Mobility-Induced Graph Learning for WiFi Positioning

要約

スマートフォンベースのユーザーモビリティ追跡は、ユーザーの位置を特定するのに効果的である可能性がありますが、内蔵慣性測定ユニット（IMU）の仕様が低いため、予測不可能なエラーが発生するため、スタンドアロンでの使用は拒否されますが、WiFi などの別の測位技術との統合が必要です。
ポジショニング。
この論文は、異なるユーザーのモビリティ特徴を捕捉して作成された 2 種類のグラフに基づいて設計された Mobility-INduced Graph Learning (MINGLE) と呼ばれるグラフ ニューラル ネットワークを使用した新しい統合手法を提案することを目的としています。
具体的には、連続する測定ポイント (MP) をノードとして考えると、ユーザーの通常のモビリティ パターンにより、時間駆動型モビリティ グラフ (TMG) と呼ばれるエッジとして隣接する MP を接続できます。
2 つ目は、方向駆動型モビリティ グラフ (DMG) と呼ばれる、各パス上のノードを接続することで、ユーザーがある位置から別の位置に移動する際の一定のペースでの比較的直線的な遷移をキャプチャできます。
次に、グラフ畳み込みネットワーク (GCN) ベースのクロスグラフ学習を設計できます。この学習では、TMG と DMG の 2 つの異なる GCN モデルが、WiFi RTT によって作成された異なる入力特徴をフィードしながら重みを共有することによって共同トレーニングされます。
さらに、損失関数には移動度の正則化項が含まれているため、ユーザーの移動ペースが安定しているため、隣接する位置推定値間の差異が小さくなるはずです。
正則化項はグラウンドトゥルースの位置を必要としないことに注意して、MINGLE は半教師あり学習フレームワークおよび自己教師あり学習フレームワークの下で設計できます。
提案された MINGLE の有効性はフィールド実験を通じて広範囲に検証されており、ベンチマークよりも優れた測位精度を示しており、自己および半教師あり学習のケースで二乗平均平方根誤差 (RMSE) がそれぞれ 1.398 (m) および 1.073 (m) であることがわかります。

要約(オリジナル)

A smartphone-based user mobility tracking could be effective in finding his/her location, while the unpredictable error therein due to low specification of built-in inertial measurement units (IMUs) rejects its standalone usage but demands the integration to another positioning technique like WiFi positioning. This paper aims to propose a novel integration technique using a graph neural network called Mobility-INduced Graph LEarning (MINGLE), which is designed based on two types of graphs made by capturing different user mobility features. Specifically, considering sequential measurement points (MPs) as nodes, a user’s regular mobility pattern allows us to connect neighbor MPs as edges, called time-driven mobility graph (TMG). Second, a user’s relatively straight transition at a constant pace when moving from one position to another can be captured by connecting the nodes on each path, called a direction-driven mobility graph (DMG). Then, we can design graph convolution network (GCN)-based cross-graph learning, where two different GCN models for TMG and DMG are jointly trained by feeding different input features created by WiFi RTTs yet sharing their weights. Besides, the loss function includes a mobility regularization term such that the differences between adjacent location estimates should be less variant due to the user’s stable moving pace. Noting that the regularization term does not require ground-truth location, MINGLE can be designed under semi- and self-supervised learning frameworks. The proposed MINGLE’s effectiveness is extensively verified through field experiments, showing a better positioning accuracy than benchmarks, say root mean square errors (RMSEs) being 1.398 (m) and 1.073 (m) for self- and semi-supervised learning cases, respectively.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google