[논문 리뷰] Dataset of Pathloss and ToA Radio Maps With Localization Application

Çağkan Yapar, Ron Levie외 2명|arXiv (Cornell University)|2022. 11. 18.

Indoor and Outdoor Localization Technologies인용 수 14

한 줄 요약

이 논문은 701개의 실제 도시 지도에서 고정밀 레이 트레이싱( WinProp)을 사용하여 조밀한 도시 환경에서 시뮬레이션된 경로 손실 및 도착 시간(ToA) 무선 맵의 공개 데이터셋을 제시한다. 이 데이터셋은 RSS 기반 및 ToA 기반 국소화 방법 간의 공정한 비교를 가능하게 하며, 1m 공간 해상도와 현실적인 신호 탐지 임계값을 위한 철저한 절단을 통해 딥러닝 기반 무선 맵 예측을 지원한다.

ABSTRACT

In this article, we present a collection of radio map datasets in dense urban setting, which we generated and made publicly available. The datasets include simulated pathloss/received signal strength (RSS) and time of arrival (ToA) radio maps over a large collection of realistic dense urban setting in real city maps. The two main applications of the presented dataset are 1) learning methods that predict the pathloss from input city maps (namely, deep learning-based simulations), and, 2) wireless localization. The fact that the RSS and ToA maps are computed by the same simulations over the same city maps allows for a fair comparison of the RSS and ToA-based localization methods.

연구 동기 및 목표

• 도시 환경을 위한 공개 가능하고 고해상도이며 일관성 있는 무선 맵 데이터셋의 부족을 해결하기 위해.
• RSS 기반 및 ToA 기반 무선 국소화 방법 간의 공정한 비교를 위해 두 메트릭스에 동일한 시뮬레이션 프레임워크를 사용함으로써.
• 경로 손실 및 ToA의 대규모이고 현실적인 시뮬레이션을 제공함으로써 딥러닝 기반 무선 맵 예측을 지원하기 위해.
• 측정 캠프에 의해 수집하기 어려운 1m의 세밀한 해상도를 가진 무선 맵을 통해 고정밀 국소화 연구를 촉진하기 위해.
• NLOS 비bias를 포함한 현실적인 도시 전파 조건 하에서 ToA 기반 거리 측정 알고리즘 평가를 위한 벤치마크를 제공하기 위해.

제안 방법

• OpenStreetMap에서 확보한 701개의 실제 도시 지도를 대상으로 WinProp의 주요 경로 모델(DPM) 및 지능형 레이 트레이싱(IRT)을 사용하여 경로 손실 및 ToA 무선 맵을 시뮬레이션하였으며, 2회 및 4회 상호작용(I RT2, IRT4)을 고려하였다.
• 지상 수준(D2D) 및 屋상 수준(셀룰러 기지국) 구성 모두에 대해 256×256m 맵당 80개의 송신기로 총 56,080개의 시뮬레이션을 수행하였다.
• 해석적 임계값(P_L,trnc) 이하의 경로 손실 값을 절단하였으며, M₁ - P_L,thr = 4(P_L,thr - P_L,trnc)를 만족시키며, 여기서 M₁은 데이터셋 내 최대 경로 손실이다.
• 경로 손실을 회색조 값(0–255)으로 매핑하기 위해 f = max{(P_L - P_L,trnc)/(M₁ - P_L,trnc), 0}을 사용하였으며, f=0은 탐지 임계값 이하의 신호를 나타낸다.
• 재현성 및 통합을 위해 송신기 위치, 도시 지도, 도로 네트워크를 .png 이미지 및 다각형 좌표를 포함한 .json 파일 형식으로 제공하였다.
• 건물과 차량에 대해 일관된 재질 모델을 사용하였으며, ToA 값이 경로 손실과 동일한 레이 트레이싱 시뮬레이션에서 유도되었음을 보장하여 국소화 방법 간 직접 비교를 가능하게 하였다.

실험 결과

연구 질문

• RQ1 동일한 도시 무선 환경과 시뮬레이션 모델을 사용할 때, RSS 기반 국소화의 성능은 ToA 기반 국소화와 어떻게 비교되는가?
• RQ2 도시 NLOS 조건에서 주요 경로 ToA 측정을 사용할 경우, 직접 경로 추정 대비 거리 측정 오차는 어느 정도 제한되는가?
• RQ3 이 데이터셋으로 훈련된 딥러닝 모델은 고해상도의 도시 지도 입력으로부터 경로 손실 및 ToA를 정확하게 예측할 수 있는가?
• RQ4 시뮬레이션 정밀도(예: IRT2 대비 IRT4)는 국소화 응용 분야에서 무선 맵의 현실성과 유용성에 어떤 영향을 미치는가?
• RQ5 경로 손실 임계값(P_L,trnc)의 선택은 신호 탐지 가능성과 국소화 알고리즘 성능에 어떤 영향을 미치는가?

주요 결과

• 데이터셋의 47%의 링크가 직접 경로와 주요 경로 간의 NLOS 비bias의 경험적 CDF를 기반으로 시선(LOS)으로 확인되었다.
• 비시선 조건에서 주요 경로는 반사가 있는 자유공간 경로보다 낮은 NLOS 비bias를 유도하므로, ToA 기반 거리 측정에 대해 준최적의 성능을 보인다.
• 해석적 경로 손실 임계값(P_L,trnc)은 P_L,trnc와 P_L,thr 사이의 다이내믹 레인지가 전체 경로 손실 범위의 1/5가 되도록 설정되어 있어 현실적인 신호 탐지 모델링을 보장한다.
• 이 데이터셋의 1m 해상도는 측정 기반 무선 맵으로는 실현 불가능한 고정밀 국소화 연구를 가능하게 하며, 이는 매우 높은 정확도를 요구하는 연구에 유리하다.
• RSS 및 ToA 모두 동일한 시뮬레이션 엔진( WinProp)을 사용함으로써 일관성이 확보되어 RSS 대비 ToA 기반 국소화 알고리즘의 공정한 벤치마크가 가능해졌다.
• 이 데이터셋은 커버리지 분류, 프린팅 기반 국소화, 딥러닝 기반 무선 맵 생성과 같은 고급 응용 분야를 지원한다.