[논문 리뷰] Improving the Performance of Deep Learning for Wireless Localization

Ramdoot Pydipaty, Johnu George외 2명|arXiv (Cornell University)|2020. 06. 16.

Indoor and Outdoor Localization Technologies참고 문헌 15인용 수 4

한 줄 요약

이 논문은 딥러닝을 위한 자동 초파rameter 최적화와 오토에인코드어 및 단순 샘플링을 활용한 하이브리드 데이터 증강 기법을 도입하여 무선 위치 결정에 대한 딥러닝 성능을 향상시켰다. 실제 BLE RSSI 데이터셋에서 평균 위치 오차를 23.2피트에서 19.7피트로 15% 감소시켰으며, 모든 코드를 공개하여 재현성과 재사용을 보장하였다.

ABSTRACT

Indoor localization systems are most commonly based on Received Signal Strength Indicator (RSSI) measurements of either WiFi or Bluetooth-Low-Energy (BLE) beacons. In such systems, the two most common techniques are trilateration and fingerprinting, with the latter providing higher accuracy. In the fingerprinting technique, Deep Learning (DL) algorithms are often used to predict the location of the receiver based on the RSSI measurements of multiple beacons received at the receiver. In this paper, we address two practical issues with applying Deep Learning to wireless localization -- transfer of solution from one wireless environment to another \emph{and} small size of labelled data set. First, we apply automatic hyperparameter optimization to a deep neural network (DNN) system for indoor wireless localization, which makes the system easy to port to new wireless environments. Second, we show how to augment a typically small labelled data set using the unlabelled data set. We observed improved performance in DL by applying the two techniques. Additionally, all relevant code has been made freely available.

연구 동기 및 목표

• 수동 조정이 비현실적인 동적이고 실제 무선 환경에서 딥러닝 모델을 구현하는 데 도전하는 문제를 해결하기 위해.
• 비표본 데이터를 활용하여 소규모이고 불균형한 레이블 데이터셋을 증강함으로써 저데이터 환경에서 모델의 일반화 성능을 향상시키기 위해.
• 재학습 없이도 새로운 실내 레이아웃에 빠르고 자동으로 적응할 수 있는 딥러닝 모델을 가능하게 하기 위해.
• 정확하고 이식 가능하며 다양한 환경에서 활용 가능한 확장성 있는 오픈소스 솔루션을 개발하기 위해.

제안 방법

• 베이지안 최적화를 사용하여 학습률, 배치 크기, 은닉 유닛 수를 조정함으로써 RSSI 기반 위치 결정을 위한 딥 네트워크(DNN)에 자동 초파라미터 최적화를 적용하였다.
• 비표본 RSSI 측정치의 분포를 학습하기 위해 표준 오토에인코드어를 사용하고, 부족한 위치에 대해 합성 샘플을 생성하였다.
• 각 비콘의 각 위치에서 최소 및 최대 RSSI 값 사이를 균일하게 샘플링하여 새로운 샘플을 생성하는 단순 데이터 증강 방법을 구현하였다.
• 단순 증강과 오토에인코드어 기반 증강 기법을 융합하여 하이브리드 접근 방식을 도입함으로써 레이블 데이터의 다양성과 커버리지 최대화를 도모하였다.
• 증강된 데이터셋에서 Adam 옵timizer를 사용하여 DNN을 훈련하고 평가하며, 원본, 단순 증강, 오토에인코드어 기반 증강, 하이브리드 증강 데이터 간 성능을 비교하였다.
• 실제 라이브러리 환경에서 수집한 BLE 프린팅 데이터셋(원본 레이블 데이터 1420개, 비레이블 데이터 5191개)을 사용하여 결과를 검증하였다.

실험 결과

연구 질문

• RQ1 수동 조정 없이도 자동 초파라미터 최적화가 무선 위치 결정에서 딥러닝 모델의 성능을 향상시킬 수 있는가?
• RQ2 오토에인코드어를 활용한 비지도 데이터 증강이 RSSI 프린팅에 있어 저데이터 환경에서 모델의 일반화 성능을 효과적으로 향상시킬 수 있는가?
• RQ3 단순 증강과 오토에인코드어 기반 증강을 융합한 방법이 각각의 방법보다 더 나은 성능을 내는가?
• RQ4 이러한 기법들이 희소하고 불균형한 데이터를 가진 실제 실내 환경에서 위치 오차를 어느 정도 감소시킬 수 있는가?

주요 결과

• 하이브리드 데이터 증강 기법은 원본 데이터의 평균 위치 오차 23.2피트에서 19.7피트로 15% 향상시켰다.
• 오토에인코드어 기반 증강만으로도 평균 오차 20.7피트를 달성하여 단순 방법(21.9피트)보다 뛰어난 성능을 보였다.
• 단순 증강 방법은 레이블 데이터를 1420개에서 1608개로 증가시켜 원본 데이터보다 성능 향상을 이뤘다.
• 하이브리드 방법은 레이블 데이터를 346개(단순 188개 + 오토에인코드어 158개)로 증가시켜 모델 정확도 향상에서 가장 큰 성과를 거두었다.
• 자동 초파라미터 최적화의 사용으로 다양한 실내 환경에서 더 빠르고 스케일러블한 모델 적응이 가능해졌다.
• 모든 코드와 모델가 GitHub에 공개되어 재현성과 오픈소스 기반의 무선 위치 결정 분야의 추가 연구를 가능하게 하였다.