[논문 리뷰] Autonomous WiFi Fingerprinting for Indoor Localization

Shilong Dai, Liang He외 1명|arXiv (Cornell University)|2019. 11. 26.

Indoor and Outdoor Localization Technologies참고 문헌 25인용 수 4

한 줄 요약

AuF는 로봇 체류 없이도 실내 피ン거프рин팅 데이터베이스를 구축할 수 있는 자율적 WiFi 핀거프린팅 시스템으로, 2.4/5GHz 신호 상관관계와 공간 모델링을 활용해 손실되거나 비정상적인 신호를 복구한다. 이는 설문 시간과 에너지 소비를 각각 61–71%와 64–64% 감소시키며, 기준 정밀도를 유지한다.

ABSTRACT

WiFi-based indoor localization has received extensive attentions from both academia and industry. However, the overhead of constructing and maintaining the WiFi fingerprint map remains a bottleneck for the wide-deployment of WiFi-based indoor localization systems. Recently, robots are adopted as the professional surveyor to fingerprint the environment autonomously. But the time and energy cost still limit the coverage of the robot surveyor, thus reduce its scalability. To fill this need, we design an AutonomousWiFi Fingerprinting system, called AuF, which autonomously constructs the fingerprint database with time and energy efficiency. AuF first conduct an automatic initialization process in the target indoor environment, then constructs the WiFi fingerprint database of in two steps: (i) surveying the site without sojourn, (ii) recovering unreliable signals in the database with two methods. We have implemented and evaluated AuF using a Pioneer 3-DX robot, on two sites of our $70$$ imes$$90$m$^2$ Department building with different structures and deployments of access points (APs). The results show AuF finishes the fingerprint database construction in 43/51 minutes, and consumes 60/82 Wh on the two floors respectively, which is a 64%/71% and 61%/64% reduction when compared to traditional site survey methods, without degrading the localization accuracy.

연구 동기 및 목표

• 인간 또는 로봇 조사자에 의한 전통적 WiFi 핀거프린팅 지ap 구축의 높은 시간 및 에너지 비용을 해결한다.
• 반복적인 가속/감속으로 인해 시간과 전력 소비가 증가하는 로봇 조사의 체류 방식으로 인한 한계를 극복한다.
• 대규모 실내 환경에서 WiFi 핀거프린팅의 완전한 자율적이고 확장 가능한 구현을 가능하게 한다.
• 체류 없이 이동 중 조사하는 방식으로 신호 수집을 줄였음에도 불구하고 높은 정밀도의 정위치 추적을 유지한다.
• 체류 없는 조사 환경에서 신뢰할 수 없는 측정치를 보완하기 위한 신호 복구 기법을 개발한다.

제안 방법

• 로봇 주행을 위한 효율적인 경로 계획을 가능하게 하기 위해 자동으로 층 식별 및 지ap 분할을 수행한다.
• 정지 없이 기준 지점에서의 조사(이동 중 조사)를 수행하여 시간과 에너지 소비를 최소화한다.
• 이중 대역 WiFi 액세스 포인트를 활용해 두 대역 간 강력한 경험적 상관관계를 이용해 손실된 2.4/5GHz 신호를 복구한다.
• 공간 신호 세기 모델을 사용해 비정상적인 WiFi 샘플을 탐지하며, 공간 일관성을 기반으로 이상치를 식별한다.
• 이전에 구축된 데이터베이스 데이터를 사전 지식으로 활용해 가우시안 프로세스 회귀를 통해 비정상적인 신호를 복구한다.
• 계산 부담을 줄이기 위해 영역 기반 신호 복구를 적용하여 조사 영역에 비례해 선형 확장 가능성을 확보한다.

실험 결과

연구 질문

• RQ1 로봇 기반 WiFi 핀거프린팅 시스템이 현장 조사 중 체류를 제거함으로써 뚜렷한 시간 및 에너지 절감을 이룰 수 있는가?
• RQ2 고속 조사 중 손실된 신호 측정치를 복구하기 위해 2.4GHz와 5GHz 신호 상관관계를 얼마나 효과적으로 활용할 수 있는가?
• RQ3 체류 없는 환경에서 공간 모델링과 데이터베이스 상관관계가 비정상적인 WiFi 신호 샘플을 효과적으로 탐지하고 복구할 수 있는가?
• RQ4 제안된 신호 복구 메커니즘이 전통적 핀거프린팅 방법과 비교해 정위치 추적 정밀도를 유지하는가?
• RQ5 불가피한 계산 비용이 발생하지 않도록 대규모 실내 환경에 대해 효율적으로 확장 가능한가?

주요 결과

• AuF는 전통적인 체류 기반 방법과 비교해 3층에서는 설문 시간을 64% 감소시키고, 6층에서는 71% 감소시켰다.
• 에너지 소비는 3층에서 61% 감소했으며, 6층에서는 64% 감소했으며, 각각 60Wh와 82Wh 소비되었다.
• AuF의 핀거프린팅 데이터베이스를 사용한 정위치 추적 정밀도는 저하되지 않았다: 베이지안 추론을 사용한 평균 오차는 2.4m(기준 2.2m)이고 최대 오차는 4.9m(기준 7.5m)이었다.
• 80번째 백분율 오차는 AuF 데이터를 사용할 경우 2.1m에서 1.9m로 향상되어 전체 성능 분포가 향상됨을 나타냈다.
• 신호 복구 계산 시간은 3층에서 14초, 6층에서 23초로 설문 시간에 비해 무시할 만큼 짧아 확장성 검증에 성공했다.
• 자동 층 식별, 경로 계획, 신호 복구를 통해 인간 간섭 없이 완전한 자율성을 달성했다.