[논문 리뷰] CoMuTe: A Convolutional Neural Network Based Device Free Multiple Target Localization Using CSI

Tahsina Farah Sanam, Hana Godrich|arXiv (Cornell University)|2020. 03. 06.

Indoor and Outdoor Localization Technologies참고 문헌 44인용 수 7

한 줄 요약

CoMuTe는 다중 무선 링크의 CSI를 사용하여 장치 없이 다중 타겟을 정렬하는 새로운 CNN 기반 시스템을 제안한다. CSI를 다중링크 시간-주파수(MLTF) 이미지로 표현하고, 시그모이드 활성화를 사용한 다중 레이블 분류를 통해 동시에 여러 타겟을 정렬하며, 센티미터 수준의 정확도를 달성하여 기존 최고 수준의 방법보다 42%의 예측이 0.5m 이내의 오차를 가지며 뛰어난 성능을 보인다.

ABSTRACT

With the growth of Internet-of-Things (IoT), Location based Services (LBS) are gaining significant attention over the past years. Location information is one of the important ingredients for many LBS where the system requires to localize multiple targets in indoor setting. As an emerging technique, device-free localization (DFL) is promising to localize the target without attaching any transceivers. In this paper, we propose CoMuTe, the first convolutional neural network (CNN) based device free multiple target localization leveraging the Channel State Information (CSI) from multiple wireless links. The system represents the CSIs as Multi-link Time-Frequency (MLTF) image by organizing them as time-frequency matrices and utilize these MLTF images as the input feature for CNN network. The CoMuTe models multi target localization as a multi label spot classification approach under the assumption that each MLTF image is associated with multiple labels/spots. The localization is performed with a training stage and a localization stage. In the training stage, the CSI based MLTF images are constructed with single target at each location. The constructed images are used to train the CNN via a gradient based optimization algorithm. In the localization stage, the test MLTF image obtained for targets at multiple spots is fed to the CNN network and locations of the targets are calculated using sigmoid activation function in the output layer under the multi label classification framework. Extensive experiments are conducted to select appropriate parameters for the CNN architecture as well as for the system design. The experimental results demonstrate the superior performance of CoMuTe over existing multi target localization approaches.

연구 동기 및 목표

• 기존 무선 인프라를 활용하여 다중 수신기 없는 타겟에 대한 정확하고 확장 가능한 실내 정렬 문제를 해결하기 위해.
• RSS 기반 방법의 한계를 극복하기 위해 세밀하고 안정적인 CSI를 활용하여 정렬의 강건성을 향상시키기 위해.
• 딥 러닝을 사용해 타겟 구성 간의 일반화를 도모함으로써 수동적인 프린팅을 피하는 장치 없이 정렬 시스템을 개발하기 위해.
• 타겟이 어떠한 장치나 태그를 지니지 않아도 다중 타겟 정렬을 가능하게 하기 위해.
• 정렬 정확도와 구현 비용의 균형을 맞추기 위해 AP-DP 링크 수와 셀 해상도를 최적화하기 위해.

제안 방법

• 다중 AP-DP 링크의 CSI를 시간-주파수 행렬로 정리하여 다중링크 시간-주파수(MLTF) 이미지를 구성하며, 각 링크가 별도의 채널을 형성한다.
• 세 개의 합성곱층과 두 개의 완전 연결층을 포함한 다섯 층의 CNN을 사용하여 MLTF 이미지에서 공간-시간 특징을 추출한다.
• 다중 타겟 정렬 문제를 다중 레이블 분류 문제로 설정하며, 각 잠재적 위치를 이진 레이블로 간주한다.
• 출력층에서 시그모이드 활성화와 이진 교차 엔트로피 손실을 적용하여 여러 타겟의 위치를 독립적으로 예측할 수 있도록 한다.
• 단일 타겟이 각 위치에 있을 때 수집한 훈련 데이터를 기반으로 경사 기반 최적화를 사용해 네트워크를 훈련시킨다.
• 추론 과정에서는 테스트용 MLTF 이미지를 훈련된 CNN에 입력하여 각 위치에서 타겟 존재 확률을 예측한다.

실험 결과

연구 질문

• RQ1 CSI를 다중 무선 링크에서 사용하는 CNN 기반 접근법이 다중 장치 없는 타겟을 효과적으로 정렬할 수 있는가?
• RQ2 AP-DP 링크의 수가 정렬 정확도와 시스템 확장성에 어떤 영향을 미치는가?
• RQ3 정밀도와 훈련 데이터 희소성 간의 균형을 고려할 때 최적의 셀 해상도는 무엇인가?
• RQ4 기존의 RSS 및 CSI 기반 다중 타겟 DFL 방법과 비교해 CoMuTe의 정렬 오차 분포는 어떠한가?
• RQ5 시그모이드 출력을 가진 다중 레이블 분류 프레임워크가 동시에 존재하는 여러 타겟을 정확하게 탐지할 수 있는가?

주요 결과

• CoMuTe는 정렬 오차 ≤ 0.5m인 경우 42%의 성공률을 기록하여 기존 최고 수준의 방법(다른 방법들에 비해 ≤9%)을 크게 뛰어넘었다.
• CoMuTe의 예측 약 68%는 오차가 1m 이내였으며, SA-M-SBL의 경우 32%, FitLoc의 경우 8%였다.
• AP-DP 링크 수가 증가할수록 정렬 오차가 감소하지만, 9개 링크를 초과하면 향상 폭이 둔화되어 성능-비용 균형을 고려해 9개 링크를 선택했다.
• 더 작은 셀 너비(예: 0.5m)는 CSI 변화가 부족하여 성능을 저하시키며 평균 오차를 증가시키지만, 1.00m 셀 너비가 최적의 균형을 이룬다.
• MLTF 이미지 표현 방식은 다중 링크 간의 시간-주파수 및 공간 다양성을 효과적으로 포착하여, CNN이 다중 타겟 탐지에 적합한 풍부하고 구별력 있는 특징을 추출할 수 있도록 했다.
• CoMuTe는 다중 타겟 정렬에서 뛰어난 강건성과 정확도를 보이며, 실내 환경에서 센티미터 수준의 정밀도를 달성했다.