[논문 리뷰] Predicting Floor-Level for 911 Calls with Neural Networks and Smartphone Sensor Data

William Falcon, Henning Schulzrinne|arXiv (Cornell University)|2017. 10. 29.

Evacuation and Crowd Dynamics인용 수 5

한 줄 요약

이 논문은 빌딩의 층 수를 정확하게 예측하는 자체 완전한 시스템을 제시한다. 이는 스마트폰 센서를 사용하여 높은 빌딩 내 911 신고자의 층 수를 예측하는 것으로, 구비된 빔, 이전 빌딩 지식, 사용자 행동 모델이 필요하지 않다. 구체적으로 LSTM 기반 실내-외 분류기와 기압 변화를 활용하여 뉴욕시 빌딩에서 63회의 실제 시험에서 100%의 정확도를 달성하였다.

ABSTRACT

In cities with tall buildings, emergency responders need an accurate floor level location to find 911 callers quickly. We introduce a system to estimate a victim's floor level via their mobile device's sensor data in a two-step process. First, we train a neural network to determine when a smartphone enters or exits a building via GPS signal changes. Second, we use a barometer equipped smartphone to measure the change in barometric pressure from the entrance of the building to the victim's indoor location. Unlike impractical previous approaches, our system is the first that does not require the use of beacons, prior knowledge of the building infrastructure, or knowledge of user behavior. We demonstrate real-world feasibility through 63 experiments across five different tall buildings throughout New York City where our system predicted the correct floor level with 100% accuracy.

연구 동기 및 목표

• 고층 도시 빌딩 내 911 응급 신고 시 정확한 층 수 위치 파악의 필수적 필요성을 해결한다.
• GPS와 Wi-Fi의 수직 위치 측정 한계를 극복하기 위해 스마트폰 기압계와 센서 융합을 활용한다.
• 기초 시설 지원, 이전 빌딩 데이터, 사용자별 캘리브레이션 없이도 작동하는 시스템을 개발한다.
• 표준 스마트폰 센서와 머신러닝만을 사용하여 실시간 정확한 층 수 추정을 가능하게 한다.
• 다양한 빌딩 유형에 걸쳐 광범위한 실제 시험을 통해 타당성과 확장 가능성을 입증한다.

제안 방법

• GPS, RSSI, 자이로스코프 데이터를 사용하여 LSTM 모델을 훈련하여 스마트폰 상태를 실내 또는 실외로 분류한다.
• 빌딩 입구에서 실내 위치까지 측정한 기압 차이를 이용해 수직 이동 거리를 추정한다.
• 경우의 수에 따라 고정된 히우리스틱 층 높이(m = 4.02 m) 또는 빌딩별로 지정된 m 값들을 적용하여 기압 차이를 층 수로 변환한다.
• 반복적인 빌딩 방문 데이터를 기반으로 클러스터링 알고리즘을 적용하여 층에서 천장까지의 거리를 학습함으로써 비지도 학습 기반의 층 수 추정을 가능하게 한다.
• 고유의 iOS 앱(Sensory)을 통해 1Hz 속도로 센서 데이터를 수집하며, 분석 및 모델 훈련을 위해 저장한다.
• 절대 기압 차이(ΔP)와 고도 방정식을 사용하여 고도 변화를 추정한다: Δh = (R_d * T) / (g * M) * ln(P0/P), 여기서 P0와 P는 기준 압력과 현재 압력이다.

실험 결과

연구 질문

• RQ1 GPS, RSSI, 자이로스코프 데이터만을 사용하여 LSTM 기반 분류기가 스마트폰의 실내/실외 상태를 정확히 구분할 수 있는가?
• RQ2 빌딩의 구조에 대한 사전 지식 없이 스마트폰 센서의 기압 변화로 층 수를 얼마나 정확히 추정할 수 있는가?
• RQ3 고정된 히우리스틱 층 높이를 사용할 때와 빌딩별로 지정된 높이 값을 사용할 때 층 수 예측 정확도가 어떻게 달라지는가?
• RQ4 반복적인 빌딩 방문을 통해 비지도 클러스터링 알고리즘이 층에서 천장까지의 거리를 성공적으로 추정할 수 있는가?
• RQ5 기초 시설이나 사용자 캘리브레이션 없이도 다양한 고층 빌딩 환경에서 일반화 가능한가?

주요 결과

• LSTM 분류기는 90.3%의 정확도를 기록하여 로지스틱 회귀, SVM, 랜덤 포레스트, HMM보다 뛰어난 성능을 보였다.
• 고정된 히우리스틱 층 높이(m = 4.02 m)를 사용할 경우, 63회의 시험 중 65.0%의 정확도로 정확한 층을 예측하였다.
• 빌딩별로 지정된 층-천장 높이 값을 사용할 경우, 층 수 예측 정확도가 100%에 도달하였다.
• 반복적인 방문 데이터를 기반으로 기압 차이의 클러스터링이 고도를 높은 정밀도로 추정하는 데 성공하였으며, 예를 들어 유리스 홀의 경우 7층에서 8층 사이의 실제 3.5m와 비교해 3.47m로 추정하였다.
• 외부 기초 시설이나 사전 지식 없이도 뉴욕시 내 5개의 고층 빌딩에서 실제 환경에서의 타당성을 입증하였다.
• 이 방법은 강건하고 일반화 가능하며, 단지 GPS와 기압계 센서가 내장된 스마트폰만 필요하고, 사용자나 빌딩별 캘리브레이션 없이도 작동한다.