최근 실내에서 다양한 위치 기반 서비스를 제공하기 위해 디바이스 사용자의 위치를 정확히 파악하기 위한 연구가 활발히 진행되고 있다. 일반적으로 Global Positioning System(GPS) 신호를 통해 위치를 인식하지만 실내에는 건물 외벽으로 인해 GPS 신호가 도달하지 않기 때문에 무선 통신 장비의 신호를 활용하여 측위를 진행한다. 실내 측위에 사용되는 신호는 ...
최근 실내에서 다양한 위치 기반 서비스를 제공하기 위해 디바이스 사용자의 위치를 정확히 파악하기 위한 연구가 활발히 진행되고 있다. 일반적으로 Global Positioning System(GPS) 신호를 통해 위치를 인식하지만 실내에는 건물 외벽으로 인해 GPS 신호가 도달하지 않기 때문에 무선 통신 장비의 신호를 활용하여 측위를 진행한다. 실내 측위에 사용되는 신호는 Wireless Local Area Network(WLAN), Bluetooth Low Energy(BLE), Ultra-Wideband(UWB) 등이며, BLE 비콘은 저전력. 저비용, 소형, 경량 등의 장점으로 비콘을 이용한 실내 측위 시스템이 많아지고 있다. 측위 기법으로는 RSSI(Received Signal Strength Indicator) 기반 삼변측량법, Time of Arrival(ToA) 기법, Angle of Arrival(AoA) 기법, Fingerprinting 기법 등이 있다. Fingerprinting 기법은 RSSI 값을 다수의 기준 위치에서 측정하여 데이터베이스를 먼저 구축하고, 이후 위치 정보를 요청한 디바이스가 측정한 RSSI 값과 데이터베이스에 저장된 기준 위치의 RSSI 값을 비교하여 디바이스의 위치를 추정한다. 데이터베이스에 주변 환경 정보를 포함하기 때문에 다른 기법에 비해 벽과 물체에 의한 영향을 덜 받아 정확도가 상대적으로 높다. 본 논문에서는 BLE 비콘을 사용한 Fingerprinting 기반 실내 측위 시스템을 Jetson Nano 보드에서 머신러닝 알고리즘을 적용하여 구현하고 측위 정확도와 평균 거리 오차를 비교하여 성능을 분석한다. 사용한 알고리즘은 Weighted K-Nearest Neighbor(WKNN), Decision Tree, Random Forest, Support Vector Machine(SVM), Naive Bayse Classifier이다. Fingerprinting 셀 크기를 변화시키며 성능을 검증하였으며 셀의 크기가 2.4m x 3.6m일 때 Random Forest 알고리즘으로 정확도 86.34%, 평균 거리 오차 3.67m를 보였다. 동일한 셀 크기에서 WKNN, Decision Tree, SVM, Naive Bayes Classifier는 각각 정확도 89.18%, 75.00%, 75.77%, 74.74%, 평균 거리 오차 3.69m, 3.93m, 3.87m, 3.75m를 보였다.
최근 실내에서 다양한 위치 기반 서비스를 제공하기 위해 디바이스 사용자의 위치를 정확히 파악하기 위한 연구가 활발히 진행되고 있다. 일반적으로 Global Positioning System(GPS) 신호를 통해 위치를 인식하지만 실내에는 건물 외벽으로 인해 GPS 신호가 도달하지 않기 때문에 무선 통신 장비의 신호를 활용하여 측위를 진행한다. 실내 측위에 사용되는 신호는 Wireless Local Area Network(WLAN), Bluetooth Low Energy(BLE), Ultra-Wideband(UWB) 등이며, BLE 비콘은 저전력. 저비용, 소형, 경량 등의 장점으로 비콘을 이용한 실내 측위 시스템이 많아지고 있다. 측위 기법으로는 RSSI(Received Signal Strength Indicator) 기반 삼변측량법, Time of Arrival(ToA) 기법, Angle of Arrival(AoA) 기법, Fingerprinting 기법 등이 있다. Fingerprinting 기법은 RSSI 값을 다수의 기준 위치에서 측정하여 데이터베이스를 먼저 구축하고, 이후 위치 정보를 요청한 디바이스가 측정한 RSSI 값과 데이터베이스에 저장된 기준 위치의 RSSI 값을 비교하여 디바이스의 위치를 추정한다. 데이터베이스에 주변 환경 정보를 포함하기 때문에 다른 기법에 비해 벽과 물체에 의한 영향을 덜 받아 정확도가 상대적으로 높다. 본 논문에서는 BLE 비콘을 사용한 Fingerprinting 기반 실내 측위 시스템을 Jetson Nano 보드에서 머신러닝 알고리즘을 적용하여 구현하고 측위 정확도와 평균 거리 오차를 비교하여 성능을 분석한다. 사용한 알고리즘은 Weighted K-Nearest Neighbor(WKNN), Decision Tree, Random Forest, Support Vector Machine(SVM), Naive Bayse Classifier이다. Fingerprinting 셀 크기를 변화시키며 성능을 검증하였으며 셀의 크기가 2.4m x 3.6m일 때 Random Forest 알고리즘으로 정확도 86.34%, 평균 거리 오차 3.67m를 보였다. 동일한 셀 크기에서 WKNN, Decision Tree, SVM, Naive Bayes Classifier는 각각 정확도 89.18%, 75.00%, 75.77%, 74.74%, 평균 거리 오차 3.69m, 3.93m, 3.87m, 3.75m를 보였다.
