Scalable Gaussian Process Assisted Positioning Using Cell Fingerprinting

Abstract

GNSS is currently the most prominent method for outdoor positioning, providing an accuracy of approximately 5 metres in good conditions. However, for environments such as dense city areas or indoors, a GNSS signal reception might not be possible. An alternative method of positioning is the fingerprint-based method, which has been widely adopted for indoor positioning by sampling the signal strength of WiFi beacons. This method can also be deployed for outdoor positioning by using the signal strength of mobile network cells.

This thesis presents several fingerprint-based positioning models using Gaussian Processes (GPs) and Sparse Gaussian Processes (SGPs) to model the signal strength propagation. A combination of global and local optimisation is used to find the position of highest likelihood, which yields our predicted position.

Two baseline positioning methods were used to compare with our SGP models, namely the Weighted K-Nearest Neighbours (WKNN) algorithm and the Weighted Centroid Localisation (WCL) algorithm. When validating against the most extensive and realistic dataset, the WKNN achieved an approximately 20% smaller mean error than that of our proposed model. When validating with data not suited for WKNN our proposed model performed with approximately 33% better accuracy than that of WCL.

Popular Abstract (Swedish)

Alla har vi någon gång behövt använda oss av GPS för att hitta vägen eller se var vi är. Då har man antagligen också upptäckt att GPS inte alltid fungerar som den ska. I detta examensarbete undersöker vi ett alternativ till GPS som använder mobilnätet för att positionera med hjälp av maskininlärning.

GPS-positionering kan ha en precision på mindre än 5 meter i öppna miljöer, men som tidigare nämnts kan den vara något opålitlig. Bland annat i inomhusmiljöer, storstäder och täta skogar. Bilden till höger visar hur höghus kan innebära problem för signalmottagningen. Ett annat problem är att GPS-positionering drar mycket batteri. Detta examensarbete utvärderar ett möjligt alternativ som är energisnålt och kan ge effektiv positionering både i inomhusmiljöer samt i storstäder.

Positioneringen använder en maskininlärningsmetod som kallas “Sparse Gaussian Process” (SGP) för att modellera signalstyrkan från mobilmaster. Med hjälp av denna modellering kan vi sedan uppskatta positionen för mobila enheter (exempelvis mobiltelefoner) baserat på deras mottagna signalstyrka från närliggande mobilmaster. Vår positioneringsmetod liknar därför en GPS, fast istället för satelliter används mobilnätet.

Vår positioneringsmodell tränades och jämfördes med två andra välkända positioneringsmetoder som kallas WCL och WKNN. Förenklat så kan man säga att WCL använder mittpunkten av de signalerande mobilmasterna för sin positionering. WKNN letar istället upp tidigare positioner som har liknande uppmätta signalstyrkor och använder mittpunkten av dessa för sin uppskattning. Vi skapade ett dataset med positioner som skulle uppskattas för samtliga metoder för att testa deras precision. Efter varje uppskattning så mättes avståndet mellan den riktiga positionen och den uppskattade positionen, och efter att hela datasetet var testat så kunde vi beräkna medelfelet i meter för varje metod. Detta användes som mått för hur bra en positioneringsmetod presterade.

I arbetet användes ett flertal dataset för att testa precisionen för positioneringsmetoderna, men ett dataset var särskilt likt ett realistiskt användningsfall. Detta dataset samlades in under ett antal bussturer genom stora delar av Lund. Det är värt att nämna att WKNN inte var applicerbart för alla dataset, men lyckligtvis uppfyllde detta dataset kraven för att WKNN skulle fungera. Resultatet från datasetet visade att vår presenterade metod presterade med ett cirka 33% lägre medelfel än en av de två metoderna, WCL. Vår metod hade dock ett cirka 20% större medelfel jämfört med resultatet från WKNN.

Den presenterade metoden ses främst som ett energisnålt alternativ till GPS, men den kan även användas för inomhuspositionering med exempelvis trådlösa nätverk. Vi ser därför många tänkbara användningsområden för SGP-baserad positionering.

• author: Bergh, David
• supervisor: Gabrielle Flood
• organization: Mathematics (Faculty of Engineering)
• course: FMAM05 20232
• year: 2024
• type: H2 - Master's Degree (Two Years)
• subject: Mathematics and Statistics
• keywords: positioning, fingerprint, cell, sparse Gaussian process
• publication/series: Master’s Theses in Mathematical Sciences
• report number: 2024:E12
• ISSN: 1404-6342
• other publication id: LUTFMA-3528-2024
• language: English
• id: 9150526
• date added to LUP: 2024-04-05 09:38:57
• date last changed: 2024-04-09 14:51:05