[논문 리뷰] CrowdInside: Automatic Construction of Indoor Floorplans

Moustafa Alzantot, Moustafa Youssef|arXiv (Cornell University)|2012. 09. 17.

Indoor and Outdoor Localization Technologies참고 문헌 23인용 수 16

한 줄 요약

CrowdInside는 스마트폰 관성 센서를 활용하여 자동으로 정확한 실내 지도를 구성하는 컨소시엄 기반 시스템을 제안한다. 엘리베이터, 계단과 같은 앵커 포인트를 이용해 사라지는 정밀도 오차를 재설정함으로써, 중앙값 오차 거리에서 12배 이상 향상시키며, 최소 290개의 운동 세그먼트로도 사용자 간 분산 처리를 통해 정밀한 지도 추정이 가능하다.

ABSTRACT

The existence of a worldwide indoor floorplans database can lead to significant growth in location-based applications, especially for indoor environments. In this paper, we present CrowdInside: a crowdsourcing-based system for the automatic construction of buildings floorplans. CrowdInside leverages the smart phones sensors that are ubiquitously available with humans who use a building to automatically and transparently construct accurate motion traces. These accurate traces are generated based on a novel technique for reducing the errors in the inertial motion traces by using the points of interest in the indoor environment, such as elevators and stairs, for error resetting. The collected traces are then processed to detect the overall floorplan shape as well as higher level semantics such as detecting rooms and corridors shapes along with a variety of points of interest in the environment. Implementation of the system in two testbeds, using different Android phones, shows that CrowdInside can detect the points of interest accurately with 0.2% false positive rate and 1.3% false negative rate. In addition, the proposed error resetting technique leads to more than 12 times enhancement in the median distance error compared to the state-of-the-art. Moreover, the detailed floorplan can be accurately estimated with a a relatively small number of traces. This number is amortized over the number of users of the building. We also discuss possible extensions to CrowdInside for inferring even higher level semantics about the discovered floorplans.

연구 동기 및 목표

• 위치 기반 응용 프로그램을 위한 글로벌 범위의 실내 지도 부족 문제를 해결하기 위해.
• 스마트폰 운동 트레이스만을 사용하여 자동으로, 인프라가 없는 지도 구축을 가능하게 하기 위해.
• 환경 앵커 포인트를 활용해 오차 재설정을 통해 관성 기반 정밀도 추정 정확도를 향상시키기 위해.
• 컨소시엄 트레이스에서 실내 공간의 의미 체계, 예를 들어 방, 복도, 문, 관심 지점 등을 감지하고 분류하기 위해.
• 일반 소비자용 안드로이드 기기로 실제 테스트베드에서의 실현 가능성과 정확도를 입증하기 위해.

제안 방법

• 건물 내를 자연스럽게 이동하는 스마트폰의 컨소시엄 기반 관성 센서 데이터(가속도계, 자이로스코프, 자석계)를 활용한다.
• 감지된 앵커 포인트(예: 엘리베이터, 계단)를 활용해 누적된 정밀도 추정 오차를 보정하는 새로운 오차 재설정 기법을 적용한다.
• 운동 트레이스 패턴에 기반해 복도와 방을 구분하고, 개별 방을 분리하기 위해 클러스터링 및 분류 기법을 적용한다.
• 클러스터링된 운동 트레이스에서 기하학적 계산을 통해 방의 형태를 추론한다.
• 트레이스를 처리하여 지도 윤곽선과 문 위치, POI 위치와 같은 고수준 의미 체계를 감지한다.
• 궤적 특성에 기반해 공간 영역을 분류하고 분할하기 위해 기계 학습 기법을 활용한다.

실험 결과

연구 질문

• RQ1 기존 인프라 없이 스마트폰의 관성 센서 트레이스만으로 정확한 실내 지도를 구성할 수 있는가?
• RQ2 환경 앵커 포인트를 활용해 정밀도 추정의 오차 누적 문제를 효과적으로 완화할 수 있는가?
• RQ3 컨소시엄 운동 데이터에서 실내 지도 레이아웃과 의미 체계(방, 복도, 문 등)를 얼마나 정확하게 자동으로 유추할 수 있는가?
• RQ4 스마트폰 센서만으로 엘리베이터, 계단과 같은 앵커 포인트를 감지할 때 어떤 정도의 정확도를 달성할 수 있는가?
• RQ5 실제 건물에서 신뢰할 수 있는 지도 재구성에 필요한 운동 트레이스는 얼마나 필요한가?

주요 결과

• CrowdInside는 실제 배포에서 앵커 포인트를 0.2%의 가짜 양성률과 1.3%의 가짜 음성률로 감지한다.
• 제안된 오차 재설정 기법은 기존의 관성 전용 방법 대비 중앙값 오차 거리를 12배 이상 감소시킨다.
• 단지 290개의 운동 세그먼트만으로도 사용자 간 분산 처리를 통해 세부적인 지도를 정확히 재구성할 수 있다.
• 시스템은 운동 트레이스의 클러스터링 및 분류를 통해 복도와 방을 성공적으로 구분하고, 문 위치를 식별한다.
• 기존 건물 레이아웃 지식이나 특수 인프라 없이도 높은 정확도를 달성한다.
• 쇼핑몰과 대학 캠퍼스 두 개의 테스트베드에서의 평가를 통해 다양한 안드로이드 기기와 실제 환경 조건에서도 뛰어난 성능을 입증한다.