[논문 리뷰] Inferring proximity from Bluetooth Low Energy RSSI with Unscented Kalman Smoothers

Tom Lovett, Mark Briers외 4명|arXiv (Cornell University)|2020. 07. 09.

Bluetooth and Wireless Communication Technologies참고 문헌 20인용 수 12

한 줄 요약

이 논문은 블루투스 저전력(BLE) RSSI 값의 노이즈 간섭을 고려해 유사도를 추론하기 위해 가우시안 프로세스 관측 모델을 사용하는 확률적 접근법을 제안한다. 비선형 상태공간을 모델링하기 위해 비선형 상태공간을 모델링하기 위해 단일 차원의 유스케이드 칼만 스무싱기(UKS)를 사용하며, 기존의 기울기 부스팅 회귀모형보다 실세계 데이터셋에서 우수한 성능을 보이며 O(n) 시간 내에 정확한 유사도 추정을 달성한다.

ABSTRACT

The Covid-19 pandemic has resulted in a variety of approaches for managing infection outbreaks in international populations. One example is mobile phone applications, which attempt to alert infected individuals and their contacts by automatically inferring two key components of infection risk: the proximity to an individual who may be infected, and the duration of proximity. The former component, proximity, relies on Bluetooth Low Energy (BLE) Received Signal Strength Indicator(RSSI) as a distance sensor, and this has been shown to be problematic; not least because of unpredictable variations caused by different device types, device location on-body, device orientation, the local environment and the general noise associated with radio frequency propagation. In this paper, we present an approach that infers posterior probabilities over distance given sequences of RSSI values. Using a single-dimensional Unscented Kalman Smoother (UKS) for non-linear state space modelling, we outline several Gaussian process observation transforms, including: a generative model that directly captures sources of variation; and a discriminative model that learns a suitable observation function from training data using both distance and infection risk as optimisation objective functions. Our results show that good risk prediction can be achieved in $\mathcal{O}(n)$ time on real-world data sets, with the UKS outperforming more traditional classification methods learned from the same training data.

연구 동기 및 목표

• 코로나19 패an드emic 기간 동안 환경적 요인과 기기 특성에 의한 변동성으로 인해 신뢰할 수 없는 BLE RSSI를 유사도 센서로 사용하는 데 도전하는 문제를 해결한다.
• 노이즈와 불확실성을 고려해 RSSI 값의 시계열을 기반으로 거리에 대한 사후 확률을 추론하는 강건한 방법을 개발한다.
• UKS를 활용한 시계열 추론을 통해 RSSI에서 거리로의 매핑을 위한 생성적 및 판별적 모델링 접근법을 비교한다.
• 시간적 RSSI 시계열과 불확실성 정량화를 활용해 접촉 추적 응용 프로그램의 위험 예측 정확도를 향상시킨다.

제안 방법

• RSSI를 관측값으로 사용해 시간에 따른 거리의 비선형 상태공간을 모델링하기 위해 단일 차원의 유스케이드 칼만 스무싱기(UKS)를 적용한다.
• 두 가지 가우시안 프로세스 기반 관측 모델을 구현한다: 기기 유형, 방향성 등 RSSI 변동의 원인을 명시적으로 반영하는 생성 모델과 학습 데이터에서 학습하는 판별 모델.
• 유사도와 감염 위험 예측이라는 이중 목표를 가진 베이지안 최적화를 통해 판별 모델을 최적화한다.
• 실제 환경에서 관측된 RSSI의 장꼬리 분포를 반영하기 위해 RSSI-거리 매핑에 로그정규분포를 사용한다.
• UKS를 통해 거리에 대한 사후 분포를 추론하여 유사도 추정의 불확실성 정량화를 가능하게 한다.
• 기기의 주머니 또는 손에 쥐어진 상태와 같은 다양한 조건에서 실세계 데이터셋인 MIT H0H1 및 트리니티 칼리지 더블린에서 성능을 평가한다.

실험 결과

연구 질문

• RQ1 기존의 분류 방법과 비교해 노이즈가 많은 BLE RSSI 값으로부터의 유사도 추론에 대해 확률적 순차 모델이 향상시킬 수 있는가?
• RQ2 다양한 기기 및 환경 조건에서 RSSI 변동성을 모델링할 때 생성적 모델과 판별적 모델 간의 성능 비교는 어떻게 되는가?
• RQ3 RSSI를 로그정규분포 랜덤 변수로 모델링하면 정규분포 대비 유사도 추정 정확도가 향상되는가?
• RQ4 기기의 주머니나 손에 쥐어진 상태와 같이 RSSI가 가장 불안정한 도전적인 상황에서 UKS 기반 접근법의 성능은 어떠한가?
• RQ5 사후 분포를 통한 불확실성 정량화가 실세계 구현에서 유사도 추론의 신뢰성에 얼마나 기여하는가?

주요 결과

• 유스케이드 칼만 스무싱기(UKS)는 MIT H0H1 및 트리니티 칼리지 더블린 데이터셋에서 기울기 부스팅 회귀모형을 능가하며, 더 높은 위험 예측 정확도를 보였다.
• 감염 위험 예측을 최적화하기 위해 조정한 판별 모델이 유사도 추정 전용으로 최적화한 모델보다 약간 더 높은 성능을 보였으며, 이는 위험 인식 학습이 추론 성능을 향상시킬 수 있음을 시사한다.
• RSSI-거리 매핑에 로그정규분포를 사용한 결과, 정규분포 대비 약간 더 높은 평균 성능을 기록했으며, 특히 장꼬리 RSSI 변동에 대응하는 데 유리했다.
• 기기가 주머니에 있을 때(앉아 있는 상황) 가장 높은 빈도로 거짓 음성 결과가 발생했고, 손에 쥐어진 상태일 때는 거짓 양성 결과가 많아, 이러한 구성에서 지속적인 과제가 있음을 확인했다.
• UKS 프레임워크는 실시간으로 O(n) 시간 내에 전체 사후 불확실성 추정을 제공하며, 비확률적 모델 대비 뚜렷한 이점을 제공했다.
• 생성 모델이 판별 모델보다 유의미하게 우수한 성능을 보인다는 강력한 증거는 없었지만, 둘 다 다양한 실세계 조건에서 뛰어난 성능을 보였다.