[논문 리뷰] SenseFlow: An Experimental Study for Tracking People

Kai Li, Chau Yuen외 5명|arXiv (Cornell University)|2016. 06. 12.

Mobile Crowdsensing and Crowdsourcing참고 문헌 14인용 수 3

한 줄 요약

SenseFlow는 스마트폰의 프로브 요청을 활용하여 실생활 환경에서 인파의 밀도와 이동 흐름을 모니터링하는 경량이며 수동적인 사람 추적 시스템을 제안한다. 프로브 요청 간격과 RSSI 기반 정위치를 활용함으로써 네트워크 오버헤드를 줄이고 정확도를 향상시켜, 최적의 조건(안드로이드, 화면 켜짐, Wi-Fi 등록 미이행)에서 최대 92.9%의 추적 정확도를 달성한다.

ABSTRACT

The main challenges in large-scale people tracking are the recognition of people density in a specific area and tracking the people flow path. To address these challenges, we present SenseFlow, a lightweight people tracking system. SenseFlow utilises off-the-shelf devices which sniff probe requests periodically polled by user's smartphones in a passive manner. We demonstrate the feasibility of SenseFlow by building a proof-of-concept prototype and undertaking extensive evaluations in real-world settings. We deploy the system in one laboratory to study office hours of researchers, a crowded public area in city to evaluate the scalability and performance "in the wild", and four classrooms in the university to monitor the number of students. We also evaluate SenseFlow with varying walking speeds and different models of smartphones to investigate the people flow tracking performance.

연구 동기 및 목표

• 스마트폰에서 수동으로 프로브 요청을 스니핑하여 경량이고 확장 가능한 사람 추적 시스템을 개발한다.
• 밀도가 높은 환경에서 고주기 프로브 요청 전송으로 인한 네트워크 오버헤드 문제를 해결한다.
• 여러 게이트웨이가 동일한 장치를 수신하는 프로브 요청 오버헬링 문제를 해결함으로써 추적 정확도를 향상시킨다.
• 스마트폰 운영 모드(예: 화면 켜짐/꺼짐, Wi-Fi 등록/미등록)가 추적 성능에 미치는 영향을 평가한다.
• 연구실, 공공장소, 교실과 같은 다양한 실생활 환경에서 실시간으로 인파의 밀도와 궤적 흐름을 모니터링할 수 있도록 한다.

제안 방법

• 다양한 위치에서 스마트폰의 프로브 요청을 수동으로 수집하기 위해 시간 동기화된 무선 게이트웨이 노드(GN)를 배치한다.
• MAC 주소와 타임스탬프만 전송하는 프로브 요청 간격 기반 데이터 수집 기법(PRI-DCS)을 구현하여 네트워크 트래픽을 감소시킨다.
• 도착 신호 강도(RSSI)를 사용하여 프로브 요청 오버헬링 문제를 해결하고, 가장 강한 신호를 수신한 GN을 기반으로 장치의 위치를 결정한다.
• 사용자 궤적을 GN ID의 시퀀스로 모델링하고, 최장 공통 부분 수열(LCS) 알고리즘을 적용하여 이동 경로를 인식하고 추적한다.
• 모든 GN에서 수집한 데이터를 중앙 서버에 집계하여 실시간으로 사람의 밀도와 궤적 패턴을 계산한다.
• 통제된 실험과 실생활 실험을 통해 다양한 걷기 속도, 스마트폰 모델, 운영 모드에서 시스템의 성능을 검증한다.

실험 결과

연구 질문

• RQ1 다양한 스마트폰 모델과 운영 모드에서 프로브 요청 전송 간격은 어떻게 달라지며, 이는 추적 정확도에 어떤 영향을 미치는가?
• RQ2 프로브 요청 오버헬링이 추적 성능에 얼마나 심각한 영향을 미치며, RSSI 기반 선택을 통해 이를 어떻게 완화할 수 있는가?
• RQ3 걷기 속도가 프로브 요청을 통한 개인의 탐지 및 추적에 어떤 영향을 미치는가?
• RQ4 실생활 환경에서 SenseFlow는 사전 정의된 이동 궤적을 얼마나 정확하게 인식할 수 있는가?
• RQ5 PRI-DCS 기법은 추적 정밀도를 유지하면서 네트워크 오버헤드를 얼마나 줄일 수 있는가?

주요 결과

• 안드로이드 스마트폰의 경우 (화면 켼, Wi-Fi 미등록) 모드에서 프로브 요청 전송 빈도가 가장 높아 최대 92.9%의 추적 정확도를 달성한다.
• (화면 꺼짐, Wi-Fi 등록) 모드에서는 안드로이드의 추적 정확도가 44.3%로 크게 감소하고 iOS는 27.2%로 떨어지며, 프로브 요청 간격이 증가하기 때문이다.
• (화면 꺼짐, Wi-Fi 미등록) 모드에서는 iOS와 윈도우 스마트폰의 추적 정확도가 (화면 켼, Wi-Fi 등록) 모드보다 향상되며, 이는 장치가 더 자주 네트워크를 스캔하기 때문이다.
• 성공적인 궤적 인식 비율은 (화면 켜짐, Wi-Fi 미등록) 모드에서 100%에 도달하지만, (화면 켜짐, Wi-Fi 등록) 모드에서는 60%로 떨어지고, (화면 꺼짐, Wi-Fi 등록) 모드에서는 단지 20%로 떨어진다.
• RSSI를 사용해 가장 가능성 있는 게이트웨이를 선택함으로써 프로브 요청 오버헬링 문제를 효과적으로 완화하여 정위치 정확도를 향상시킨다.
• PRI-DCS 기법은 필수 데이터(MAC 주소와 타임스탬프)만 전송함으로써 네트워크 트래픽을 크게 감소시켜 대규모 환경에서의 확장 가능한 배포를 가능하게 한다.