[논문 리뷰] Real-time Localization Using Radio Maps

Çağkan Yapar, Ron Levie외 2명|arXiv (Cornell University)|2020. 06. 09.

Indoor and Outdoor Localization Technologies참고 문헌 20인용 수 4

한 줄 요약

이 논문은 도시 무선 통신망에서 기지국의 수신 신호 세기(RSS) 측정값을 사용하여 실시간으로 작동하는 라디오 맵 기반 위치 결정 방법을 제안한다. RadioUNet—딥 러닝 기반의 경로 손실 시뮬레이터—를 활용하여 정확한 라디오 맵을 구축하고, 신호 세기 등고선의 합산을 통해 사용자 단말(UE)의 위치를 추정함으로써, 차량과 같은 동적 장애물이 존재하는 복잡한 도시 환경에서도 2미터 이내의 정확도를 달성한다.

ABSTRACT

This paper deals with the problem of localization in a cellular network in a dense urban scenario. Global Navigation Satellite System typically performs poorly in urban environments when there is no line-of-sight between the devices and the satellites, and thus alternative localization methods are often required. We present a simple yet effective method for localization based on pathloss. In our approach, the user to be localized reports the received signal strength from a set of base stations with known locations. For each base station we have a good approximation of the pathloss at each location in the map, provided by RadioUNet, an efficient deep learning-based simulator of pathloss functions in urban environment, akin to ray-tracing. Using the approximations of the pathloss functions of all base stations and the reported signal strengths, we are able to extract a very accurate approximation of the location of the user.

연구 동기 및 목표

• 비선형 시야 조건으로 인해 GNSS의 성능이 열 劣화되는 도시 환경 문제를 해결한다.
• 도시 환경의 무선 전파 전파를 단순화하여 과도하게 단순화한 전통적인 RSS 기반 위치 결정의 한계를 극복한다.
• 기지국에서의 표준 RSS 측정값만을 사용하여 실시간으로 정확한 위치 결정을 가능하게 한다.
• 비용이 많이 들지 않는 물리적 레이 트레이싱 시뮬레이션을 피하는 가용성 있고 계산 효율성이 높은 방법을 개발한다.
• 학습된 경로 손실 모델을 안정적인 위치 결정 프레임워크에 통합하여 실제 도시 환경의 동적 특성에 적응 가능한 방법을 제공한다.

제안 방법

• 지형 기하학과 기지국 위치에서 시작하여 지상 측정값이 없는 상태에서 RadioUNet C를 사용해 경로 손실 맵을 생성한다.
• 희박한 지상 측정값을 통합하여 RadioUNet S를 사용해 경로 손실 맵을 보완함으로써, 복잡한 환경에서의 정확도를 향상시킨다.
• RadioUNet의 출력을 활용해 각 기지국의 라디오 맵을 구성하며, 경로 손실을 공간적 위치의 함수로 표현한다.
• 다수의 기지국에서의 수신 신호 세기 수준선을 합산하여 UE의 위치를 추정함으로써, 위치 결정의 안정성을 향상시킨다.
• 다양한 노이즈 내성(epsilon)을 가진 다수의 추정치를 조합하는 투표 기반 알고리즘을 적용하여 정확도를 높인다.
• 학습 데이터를 사용해 초모델 하이퍼파rameter(epsilon 및 표준편차)를 최적화하여, 미리 보지 않은 테스트 맵에서의 위치 결정 오차를 최소화한다.

실험 결과

연구 질문

• RQ1 딥 러닝 기반의 라디오 맵 시뮬레이터인 RadioUNet가 도시 경로 손실 모델링에 있어 계산 비용이 많이 드는 레이 트레이싱을 대체할 수 있는가?
• RQ2 밀도가 높은 도시 환경에서 라디오 맵을 사전 계산하고 RSS 측정값만을 사용할 경우, UE 위치 결정의 정확도는 어느 정도 달성 가능한가?
• RQ3 RadioUNet S에 실제 세계 측정값을 통합할 경우, 순수하게 시뮬레이션된 모델 대비 위치 결정 정확도가 얼마나 향상되는가?
• RQ4 이동 중인 차량과 같은 동적 도시 조건에서 제안된 방법의 성능은 어떠한가?
• RQ5 실시간 구현에서 정확도와 계산 효율성 사이의 최적의 트레이드오프는 무엇인가?

주요 결과

• RadioUNet C와 등고선 합산을 사용한 결과, DPM 데이터셋에서 1.3미터의 위치 결정 오차를 기록하였다.
• 자동차를 포함한 시뮬레이션으로 훈련된 RadioUNet S를 사용한 결과, 1.6미터의 위치 결정 오차를 기록하여 동적 장애물에 대한 강건성을 입증하였다.
• 고정밀도 IRT4 시뮬레이션에서는 2.24미터의 위치 결정 오차를 기록하였고, 표준편차가 0m(Q=0 m)이었으며, 이는 높은 일관성을 의미한다.
• IRT2 시뮬레이션에서 테스트한 결과, 굵은 시뮬레이션 기반 모델보다 성능이 뛰어나, 고정밀도 데이터에 적응한 모델의 이점을 입증하였다.
• 표준편차에 기반해 epsilon을 선택하는 두 번째 알고리즘은 고정된 epsilon 접근 방식보다 더 높은 정확도를 달성하였으며, 기지국 수가 증가함에 따라 그 효과가 더욱 두드러졌다.
• 지상 측정값이 제한된 상황에서도 이 방법은 효과적이며, RadioUNet S가 최소한의 校정으로 실제 환경 조건에 잘 적응함을 보였다.