[논문 리뷰] Discriminative Learning-based Smartphone Indoor Localization

José Luis Carrera Villacrés, Zhongliang Zhao외 3명|arXiv (Cornell University)|2018. 04. 11.

Indoor and Outdoor Localization Technologies참고 문헌 20인용 수 9

한 줄 요약

이 논문은 Wi-Fi RSSI, 자기장 및 층별 평면도 데이터를 개선된 입자 필터에 융합하여 현장 조사 작업을 줄이는 학습 기반의 구분 학습 기반 스마트폰 실내 위치 기반 시스템을 제안한다. 기존의 조밀한 지문 기반 방법 대비 밀도 높은 현장 조사 대신 실내 공간의 방 수준의 지표점 탐지에만 의존하는 구분 학습 기반 기법을 사용함으로써, 전통적인 지문 기반 방법보다 89% 적은 오프라인 작업으로 평균 1.55m의 정확도를 달성한다.

ABSTRACT

Due to the growing area of ubiquitous mobile applications, indoor localization of smartphones has become an interesting research topic. Most of the current indoor localization systems rely on intensive site survey to achieve high accuracy. In this work, we propose an efficient smartphones indoor localization system that is able to reduce the site survey effort while still achieving high localization accuracy. Our system is built by fusing a variety of signals, such as Wi-Fi received signal strength indicator, magnetic field and floor plan information in an enhanced particle filter. To achieve high and stable performance, we first apply discriminative learning models to integrate Wi-Fi and magnetic field readings to achieve room level landmark detection. Further, we integrate landmark detection, range-based localization models, with a graph-based discretized system state representation. Because our approach requires only discriminative learning-based room level landmark detections, the time spent in the learning phase is significantly reduced compared to traditional Wi-Fi fingerprinting or landmark-based approaches. We conduct experimental studies to evaluate our system in an office-like indoor environment. Experiment results show that our system can significantly reduce the learning efforts, and the localization method can achieve performance with an average localization error of 1.55 meters.

연구 동기 및 목표

• 실내 위치 기반 시스템에서 현장 조사에 소요되는 시간과 노력을 줄이기 위해.
• 스마트폰 센서를 활용해 최소한의 오프라인 캘리브레이션으로 높은 위치 기반 정확도를 달성하기 위해.
• 밀도 높은 지문 기반 방법을 대체하기 위해 실내 공간의 방 수준 지표점 탐지를 위한 구분 학습 기반 기법을 통합하기 위해.
• 서버 지원 없이 실시간으로 기기 내에서 위치 기반을 수행할 수 있도록 하기 위해.
• 기존 방법들인 KNN, 칼만 필터링, 삼각측량 기반 방법보다 더 높은 내구성과 안정성을 확보하기 위해.

제안 방법

• 상태 추정을 위해 개선된 입자 필터를 사용하여 Wi-Fi RSSI, 자기장 읽기 및 층별 평면도 데이터를 융합한다.
• 실내 공간의 방 수준 지표점을 Wi-Fi 및 자기장 신호에서 탐지하기 위해 구분 학습 모델(예: SVM, KNN)을 활용한다.
• 실내 환경을 모델링하고 위치 기반의 일관성을 향상시키기 위해 그래프 기반의 이산화된 상태 표현 방식을 사용한다.
• 거리 추정 정확도를 향상시키기 위해 복합 NLR-LDPL 거리 측정 방법을 적용한다.
• 고정된 조사 지점 방식을 피하기 위해 오프라인 단계의 복잡도를 줄이며, 3Hz 속도로 기회적 데이터 수집을 수행한다.
• 20개의 기준점 데이터를 사용해 거리 파라미터를 추정하고, 입자 필터 프레임워크 내에서 가능도 추정을 적용한다.

실험 결과

연구 질문

• RQ1 구분 학습 기반의 지표점 탐지 기법이 실내 위치 기반에서 밀도 높은 현장 조사의 필요성을 줄일 수 있는가?
• RQ2 Wi-Fi, 자기장 및 층별 평면도 데이터의 융합이 위치 기반 정확도와 안정성에 어떻게 기여하는가?
• RQ3 스마트폰 기반 시스템에서 위치 기반 정확도와 오프라인 캘리브레이션 노력 사이의 상충 관계는 어떠한가?
• RQ4 제안된 방법은 KNN, 칼만 필터링 및 비선형 최소 제곱 삼각측량 기반 방법과 비교해 실시간 성능과 정확도에서 어떤가?
• RQ5 기기 내에서 실행되며 외부 서버 지원 없이도 최소한의 오프라인 데이터 수집으로 높은 정확도를 달성할 수 있는가?

주요 결과

• 제안된 시스템은 실제 사무실 유사 환경에서 평균 위치 기반 오차 1.55미터를 달성한다.
• 90프센트일치 오차는 2.8미터로, 다양한 조건에서도 높은 신뢰성을 보여준다.
• 오프라인 캘리브레이션 시간은 약 49분으로, 지문 기반 KNN(460분) 대비 89% 감소하였다.
• 3Hz 속도로 3,712개의 지표점 인스턴스를 수집하는 데 단 21분이 소요되어 데이터 수집 노력이 크게 줄었다.
• 기존의 KNN, 칼만 필터링 및 비선형 최소 제곱 삼각측량 기반 방법보다 정확도와 안정성에서 뛰어난 성능을 보였다.
• 서버 지원 없이도 스마트폰에서 실시간 위치 기반을 수행할 수 있도록 했다.