Constructing Indoor Region-based Radio Map without Location Labels

要約

電波マップの構築には位置ラベルを含む大量の電波測定データが必要となるため、導入コストが高くなります。
この論文では、位置ラベルを使用しない受信信号強度 (RSS) 測定から地域ベースの無線マップを開発します。
この構築は、屋内エリアの各地域を 1 回だけ訪問するデバイスから盲目的に収集された一連の RSS 測定データに基づいており、フットプリントやタイムスタンプは記録されません。
主な課題は、RSS データをクラスタ化し、クラスタを物理領域と一致させることです。
RSS データはマルチパスやノイズにより自然に非クラスター化されているように見えるため、従来のクラスタリング アルゴリズムは機能しません。
この論文では、逐次事前分布をもつ信号部分空間モデルが RSS データに対して構築され、統合されたセグメンテーションおよびクラスタリング アルゴリズムが開発され、特殊な場合に大域的に最適な解決策を見つけることが示されています。
さらに、クラスター化されたデータは、グラフベースのアプローチを使用して物理領域と照合されます。
オフィス空間からの実際の測定に基づいて、提案されたスキームは加重重心位置推定 (WCL) ベースラインと比較して領域位置推定誤差を約 50% 削減し、k 最近傍法 (KNN) を含むいくつかの教師あり位置推定スキームをも上回ります。
サポート ベクター マシン (SVM) とディープ ニューラル ネットワーク (DNN) は、トレーニングにラベル付きデータを必要とします。

要約(オリジナル)

Radio map construction requires a large amount of radio measurement data with location labels, which imposes a high deployment cost. This paper develops a region-based radio map from received signal strength (RSS) measurements without location labels. The construction is based on a set of blindly collected RSS measurement data from a device that visits each region in an indoor area exactly once, where the footprints and timestamps are not recorded. The main challenge is to cluster the RSS data and match clusters with the physical regions. Classical clustering algorithms fail to work as the RSS data naturally appears as non-clustered due to multipaths and noise. In this paper, a signal subspace model with a sequential prior is constructed for the RSS data, and an integrated segmentation and clustering algorithm is developed, which is shown to find the globally optimal solution in a special case. Furthermore, the clustered data is matched with the physical regions using a graph-based approach. Based on real measurements from an office space, the proposed scheme reduces the region localization error by roughly 50% compared to a weighted centroid localization (WCL) baseline, and it even outperforms some supervised localization schemes, including k-nearest neighbor (KNN), support vector machine (SVM), and deep neural network (DNN), which require labeled data for training.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google