[논문 리뷰] Modeling and interpolation of the ambient magnetic field by Gaussian processes

Arno Solin, Manon Kok외 3명|arXiv (Cornell University)|2015. 09. 15.

Gaussian Processes and Bayesian Inference인용 수 5

한 줄 요약

이 논문은 맥스웰 방정식을 기반으로 한 물리적으로 타당한 사전 분포를 갖춘 베이지안 비모수적 방법을 제안하며, 가우시안 프로세스(GPs)를 사용하여 환경 자기장을 모델링하고 보간한다. 자기장은 잠재적 스칼라 포텐셜 함수를 통해 모델링되고 힐버트 공간 표현을 활용함으로써 효율적이고 확장 가능하며 계산적으로 다룰 수 있는 보간과 온라인 업데이트를 가능하게 하며, 스마트폰과 모바일 로봇을 사용한 실세계 실내 맵핑에서 뛰어난 성능을 보여준다.

ABSTRACT

Anomalies in the ambient magnetic field can be used as features in indoor positioning and navigation. By using Maxwell's equations, we derive and present a Bayesian non-parametric probabilistic modeling approach for interpolation and extrapolation of the magnetic field. We model the magnetic field components jointly by imposing a Gaussian process (GP) prior on the latent scalar potential of the magnetic field. By rewriting the GP model in terms of a Hilbert space representation, we circumvent the computational pitfalls associated with GP modeling and provide a computationally efficient and physically justified modeling tool for the ambient magnetic field. The model allows for sequential updating of the estimate and time-dependent changes in the magnetic field. The model is shown to work well in practice in different applications: we demonstrate mapping of the magnetic field both with an inexpensive Raspberry Pi powered robot and on foot using a standard smartphone.

연구 동기 및 목표

• 베이지안 비모수적 방법을 활용해 실내 자기장을 물리적으로 타당한 원리에 기반해 보간하고 외삽할 수 있는 확률적 모델을 개발한다.
• 자기장의 코일이 없는 성질(자기정적 필드의 코일이 없는 성질)을 반영한 맥스웰 방정식의 물리적 제약 조건을 가우시안 프로세스 프레임워크에 통합한다.
• 라플라스 연산자의 고유기저를 사용해 힐버트 공간에 재정의함으로써 GP를 재구성함으로써 대규모 자기장 맵핑에 대한 계산 효율성을 확보한다.
• 이동하는 가구와 같은 시간에 따라 변화하는 외란을 처리하기 위해 자기장의 순차적이고 온라인 추정을 가능하게 한다.
• 저비용 센서인 스마트폰과 바퀴 달린 로봇을 활용한 실세계 시나리오에서 방법을 검증한다.

제안 방법

• 잠재적 스칼라 포텐셜 함수에 가우시안 프로세스 사전분포를 적용함으로써, 유도된 자기장이 코일이 없고 자기정적 필드의 맥스웰 방정식과 일치함을 보장한다.
• 라플라스 연산자의 고유함수를 사용해 힐버트 공간에 모델을 재구성함으로써 관측 수에 대해 선형 계산 복잡도를 달성한다.
• GP 프레임워크 내의 바이어스 항으로 지구 자기장을 명시적으로 모델링한다.
• 실시간 업데이트와 자기장의 시간적 변화에 대한 적응을 가능하게 하기 위해 순차적 추론 기법을 적용한다.
• 배치 추정과 온라인 추정을 모두 지원하며, 경계 확률을 시각화하기 위해 분산의 여백을 투명도로 표현한다.
• 다양한 GP 사전분포를 비교하기 위해 프레임워크를 확장한다: 독립형, 공유 초모수, 코일이 없는(스칼라 포텐셜) 모델.

실험 결과

연구 질문

• RQ1 맥스웰 방정식을 기반으로 한 물리적으로 타당한 가우시안 프로세스 사전분포가 실내 자기장의 보간 정확도를 향상시킬 수 있는가?
• RQ2 잠재적 스칼라 포텐셜 함수를 통한 모델링이 독립형 또는 공유 초모수 GP 사전분포에 비해 벡터장 성분을 얼마나 잘 모델링하는가?
• RQ3 힐버트 공간에 기반한 GP 모델 재구성은 정확도를 유지하면서도 자기장 맵핑에서 선형 계산 복잡도 O(N)를 달성할 수 있는가?
• RQ4 실세계 환경에서 시간에 따라 변화하는 자기장을 얼마나 잘 순차적으로 추정할 수 있는가?
• RQ5 스마트폰과 모바일 로봇의 실제 센서 데이터를 기반으로 기준 방법과 비교했을 때, 제안된 방법은 정확도와 강인성 측면에서 얼마나 우수한가?

주요 결과

• 스칼라 포텐셜 기반 GP 모델은 물리적 제약 조건을 고려할 경우 독립형 및 공유 초모수 GP 모델보다 보간 정확도에서 뚜렷한 우수성을 보인다.
• 힐버트 공간 기반 추론 기법은 O(N) 선형 계산 복잡도를 달성하여 고밀도 자기장 측정 데이터에서의 대규모 데이터셋에 대해 확장 가능하다.
• 보행 중 스마트폰을 사용한 실내 자기장 맵핑에서 정확한 공간 보간과 불확실성 정량화를 달성했다.
• 바퀴 달린 로봇을 활용한 온라인 맵핑 시스템은 최소한의 지연으로 자기장 추정치를 실시간으로 순차 업데이트함을 입증했다.
• 모델은 기저 자기장 변화를 효과적으로 포착하고, 이동하는 가구나 장비로 인한 시간에 따라 변화하는 변화에 적응함을 확인했다.
• 시뮬레이션 결과는 물리적 지식(코일이 없는 필드)을 통합할 경우 외삽 성능이 향상되고 측정되지 않은 영역의 불확실성이 감소함을 확인했다.