[論文レビュー] A CNN-LSTM Quantifier for Single Access Point CSI Indoor Localization

Minh Tu Hoang, Brosnan Yuen+6 more|arXiv (Cornell University)|May 13, 2020

Indoor and Outdoor Localization Technologies参考文献 30被引用数 13

ひとこと要約

本論文は、1つのアクセスポイントでのWiFiフィンガープrintインDoor Localizationに、CSIから空間的および時間的特徴を共同で抽出するCNN-LSTM定量モデルを提案する。1台のWiFiルーターのみを用いて、平均位置決め誤差2.5 mを達成し、4 m未満の誤差を80%の割合で達成しており、同じ環境下で既存手法と比較して約50%の性能向上を達成した。

ABSTRACT

This paper proposes a combined network structure between convolutional neural network (CNN) and long-short term memory (LSTM) quantifier for WiFi fingerprinting indoor localization. In contrast to conventional methods that utilize only spatial data with classification models, our CNN-LSTM network extracts both space and time features of the received channel state information (CSI) from a single router. Furthermore, the proposed network builds a quantification model rather than a limited classification model as in most of the literature work, which enables the estimation of testing points that are not identical to the reference points. We analyze the instability of CSI and demonstrate a mitigation solution using a comprehensive filter and normalization scheme. The localization accuracy is investigated through extensive on-site experiments with several mobile devices including mobile phone (Nexus 5) and laptop (Intel 5300 NIC) on hundreds of testing locations. Using only a single WiFi router, our structure achieves an average localization error of 2.5~m with $\mathrm{80\%}$ of the errors under 4~m, which outperforms the other reported algorithms by approximately $\mathrm{50\%}$ under the same test environment.

研究の動機と目的

• RSSIベースの室内局所化の限界を解消する。特に1つのアクセスポイントでの環境において、不安定さと分解能の不足が顕著である。
• 分類モデルに依存する既存のCSIベースの手法の制約を克服する。これらの手法は、参照データベースに存在しない位置の推定ができない。
• 参照点と同一でないテストポイントに対しても正確な局所化を可能にする定量モデルを開発し、一般化性能を向上させる。
• 1台のルーターからのCSIの空間的（サブキャリアの振幅/位相）および時間的（時系列ダイナミクス）特徴を活用することで、局所化精度を向上させる。
• 異なる環境的条件および異なるアンテナ構成を持つ多様なモバイルデバイスにおいて、提案モデルの頑健性を検証する。

提案手法

• 空間的特徴は畳み込み層を用いてCSIサブキャリアから抽出し、時間的依存性は長短期記憶（LSTM）ネットワークを用いて抽出する、ハイブリッドCNN-LSTMアーキテクチャを設計した。
• 多径フェージングや位相ノイズによる不安定性を軽減するため、包括的なフィルタリングおよび正規化スキームをCSIデータに適用した。
• 局所化を分類タスクではなく定量タスクとして扱い、参照データベースに明示的に存在しない位置の推定を可能にした。
• 空間的特徴は、CSIの振幅および位相データから抽出され、画像に類似した時間周波数マトリクスとしてCNNの入力に整形された。
• 時間的モデリングは、時間経過に伴うCSIスナップショットのシーケンスをLSTM層に供給することで実現し、ユーザーの移動パターンを捉えた。
• 最終出力は、空間的および時間的表現の統合から得られる連続的な位置推定値であり、同一の参照点を必要とせず、高精度な局所化を実現した。

実験結果

リサーチクエスチョン

• RQ1 CSIから空間的および時間的特徴を共同で学習する深層学習モデルは、1アクセスポイント環境下での局所化精度を向上させることができるか？
• RQ2 提案された定量モデルは、従来の分類ベースのCSIフィンガープrint局所化と比較して、未観測のテスト位置への一般化性能はどのように異なるか？
• RQ3 デバイス固有のハードウェア要因（例：アンテナ数）は、提案されたCNN-LSTMモデルを用いたCSIベースの局所化性能にどのような影響を与えるか？
• RQ4 1つのアクセスポイントでのCSIベースの局所化は、4m未満の精度をどの程度達成可能であり、最新の最先端手法と比較してどう異なるか？
• RQ5 ネットワークトラフィックの変動や時間帯の違いといった異なる環境的条件下でも、提案モデルの安定性は保たれるか？

主な発見

• 提案されたCNN-LSTMモデルは、1台のWiFiルーターのみを用いて、平均局所化誤差2.5 ± 1.6 mを達成し、既存手法を顕著に上回った。
• 80%の局所化誤差が4 m未満であり、BiLocの6 mの閾値やConFi・FILAの8 mと比較して顕著に低い水準を示した。
• 最大局所化誤差は8 mまで低減されたが、BiLocやConFiでは15 mを超えることがあり、より高い頑健性を示した。
• Intel 5300 NICは3アンテナ構成によりより豊富なCSIデータを提供するため、Nexus 5スマートフォン（3.0 ± 2.0 m）よりも優れた性能（2.5 ± 1.6 m）を示した。
• 同じテスト環境下で、BiLoc（3.9 ± 2.8 m）と比較して約50%の精度向上を達成し、ConFi（5.9 ± 3.5 m）やFILA（5.5 ± 2.9 m）と比較して2.5倍以上の性能向上を示した。
• モデルの定量的アプローチにより、参照データベースに存在しない位置の正確な推定が可能となり、分類ベース手法に比べて優れた一般化性能を示した。