Leveraging estimation theory: comprehensive indoor fingerprinting performance analysis and DRL-based multiple UAV control for target tracking

Abstract

A kind of estimation theory technique, Cramér-Rao Lower Bound (CRLB), is used to quantify the performance of a localization system by considering the characteristics of the localization system as a lower bound of the variance of an unbiased estimator. This thesis presents two studies that introduce the CRLB into the localization system: the performance analysis of the indoor fingerprinting localization techniques and the DRL-based multi-UAV control. Fingerprinting localization, which is widely used in an indoor environment, attempts to adopt a crowdsourcing technique to build a large-scale fingerprint database. In a crowdsourcing environment that collects data from multiple users' terminals, localization performance is degraded due to the characteristics of heterogeneous devices. To resolve this problem, Mean Differential Fingerprinting (MDF) is proposed, which reduces the characteristics of heterogeneous devices by subtracting the average of the fingerprints from the original fingerprint. The CRLB of MDF for the crowdsourcing system is derived to investigate some factors affecting the localization performance, and comprehensive simulations are conducted to theoretically analyze the relationship between the factors and localization performance. Furthermore, the superiority of MDF compared to the existing methods is confirmed through experiments using publicly published datasets. Here, the localization performance analysis using the CRLB can help to effectively construct an indoor localization environment. In addition, the CRLB can be applied as a control criterion of multi-UAVs for the ground target tracking system. Due to structures and obstacles in the outdoor environment, multi-UAVs receive Line-of-Sight (LoS)/non-LoS (NLoS) distance measurements from the ground target, and the CRLB of the estimated positions of the ground targets are derived through the measurement likelihood function. The proposed DRL-based controller can select the optimal trajectories of multi-UAVs by reducing the CRLB to improve the tracking performance of ground targets. Here, the reward function of the proposed system is designed to quantify both the CRLB of the entire system and each UAV’s individual contribution to the system. Finally, it is confirmed through simulations that the proposed DRL-based control method provides accurate target tracking performance with over 60x a faster computing time compared to the existing methods. |추정 이론 기법의 일종인 크래머-라오 하한(Cramér-Rao Lower Bound, CRLB)은 측위 시스템의 특성을 고려한 불편향 추정치 분산의 하한으로써 측위 시스템의 성능을 수치화한다. 본 논문에서는 크래머-라오 하한을 활용한 실내 핑거프린팅 측위 기법의 성능 분석 및 심층 강화 학습 기반 실외 무인 이동체 제어 방법을 제시한다. 실내 환경에서 널리 쓰이는 핑거프린팅 측위 기법은 대규모 핑거프린트 데이터베이스를 구축하기 위해 크라우드 소싱 기법을 이용한다. 여러 사용자의 단말로 데이터를 수집하는 크라우드 소싱 환경에서는 이기종 단말 특성으로 인해 핑거프린팅 측위 성능이 저하될 수 있다. 평균 차동 핑거프린팅(Mean Differential Fingerprinting, MDF)은 핑거프린트의 평균을 본래의 핑거프린트로부터 제하여 이기종 단말의 특성을 완화한다. 이 기법의 성능 분석을 위해, 크라우드 소싱 환경에서의 평균 차동 핑거프린트의 크래머-라오 하한을 유도함으로써 측위 성능에 영향을 주는 요인에 대해 확인하고, 시뮬레이션을 통해 실내 환경의 매개변수에 따른 측위 성능을 이론적으로 분석한다. 또한, 오픈 데이터셋을 이용한 핑거프린트 측위 실험을 통해 기존 기법 대비 평균 차동 핑거프린팅의 우수성을 확인한다. 이러한 크래머-라오 하한을 이용한 측위 성능 분석은 실내 측위 환경을 구성하는 데에 도움을 줄 수 있다. 또한, 크래머-라오 하한은 실외 측위 시스템에서 지상 타겟 추적을 위한 다중 무인 이동체의 제어 방법으로 적용될 수 있다. 실외 환경의 건축 구조물과 장애물로 인해 다중 무인 이동체는 지상 타겟으로부터 가시선/비가시선 거리 측정치를 수신하며, 수신된 측정치의 우도 함수를 통해 지상 타겟 추정 위치의 크래머-라오 하한이 유도된다. 심층 강화 학습 기반 제어기는 지상 타겟의 추적 성능을 향상시키기 위해 크래머-라오 하한을 감소시킴으로써 다중 무인 이동체의 최적 경로를 제어한다. 여기서 크래머-라오 하한은 전체 시스템의 성능과 개별 무인 이동체의 기여도를 정량화하는 심층 강화 학습의 보상 함수를 설계하는 데에 활용되었다. 시뮬레이션을 통해 제안하는 심층 강화 학습 기반 다중 무인 이동체 제어 기법은 기존 기법과 비교하여 60배 이상 빠른 연산 속도로 정확한 타겟 추적 성능을 제공하는 것을 확인하였다.