[논문 리뷰] Reconfigurable Intelligent Surfaces and Machine Learning for Wireless Fingerprinting Localization

Cam Ly Nguyen, Orestis Georgiou외 1명|arXiv (Cornell University)|2020. 10. 07.

Indoor and Outdoor Localization Technologies참고 문헌 19인용 수 21

한 줄 요약

이 논문은 재구성 가능한 지능형 표 superficies(RIS)를 사용하여 다양한, 쉽게 구별 가능한 무선 맵을 생성하는 기계학습 기반 무선 지문화 정위치 시스템을 제안한다. RIS 상태공간의 복잡성을 줄이기 위해 특성 선택 기법을 적용함으로써, 훈련 시간과 격자 해상도를 감소시켜도 서브미터 수준의 정위치 정확도를 달성하며, 히وري스틱 및 무작위 설정 선택 방식보다 뛰어난 성능을 발휘한다.

ABSTRACT

Reconfigurable Intelligent Surfaces (RISs) promise improved, secure and more efficient wireless communications. We propose and demonstrate how to exploit the diversity offered by RISs to generate and select easily differentiable radio maps for use in wireless fingerprinting localization applications. Further, we apply machine learning feature selection methods to prune the large state space of the RIS, thus reducing complexity and enhancing localization accuracy and position acquisition time. We evaluate our proposed approach by generation of radio maps with a novel radio propagation modelling and simulations.

연구 동기 및 목표

• 기존 방법이 신호 기원이 모호한 환경에서 실패하는 RIS 기반 환경에서 고정밀 실내 무선 정위치를 가능하게 하기 위해.
• 지문화를 위한 RIS 기반 무선 맵 생성에서 높은 복잡성과 큰 상태공간 문제를 해결하기 위해.
• 기계학습을 활용해 최적의 RIS 설정 선택을 통해 정위치 오차와 위치 확보 시간을 감소시키기 위해.
• 기계학습 기반 특성 선택(ML-FS)의 효과성을 히وري스틱 및 무작위 RIS 설정 선택 방식과 비교하여 검증하기 위해.

제안 방법

• 시스템은 AP와 RIS의 얇은 와이어 안테나의 임피던스 행렬 기반 신규 무선 전파 모델을 사용하여 복합 전자기장의 시뮬레이션을 수행한다.
• 무선 맵은 50개의 고유한 RIS 설정을 시뮬레이션하여 생성되며, 이는 10개의 균일 임피던스 설정(평면 반사), 10개의 선형 증가 임피던스 설정(빔포밍), 30개의 무작위 임피던스 설정(확산 산산각)으로 구성된다.
• 50개 후보 설정 중에서 가장 정보가 풍부한 RIS 설정을 식별하기 위해 기계학습 기반 특성 선택(ML-FS) 기법을 적용하여 실질적인 상태공간을 감소시킨다.
• 정위치에 k-NN, 신경망, 랜덤 포레스트를 사용하며, 시험 조건 하에서 k-NN가 가장 우수한 성능을 보였다.
• 비교를 위해 히وري스틱 상태 선택(HSS) 및 무작위 설정 샘플링을 기준선으로 사용한다.
• 시스템은 두 가지 격자 해상도(100점, 2×2 m 및 400점, 1×1 m)에서 성능을 평가하며, 누적 분포 함수와 평균 오차를 통해 정위치 오차를 측정한다.

실험 결과

연구 질문

• RQ1 RIS 재구성이 다양한, 서로 다른 무선 맵을 생성하여 지문 기반 정위치 정확도를 향상시킬 수 있는가?
• RQ2 기계학습 기반 특성 선택이 히وري스틱 또는 무작위 RIS 설정 선택보다 정위치 오차와 복잡도를 감소시키는 데 더 효과적인가?
• RQ3 최적의 RIS 설정 선택을 통해 무선 맵의 해상도를 400점에서 100점으로 감소시켜도 서브미터 수준의 정위치 정확도를 유지할 수 있는가?
• RQ4 다양한 RIS 설정 조합에서 k-NN, 신경망, 랜덤 포레스트 등의 기계학습 알고리즘이 RIS 보조 지문 정위치 정확도에 어떻게 영향을 미치는가?
• RQ5 목표 정위치 오차를 달성하기 위해 무선 맵 해상도와 RIS 설정 수(M) 사이의 상호 교환 관계는 어떠한가?

주요 결과

• 기계학습 기반 특성 선택(ML-FS)을 적용한 k-NN 알고리즘이 테스트된 모델들 중에서 가장 높은 정위치 정확도를 달성하였으며, M=12개 설정과 L=100개 격자 포인트를 사용할 경우 평균 오차가 1미터 이하였다.
• ML-FS는 히وري스틱 상태 선택(HSS) 및 무작위 설정 선택 모두를 뛰어넘었으며, HSS는 거리 척도에서 외곽치 편향으로 인해 무작위 샘플링보다 성능이 열 劣했다.
• 400개 격자 포인트와 M=22개의 무작위 설정을 사용하거나, 100개 격자 포인트와 M=12개의 ML-FS 설정을 사용할 경우 평균 정위치 오차 2미터를 달성할 수 있었으며, 이는 해상도와 설정 복잡성 간의 핵심적 트레이드오프를 보여주었다.
• 누적 분포 함수(CDF) 결과는 특성 선택을 적용할 경우 모든 알고리즘에서 정위치 오차가 일관되게 향상되었으며, 특히 k-NN에서 가장 두드러진 향상이 관찰되었다.
• 제안된 방법은 밀도 높은 무선 맵 샘플링이나 다중 액세스 포인트가 필요 없이도 서브미터 수준의 정위치 정확도를 달성할 수 있으며, RIS 재구성 가능성을 활용해 다양한 정보를 지닌 무선 맵을 생성함으로써 가능해졌다.
• 결과는 RIS 재구성이 정밀도를 유지하면서도 시간과 계산 복잡도를 감소시키는 동적 도구로 활용될 수 있음을 확인하였으며, 지문 기반 정위치 정확도 향상에 기여한다.