[论文解读] Predicting Floor-Level for 911 Calls with Neural Networks and Smartphone Sensor Data

William Falcon, Henning Schulzrinne|arXiv (Cornell University)|Oct 29, 2017

Evacuation and Crowd Dynamics被引用 5

一句话总结

本文提出了一套自包含的系统，利用智能手机传感器——具体为基于LSTM的室内/室外分类器和气压变化——预测高楼中911呼救者所处的楼层，该系统在纽约市的63次真实场景测试中实现了100%的准确率，且无需信标、事先的建筑信息或用户行为模型。

ABSTRACT

In cities with tall buildings, emergency responders need an accurate floor level location to find 911 callers quickly. We introduce a system to estimate a victim's floor level via their mobile device's sensor data in a two-step process. First, we train a neural network to determine when a smartphone enters or exits a building via GPS signal changes. Second, we use a barometer equipped smartphone to measure the change in barometric pressure from the entrance of the building to the victim's indoor location. Unlike impractical previous approaches, our system is the first that does not require the use of beacons, prior knowledge of the building infrastructure, or knowledge of user behavior. We demonstrate real-world feasibility through 63 experiments across five different tall buildings throughout New York City where our system predicted the correct floor level with 100% accuracy.

研究动机与目标

• 解决在高层城市建筑中911紧急呼叫实现精确楼层定位的关键需求。
• 通过利用智能手机气压计和传感器融合，克服GPS和Wi-Fi在垂直定位方面的局限性。
• 开发一种无需基础设施支持、事先建筑数据或用户特定校准的系统。
• 仅使用标准智能手机传感器和机器学习，实现实时、精确的楼层估计。
• 通过广泛的实地测试，证明该系统在多种建筑类型中的可行性与可扩展性。

提出的方法

• 使用GPS、RSSI和磁力计数据训练LSTM模型，以分类智能手机状态为室内或室外。
• 利用从建筑入口到室内位置测得的气压差，估算垂直位移。
• 应用经验性楼层高度（m = 4.02 m）或建筑特定的m值，将气压差转换为楼层估计值。
• 实施聚类算法，从重复的建筑访问中学习楼层到天花板的距离，实现无监督的楼层估计。
• 通过定制的iOS应用（Sensory）以1 Hz的频率采集传感器数据，数据被存储用于分析和模型训练。
• 使用绝对气压差（ΔP）和状态方程估算高度变化：Δh = (R_d * T) / (g * M) * ln(P0/P)，其中P0和P分别为参考压力和当前压力。

实验结果

研究问题

• RQ1 仅使用GPS、RSSI和磁力计数据，基于LSTM的分类器能否准确区分智能手机的室内与室外状态？
• RQ2 在缺乏建筑结构先验知识的情况下，智能手机传感器测得的气压变化能在多大程度上估算楼层位置？
• RQ3 当使用固定的启发式楼层高度与建筑特定的高度估计值时，楼层预测的准确性有何差异？
• RQ4 重复访问建筑是否能通过无监督聚类成功学习楼层到天花板的距离并提升预测准确性？
• RQ5 该系统是否能在无需基础设施或用户校准的情况下，跨多种城市高层建筑实现泛化？

主要发现

• LSTM分类器在室内/室外分类中达到90.3%的准确率，优于逻辑回归、SVM、随机森林和HMMs。
• 当使用固定的启发式楼层高度（m = 4.02 m）时，系统在63次测试中有65.0%的正确楼层预测。
• 当使用建筑特定的楼层到天花板高度值（m依建筑而定）时，系统在楼层预测中实现了100%的准确率。
• 通过对重复访问中气压差的聚类，成功以高保真度估计了楼层间距，如在Uris Hall中，7至8层之间估计为3.47米，实际为3.5米。
• 该系统在纽约市五座不同高层建筑中展示了真实场景下的可行性，且无需外部基础设施或先验知识。
• 该方法具有鲁棒性和泛化能力，仅需配备GPS和气压计的智能手机，无需用户或建筑特定校准。