[논문 리뷰] Machine Learning Methods for User Positioning With Uplink RSS in Distributed Massive MIMO

K. N. R. Surya Vara Prasad, Ekram Hossain외 1명|arXiv (Cornell University)|2018. 01. 20.

Distributed Sensor Networks and Detection Algorithms참고 문헌 3인용 수 3

한 줄 요약

이 논문은 상향링크 수신 신호 강도(RSS)를 사용한 분산형 대규모 MIMO 시스템에서 사용자 위치 추정을 위한 가우시안 프로세스 회귀(GPR) 프레임워크를 제안한다. 이는 테스트 RSS 데이터에 노이즈가 존재할 경우 전통적인 GPR에서 과도하게 작은 오차 막대를 초래하는 심각한 문제를 다룬다. 이를 해결하기 위해 실질적인 2σ 오차 막대를 생성할 수 있도록 색잡이 노이즈를 고려한 수치적 근사 가우시안 프로세스(NaGP) 방법을 도입한다. 이는 BCRLB(베이지안 크래머-라오 하한)에 매우 가까운 RMSE 성능을 달성한다.

ABSTRACT

We consider a machine learning approach based on Gaussian process regression (GP) to position users in a distributed massive multiple-input multiple-output (MIMO) system with the uplink received signal strength (RSS) data. We focus on the scenario where noise-free RSS is available for training, but only noisy RSS is available for testing purposes. To estimate the test user locations and their 2σ error-bars, we adopt two state-of-the-art GP methods, namely, the conventional GP (CGP) and the numerical approximation GP (NaGP) methods. We find that the CGP method, which treats the noisy test RSS vectors as noise-free, provides unrealistically small 2σ error-bars on the estimated locations. To alleviate this concern, we derive the true predictive distribution for the test user locations and then employ the NaGP method to numerically approximate it as a Gaussian with the same first and second order moments. We also derive a Bayesian Cramer-Rao lower bound (BCRLB) on the achievable root- mean-squared-error (RMSE) performance of the two GP methods. Simulation studies reveal that: (i) the NaGP method indeed provides realistic 2σ error-bars on the estimated locations, (ii) operation in massive MIMO regime improves the RMSE performance, and (iii) the achieved RMSE performances are very close to the derived BCRLB.

연구 동기 및 목표

• 테스트 RSS 데이터에 색잡이 노이즈가 존재할 경우 전통적인 가우시안 프로세스 회귀(CGP)가 과도하게 작은 2σ 오차 막대를 제공하는 한계를 해결한다.
• 노이즈가 있는 테스트 데이터를 갖는 RSS 기반 위치 추정 시스템에서 사용자 위치 예측의 실질적인 불확실성 추정(오차 막대)을 도출하는 방법을 개발한다.
• 상향링크 RSS를 신호 지문으로 사용하는 분산형 대규모 MIMO 시스템에서 기계학습 기반 사용자 위치 추정의 성능을 조사한다.
• 예측 분산에 대한 선형 대수 연산을 통해 베이지안 크래머-라오 하한(BCRLB)을 유도하여 제안된 방법의 가능성을 평가하는 기준으로 삼는다.
• 대규모 MIMO 환경이 위치 추정 정확도를 얼마나 향상시키는지, 그리고 테스트 RSS에 노이즈를 고려함으로써 불확실성 추정이 어떻게 향상되는지 밝혀낸다.

제안 방법

• 알려진 사용자 위치, 경로 손실 모델, 기지국 안테나 위치에서 생성된 노이즈가 없는 RSS 데이터를 사용해 가우시안 프로세스 모델을 학습한다.
• 기존 GP(CGP)를 사용자 위치 예측에 적용하며, 노이즈가 있는 테스트 RSS를 노이즈가 없는 것으로 간주함으로써 과도하게 낙관적인 불확실성 추정을 초래한다.
• 노이즈가 있는 RSS 분포의 1차 및 2차 모멘트를 일치시켜 실제 사용자 위치 예측 분포를 근사하는 수치적 근사 가우시안 프로세스(NaGP) 방법을 도입한다.
• 모멘트 매칭을 통해 실제 예측 분포를 평균(위치 추정치)과 분산(실제 2σ 오차 막대)이 정확한 가우시안로 근사한다.
• 예측 분산에 대한 선형 대수 연산을 통해 베이지안 크래머-라오 하한(BCRLB)을 유도하며, 이는 성능 기준으로 기능한다.
• 다변량 가우시안의 조건부 분포 성질을 활용해 GP 프레임워크 내에서 RSS와 사용자 위치 간의 관계를 모델링한다.

실험 결과

연구 질문

• RQ1 왜 기존 GP 회귀는 사용자 위치 추정에 노이즈가 있는 테스트 RSS 데이터를 적용할 경우 과도하게 작은 2σ 오차 막대를 생성하는가?
• RQ2 노이즈가 있는 테스트 RSS 데이터를 갖는 RSS 기반 위치 추정에서 실질적인 불확실성 추정을 제공할 수 있는 수치적 근사 방법을 개발할 수 있는가?
• RQ3 제안된 NaGP 방법의 RMSE 및 불확실성 추정 성능는 기존 GP와 비교하여 어떻게 다른가?
• RQ4 기존 MIMO에 비해 대규모 MIMO 환경에서 운영할 경우 위치 추정 정확도는 어느 정도 향상되는가?
• RQ5 제안된 방법의 구현 가능한 RMSE 성능는 이론적 베이지안 크래머-라오 하한(BCRLB)에 얼마나 가까운가?

주요 결과

• 기존 GP(CGP) 방법은 테스트 RSS 데이터의 노이즈를 忽시하기 때문에 과도하게 작은 2σ 오차 막대를 생성하며, 이는 과도한 자신감을 갖는 불확실성 추정을 초래한다.
• 제안된 NaGP 방법은 테스트 RSS의 색잡이 노이즈의 통계적 성질을 고려함으로써 실질적인 2σ 오차 막대를 제공하여 보다 신뢰할 수 있는 불확실성 정량화를 가능하게 한다.
• 대규모 MIMO 환경에서 운영할 경우, 더 많은 안테나와 풍부한 신호 벡터 정보 덕분에 기존 MIMO에 비해 RMSE 성능이 크게 향상된다.
• NaGP 방법의 RMSE 성능는 유도된 베이지안 크래머-라오 하한(BCRLB)에 매우 가까워, 거의 최적의 추정 성능를 달성한다.
• BCRLB는 예측 분산에 대한 단순한 선형 대수 연산을 통해 계산될 수 있어, 위치 추정 시스템 성능 평가의 실용적 기준이 된다.
• 학습에 노이즈가 없는 RSS 데이터를 사용하는 것은 편리하지만, 더 높은 RMSE 성능를 초래하는 성능 트레이드오프를 수반함을 밝혀내었으며, 향후 연구에서는 개선된 근사 방법이 필요하다.