[논문 리뷰] DeepPos: Deep Supervised Autoencoder Network for CSI Based Indoor Localization

Peyman Yazdanian, Vahid Pourahmadi|arXiv (Cornell University)|2018. 11. 27.

Indoor and Outdoor Localization Technologies참고 문헌 10인용 수 13

한 줄 요약

DeepPos는 CSI 기반 실내 위치 지정을 위한 새로운 딥 스위프드 오토에인코더(SAE) 프레임워크를 제안하며, 각 훈련 포인트에 대한 개별 포인트 프린트를 저장할 필요 없이 전체 환경을 단일 학습 모델로 모델링한다. 다양한 가정된 레이블 하에서 CSI 입력을 재구성하고 재구성 오차가 가장 작은 것을 선택함으로써, 이전의 딥러닝 방법들인 DeepFi와 비교해 훨씬 낮은 훈련 및 테스트 복잡도로 높은 정확도를 달성한다.

ABSTRACT

The widespread mobile devices facilitated the emergence of many new applications and services. Among them are location-based services (LBS) that provide services based on user's location. Several techniques have been presented to enable LBS even in indoor environments where Global Positioning System (GPS) has low localization accuracy. These methods use some environment measurements (like Channel State Information (CSI) or Received Signal Strength (RSS)) for user localization. In this paper, we will use CSI and a novel deep learning algorithm to design a robust and efficient system for indoor localization. More precisely, we use supervised autoencoder (SAE) to model the environment using the data collected during the training phase. Then, during the testing phase, we use the trained model and estimate the coordinates of the unknown point by checking different possible labels. Unlike the previous fingerprinting approaches, in this work, we do not store the {CSI/RSS} of fingerprints and instead we model the environment only with a single SAE. The performance of the proposed scheme is then evaluated in two indoor environments and compared with that of similar approaches.

연구 동기 및 목표

• 각 훈련 포인트에 대해 개별 모델을 저장하는 기존 포인트 기반 실내 위치 지정 시스템의 높은 저장 및 계산 오버헤드 문제를 해결하기 위해.
• 각 포인트 모델 저장을 단일 통합 딥 SAE 모델로 대체함으로써 오프라인(훈련) 및 온라인(테스트) 단계의 효율성을 향상시키기 위해.
• 훈련 포인트 수가 증가함에 따라 실행 시간과 메모리 사용량을 크게 줄이며 높은 위치 지정 정확도를 유지하기 위해.
• 단일 SAE가 실내 환경 전반에 걸쳐 공간적으로 변화하는 CSI 특성을 효과적으로 포착할 수 있는지 확인하기 위해.
• 기존 방법들에 비해 복잡도 지표에서 높은 성능를 보이며 정확도를 희생시키지 않는 확장 가능하고 효율적인 딥러닝 솔루션을 제공하기 위해.

제안 방법

• 환경 내 정의된 훈련 포인트(SP)에서 수집한 원시 CSI 측정치를 사용해 단일 딥 스위프드 오토에인코더(SAE)를 훈련한다.
• 훈련 중에 SAE의 중간(버블넥) 레이어에 SP의 ID(위치 레이블)를 입력하여 네트워크가 위치 기반 표현을 학습하도록 한다.
• 훈련된 SAE의 파rameters(가중치 및 편향)를 전체 환경 모델로 저장하며, 원시 CSI 프린트 대신 사용한다.
• 테스트 중에 알려지지 않은 테스트 포인트의 원시 CSI를 SAE에 입력하고, 각 가능한 레이블(즉, 각 SP 위치)에 대해 재구성 오차를 평가한다.
• 가장 낮은 재구성 오차를 보이는 레이블을 테스트 포인트의 추정 위치로 선택한다.
• SAE의 디코딩 레이어는 재구성 정확도에 기반해 가장 가능성이 높은 위치로 특징을 매핑하는 스위프드 리그레서 역할을 한다.

실험 결과

연구 질문

• RQ1 단일 딥 스위프드 오토에인코더가 포인트별 프린트를 저장하지 않고도 전체 실내 환경의 CSI 특성을 효과적으로 모델링할 수 있는가?
• RQ2 DeepPos 방법은 DeepFi와 같은 기존 포인트 기반 방법들과 비교해 위치 지정 정확도 및 계산 복잡도 측면에서 어떻게 다른가?
• RQ3 훈련 포인트 수가 증가함에 따라 DeepPos 시스템의 정확도와 실행 시간은 기존 방법들과 비교해 어떻게 영향을 받는가?
• RQ4 각 포인트 모델 훈련 및 저장 대비 통합 SAE 모델 사용이 훈련 및 테스트 오버헤드를 크게 줄이는가?
• RQ5 SAE 프레임워크에서의 CSI 재구성 오차가 실내 환경에서의 위치 추정에 신뢰할 수 있는 지표가 될 수 있는가?

주요 결과

• DeepPos는 교실에서 평균 위치 지정 오차 1.872 m, 복도에서 1.824 m를 기록하며, 실행 시간은 DeepFi를 능가하면서도 정확도는 유사하게 유지한다.
• DeepPos의 평균 실행 시간은 교실에서 1.1449 s, 복도에서 1.053 s로, 각각 DeepFi의 3.7072 s와 3.457 s보다 현저히 낮다.
• DeepPos의 훈련 시간은 훈련 포인트 수 증가에 따라 DeepFi보다 훨씬 느리게 증가하며, 특히 순차적 훈련 모드에서 두드러진다.
• DeepPos는 각 훈련 포인트마다 별도의 모델을 저장하고 훈련해야 하는 DeepFi보다 훨씬 적은 메모리 사용량을 보인다.
• 병렬 훈련 가정 하에서도 DeepPos는 단일 모델 아키텍처 덕분에 여전히 낮은 메모리 사용량을 유지한다.
• DeepPos와 DeepFi의 위치 지정 정확도는 모두 훈련 포인트 수 증가에 따라 유사하게 향상되며, 이는 DeepPos가 복잡도를 줄이면서도 높은 성능를 유지함을 확인한다.