[논문 리뷰] UAVs using Bayesian Optimization to Locate WiFi Devices

Mattia Carpin, S. Rosati외 2명|arXiv (Cornell University)|2015. 10. 13.

Indoor and Outdoor Localization Technologies참고 문헌 5인용 수 10

한 줄 요약

이 논문은 우수한 가우시안 프로세스 회귀를 사용한 베이지안 최적화 프레임워크를 제안하여 UAV가 실시간으로 신호 세기(RSSI) 측정을 능동적으로 샘플링하여 비협력적 WiFi 장치—스마트폰과 같은 장치—를 효율적으로 국지화할 수 있도록 한다. 이 방법은 탐색과 이용의 균형을 이루며, 5분 이내에 탐색 영역을 100미터 이내로 줄이고, 15분 이내에 20미터 이내의 국지화 정확도를 달성한다. 실제 실험에서는 1000×1000 m² 영역에서 검증되었다.

ABSTRACT

We address the problem of localizing non-collaborative WiFi devices in a large region. Our main motive is to localize humans by localizing their WiFi devices, e.g. during search-and-rescue operations after a natural disaster. We use an active sensing approach that relies on Unmanned Aerial Vehicles (UAVs) to collect signal-strength measurements at informative locations. The problem is challenging since the measurement is received at arbitrary times and they are received only when the UAV is in close proximity to the device. For these reasons, it is extremely important to make prudent decision with very few measurements. We use the Bayesian optimization approach based on Gaussian process (GP) regression. This approach works well for our application since GPs give reliable predictions with very few measurements while Bayesian optimization makes a judicious trade-off between exploration and exploitation. In field experiments conducted over a region of 1000 $ imes$ 1000 $m^2$, we show that our approach reduces the search area to less than 100 meters around the WiFi device within 5 minutes only. Overall, our approach localizes the device in less than 15 minutes with an error of less than 20 meters.

연구 동기 및 목표

• 큰 불확실한 환경에서 비협력적 WiFi 장치를 신속하고 정확하게 국지화하는 방법을 개발하기 위해.
• UAV가 장치 근처에 있을 때에만 수집되는 희박하고 비정기적인 RSSI 측정치의 과제를 해결하기 위해.
• 유의미한 UAV 경로를 지능적으로 선택하여 측정 수와 비행 시간을 최소화하기 위해.
• 사전 환경 모델링 없이 실시간 데이터 기반 국지화를 가능하게 하기 위해.
• 모든 목표물에 대해 정보가 많은 영역을 우선시하는 공동 할당 함수를 사용하여 다중 장치 국지화로 확장하기 위해.

제안 방법

• UAV는 베이지안 최적화를 사용하여 WiFi 장치 위치에 대한 정보 수익을 최대화하는 비행 경로를 순차적으로 선택한다.
• RSSI 측정치를 기반으로 가우시안 프로세스(GP) 회귀 모델을 훈련시켜 탐색 영역 전역의 신호 세기 후행 분포를 예측한다.
• GP의 평균과 분산을 사용하여 탐색(높은 불확실성)과 이용(높은 예측된 RSSI)을 균형 잡는 할당 함수를 적용한다.
• UAV는 선택된 위치에서 RSSI 데이터를 수집하고, GP 모델을 갱신하며, 반복적으로 장치 위치 추정치를 정밀화한다.
• 다중 장치의 경우, 개별 장치 추정치의 최대 평균과 분산을 기반으로 공동 할당 함수를 계산하여 UAV 이동을 안내한다.
• 예측된 장치 위치 주변의 불확실성이 사전 정의된 임계값 이하로 떨어지면 알고리즘이 종료된다.

실험 결과

연구 질문

• RQ1 가우시안 프로세스 회귀를 사용한 베이지안 최적화는 최소한의 RSSI 측정치로 비협력적 WiFi 장치를 효율적으로 국지화할 수 있는가?
• RQ2 희박하고 비정기적인 측정치가 존재하는 실제 대규모 환경에서 UAV는 탐색 영역을 얼마나 효과적으로 줄이고 WiFi 장치를 국지화할 수 있는가?
• RQ3 탐색-이용 균형의 균형을 이루는 능동 센싱 전략이 무작위 또는 격자 기반 탐색에 비해 국지화 속도와 정확도 측면에서 얼마나 뛰어나게 작용하는가?
• RQ4 국지화 과정 중 불확실성과 신호 세기 예측치에 따라 UAV의 비행 경로는 어떻게 동적으로 적응하는가?
• RQ5 공동 할당 계획을 통해 다중 WiFi 장치를 동시에 국지화할 수 있으며, 이로 인해 효율성이 어떻게 향상되는가?

주요 결과

• 1000×1000 m² 영역에서의 실제 실험 결과, UAV는 비행 시간 15분 이내에 국지화 오차를 18미터로 줄였다.
• 단지 5분이 지나자 타당한 장치 위치 주변의 탐색 영역이 100미터 이내로 줄어들었으며, 이는 빠른 수렴을 보여주었다.
• 10번의 독립 실행 전반에서 UAV의 경로는 항상 진짜 장치 위치에서 30미터 이내로 수렴하여 강건성을 입증했다.
• 시간이 지남에 따라 GP 모델의 후행 평균은 진짜 장치 위치 주변으로 집중되었고, 분산은 크게 감소하여 확신이 증가함을 반영했다.
• UAV는 탐색과 이용 단계를 번갈아가며, 초기에는 탐색이 지배적이었고, 마무리 단계에 이르러서는 이용이 우세해지는 경향을 보였다. 이는 GP 후행의 변화 과정을 통해 확인되었다.
• 15분 동안 총 47회의 측정만으로도 높은 정확도를 달성하여, 데이터가 부족한 조건에서도 매우 효율적임을 입증했다.