Indoor localization system has been an active research area to improve accuracy of the estimated location to provide various Location-Based Services(LBSs). Though Global Positioning System(GPS) is the most popular localization system, GPS signals are inefficient for indoor localization due to buildi...
Indoor localization system has been an active research area to improve accuracy of the estimated location to provide various Location-Based Services(LBSs). Though Global Positioning System(GPS) is the most popular localization system, GPS signals are inefficient for indoor localization due to building external walls. Therefore the general indoor localization technologies utilize Wireless Local Area Network(WLAN), Bluetooth Low Energy(BLE), and Ultra-Wideband(UWB). The systems using BLE beacon have been increasing with the advantages of low power, low cost, small size, and light weight. The common localization techniques include RSSI(Received Signal Strength Indicator)-based trilateration, Time of Arrival(ToA), Angle of Arrival(AoA), and Fingerprinting. Fingerprinting-based technique estimates the location of the device by comparing the easured RSSI values on the device which requests the location information with the RSSI values stored in the database at each reference points. Since fingerprinting database contains surrounding environmental information, it has relatively high accuracy due to robust to interference caused by indoor obstacles than other techniques. In this paper, the system that fingerprinting-based indoor localization using BLE beacon by applying several classification algorithms in machine learning such as Weighted K-Nearest Neighbor(WKNN), Decision Tree, Random Forest, Support Vector Machine(SVM), and Naive Bayse Classifier on a Jetson Nano board is proposed. The performance in terms of localization accuracy and mean distance error was evaluated by varying the size of cell. Random Forest method showed a localization accuracy of 86.34% and a mean distance error of 3.67m when the cell size was 2.8m x 3.6m. WKNN, Decision Tree, SVM, and Naive Bayes Classifier provided an accuracy of 89.18%, 75.00%, 75.77%, and 74.74% with a mean distance error of 3.69m, 3.93m, 3.87m, and 3.75m in the same case, respectively.
Indoor localization system has been an active research area to improve accuracy of the estimated location to provide various Location-Based Services(LBSs). Though Global Positioning System(GPS) is the most popular localization system, GPS signals are inefficient for indoor localization due to building external walls. Therefore the general indoor localization technologies utilize Wireless Local Area Network(WLAN), Bluetooth Low Energy(BLE), and Ultra-Wideband(UWB). The systems using BLE beacon have been increasing with the advantages of low power, low cost, small size, and light weight. The common localization techniques include RSSI(Received Signal Strength Indicator)-based trilateration, Time of Arrival(ToA), Angle of Arrival(AoA), and Fingerprinting. Fingerprinting-based technique estimates the location of the device by comparing the easured RSSI values on the device which requests the location information with the RSSI values stored in the database at each reference points. Since fingerprinting database contains surrounding environmental information, it has relatively high accuracy due to robust to interference caused by indoor obstacles than other techniques. In this paper, the system that fingerprinting-based indoor localization using BLE beacon by applying several classification algorithms in machine learning such as Weighted K-Nearest Neighbor(WKNN), Decision Tree, Random Forest, Support Vector Machine(SVM), and Naive Bayse Classifier on a Jetson Nano board is proposed. The performance in terms of localization accuracy and mean distance error was evaluated by varying the size of cell. Random Forest method showed a localization accuracy of 86.34% and a mean distance error of 3.67m when the cell size was 2.8m x 3.6m. WKNN, Decision Tree, SVM, and Naive Bayes Classifier provided an accuracy of 89.18%, 75.00%, 75.77%, and 74.74% with a mean distance error of 3.69m, 3.93m, 3.87m, and 3.75m in the same case, respectively.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.