[논문 리뷰] Wireless Localisation in WiFi using Novel Deep Architectures

Peizheng Li, Han Cui외 5명|arXiv (Cornell University)|2020. 10. 16.

Indoor and Outdoor Localization Technologies참고 문헌 26인용 수 6

한 줄 요약

이 논문은 채널 상태 정보(CSI)에서 원시 및 수작업으로 추출한 특징을 사용하여 WiFi 기반 실내 위치 결정을 위한 새로운 딥러닝 아키텍처—얕은 신경망(SNN), 합성곱 신경망(CNN), 장기 단기 기억(LSTM) 네트워크—를 제안한다. 세 개의 액세스 포인트를 사용할 경우, 모든 모델이 약 0.5m의 정확도를 달성함을 보여주며, CNN 및 LSTM은 전처리 시간을 6.5시간 감소시키고 추론 시간을 1회 샘플당 0.1ms로 줄여 자원이 제한된 환경에서 실시간 구현이 가능하며, 다양한 운동 프로파일 간 높은 일반화 성능을 보인다.

ABSTRACT

This paper studies the indoor localisation of WiFi devices based on a commodity chipset and standard channel sounding. First, we present a novel shallow neural network (SNN) in which features are extracted from the channel state information (CSI) corresponding to WiFi subcarriers received on different antennas and used to train the model. The single-layer architecture of this localisation neural network makes it lightweight and easy-to-deploy on devices with stringent constraints on computational resources. We further investigate for localisation the use of deep learning models and design novel architectures for convolutional neural network (CNN) and long-short term memory (LSTM). We extensively evaluate these localisation algorithms for continuous tracking in indoor environments. Experimental results prove that even an SNN model, after a careful handcrafted feature extraction, can achieve accurate localisation. Meanwhile, using a well-organised architecture, the neural network models can be trained directly with raw data from the CSI and localisation features can be automatically extracted to achieve accurate position estimates. We also found that the performance of neural network-based methods are directly affected by the number of anchor access points (APs) regardless of their structure. With three APs, all neural network models proposed in this paper can obtain localisation accuracy of around 0.5 metres. In addition the proposed deep NN architecture reduces the data pre-processing time by 6.5 hours compared with a shallow NN using the data collected in our testbed. In the deployment phase, the inference time is also significantly reduced to 0.1 ms per sample. We also demonstrate the generalisation capability of the proposed method by evaluating models using different target movement characteristics to the ones in which they were trained.

연구 동기 및 목표

• 일반적인 WiFi 하드웨어와 표준 채널 사운딩을 사용하여 정확하고 실시간 실내 위치 결정을 가능하게 하기 위해.
• 수작업 특징 공학에 의존하지 않고 CSI에서 위치 결정 특징을 추출하는 얕은 신경망과 깊은 신경망의 효과성을 평가하기 위해.
• 실제 실내 환경에서 SNN, CNN, LSTM 모델의 성능, 복잡성, 내성에 대해 비교하기 위해.
• 학습에 사용된 데이터와 다른 목표 운동 특성 및 데이터 배치에 대한 모델 일반화 성능을 평가하기 위해.
• 배포 가능한 저자원 위치 결정 시스템을 위한 데이터 전처리 시간과 추론 지연 시간을 최소화하기 위해.

제안 방법

• 수작업으로 추출한 특징(예: 도착각(AoA) 추정 및 서브캐리어 주요 성분 분석(PCA))을 사용하여 얕은 신경망(SNN)을 훈련한다.
• 원시 CSI 매트릭스를 직접 처리하도록 설계된 합성곱 신경망(CNN)은 1×1, 1×3, 3×1, 3×3 합성곱 필터를 사용하고, 최대 풀링 및 완전 연결층을 거친다.
• 시계열 CSI 데이터의 시간적 의존성을 모델링하기 위해 LSTM 네트워크를 개발하여 추적 안정성을 향상시킨다.
• 밀리미터 정밀도로 실제 위치를 확보하기 위해 광학 추적 시스템을 사용하여 새로운 실내 데이터셋을 수집한다.
• 모델의 내성 평가를 위해 랜덤하게 훈련 데이터 및 특징을 제거하는 데이터 증강 및 분석 실험을 수행한다.
• 다양한 액세스 포인트(AP) 수를 고려한 여러 시나리오에서 모델 훈련 및 평가를 수행한다.

실험 결과

연구 질문

• RQ1 수작업 CSI 특징을 사용하는 경량 얕은 신경망(SNN)이 정확한 WiFi 기반 위치 결정을 달성할 수 있는가?
• RQ2 CNN 및 LSTM과 같은 딥러닝 모델이 수작업 특징 공학 없이 원시 CSI 데이터를 직접 활용하여 높은 위치 결정 정확도를 달성할 수 있는가?
• RQ3 앵커 액세스 포인트(AP)의 수가 다양한 신경망 아키텍처의 위치 결정 정확도에 어떤 영향을 미치는가?
• RQ4 딥러닝 기반 위치 결정 시스템에서 모델 복잡성, 훈련 시간, 추론 지연 간의 상충 관계는 어떠한가?
• RQ5 모델의 정확도에 대해 목표 운동 패턴의 변화나 데이터 배치의 변화(예: 누락된 데이터 또는 특징)에 얼마나 강인한가?

주요 결과

• 세 개의 앵커 액세스 포인트를 사용할 경우, 제안된 모든 모델(SNN, CNN, LSTM)이 평균 위치 오차 약 0.5미터를 달성한다.
• 추가로 1×1, 1×3, 3×1, 3×3 합성곱 필터를 적용한 더 깊은 CNN 아키텍처는 기본 CNN 대비 정확도를 약 20% 향상시켜 오차를 0.5663m에서 0.4664m로 감소시킨다.
• CNN 및 LSTM 모델에서 원시 CSI 데이터를 사용함으로써 SNN 방법이 수작업 특징 추출이 필요한 것에 비해 데이터 전처리 시간이 6.5시간 감소한다.
• 딥러닝 모델의 추론 시간은 1회 샘플당 0.1ms로 단축되어 자원이 제한된 장치에서 실시간 구현이 가능하다.
• 학습에 사용된 데이터와 다른 목표 운동 특성을 가진 데이터에 대해 테스트한 결과, 모델은 강력한 일반화 성능을 보였다.
• 특징 비활성화는 데이터 감소보다 더 심각한 부정적 영향을 미치며, 50%의 특징 손실로 정확도가 약 20% 감소한다.