[論文レビュー] AF-DCGAN: Amplitude Feature Deep Convolutional GAN for Fingerprint Construction in Indoor Localization Systems

Qiyue Li, Heng Qu+5 more|arXiv (Cornell University)|Apr 15, 2018

Indoor and Outdoor Localization Technologies参考文献 45被引用数 11

ひとこと要約

本稿では、WiFiベースの屋内局所化における指紋データベース拡張を目的として、CSIアンプリチュード特徴マップを合成する生成的対抗ネットワークであるAF-DCGANを提案する。この手法により、人的なデータ収集作業を顕著に削減できる。収集したCSIを画像に類似したアンプリチュードマップに変換し、GANベースの生成を用いることで、追加の人手を要せず、局所化精度を最大47.43%向上させた。

ABSTRACT

With widely deployed WiFi network and the uniqueness feature (fingerprint) of wireless channel information, fingerprinting based WiFi positioning is currently the mainstream indoor positioning method, in which fingerprint database construction is crucial. However, for accuracy, this approach requires enough data to be sampled at many reference points, which consumes excessive efforts and time. In this paper, we collect Channel State Information (CSI) data at reference points by the method of device-free localization, then we convert collected CSI data into amplitude feature maps and extend the fingerprint database using the proposed Amplitude-Feature Deep Convolutional Generative Adversarial Network (AF-DCGAN) model. The use of AF-DCGAN accelerates convergence during the training phase, and substantially increases the diversity of the CSI amplitude feature map. The extended fingerprint database both reduces the human effort involved in fingerprint database construction and the accuracy of an indoor localization system, as demonstrated in the experiments.

研究の動機と目的

• WiFiベースの屋内局所化システムにおける大規模指紋データベース構築に要する時間と人的労力を削減すること。
• 環境の多径路効果に起因するCSIベースの指紋抽出における高い変動性と限られたデータ密度の課題に対処すること。
• 現実的で多様なCSIアンプリチュード特徴マップを用いたトレーニングデータセットの拡張により、局所化精度を向上させること。
• GANベースのデータ生成が、従来の手法（例：ガウス過程回帰（GPR））よりも指紋データベース構築において優れていることを実証すること。
• 人的な関与を増やさずに、高精度な指紋抽出システムの効率的かつスケーラブルな展開を可能にすること。

提案手法

• デバイスフリー局所化を用いて、サブキャリアのアンプリチュード成分に注目し、リファレンスポイントでCSIデータを収集する。
• 深層学習モデルへの入力として使用可能な2次元画像に類似した特徴マップに、ピクセル単位の変換により生のCSIアンプリチュードデータを変換する。
• 実際のCSIパターンを模倣する合成されたアンプリチュード特徴マップを生成するため、アンプリチュード特徴深層畳み込みGAN（AF-DCGAN）を訓練する。
• 各リファレンスポイントに対して、生成器を用いて50%、100%、150%、200%の追加サンプルを生成し、初期の指紋データベースを拡張する。
• 生成されたデータを指紋データベースに統合し、オンライン段階での局所化モデルのトレーニングに使用する。
• 平均局所化誤差や異なるデータベース拡張レベルにおける範囲確率といった指標を用いて、性能を評価する。

実験結果

リサーチクエスチョン

• RQ1 GANベースのデータ生成は、人的なデータ収集を削減しつつ、WiFi屋内局所化における指紋データベースの拡張に効果的に機能するか？
• RQ2 AF-DCGANから得られる合成アンプリチュード特徴マップの導入は、実データのみのデータベースと比較して、局所化精度にどのように影響するか？
• RQ3 過学習を避けるために、精度を最大化する最適なデータ拡張レベル（例：100%、150%、200%）は何か？
• RQ4 AF-DCGANは、指紋データベース構築において、従来の手法（例：ガウス過程回帰（GPR））と比較してどのように異なるか？
• RQ5 生成されたデータは、実際のCSIアンプリチュードマップの空間的および信号的特性をどの程度保持しているか？

主な発見

• AF-DCGANが生成したデータにより、初期データベース（50%の拡張）の平均局所化誤差1.21mが、150%の拡張で0.92mに低下し、24.0%の改善が達成された。
• GOAFMを用いた150%のデータ拡張により、平均誤差は0.03mに低下し、1m範囲内での確率は初期データベースの47%から59%に上昇した。
• GPRベースのデータベース構築と比較して、局所化精度が47.43%向上した。これは、一般化性能とロバストネスに優れていることを示している。
• 200%のGOAFM拡張により、平均誤差は0.03m、1m範囲内確率は59%に達し、150%のGOAFM性能と同一であった。
• AF-DCGANは、追加の人手によるデータ収集を要せず、トレーニングの収束を加速させ、特徴マップの多様性を高め、モデルの一般化性能を向上させた。
• 本手法は、FIFSおよびDeepFIと比較して、精度と範囲確率の両面で優れており、実世界の屋内環境における有効性を確認した。