[논문 리뷰] AROMA: Automatic Generation of Radio Maps for Localization Systems

Ahmed Eleryan, Mohamed Elsabagh외 1명|arXiv (Cornell University)|2010. 02. 09.

Indoor and Outdoor Localization Technologies참고 문헌 19인용 수 6

한 줄 요약

AROMA는 3차원 레이 트레이싱과 균일파면역이론(UTD)을 통합하여 무선파 전파 및 인간 신체의 그림자 효과를 모델링함으로써, 장치 기반 및 장치 비기반 WLAN 국소화 시스템 모두에 대해 자동으로 고정확도의 활성 및 수동 라디오 맵을 생성하는 새로운 시스템이다. 신호 세기 예측에서 최대 평균 절대 오차 3.18 dBm을 달성하고 국소화 오차는 최대 2.44m 이내이며, UTD는 장치 비기반 시나리오에서 정확도 향상에 700퍼센트 이상 기여한다.

ABSTRACT

WLAN localization has become an active research field recently. Due to the wide WLAN deployment, WLAN localization provides ubiquitous coverage and adds to the value of the wireless network by providing the location of its users without using any additional hardware. However, WLAN localization systems usually require constructing a radio map, which is a major barrier of WLAN localization systems' deployment. The radio map stores information about the signal strength from different signal strength streams at selected locations in the site of interest. Typical construction of a radio map involves measurements and calibrations making it a tedious and time-consuming operation. In this paper, we present the AROMA system that automatically constructs accurate active and passive radio maps for both device-based and device-free WLAN localization systems. AROMA has three main goals: high accuracy, low computational requirements, and minimum user overhead. To achieve high accuracy, AROMA uses 3D ray tracing enhanced with the uniform theory of diffraction (UTD) to model the electric field behavior and the human shadowing effect. AROMA also automates a number of routine tasks, such as importing building models and automatic sampling of the area of interest, to reduce the user's overhead. Finally, AROMA uses a number of optimization techniques to reduce the computational requirements. We present our system architecture and describe the details of its different components that allow AROMA to achieve its goals. We evaluate AROMA in two different testbeds. Our experiments show that the predicted signal strength differs from the measurements by a maximum average absolute error of 3.18 dBm achieving a maximum localization error of 2.44m for both the device-based and device-free cases.

연구 동기 및 목표

• WLAN 국소화 시스템의 주요 구현 장벽인 시간 소모적이고 수동적인 라디오 맵 구축 문제를 해결한다.
• 장치 기반 및 장치 비기반 국소화 시스템 모두에 대해 활성 및 수동 라디오 맵의 자동 생성을 가능하게 한다.
• 건물 모델 가져오기 및 공간 샘플링과 같은 작업의 자동화를 통해 사용자 부담을 최소화한다.
• UTD를 활용한 전자기파 전파 모델링과 인간 신체 그림자 효과를 통합하여 고정확도 국소화를 달성한다.
• 사전 처리, 경계 캡슐, 수신 영역과 같은 최적화 기법을 통해 계산 비용을 감소시킨다.

제안 방법

• 복잡한 실내 환경에서 반사, diffraction, 감쇠를 포함한 신호 전파를 모델링하기 위해 균일파면역이론(UTD)을 통합한 3차원 레이 트레이싱을 활용한다.
• 인간을 손실 있는 유전체 실린더로 모델링하여 인간 신체의 산산이 흩어지는 효과를 반영함으로써 그림자 효과와 신호 흡수를 시뮬레이션한다.
• 3차원 건물 모델 가져오기와 관심 영역의 자동 공간 샘플링을 통해 라디오 맵 생성 파이프라인을 자동화한다.
• 기하학적 데이터 사전 처리, 레이 트레이싱 범위를 제한하기 위한 경계 캡슐, 계산 부담을 줄이기 위한 수신 영역과 같은 최적화 기법을 적용한다.
• 현장 특성 데이터에서 유도된 최적의 감쇠 지수를 사용하여 신호 세기 예측 정확도를 향상시킨다.
• 활성 라디오 맵과 수동 라디오 맵 모두를 지원한다: 활성 맵은 위치별로 AP-장치 간 신호 세기를 저장하고, 수동 맵은 장치를攜행하지 않는 (AP, MP) 쌍의 신호 세기를 저장한다.

실험 결과

연구 질문

• RQ1 자동화된 라디오 맵 생성이 WLAN 국소화 시스템에서 사용자 노력과 구현 시간을 크게 줄일 수 있는가?
• RQ2 장치 기반 및 장치 비기반 시나리오에서 인간 신체 그림자 효과를 모델링함으로써 국소화 정확도는 어느 정도 향상되는가?
• RQ3 UTD를 3차원 레이 트레이싱과 통합하여 신호 세기 예측 및 국소화 오차 감소에 얼마나 효과적인가?
• RQ4 장치 비기반 국소화에서 인간 효과를 忽略할 경우 정확도에 어떤 영향을 미치며, 자동화된 시스템은 이를 보완할 수 있는가?
• RQ5 통합된 시스템이 최소한의 사용자 입력으로 장치 기반 및 장치 비기반 국소화 모두에 대해 정확한 라디오 맵을 생성할 수 있는가?

주요 결과

• AROMA는 두 테스트베드 모두에서 예측된 신호 세기와 측정된 신호 세기 사이에 최대 평균 절대 오차 3.18 dBm을 달성한다.
• 장치 기반 케이스에서는 평균 국소화 오차 1.61m, 더 도전적인 장치 비기반 케이스에서는 2.44m를 기록한다.
• 장치 비기반 시나리오에서 UTD 모델을 제외할 경우 성능 저하가 700퍼센트 이상 발생하여, UTD가 정확도 향상에 결정적인 역할을 함을 시사한다.
• 인간 신체 그림자 효과 모델링 통합은 특히 시야 내 및 비시야 상황에서 예측 정확도 향상에 크게 기여한다.
• 건물 모델 가져오기, 공간 샘플링, 재료 및 안테나 패atters용 기본 데이터베이스 자동화를 통해 AROMA는 사용자 부담을 크게 감소시킨다.
• 최적화 기법을 통해 계산 요구량을 효과적으로 줄였으며, 이는 고정확도 유지와 함께 실용적 구현 가능성을 보장한다.