DOI QR코드

DOI QR Code

Graph-based Wi-Fi Radio Map Construction and Update Method

그래프 기반 Wi-Fi 신호 지도 구축 및 갱신 기법

  • 유수빈 (인하대학교 정보통신공학과) ;
  • 최원익 (인하대학교 정보통신공학과)
  • Received : 2016.10.21
  • Accepted : 2017.03.17
  • Published : 2017.06.15

Abstract

Among Wi-Fi based indoor positioning systems, fingerprinting localization is the most common technique with high precision. However, construction of the initial radio map and the update process require considerable labor and time effort. To address this problem, we propose an efficient method that constructs the initial radio map at each vertex based on a graph. In addition, we introduce a method to update the radio map automatically by mapping signal data acquired from users to the reference point created on each edge. Since the proposed method collects signal data manually only at the vertex of the graph to build the initial radio map and updates it automatically, our proposed method can dramatically reduce labor and time effort, which are the disadvantages of the conventional fingerprinting method. In our experimental study, we show validity of our radio map update method by comparing with the actual reference point data. We also show that our proposed method is able to construct the radio map with an accuracy of about 3.5m by automatically updating the radio map.

Wi-Fi 기반 실내 측위 기법 중 핑거프린팅 측위는 높은 정밀도로 가장 보편적인 기술 중 하나이다. 그러나 초기 신호 지도 구축과 이 후 갱신 과정은 수동으로 이루어져 많은 노동력과 시간 비용을 발생시키는 단점이 있다. 본 논문에서는 그래프를 기반으로 각 정점에서 초기 신호 지도를 구축 하는 것을 제안한다. 그리고 사용자로부터 획득한 신호 세기 데이터를 각 간선에 참조 위치를 생성하여 자동으로 매핑하여 신호 지도를 갱신하는 방법을 제안한다. 제안하는 방식은 초기 신호 지도를 그래프의 정점에서만 신호를 수집하여 구축하고 갱신은 자동으로 수행하므로 기존 핑거프린팅 무선 측위 기법의 단점인 노동력과 시간 비용을 크게 감소시킬 수 있다. 실험 결과, 실제 위치에서의 데이터와의 비교를 통해 신호 지도 갱신 기법을 검증할 수 있었고 자동으로 신호 지도를 갱신하는 작업으로 약 3.2m, 3.5m의 정밀도를 갖는 신호 지도를 구축할 수 있었다.

Keywords

Acknowledgement

Supported by : 인하대학교

References

  1. Y. Zhuang, Z. Syed, J. Georgy, and N. El-Sheimy, "Autonomous smartphone-based WiFi positioning system by using access points localization and crowdsourcing," Pervasive and Mobile Computing, Vol. 18, pp. 118-136, 2015. https://doi.org/10.1016/j.pmcj.2015.02.001
  2. S. H. Jung, B. C. Moon, and D. S. Han, "Unsupervised learning for crowdsourced indoor localization in wireless networks," IEEE Trans. Mobile Computing, Vol. 15, No. 11, pp. 2892-2906, 2016. https://doi.org/10.1109/TMC.2015.2506585
  3. Z. Yang, C. Wu, and Y. Liu, "Locating in fingerprint space: wireless indoor localization with little human intervention," Proc. 18th Ann. Int. Conf. Mobile Computing and Networking, pp. 269-280, 2012.
  4. A. Rai, K. K. Chintalapudi, V. N. Padmanabhan, and R. Sen, "Zee : Zero-effort Crowdsourcing for Indoor Localization," Proc. 18th Ann. Int. Conf. Mobile Computing and Networking, pp. 293-304, 2012.
  5. C. Wu, Z. Yang, Y. Liu, and W. Xi, "Will : Wireless Indoor Localization without Site Survey," IEEE Trans. Parallel and Distributed Systems, Vol. 24, No. 4, pp. 839-848, 2013. https://doi.org/10.1109/TPDS.2012.179
  6. B. Ferris, D. Fox, L. D. Neil, "WiFi-SLAM Using Gaussian Process Latent Variable Models," Proc. Int. Joint Conf. Artif. Intell., Vol. 7, pp. 2480-2485, 2007.
  7. T. Pulkkinen, T. Roos, and P. Myllym aki, "Semisupervised Learning for WLAN Positioning," Proc. 21th Int. Conf. Artificial neural networks, pp. 355-362, 2011.
  8. J. J. Pan, S. J. Pan, J. Yin, L. M. Ni, and Q. Yang, "Tracking Mobile Users in Wireless Networks via Semi-Supervised Colocalization," IEEE Trans. Pattern Analysis and Machine Intelligence, Vol. 34, No. 3, pp. 587-600, Mar. 2012. https://doi.org/10.1109/TPAMI.2011.165