[논문]반지도식 자기조직화지도를 이용한 wifi fingerprint 보정 방법

타이광퉁; 정기숙; 금창섭

doi:10.7840/kics.2017.42.2.536

초록
AI-Helper

무선 RSSI fingerprinting 방식은 기존 무선 인프라를 이용하면서 적정수준의 정확도를 얻을 수 있는 실내위치인식 방법 중의 하나이다. 하지만 라디오 맵 구성( fingerprint calibration) 과정에서 목표 환경의 다양한 위치에서 정확한 물리적 좌표와 무선 신호를 측정해야 하므로 시간과 노력이 많이 소요된다. 이 논문은 이러한 방식으로 위치 정보를 수집하지 않고 반지도식 자기조직화지도 학습 알고리즘을 사용하여 labeled RSSI를 얻고 RSSI 조합으로부터 맵을 구성하는 방법을 제안한다. 모의 데이터에 대한 실험을 통해 제안 방법이 fingerprint 데이터베이스로 부터 1%의 RSSI 샘플을 가지고 효과적인 전체 맵을 얻을 수 있다는 결론을 얻었다.

Abstract ▼ AI-Helper

Wireless RSSI (Received Signal Strength Indication) fingerprinting is one of the most popular methods for indoor positioning as it provides reasonable accuracy while being able to exploit existing wireless infrastructure. However, the process of radio map construction (aka fingerprint calibration) i...

Wireless RSSI (Received Signal Strength Indication) fingerprinting is one of the most popular methods for indoor positioning as it provides reasonable accuracy while being able to exploit existing wireless infrastructure. However, the process of radio map construction (aka fingerprint calibration) is laborious and time consuming as precise physical coordinates and wireless signals have to be measured at multiple locations of target environment. This paper proposes a method to build the map from a combination of RSSIs without location information collected in a crowdsourcing fashion, and a handful of labeled RSSIs using a semi-supervised self organizing map learning algorithm. Experiment on simulated data shows promising results as the method is able to recover the full map effectively with only 1% RSSI samples from the fingerprint database.

주제어

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

In this research, we endorse the idea of combining labeled data and unlabeled data for learning the radio map. While solving the question of assigning location information for the unlabeled signal samples, previous methods formalize this into a projection problem where high dimensional RSSI data is projected onto the geographical space.
The cost of manual calibration thus hinders the widespread adoption of the method. Reducing the amount of calibration effort while retaining the localization accuracy is the main target of this research.

제안 방법

Although various methods has been developed for indoor positioning systems, RSSI fingerprint matching is still one of the most popular approaches[2,3]. Its basic idea is based on the assumption that each spatial location can be identified by a unique measurable feature such as wireless signal, just like a human fingerprint. The method consists of two phases: an offline training phase (a.
Distances between every pair of samples have to be estimated which is computationally expensive, especially when a large crowdsourced data is used. On the contrary, our proposed method can utilize a previously built map to initialize the weigh vectors of the SOM then update their parameter values continually as new data samples are presented. No re-training with the whole data is necessary.
(MDS) is a method widely used for visualizing high dimensional data. The algorithm aims to place samples in high dimensional space to d-dimensional space (usually d = 2) such that the sample-between distances are preserved as much as possible. Each sample is then assigned coordinates in each of the d dimensions.
Its basic idea is based on the assumption that each spatial location can be identified by a unique measurable feature such as wireless signal, just like a human fingerprint. The method consists of two phases: an offline training phase (a.k.a fingerprint calibration) and an online localization phase. In the first phase, indoor plan of a building is usually represented as a set of discrete locations then wireless signals are measured at these points.
To investigate the effectiveness of full radio map recovery, we learned the networks using different amount of labeled data, ranging from 1% to 100% number of samples, then evaluate the localization errors.

이론/모형

We evaluated the performance of the proposed method on simulated data. The data is generated with an indoor log-distance path-loss propagation model. In the model, received wireless signal power is defined as:

참고문헌 (11)

H. Liu, S. Member, H. Darabi, P. Banerjee, and J. Liu, "Survey of wireless indoor positioning techniques and systems," vol. 37, no. 6, pp. 1067-1080, 2007.

상세보기
G. Kim, I. Park, Y. I m, A. Hong, J. Kim, and Y. Shin, "Recent trends in location-based services," J. KICS, vol 28, no. 7, pp. 3-14, Jun. 2011.
S. He, S. Member, S. G. Chan, and S. Member, "Wi-Fi fingerprint-based indoor positioning : Recent advances and comparisons," IEEE Commun. Surveys & Tuts., vol. 18, no. 1, pp. 466-490, 2016.

상세보기
X. Chai and Q. Yang, "Reducing the calibration effort for probabilistic indoor location estimation," IEEE Trans. Mob. Comput., vol. 6, no. 6, pp. 649-662, 2007.

상세보기
M. D. Redzic, C. Brennan, and N. E. O. Connor, "SEAMLOC : Seamless indoor localization based on reduced number of calibration points," IEEE Trans. Mob. Comput., vol. 13, no. 6, pp. 1326-1337, 2014.

상세보기
T. Pulkkinen, T. Roos, and P. Myllymaki, "Semi-supervised learning for WLAN positioning," Artif. Neural Netw. Mach. Learn., vol. 6791, pp. 355-362, 2011.
J. Niu, et al., "WicLoc: an indoor localization system based on WiFi fingerprints and crowdsourcing," in Proc. ICC '15, pp. 3008-3013, Jun. 2015.
M. Alzantot, "CrowdInside : Automatic construction of indoor floorplans," in Proc. Sigspatial Gis, pp. 99-108, Redondo Beach, California, Nov. 2012.
A. Rai, K. K. Chintalapudi, V. N. Padmanabhan, and R. Sen, "Zee: Zero-Effort crowdsourcing for indoor localization," in Proc. Mobicom '12, p. 293, 2012.
H. Abdelnasser, R. Mohamed, A. Elgohary, M. Farid, H. Wang, S. Sen, R. Choudhury, and M. Youssef, "SemanticSLAM: Using environment landmarks for unsupervised indoor localization," IEEE Trans. Mob. Comput., vol. 15, no. 7, pp. 1770-1782, Sept. 2015.
T. Kohonen, "Self-organized formation of topologically correct feature maps," Biological Cybernetics, vol. 43, no. 1, pp. 59-69, 1982.

상세보기

이 논문을 인용한 문헌

LOADING...

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증

반지도식 자기조직화지도를 이용한 wifi fingerprint 보정 방법
Wifi Fingerprint Calibration Using Semi-Supervised Self Organizing Map 원문보기

초록
AI-Helper

Abstract ▼ AI-Helper

주제어

AI 본문요약
AI-Helper

문제 정의

제안 방법

이론/모형

참고문헌 (11)

이 논문을 인용한 문헌

연구과제 타임라인

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

반지도식 자기조직화지도를 이용한 wifi fingerprint 보정 방법 Wifi Fingerprint Calibration Using Semi-Supervised Self Organizing Map 원문보기

초록 용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

Abstract ▼ AI-Helper

주제어

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

이론/모형

참고문헌 (11)

이 논문을 인용한 문헌

연구과제 타임라인

전체(0) 논문(0) 특허(0) 보고서(0)

전체(0) 논문(0) 특허(0) 보고서(0)

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

반지도식 자기조직화지도를 이용한 wifi fingerprint 보정 방법
Wifi Fingerprint Calibration Using Semi-Supervised Self Organizing Map 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper