[論文レビュー] Dataset of Pathloss and ToA Radio Maps With Localization Application

Çağkan Yapar, Ron Levie+2 more|arXiv (Cornell University)|Nov 18, 2022

Indoor and Outdoor Localization Technologies被引用数 14

ひとこと要約

本論文は、701の実際の都市地図を対象に、高精度なレイトレーシング（WinProp）を用いてシミュレートされたパスロスおよび到着時刻（ToA）ラジオマップの公開データセットを提示する。このデータセットは、都市部の高密度環境におけるもので、1mの空間分解能を有し、現実的な信号検出閾値を反映する厳密な切り捨て処理が施されている。RSSベースおよびToAベースの局所化手法の公平な比較を可能にするとともに、深層学習を用いたラジオマップ予測の支援も行う。

ABSTRACT

In this article, we present a collection of radio map datasets in dense urban setting, which we generated and made publicly available. The datasets include simulated pathloss/received signal strength (RSS) and time of arrival (ToA) radio maps over a large collection of realistic dense urban setting in real city maps. The two main applications of the presented dataset are 1) learning methods that predict the pathloss from input city maps (namely, deep learning-based simulations), and, 2) wireless localization. The fact that the RSS and ToA maps are computed by the same simulations over the same city maps allows for a fair comparison of the RSS and ToA-based localization methods.

研究の動機と目的

• 都市環境における公開可能で高分解能かつ一貫性のあるラジオマップデータセットの不足に対処すること。
• RSSベースとToAベースの無線局所化手法の間で公平な比較を可能にするために、両方の指標に同じシミュレーションフレームワークを用いること。
• パスロスおよびToAの高スケールで現実的なシミュレーションを提供することにより、深層学習に基づくラジオマップ予測を支援すること。
• 測定キャンペーンでは実現が困難な細粒度（1m）のラジオマップを提供することで、高精度な局所化研究を促進すること。
• NLOSバイアスを含む現実的な都市伝搬条件下で、ToAベースの距離測定アルゴリズムの評価ベンチマークを提供すること。

提案手法

• OpenStreetMapから得た701の実際の都市地図を対象に、WinPropの支配的経路モデル（DPM）およびインテリジェントレイトレーシング（IRT）を用いて、2および4回の相互作用（IRT2、IRT4）によるパスロスおよびToAラジオマップをシミュレートした。
• 地上レベル（D2D）および屋上（セルラー基地局）の両方の設定において、1つの256×256mマップあたり80台の送信機を想定し、合計56,080回のシミュレーションを実施した。
• 解析的閾値（P_L,trnc）未満のパスロス値を切り捨て、M₁ - P_L,thr = 4(P_L,thr - P_L,trnc) を満たすようにした。ここで、M₁はデータセットにおける最大パスロスである。
• パスロスをグレースケール値（0–255）にマッピングする関数 f = max{(P_L - P_L,trnc)/(M₁ - P_L,trnc), 0} を用い、f=0 は検出閾値未満の信号を示す。
• 再現性および統合を可能にするために、送信機の位置、都市地図、道路網を .png 画像およびポリゴン座標を含む .json ファイルとして提供した。
• 建物および車両に一貫した材料モデルを適用し、ToA値がパスロスと同一のレイトレーシングシミュレーションから得られることを保証した。これにより、局所化手法の直接比較が可能になった。

実験結果

リサーチクエスチョン

• RQ1 同じ都市ラジオ環境およびシミュレーションモデルを用いる場合、RSSベースの局所化とToAベースの局所化の性能はどのように比較されるか？
• RQ2 都市部のNLOS条件下で支配的経路のToA測定を用いる場合、直接経路推定と比較して、距離誤差はどの程度制限されるか？
• RQ3 このデータセットで訓練された深層学習モデルは、高空間分解能の都市地図入力からパスロスおよびToAを正確に予測できるか？
• RQ4 シミュレーションの忠実度（例：IRT2 対 IRT4）は、局所化応用におけるラジオマップの現実性および有用性にどのような影響を与えるか？
• RQ5 パスロス閾値（P_L,trnc）の選定は、信号の検出可能性および局所化アルゴリズムの性能にどのような影響を及えるか？

主な発見

• データセットの47%のリンクが、直接経路と支配的経路の間のNLOSバイアスの経験的CDFに基づき視線（LOS）と特定された。
• NLOS状態における支配的経路は、反射を伴う自由空間経路よりも低いNLOSバイアスを示し、ToAベースの距離測定において準最適である。
• 解析的パスロス閾値（P_L,trnc）は、P_L,trnc と P_L,thr 間のダイナミックレンジが全パスロス範囲の1/5に設定されており、現実的な信号検出モデルの構築を保証している。
• 本データセットの1m分解能は、通常の測定ベースのラジオマップでは実現が困難な高精度な局所化研究を可能にしている。
• RSSおよびToAの両方の指標に同じシミュレーションエンジン（WinProp）を用いることで一貫性が確保され、RSS対ToAベースの局所化アルゴリズムの公平なベンチマークが可能になった。
• 本データセットは、カバレッジ分類、フィンガープrintベースの局所化、深層学習ベースのラジオマップ生成といった高度な応用を支援している。