mmWave 위치 측정에서 데이터 할당과 잘못된 탐지 문제를 효과적으로 다룰 수 있는 방법은 무엇인가?
• RQ3 차량의 시야가 제한되고 상호 겹치는 경우, 각 차량이 환경의 일부만 관찰할 때 맵 융합을 어떻게 효과적으로 수행할 수 있는가?
• RQ4 다른 신호 전파 모델(예: 직진, 반사)을 고려한 다중모델 PHD 필터가 복잡한 도심 환경에서 단일모델 접근보다 우수한 성능을 보일 수 있는가?
• RQ5 시야(FoV)를 고려한 융합 가중치는 협동 위치 측정 시스템에서 글로벌 라디오 맵의 정확도와 수렴성에 어떤 영향을 미치는가?

주요 결과

• 제안된 다중모델 PHD 필터는 기지국(BS), 차량 안테나(VA), 산산이 튀는 점(SP) 등 다양한 물체 유형을 정확히 추적하여 단일모델 대비 맵 정확도를 향상시킨다.
• 가중 산술 평균 기반의 시야(FoV) 인식 융합 전략은 맵 일관성 향상과 국소화 오차 감소에 크게 기여하며, 특히 희박한 커버리지 상황에서 두드러진다.
• RFS-가능도의 이론적 유도로 정확한 파article 무게 갱신이 가능해져, 발산을 줄이고 차량 상태 추정 정확도가 향상된다.
• 시뮬레이션 결과는 제안된 방법이 기준 방법보다 위치 추정 오차가 낮고 맵 정확도가 높은 것으로 나타났으며, 특히 고다중경로 및 높은 잘못된 탐지 조건에서 유의미한 성능 향상을 보였다.
• 비동기식 맵 융합 프rotocol는 각 차량이 동기화된 통신이나 사전 조율 없이도 글로벌 맵에 기여하고 이로 인한 이점을 얻을 수 있도록 한다.
• 이 방법은 단일 기지국 기반 위치 측정을 가능하게 하며, 외부 동기화에 대한 의존도를 줄여 실세계 차량 네트워크에 적합하다.