[論文レビュー] CoMuTe: A Convolutional Neural Network Based Device Free Multiple Target Localization Using CSI

Tahsina Farah Sanam, Hana Godrich|arXiv (Cornell University)|Mar 6, 2020

Indoor and Outdoor Localization Technologies参考文献 44被引用数 7

ひとこと要約

CoMuTeは、複数の無線リンクからのCSIを用いて、CNNベースのデバイスフリー複数ターゲット局所化システムを提案する。CSIをマルチリンク時間周波数（MLTF）画像として表現し、シグモイド活性化関数を用いたマルチラベル分類を採用することで、同時に複数のターゲットを局所化可能であり、センチメートルレベルの精度を達成。0.5m未満の誤差で予測される割合が42%にのぼり、最先端の手法を大きく上回る。

ABSTRACT

With the growth of Internet-of-Things (IoT), Location based Services (LBS) are gaining significant attention over the past years. Location information is one of the important ingredients for many LBS where the system requires to localize multiple targets in indoor setting. As an emerging technique, device-free localization (DFL) is promising to localize the target without attaching any transceivers. In this paper, we propose CoMuTe, the first convolutional neural network (CNN) based device free multiple target localization leveraging the Channel State Information (CSI) from multiple wireless links. The system represents the CSIs as Multi-link Time-Frequency (MLTF) image by organizing them as time-frequency matrices and utilize these MLTF images as the input feature for CNN network. The CoMuTe models multi target localization as a multi label spot classification approach under the assumption that each MLTF image is associated with multiple labels/spots. The localization is performed with a training stage and a localization stage. In the training stage, the CSI based MLTF images are constructed with single target at each location. The constructed images are used to train the CNN via a gradient based optimization algorithm. In the localization stage, the test MLTF image obtained for targets at multiple spots is fed to the CNN network and locations of the targets are calculated using sigmoid activation function in the output layer under the multi label classification framework. Extensive experiments are conducted to select appropriate parameters for the CNN architecture as well as for the system design. The experimental results demonstrate the superior performance of CoMuTe over existing multi target localization approaches.

研究の動機と目的

• 既存の無線インfraストラクチャを活用して、複数の受信機フリーのターゲットの正確でスケーラブルな屋内局所化を実現すること。
• RSSベースの手法の限界を克服し、細かく安定したCSIを活用することで、局所化のロバスト性を向上させること。
• 深層学習を用いてターゲットの構成に一般化できるようにすることで、手作業によるフィンガープrintの必要性を回避するデバイスフリー局所化システムを開発すること。
• ターゲットがデバイスやタグを携帯する必要がないように、複数ターゲットの局所化を可能にすること。
• 導入コストと精度のバランスを最適化するため、AP-DPリンク数とセル解像度を最適化すること。

提案手法

• 複数のAP-DPリンクからのCSIを時間周波数行列に整理することで、マルチリンク時間周波数（MLTF）画像を構築し、各リンクを別々のチャネルとして扱う。
• 3つの畳み込み層と2つの全結合層を備えた5層のCNNを用い、MLTF画像から空間的・時間的特徴を抽出する。
• 複数ターゲットの局所化を、各潜在的場所をバイナリラベルとして扱うマルチラベル分類問題として定式化する。
• 出力層にシグモイド活性化関数とバイナリクロスエントロピー損失を適用し、複数ターゲットの位置を独立に予測可能にする。
• 単一ターゲットを各場所に配置した訓練データを用いて、勾配ベースの最適化でネットワークを学習する。
• 推論段階では、テスト用のMLTF画像を学習済みCNNに入力し、各場所におけるターゲット存在確率を予測する。

実験結果

リサーチクエスチョン

• RQ1 CSIを用いた複数の無線リンクからなるCNNベースのアプローチは、複数のデバイスフリーのターゲットを効果的に局所化できるか？
• RQ2 AP-DPリンク数の増加が、局所化精度とシステムのスケーラビリティに与える影響は何か？
• RQ3 局所化精度と訓練データのスパarsityのバランスを取る最適なセル解像度は何か？
• RQ4 RSSおよびCSIベースの既存の複数ターゲットDFL手法と比較して、CoMuTeの局所化誤差分布はどのように異なるか？
• RQ5 シグモイド出力を持つマルチラベル分類フレームワークは、同時に複数のターゲットを正確に検出可能か？

主な発見

• CoMuTeは、0.5m未塔の誤差で予測される割合が42%にのぼり、最先端の手法（他の手法では≤9%）を大きく上回る。
• CoMuTeの約68%の予測が1m未塔の誤差に収束するが、SA-M-SBLでは32%、FitLocでは8%にとどまる。
• AP-DPリンク数が増えるほど誤差は減少するが、9リンクを超えると改善の余地が小さくなり、性能とコストのバランスを考慮し9リンクを採用した。
• セル幅を0.5mにすると、CSIの変動が不足し、平均誤差が増加するため性能が低下するが、1.00mのセル幅が最適なトレードオフを提供する。
• MLTF画像表現は、複数のリンクにわたる時間周波数的および空間的多様性を効果的に捉えており、CNNが複数ターゲット検出に適した豊富で特徴的な特徴を抽出可能である。
• CoMuTeは、屋内環境においてセンチメートルレベルの精度を達成し、複数ターゲット局所化において優れたロバスト性と精度を示している。