[논문 리뷰] A Comprehensive Survey of Machine Learning Based Localization with Wireless Signals

Daoud Burghal, Ashwin T. Ravi외 3명|arXiv (Cornell University)|2020. 12. 21.

Indoor and Outdoor Localization Technologies참고 문헌 364인용 수 42

한 줄 요약

이 논문은 RF 신호를 이용한 ML 기반 위치추정에 대한 고찰로, 시스템 아키텍처, 입력 특성, ML 방법, 데이터셋 및 개방된 도전과제를 자세히 다룬다.

ABSTRACT

The last few decades have witnessed a growing interest in location-based services. Using localization systems based on Radio Frequency (RF) signals has proven its efficacy for both indoor and outdoor applications. However, challenges remain with respect to both complexity and accuracy of such systems. Machine Learning (ML) is one of the most promising methods for mitigating these problems, as ML (especially deep learning) offers powerful practical data-driven tools that can be integrated into localization systems. In this paper, we provide a comprehensive survey of ML-based localization solutions that use RF signals. The survey spans different aspects, ranging from the system architectures, to the input features, the ML methods, and the datasets. A main point of the paper is the interaction between the domain knowledge arising from the physics of localization systems, and the various ML approaches. Besides the ML methods, the utilized input features play a major role in shaping the localization solution; we present a detailed discussion of the different features and what could influence them, be it the underlying wireless technology or standards or the preprocessing techniques. A detailed discussion is dedicated to the different ML methods that have been applied to localization problems, discussing the underlying problem and the solution structure. Furthermore, we summarize the different ways the datasets were acquired, and then list the publicly available ones. Overall, the survey categorizes and partly summarizes insights from almost 400 papers in this field. This survey is self-contained, as we provide a concise review of the main ML and wireless propagation concepts, which shall help the researchers in either field navigate through the surveyed solutions, and suggested open problems.

연구 동기 및 목표

• 실내외 환경에서 RF 위치추정의 도전과제를 ML이 어떻게 완화할 수 있는지 평가한다.
• ML 기반 위치추정에 영향을 주는 입력 특징, 무선 기술 및 표준을 요약한다.
• 위치추정의 ML 프레임워크, 데이터 가용성 시나리오 및 DL 중심 접근을 분류한다.
• 공개 데이터세트를 강조하고 향후 연구를 위한 실무적 도전과제를 제시한다.

제안 방법

• 공통 기준선을 세우기 위해 ML 기본과 무선 전파 개념을 검토한다.
• 위치추정 접근법(삼변측량/ ToA, 근접, Fingerprinting, 직접 방법)을 분류하고 ML이 이들에 어떻게 통합되는지 설명한다.
• 입력 특징과 이들의 무선 기술 및 표준과의 관계를 조사한다.
• ML 프레임워크, 데이터 가용성(지도학습, 비지도학습, 전이학습) 및 DL 중심 솔루션을 검토한다.
• 데이터세트를 요약하고 향후 연구를 위한 개방 문제와 방향을 제시한다.

실험 결과

연구 질문

• RQ1 다양한 시스템 아키텍처에서 RF 기반 위치추정에 적용되는 ML 기법은 무엇인가?
• RQ2 ML 기반 위치추정 성능에 가장 큰 영향을 미치는 입력 특징과 무선 표준은 무엇인가?
• RQ3 데이터 가용성과 학습 프레임워크(지도/비지도/전이)가 ML 위치추정 솔루션에 어떤 영향을 미치는가?
• RQ4 존재하는 공공 데이터세트와 주요 개방 과제 및 연구 방향은 무엇인가?

주요 결과

• ML 기반 위치추정은 네 가지 주요 분류(삼변측량/ ToA, 근접, fingerprinting, 직접 방법)로 분류되며 ML이 전통적 단계들을 보강하거나 대체한다.
• 특징 선택 및 전처리는 ML 성능에 큰 영향을 주며, ML은 이질적 데이터 소스를 활용할 수 있다.
• 딥러닝은 ML 기반 위치추정의 최근 성장을 이끌었으며, 많은 최근 해결책들이 DL 아키텍처를 활용한다.
• 재현성과 벤치마킹을 지원하기 위해 공개 데이터세트 및 데이터 수집 방법을 요약한다.
• 논문은 훈련 데이터 가용성, 로버스트성, 디바이스에서의 실시간 계산, 특징 선택 등의 주요 도전과제를 식별하고 향후 연구 방향을 제시한다.