[논문 리뷰] Learning the Localization Function: Machine Learning Approach to Fingerprinting Localization

Linchen Xiao, Arash Behboodi외 1명|arXiv (Cornell University)|2018. 03. 21.

Speech and Audio Processing참고 문헌 27인용 수 13

한 줄 요약

이 논문은 데이터 증강과 전이 학습을 통해 풍부한 훈련 데이터에 의존하는 것을 줄이는 딥러닝 기반의 지문 기반 실내 위치 추정 기법을 제안한다. RSSI 측정값을 위치로 매핑하는 다층 신경망을 훈련시켜, 최소한의 데이터로도 뛰어난 성능 향상을 달성하며, 데이터 증강을 통해 평균 오차를 최대 1.2미터 감소시키고, 전이 학습 시나리오에서 전체 데이터의 30퍼센트만으로도 완전한 훈련과 유사한 정확도를 확보한다.

ABSTRACT

Considered as a data-driven approach, Fingerprinting Localization Solutions (FPSs) enjoy huge popularity due to their good performance and minimal environment information requirement. This papers addresses applications of artificial intelligence to solve two problems in Received Signal Strength Indicator (RSSI) based FPS, first the cumbersome training database construction and second the extrapolation of fingerprinting algorithm for similar buildings with slight environmental changes. After a concise overview of deep learning design techniques, two main techniques widely used in deep learning are exploited for the above mentioned issues namely data augmentation and transfer learning. We train a multi-layer neural network that learns the mapping from the observations to the locations. A data augmentation method is proposed to increase the training database size based on the structure of RSSI measurements and hence reducing effectively the amount of training data. Then it is shown experimentally how a model trained for a particular building can be transferred to a similar one by fine tuning with significantly smaller training numbers. The paper implicitly discusses the new guidelines to consider about deep learning designs when they are employed in a new application context.

연구 동기 및 목표

• 지문 기반 실내 위치 추정에서 훈련 데이터베이스를 구축하는 데 소요되는 높은 비용과 시간을 해결하기 위해.
• 유사한 건물에 대해 최소한의 재훈련으로도 위치 추정 모델을 효율적으로 적응시킬 수 있도록 하기 위해.
• 딥러닝 기법인 데이터 증강과 전이 학습이 지문 기반 위치 추정 성능 향상에 어떻게 기여할 수 있는지 탐색하기 위해.
• 실내 위치 추정 응용 분야에서 딥 신경망을 구현하기 위한 새로운 설계 지침을 제공하기 위해.

제안 방법

• 위치 추정을 함수 근사 문제로 간주하여, RSSI 측정값에서 공간적 위치로의 매핑을 학습하는 다층 신경망을 훈련한다.
• RSSI 지문을 순열화하여 합성 훈련 샘플을 생성하는 데이터 증강 기법을 제안하여, 새로운 측정값 없이도 데이터셋 크기를 증가시킨다.
• 전이 학습을 적용하기 위해 한 건물(예: 0층)에서 모델을 사전 훈련하고, 유사한 건물(예: 1층)에서 훈련 데이터의 30퍼센트만을 사용하여 미세조정한다.
• 모델 성능 평가에 시뮬레이션 및 실제 UJIndoorLoc 데이터셋을 사용하며, 평균 오차, 오차 분산, 최소/최대 오차 등의 지표를 활용한다.
• 유사한 실내 환경 간의 구조적 유사성을 활용하여 학습된 특징을 전이함으로써, 완전한 재훈련이 필요한 양을 줄인다.
• 테스트 시 위치 추정은 네트워크를 한 번 통과시키는 것만으로도 가능하므로, 추론 시 계산이 효율적이다.

실험 결과

연구 질문

• RQ1 데이터 증강 기법은 RSSI 기반 지문 기반 위치 추정에서 훈련 데이터베이스의 크기를 줄이는 데 효과적인가?
• RQ2 전이 학습을 통해 새로운 건물에서 훈련 데이터의 소수만으로도 정확한 위치 추정이 가능한가?
• RQ3 한 환경에서 훈련된 딥 뉴럴 네트워크의 성능는 구조적 변화가 소량 있는 유사 환경으로 일반화될 수 있는가?
• RQ4 실내 지문 기반 위치 추정 시스템에 딥 신경망을 구현할 때의 설계적 함의는 무엇인가?

주요 결과

• 데이터 증강을 통해 UJIndoorLoc 데이터셋에서 평균 위치 추정 오차가 10번의 지문 순열을 적용하여 7.62m에서 6.69m로 약 1미터 감소했다.
• 오차 분산 또한 43.00에서 38.72로 감소하여 예측의 정밀성과 일관성이 향상됨을 나타낸다.
• 0층에서 사전 훈련한 모델을 1층에서 30퍼센트의 훈련 데이터만으로 미세조정함으로써 평균 오차 8.70m를 달성했으며, 사전 훈련 없이 미세조정한 경우의 11.90m 오차와 유사한 성능을 보였다.
• 사전 훈련 없이 30퍼센트의 데이터만으로도 훈련한 경우 평균 오차가 16.76m로 나타나, 미세조정된 모델의 성능에 비해 뚜렷이 열등했다.
• 결과적으로 전이 학습은 최소한의 데이터로도 효과적인 모델 업데이트를 가능하게 하여, 유사하지만 새로운 환경에서의 신속한 구현을 가능하게 한다.
• 추론 시 계산이 효율적이며, 테스트 시 위치 추정은 단일 전방 전파만으로도 수행되므로 실시간 응용에 적합하다.