[논문 리뷰] Simultaneous Localization and Mapping Problem in Wireless Sensor Networks

Thierry Dumont, Sylvain Le Corff|arXiv (Cornell University)|2012. 09. 26.

Indoor and Outdoor Localization Technologies참고 문헌 18인용 수 5

한 줄 요약

이 논문은 순차적 데이터를 사용하여 장치 위치와 동적 신호 전파 맵을 동시에 추정함으로써, 오프라인 캘리브레이션 없이 환경 변화(예: 새로운 장애물)에 적응하는 실시간, 자가 캘리브레이션 가능한 실내 WiFi 기반 위치 추정을 위한 온라인 동시 위치 결정 및 맵핑(SLAM) 프레임워크를 제안한다. 신호 세기를 결정론적 평균 경로 손실 모델에 비모수적 교란 필드를 더한 것으로 모델링하고, 가우시안 프로세스 사전분포를 적용하며, 입자 필터링을 활용한 온라인 기대값최대화(EM) 알고리즘을 사용함으로써, 시간이 지남에 따라 정밀도가 향상되는 위치 추정 성능을 달성한다.

ABSTRACT

Mobile device localization in wireless sensor networks is a challenging task. It has already been addressed when the WiFI propagation maps of the access points are modeled deterministically. However, this procedure does not take into account the environmental dynamics and also assumes an offline human training calibration. In this paper, the maps are made of an average indoor propagation model combined with a perturbation field which represents the influence of the environment. This perturbation field is embedded with a prior distribution. The device localization is dealt with using Sequential Monte Carlo methods and relies on the estimation of the propagation maps. This inference task is performed online, i.e. using the observations sequentially, with a recently proposed online Expectation Maximization based algorithm. The performance of the algorithm are illustrated through Monte Carlo experiments.

연구 동기 및 목표

• 기존의 고정된 전파 맵이 시간이 지남에 따라 정밀도가 떨어지는 동적 환경에서 정확한 실내 위치 추정을 유지하는 데 도전하는 것.
• 비용이 많이 들고 정적 현장 조사가 필요 없는 문제를 해결하기 위해, 이동 장치의 관측 데이터로부터 실시간으로 전파 맵을 추정할 수 있도록 하는 것.
• 환경 변화(예: 새로운 장애물 또는 가구 이동)에 적응할 수 있는 자가 업데이트되는 위치 추정 시스템을 개발하는 것.
• 순차적 데이터를 사용하여 장치 위치와 전파 맵 매개변수를 동시에 추정함으로써, 시간이 지남에 따라 정밀도와 강인성이 향상되는 것.

제안 방법

• 수신 신호 강도 지표(RSSI) 관측치를 파라미터가 있는 평균 경로 손실 모델과 환경 효과(예: 쉐이딩 및 반사)를 나타내는 비모수적 교란 필드의 조합으로 모델링한다.
• 교란 필드에 대해 초모수적 가우시안 프로세스 사전분포를 할당한 베이지안 반모수적 모델을 구현한다.
• 스트리밍 RSSI 데이터로부터 전파 맵 매개변수와 초모수를 순차적으로 추정하기 위해 온라인 기대값최대화(EM) 알고리즘을 사용한다.
• 추정된 전파 맵을 기반으로 이동 장치의 위치를 실시간으로 추정하기 위해 입자 필터링을 활용한다.
• 개별 액세스 포인트(APs)에 대해 블록 단위 업데이트 전략을 도입하여, 부분 데이터 스트림을 사용해 각 AP의 신호 맵을 점진적으로 개선할 수 있도록 한다.
• 정확도를 높이기 위해 충분통계량을 주기적으로 재초기화하고, 알려진 진짜값이 있는 테스트 데이터셋에서 성능을 검증함으로써 온라인 EM 알고리즘의 안정성을 확보한다.

실험 결과

연구 질문

• RQ1 사전에 캘리브레이션된 전파 맵에 의존하지 않고도, WiFi 기반 위치 추정 시스템이 동적 실내 환경에서 높은 정밀도를 유지할 수 있는가?
• RQ2 온라인으로 학습된 전파 맵이 고정된 오프라인 모델에 비해 시간이 지남에 따라 위치 추정 성능에 어떤 영향을 미치는가?
• RQ3 자기 캘리브레이션 가능한 SLAM 시스템이 새로운 장애물이나 가구 이동과 같은 환경 변화에 얼마나 잘 적응할 수 있는가?
• RQ4 점진적이고 AP별로 특화된 맵 업데이트가 전체 위치 추정 정밀도와 수렴 속도에 어떤 영향을 미치는가?

주요 결과

• 추정된 위치와 진짜 위치 간의 거리에 대한 0.8-분위수로 측정된 위치 추정 오차는 새로운 데이터를 학습함에 따라 시간이 지남에 따라 감소하여, 경험을 통해 정밀도가 향상됨을 시사한다.
• 일부 액세스 포인트(예: AP 10)의 경우 약 7회의 업데이트 후 안정된 성능을 보였으며, 테스트 환경에서 오차가 2미터 이하로 안정화되었다.
• 최종적으로 추정된 전파 맵(그림 8)은 벽을 통해 신호가 감쇠되는 현실적인 패턴을 보여주어, 모델이 환경적 교란을 잘 포착할 수 있음을 확인한다.
• 오직 일부 AP만 각 관측치에서 가시된 경우에도 데이터가 불완전함에도 불구하고 시스템이 효과적으로 수렴함을 보여주어, 불완전한 데이터에 대한 강인성을 입증한다.
• 12개의 정의된 경로를 따라 수집된 실제 테스트 데이터셋(1,100개의 RSSI 측정치)을 활용해 알고리즘 성능을 검증하였으며, 맵 업데이트가 이루어질수록 일관되게 정밀도가 향상됨을 확인하였다.
• 재측정이 필요 없는 상태에서 동적 환경에서 정적 맵 모델보다 우수한 성능을 보였으며, 환경 변화에 지속적으로 적응함으로써 성능을 유지하였다.