[논문 리뷰] AF-DCGAN: Amplitude Feature Deep Convolutional GAN for Fingerprint Construction in Indoor Localization Systems

Qiyue Li, Heng Qu외 5명|arXiv (Cornell University)|2018. 04. 15.

Indoor and Outdoor Localization Technologies참고 문헌 45인용 수 11

한 줄 요약

이 논문은 WiFi 기반 실내 위치 기반 시스템에서 지문 데이터베이스를 확장하기 위해 CSI 복도 특징 맵을 합성하는 생성적 적대적 네트워크인 AF-DCGAN을 제안한다. 이는 수동 데이터 수집 노력을 크게 줄이며, 인간의 노동을 추가로 요구하지 않고도 정밀도를 최대 47.43% 향상시킨다.

ABSTRACT

With widely deployed WiFi network and the uniqueness feature (fingerprint) of wireless channel information, fingerprinting based WiFi positioning is currently the mainstream indoor positioning method, in which fingerprint database construction is crucial. However, for accuracy, this approach requires enough data to be sampled at many reference points, which consumes excessive efforts and time. In this paper, we collect Channel State Information (CSI) data at reference points by the method of device-free localization, then we convert collected CSI data into amplitude feature maps and extend the fingerprint database using the proposed Amplitude-Feature Deep Convolutional Generative Adversarial Network (AF-DCGAN) model. The use of AF-DCGAN accelerates convergence during the training phase, and substantially increases the diversity of the CSI amplitude feature map. The extended fingerprint database both reduces the human effort involved in fingerprint database construction and the accuracy of an indoor localization system, as demonstrated in the experiments.

연구 동기 및 목표

• WiFi 기반 실내 위치 기반 시스템에서 대규모 지문 데이터베이스를 구축하기 위해 소요되는 시간과 노동을 줄이기 위해.
• 환경의 다중 경로 효과로 인한 CSI 기반 지문의 높은 변동성과 낮은 데이터 밀도 문제를 해결하기 위해.
• 실제와 유사하고 다양한 CSI 복도 특징 맵을 통해 학습 데이터셋을 증강하여 위치 기반 정확도를 향상시키기 위해.
• 생성적 적대적 네트워크(GAN) 기반의 데이터 생성이 전통적인 방법인 가우시안 프로세스 회귀(GPR)보다 지문 데이터베이스 구축에서 뛰어난 성능을 보일 수 있음을 입증하기 위해.
• 인간의 참여를 늘리지 않고도 고정밀도 지문 기반 시스템을 효율적이고 확장 가능하게 구현할 수 있도록 하기 위해.

제안 방법

• 장치 없음 기반 위치 기반 기술을 사용해 기준 지점에서 CSI 데이터를 수집하며, 서브캐리어의 복도 성분에 집중한다.
• 딥 러닝 모델의 입력으로 사용하기 위해 원시 CSI 복도 데이터를 픽셀 단위 변환을 통해 2차원 이미지 유사 특징 맵으로 변환한다.
• 실제 CSI 패atters를 모방하는 합성 복도 특징 맵을 생성하기 위해 복도 특징 딥 컨volution GAN(AF-DCGAN)을 훈련시킨다.
• 초기 지문 데이터베이스에 대해 각 기준 지점당 50%, 100%, 150%, 200%의 추가 샘플을 생성기로 생성하여 데이터 증강을 수행한다.
• 생성된 데이터를 지문 데이터베이스에 통합하고, 온라인 단계에서 위치 기반 모델 훈련에 사용한다.
• 다양한 데이터베이스 확장 수준에서 평균 위치 기반 오차 및 범위 확률 등의 지표를 사용해 성능을 평가한다.

실험 결과

연구 질문

• RQ1 GAN 기반 데이터 생성이 수동 데이터 수집을 줄이며 WiFi 실내 위치 기반 시스템에서 지문 데이터베이스를 효과적으로 확장할 수 있는가?
• RQ2 AF-DCGAN에서 생성한 합성 복도 특징 맵을 포함한 데이터베이스는 순수 실측 데이터 기반 데이터베이스에 비해 위치 기반 정확도에 어떤 영향을 미치는가?
• RQ3 정확도를 극대화하면서 과적합을 방지하기 위해 최적의 데이터 증강 수준(예: 100%, 150%, 200%)은 무엇인가?
• RQ4 AF-DCGAN은 지문 데이터베이스 구축에서 전통적인 방법인 가우시안 프로세스 회귀(GPR)보다 어떻게 비교되는가?
• RQ5 생성된 데이터가 실제 CSI 복도 특징 맵의 공간적 및 신호 특성을 어느 정도 유지하는가?

주요 결과

• AF-DCGAN가 생성한 데이터로 평균 위치 기반 오차가 초기 데이터베이스(50% 증강)의 1.21m에서 150% 증강 시 0.92m로 감소하여 24.0% 향상되었다.
• GOAFM를 통한 150% 데이터 증강 시 평균 오차는 0.03m로 감소했고, 1m 이내 위치 정확도 확률은 초기 데이터베이스의 47%에서 59%로 상승했다.
• GPR 기반 데이터베이스 구축 방식에 비해 정확도가 47.43% 향상되어 더 뛰어난 일반화 능력과 강건성을 입증했다.
• 200% GOAFM 증강 시 평균 오차는 0.03m, 1m 이내 정확도 확률은 59%를 기록했으며, 이는 150% GOAFM 성능과 동일했다.
• AF-DCGAN는 훈련 수렴 속도를 가속화하고 특징 맵의 다양성을 증가시켜 추가 수동 데이터 수집 없이도 모델의 일반화 능력을 향상시켰다.
• 실제 실내 환경에서 FIFS 및 DeepFI와 비교해 정확도와 정확도 확률 모두에서 뛰어난 성능을 보였으며, 이는 본 방법의 실용성을 확인한다.