[논문 리뷰] Online Target Localization using Adaptive Belief Propagation in the HMM Framework

Min-Won Seo, Solmaz S. Kia|arXiv (Cornell University)|2022. 03. 08.

Indoor and Outdoor Localization Technologies참고 문헌 31인용 수 11

한 줄 요약

이 논문은 초광대역(UWB) 센서를 사용한 효율적이고 온라인 타겟 로컬라이제이션을 가능하게 하기 위해 은닉 마르코프 모델(HMM) 프레임워크 내에서 적응형 신뢰도 전파 방법을 제안한다. 계층적 k-d 트리 유사 그리드 정밀화 전략을 활용함으로써 고해상도 상태 공간에서의 계산 및 메모리 비용을 줄였으며, 가우시안 가정이나 선형화를 필요로 하지 않음으로써 높은 정확도를 유지한다. 이로 인해 메모리 사용량이 최대 99% 감소하고 실시간 추적 시나리오에서 빠른 처리 속도를 달성한다.

ABSTRACT

This paper proposes a novel adaptive sample space-based Viterbi algorithm for target localization in an online manner. The method relies on discretizing the target's motion space into cells representing a finite number of hidden states. Then, the most probable trajectory of the tracked target is computed via dynamic programming in a Hidden Markov Model (HMM) framework. The proposed method uses a Bayesian estimation framework which is neither limited to Gaussian noise models nor requires a linearized target motion model or sensor measurement models. However, an HMM-based approach to localization can suffer from poor computational complexity in scenarios where the number of hidden states increases due to high-resolution modeling or target localization in a large space. To improve this poor computational complexity, this paper proposes a belief propagation in the most probable belief space with a low to high-resolution sequentially, reducing the required resources significantly. The proposed method is inspired by the k-d Tree algorithm (e.g., quadtree) commonly used in the computer vision field. Experimental tests using an ultra-wideband (UWB) sensor network demonstrate our results.

연구 동기 및 목표

• 큰 또는 고해상도 상태 공간에서 전통적인 HMM 기반 타겟 로컬라이제이션의 높은 계산 및 메모리 비용을 해결하기 위해.
• 가우시안 잡음 모델이나 선형화된 운동/관측 모델에 의존하지 않고도 온라인 실시간 타겟 로컬라이제이션을 가능하게 하기 위해.
• 가장 가능성 있는 신뢰도 영역에서만 해상도를 동적으로 정밀화하는 확장 가능한 적응형 샘플링 전략을 개발하기 위해.
• 비선형 라인오브사이트(NLoS) 조건과 신호 차단이 있는 도전적인 실내 환경에서의 강건성을 향상시키기 위해.

제안 방법

• 2차원 운동 공간가 격자 셀으로 나누어 은닉 상태를 나타내는 이산 상태 HMM 프레임워크를 사용한다.
• 가우시안 가정이나 선형화 없이 베이지안 추정 방법을 사용하여 비선형 운동 및 센서 동역학의 탄력적 모델링을 가능하게 한다.
• 동적 프로그래밍을 통해 상태 공간에서 최대 a posteriori(MAP) 궤적 추정을 위한 비터비 알고리즘을 적용한다.
• 쿼드트리 유사 계층적 격자 구조를 사용한 적응형 신뢰도 전파를 도입하여 저해상도 격자에서 시작하여 높은 가능성 영역에서만 정밀화한다.
• 신뢰도 전파에 기반해 샘플링 공간의 해상도를 동적으로 조정함으로써 각 시간 단계에서 처리하는 상태 수를 줄인다.
• 전이 확률 P(xt|xt−1)와 관측 확률 P(ot|xt)를 조합한 재귀적 베이지안 추론 프레임워크를 사용해 신뢰도를 업데이트한다.

실험 결과

연구 질문

• RQ1 HMM 기반 로컬라이제이션 프레임워크는 가우시안 잡음이나 선형화된 모델을 가정하지 않고도 높은 정확도를 달성할 수 있는가?
• RQ2 고해상도 이산화로 인해 은닉 상태 수가 증가할 경우 HMM 기반 온라인 로컬라이제이션에서 계산 및 메모리 비용을 어떻게 줄일 수 있는가?
• RQ3 신뢰도 전파 기반의 계층적 적응형 샘플링 전략은 자원 사용을 크게 줄이면서도 로컬라이제이션 정확도를 유지할 수 있는가?
• RQ4 실제 UWB 신호 열화 조건(예: NLoS 조건 및 신호 차단)에서 제안된 방법은 어떻게 성능을 발휘하는가?

주요 결과

• 첫 번째 실험에서 제안된 적응형 HMM 방법은 기존 비터비 방법 대비 메모리 사용량을 93% 감소시켜 778만 셀에서 54만 셀로 줄였고, 계산 시간도 99.7% 감소시켜 2433초에서 5.95초로 단축시켰다.
• 두 번째 시나리오에서 적응형 HMM은 평균 루프 클로เจอ링 에러(LCE) 0.26m를 기록하여 PF(0.51m), EKF(1.08m), E-RTS(0.67m)를 모두 능가하며, 신호 편향과 차단 상황에서도 강건성을 입증했다.
• 첫 번째 시나리오에서 위치 RMSE는 0.56m를 기록했으며, 기존 비터비 방법(0.49m)과 비교해 단지 0.07m 높을 뿐이었고, 이는 극단적인 자원 감소에도 불구하고 정확도 손실가 최소화되었음을 시사한다.
• 신호 단절(예: 27–29.5초 및 49–54초) 동안에도 적응형 방법은 다른 방법보다 비교적 미약하게 RMSE가 증가하는 등 높은 정확도를 유지했다.
• 장애물로 인한 편향된 UWB 측정치를 효과적으로 처리했으며, 적응형 HMM은 트리라테라션 및 파article 필터 방법보다 뛰어난 성능을 보였다.
• 대규모 실내 환경에서도 확장성과 효율성을 입증하여, 최소한의 계산 부하로 실시간 온라인 로컬라이제이션을 가능하게 했다.