[논문 리뷰] DeepWiTraffic: Low Cost WiFi-Based Traffic Monitoring System Using Deep Learning

Myounggyu Won, Sayan Sahu외 1명|arXiv (Cornell University)|2018. 12. 19.

Indoor and Outdoor Localization Technologies참고 문헌 34인용 수 7

한 줄 요약

DeepWiTraffic는 두 대의 WiFi 송수신기로 채널 상태 정보(CSI)를 이용해 차량을 탐지하고 분류하는 저비용·비침습적 WiFi 기반 교통 모니터링 시스템을 제안한다. 공간적·시간적 상관관계를 갖는 CSI 진폭 및 위상 데이터를 컨볼루션 신경망(CNN)으로 처리함으로써 실생활 농촌 도로 데이터에서 99.4%의 탐지 정확도와 평균 91.1%의 분류 정확도를 달성한다.

ABSTRACT

A traffic monitoring system (TMS) is an integral part of Intelligent Transportation Systems (ITS). It is an essential tool for traffic analysis and planning. One of the biggest challenges is, however, the high cost especially in covering the huge rural road network. In this paper, we propose to address the problem by developing a novel TMS called DeepWiTraffic. DeepWiTraffic is a low-cost, portable, and non-intrusive solution that is built only with two WiFi transceivers. It exploits the unique WiFi Channel State Information (CSI) of passing vehicles to perform detection and classification of vehicles. Spatial and temporal correlations of CSI amplitude and phase data are identified and analyzed using a machine learning technique to classify vehicles into five different types: motorcycles, passenger vehicles, SUVs, pickup trucks, and large trucks. A large amount of CSI data and ground-truth video data are collected over a month period from a real-world two-lane rural roadway to validate the effectiveness of DeepWiTraffic. The results validate that DeepWiTraffic is an effective TMS with the average detection accuracy of 99.4% and the average classification accuracy of 91.1% in comparison with state-of-the-art non-intrusive TMSs.

연구 동기 및 목표

• 농촌 도로망에서 기존 교통 모니터링 시스템(TMS)의 높은 구축 및 유지보수 비용 문제를 해결한다.
• 유도 고리, 도로면 센서 등 침습적 시스템의 한계를 극복한다. 이는 차선 통제와 높은 설치 비용을 수반한다.
• 일반 소매 WiFi 하드웨어를 활용해 비침습적·이동식·저비용 TMS의 대안을 개발한다.
• 사생활 침해가 우려되는 카메라 없이도 정확한 차량 탐지 및 분류(오토바이, 승용차, SUV, 피크업 트럭, 대형 트럭)를 가능하게 한다.
• 지나가는 차량에 의해 유도되는 고유한 CSI 특성을 활용해 두 대의 WiFi 송수신기만으로도 높은 성능을 달성한다.

제안 방법

• 두 대의 일반 소매 WiFi 송수신기(TX 및 RX)를 사용해 농촌 이차선 도로에서 다수의 서브밴드(실험에서는 30개)의 CSI 데이터를 수집한다.
• 다중 서브밴드 CSI 진폭 데이터를 단일 차원으로 압축하기 위해 주성분 분석(PCA)을 적용함으로써 처리 속도 향상과 탐지 정확도 향상을 도모한다.
• 이동 중인 차량에 의해 유도되는 CSI 위상 변화에 대한 민감도를 향상시키기 위해 선형 변환 기반 위상 전처리 기법을 구현한다.
• 전처리된 CSI 데이터(진폭 및 위상)를 CNN 입력용 이미지 유사 표현으로 변환한다.
• CSI 이미지에서 공간-시간적 특징을 자동으로 추출하기 위해 CNN을 훈련시켜 종단 간 차량 분류를 수행한다.
• 실제 차량 유형과의 성능 비교를 위해 한 달 간의 참값 영상 데이터를 수집해 탐지 및 분류 성능를 검증한다.

실험 결과

연구 질문

• RQ1 농촌 도로에서 저비용·비침습적 방식으로 WiFi CSI를 효과적으로 활용해 차량을 탐지하고 분류할 수 있는가?
• RQ2 CSI 진폭 및 위상 데이터의 공간적·시간적 상관관계는 다양한 차량 유형을 구분하는 데 어떻게 기여하는가?
• RQ3 PCA 및 위상 전처리 기법은 계산 부담을 줄이면서도 탐지 및 분류 정확도를 얼마나 향상시킬 수 있는가?
• RQ4 실생활 농촌 환경에서 제안된 CNN 기반 모델은 최신 비침습적 TMS 솔루션과 비교해 어떤 성능을 보이는가?
• RQ5 환경 노이즈와 저속 이동 장애물(예: 보행자)이 존재하는 상황에서도 성능 저하 없이 높은 정확도를 유지를 할 수 있는가?

주요 결과

• DeepWiTraffic는 모든 차량 유형에서 평균 99.4%의 차량 탐지 정확도를 달성하여 거의 완벽한 탐지 능력을 입증한다.
• 시스템은 오토바이, 승용차, SUV, 피크업 트럭, 대형 트럭 등 다섯 가지의 구체적인 차량 유형에 대해 평균 91.1%의 분류 정확도를 확보한다.
• PCA 기반 차원 축소 기법은 30개의 CSI 서브밴드를 단일 성분으로 효과적으로 압축하여 처리 속도를 크게 향상시키면서도 탐지 정밀도를 유지한다.
• 선형 위상 전처리 기법은 차량에 의해 유도되는 CSI 위상의 동적 변화를 성공적으로 포착하여 분류 성능 향상에 기여한다.
• 이미지 형식의 CSI 데이터를 기반으로 훈련된 CNN 기반 모델은 전통적인 머신러닝 접근 방식에 비해 특징 추출 및 분류 정확도에서 뛰어난 성능을 보인다.
• 시스템은 환경 노이즈와 저속 이동 물체에 대해 강건성을 입증하였으며, 한 달 간의 실생활 농촌 환경 데이터 수집 기간 동안 높은 정확도를 유지한다.