[논문 리뷰] Sensor-Aided Learning for Wi-Fi Positioning with Beacon Channel State Information

Jeongsik Choi|arXiv (Cornell University)|2020. 07. 13.

Indoor and Outdoor Localization Technologies인용 수 4

한 줄 요약

이 논문은 비콘 프레임에서의 채널 상태 정보(CSI)를 활용하여 정확도를 향상시키는 센서 보조 비지도 학습 프레임워크를 제안한다. 관성 센서 데이터와 Wi-Fi CSI를 융합함으로써, 추정된 궤적을 센서 기반 경로와 일치시키는 범위 측정 모듈을 학습하여, 특히 다중 경로 감쇠가 발생하는 역동적인 실내 환경에서 RSS 기반 방법보다 높은 정밀도를 달성한다.

ABSTRACT

Because each indoor site has its own radio propagation characteristics, a site survey process is essential to optimize a Wi-Fi ranging strategy for range-based positioning solutions. This paper studies an unsupervised learning technique that autonomously investigates the characteristics of the surrounding environment using sensor data accumulated while users use a positioning application. Using the collected sensor data, the device trajectory can be regenerated, and a Wi-Fi ranging module is trained to make the shape of the estimated trajectory using Wi-Fi similar to that obtained from sensors. In this process, the ranging module learns the way to identify the channel conditions from each Wi-Fi access point (AP) and produce ranging results accordingly. Furthermore, we collect the channel state information (CSI) from beacon frames and evaluate the benefit of using CSI in addition to received signal strength (RSS) measurements. When CSI is available, the ranging module can identify more diverse channel conditions from each AP, and thus more precise positioning results can be achieved. The effectiveness of the proposed learning technique is verified using a real-time positioning application implemented on a PC platform.

연구 동기 및 목표

• Wi-Fi 기반 실내 위치 결정에서 수동 현장 조사 및 기준 데이터에 대한 의존도를 줄이기 위해 자율적인 환경 특성화를 가능하게 한다.
• 비콘 프레임에서의 세밀한 CSI를 활용하여 RSS만으로는 포착하기 어려운 다중 경로 및 주파수 선택적 감쇠를 보다 잘 반영함으로써 범위 측정 정확도를 향상시킨다.
• 라벨이 부여된 좌표 없이도 기준 지점 데이터 대신 센서 궤적을 대체 지표로 사용하는 비지도 학습 기반 접근법을 개발한다.
• CSI와 관성 센서 융합을 통해 실시간으로 기기 내에서 범위 측정 모델을 적응시키며 인간 간섭을 최소화한다.

제안 방법

• 모바일 기기의 관성 센서 데이터(가속도계 및 자이로스코프)를 사용하여 보행자 정위 추적(PDR)을 통해 기준 궤적을 재구성한다.
• PDR을 상태 전이 모델로 사용하여, 다수의 초기 방향 설정을 포함한 확장된 컨볼루션 필터(EKF)를 적용하여 장치의 위치 및 방향을 추정한다.
• 비지도 학습을 사용하여 Wi-Fi 범위 측정 모듈을 학습한다: 이 모듈은 비콘 프레임의 CSI를 범위 추정치로 매핑하도록 학습되며, Wi-Fi 기반 궤적과 센서 기반 궤적 간 오차를 최소화한다.
• 기존의 OFDM 비콘 프레임(20 MHz 대역폭)에서 CSI를 캡처할 수 있는 새로운 CSI 도구를 활용하여, AP 수정 없이도 동시에 다수의 AP에서의 CSI 수집을 가능하게 한다.
• 예측된 범위와 측정된 범위 간의 차이인 혁신(잔차)을 최소화하여 다수의 EKF 후보 중 최적의 상태 추정치를 선택한다.
• CSI 및 RSS 측정치를 융합하여 채널 상태 식별을 향상시켜 감쇠 및 그림자 효과가 발생하는 조건에서도 더 견고한 거리 추정을 가능하게 한다.

실험 결과

연구 질문

• RQ1 라벨이 부여된 좌표 없이도 센서 궤적을 활용한 비지도 학습이 Wi-Fi 범위 측정 모델을 효과적으로 학습시킬 수 있는가?
• RQ2 비콘 프레임에서의 CSI를 통합할 경우 RSS 기반 측정 대비 위치 결정 정확도가 얼마나 향상되는가?
• RQ3 제한된 CSI 대역폭, 비동기적 비콘 전송, 낮은 비콘 프레임 샘플링 레이트 등의 과제를 어떻게 처리하는가?
• RQ4 CSI와 관성 센서 데이터 융합이 실시간 실내 위치 결정에서 드리프트를 줄이고 궤적 일관성을 향상시키는가?

주요 결과

• 제안된 비지도 학습 프레임워크는 Wi-Fi 기반 궤적을 센서 기반 궤적과 일치시킴으로써 라벨이 부여된 학습 데이터 없이도 정확도를 크게 향상시킨다.
• 비콘 프레임에서의 CSI를 통합함으로써 다중 경로 성분과 주파수 선택적 감쇠를 식별할 수 있게 되어, RSS만을 사용하는 경우보다 더 안정적이고 정확한 범위 측정이 가능해진다.
• CSI가 세밀한 채널 특성을 포착할 수 있기 때문에, 다중 경로와 그림자가 심한 환경에서 RSS 기반의 지도 기반 방법보다 뛰어난 성능을 달성한다.
• 혁신 기반 선택을 사용하는 다수의 EKF 후보를 활용함으로써 초기 상태 불확실성과 측정 노이즈에 대한 강인성이 향상된다.
• CSI 도구를 통해 기존의 HT 전용 CSI 캡처의 한계를 극복하고, 기존 비콘 프레임을 사용하여 동시에 다수의 AP에서 CSI를 수집할 수 있다.
• 시스템은 PC 플랫폼에서 실시간 구현 가능성을 입증하여 상용 기기에 대한 실용적 배포 가능성을 입증한다.