[论文解读] UAVs using Bayesian Optimization to Locate WiFi Devices

Mattia Carpin, S. Rosati+2 more|arXiv (Cornell University)|Oct 13, 2015

Indoor and Outdoor Localization Technologies参考文献 5被引用 10

一句话总结

该论文提出了一种基于高斯过程回归的贝叶斯优化框架，使无人机能够通过实时主动采样信号强度（RSSI）测量值，高效定位非协作式WiFi设备（如智能手机）。该方法在探索与利用之间取得平衡，使搜索区域在5分钟内缩小至100米以内，并在15分钟内实现低于20米的定位精度，实测结果覆盖1000×1000平方米区域。

ABSTRACT

We address the problem of localizing non-collaborative WiFi devices in a large region. Our main motive is to localize humans by localizing their WiFi devices, e.g. during search-and-rescue operations after a natural disaster. We use an active sensing approach that relies on Unmanned Aerial Vehicles (UAVs) to collect signal-strength measurements at informative locations. The problem is challenging since the measurement is received at arbitrary times and they are received only when the UAV is in close proximity to the device. For these reasons, it is extremely important to make prudent decision with very few measurements. We use the Bayesian optimization approach based on Gaussian process (GP) regression. This approach works well for our application since GPs give reliable predictions with very few measurements while Bayesian optimization makes a judicious trade-off between exploration and exploitation. In field experiments conducted over a region of 1000 $ imes$ 1000 $m^2$, we show that our approach reduces the search area to less than 100 meters around the WiFi device within 5 minutes only. Overall, our approach localizes the device in less than 15 minutes with an error of less than 20 meters.

研究动机与目标

• 开发一种在大型未知环境中快速且准确地定位非协作式WiFi设备的方法。
• 解决仅在无人机靠近设备时才能获取稀疏且非周期性RSSI测量值的挑战。
• 通过智能选择具有信息量的无人机航迹，最小化测量次数与飞行时间。
• 实现实时、数据驱动的定位，无需预先建立环境模型。
• 通过基于联合采集函数的方法将该方法扩展至多设备定位，优先选择对所有目标均具信息量的区域。

提出的方法

• 无人机使用贝叶斯优化，依次选择能最大化关于WiFi设备位置信息增益的飞行路径。
• 基于RSSI测量值训练高斯过程（GP）回归模型，以预测搜索区域内信号强度的后验分布。
• 采集函数通过GP的均值与方差，平衡探索（高不确定性）与利用（高预测RSSI）。
• 无人机在选定位置采集RSSI数据，更新GP模型，并迭代优化设备位置估计。
• 对于多设备场景，基于各设备估计结果的最大均值与最大方差，计算联合采集函数，以指导无人机移动。
• 当设备位置估计周围的不确定性低于预设阈值时，算法终止。

实验结果

研究问题

• RQ1 基于高斯过程回归的贝叶斯优化能否以最少的RSSI测量值实现对非协作式WiFi设备的高效定位？
• RQ2 在真实世界的大规模环境中，面对稀疏且非周期性的测量数据，无人机在多大程度上能有效缩小搜索区域并精确定位WiFi设备？
• RQ3 基于探索-利用权衡的主动感知策略，在定位速度与精度方面，相较于随机或网格搜索策略，优势有多大？
• RQ4 在定位过程中，无人机航迹如何动态适应不确定性与信号强度预测的变化？
• RQ5 该方法能否通过联合采集规划扩展至同时定位多个WiFi设备，并提升整体效率？

主要发现

• 在1000×1000平方米的真实实验环境中，无人机在15分钟飞行时间内将定位误差降低至18米。
• 仅5分钟后，搜索区域已缩小至真实设备位置的100米以内，显示出快速收敛特性。
• 在10次独立实验中，无人机航迹始终收敛至真实设备位置的30米范围内，表现出良好鲁棒性。
• 随着时间推移，GP模型的后验均值逐渐集中于真实设备位置，同时方差显著减小，反映出置信度持续提升。
• 无人机在不同阶段交替进行探索与利用，早期以探索为主，后期逐渐转向利用，这一过程在GP后验分布的演化中清晰可见。
• 该方法仅通过15分钟内的47次测量即实现高精度定位，凸显其在数据稀缺条件下的高效性。