선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 본 논문에서는 RSSI 기반의 위치 추적 시스템의 MLE방식과 Vector Matching 방식 및 제안하는 Gaussian Filter를 이용한 방식에 대해 살펴보았다.
- 본 논문은 IEEE 802.15.4 센서네트워크의 특성의 기본 요구 사항을 충족시키며 특별한 하드웨어 추가 없이 RF의 수신신호세기인 RSSI(Received Signal Strength Indication)를 이용한 방법을 사용하여 위치추적을 수행하는 방법에 대해 연구하였다. RSSI를 사용하는 방식으로는, Centroid, Fingerprint, Vector Matching 방식들이 있는데, 이러한 방식들은 참조하는 노드들의 많은 갯수를 필요로 하며, 신호세기 및 반사된 신호의 도달 시간에 대한 정보를 서버의 위치 인식 시스템에게 전송을 하게 되면 위치 인식 서버는 전송된 저수준의 데이터를 기준으로 태그 노드의 위치를 인식하는 서버기반의 방식이였다.
가설 설정
- 움직이는 노드가 전송하는 Data는 일정한 패턴이 없는 랜덤한 형태이며, 랜덤 Gaussian Model을 따른다고 가정한다. 따라서 임의의 기준값을 기준으로 실험을 통해 기준값을 1 σ ～ 10 σ 안에 수렴하도록 설정한다.
제안 방법
- 전반적으로 Case 2보다 조금 더 안 좋은 오차율을 보임을 알 수 있었다. Case1～Case4는 고정노드에서의 위치 측정이지만, 이동노드에서의 위치 측정에 대한 성능도 평가할 필요가 있으며, 이를 위해 다음 그림 14 및 그림 15와 같은 시나리오로 Mobile Device를 이동하며 위치를 측정하였다.
- 그리고 그림 9에서와 같이 하드웨어를 배치하고 위치 Case 별로 제안하는 Gaussian Model을 적용한 위치 오차율과 적용하지 않은 상태의 위치 오차율 그리고 기존의 위치 인식 방법 중 RSSI 측정값을 그대로 사용하며 나타내는 방식과, 측정 값들 중가장 빈도가 높게 나타나는 값을 선택하는 MLE(Maximum Likelihood Estimation)와 Vector Matching 방법을 비교한다. Vector Matching 방식은 실험 환경 10mX10m 하드웨어 배치를 가로 세로 1m로 나누고, 다시 50cm와 20cm로 선형내삽을 하여 가까운 곳으로 위치 좌표를 측정하여 비교 실험 하였다. 그리고 Mobile Device를 이동하며 제안 방식과 Vector Matching(20) 방식으로 위치를 측정하였다.
- Vector Matching 방식은 실험 환경 10mX10m 하드웨어 배치를 가로 세로 1m로 나누고, 다시 50cm와 20cm로 선형내삽을 하여 가까운 곳으로 위치 좌표를 측정하여 비교 실험 하였다. 그리고 Mobile Device를 이동하며 제안 방식과 Vector Matching(20) 방식으로 위치를 측정하였다. 측정범위를 넘어가는 데이터는 무시하였으며 이동속도는 1초당 약 1.
- 그림 6 에서 보면 σ = 1 일때는 가장 큰 값을 사용하기 때문에 오차가 생기고 시그마 값이 높아질수록 많은 노이즈 data까지 사용하여 적용 했기 때문에 거리 오차가 생기는 것을 확인할 수 있었으며, 위치 포인트 Case 별로 data에 따른 오차를 실험하고 비교한 결과, 성능 및 결과에서는 ± 3σ를 사용하는 것이 거리 오차를 가장 최소화 할 수 있는 것으로 나타났기 때문에 본 논문에서 Gaussian Filter 적용시 평균에서± 3σ까지의 추출값을 가지고 위치 추적을 수행한다.
- 다음 그림 14 에서 보는 바와 같이 제안방식 방식으로 case-4 → case-3 → case-1 → case-2 로 ZigZag 형태로 이동하며 방식별로 3회 측정하였다.
- 하지만 이러한 방식은 하나의 커다란 RSSI 값 DB에서 검색을 시도하기 때문에 검색 시간이 오래 소요될 뿐만 아니라 위치 측정이 필요한 영역이 넓을수록 유사한 RSSI 값을 가진 잘못된 좌표를 검색할 확률이 높은 단점이 있다. 따라서 본 논문에서 제안하는 위치 인식 시스템은 Tinyos 2.x 기반으로 Server에서 DB를 검색하는 불필요한 부하를 줄이고 노드별로 data를 분산 처리하는 방식을 사용한다. 불안정한 RSSI 값을 Gaussian Filter Algorithm을 이용하여 RF 점프 현상과 노이즈를 줄여 RSSI와 거리를 1:1로 Matching하는 방법을 제안한다.
- 하지만 이러한 방식은 하나의 커다란 RSSI 값 DB에서 검색을 시도하기 때문에 검색 시간이 오래 소요될 뿐만 아니라 위치 측정이 필요한 영역이 넓을수록 유사한 RSSI 값을 가진 잘못된 좌표를 검색할 확률이 높은 단점이 있다. 따라서, 이러한 문제점을 해결하기위해 본 논문에서 제안하는 위치 인식시스템은 Server에서 DB를 검색하는 불필요한 부하를 줄이고 노드별로 data를 분산 처리하는 방식을 사용한다. 또한 불안정한 RSSI 값을 Gaussian Filter Algorithm을 이용하여 RF 점프 현상과 노이즈를 줄여 RSSI & 거리 Matching 방법을 제안한다.
- 또한 불안정한 RSSI 값을 Gaussian Filter Algorithm을 이용하여 RF 점프 현상과 노이즈를 줄여 RSSI & 거리 Matching 방법을 제안한다.
- 그림 3에서 보는바와 같이 이동노드의 정확한 위치정도를 4개의 고정노드와의 RSSI 값을 읽어 이를 활용하는 형태로 되어있다. 먼저 위치인식 시뮬레이션을 수행하기 위하여 각 위치(별모양)에서의 여러개의 데이터로 부터 평균치 등을 계산하여 DB을 생성한다. 다음에는 실험할 데이터를 각 파일로 부터 여러 개의 데이터를 입력하여 앞에서 생성한 DB와 비교하여 Vector의 Distance를 계산하여 가장 근접한 DB 값의 위치를 실험 데이터가 얻어진 위치로 인식한다.
- 본 논문에서는 이를 위해 그림 9의 실험 환경에서 case별로 측정 data를 추출하여, 아래 식과 같이 한 구간의 모든 표본들로 평균값을 구해서 Gaussian 확률 분포로 가짐을 가정한 후 Gaussian 확률 분포 중 평균을 기준으로 그림 6과 같이 σ = ± 1 ～σ = ± 10 표본 데이터를 추출하고 그 값을 기준 값으로 사용하여 비교하였다.
- x 기반으로 Server에서 DB를 검색하는 불필요한 부하를 줄이고 노드별로 data를 분산 처리하는 방식을 사용한다. 불안정한 RSSI 값을 Gaussian Filter Algorithm을 이용하여 RF 점프 현상과 노이즈를 줄여 RSSI와 거리를 1:1로 Matching하는 방법을 제안한다.
- 실험에 사용된 장소는 그림 9과 같이 10mX 10m의 장애물이 없는 실내 공간에서 진행되었으며 4가지의 서로다른 Case 별로 영역을 지정하여 실험을 하였으며 ZigZag 형태로 이동하면서 위치를 측정하고 비교하였다.
- 다음에는 실험할 데이터를 각 파일로 부터 여러 개의 데이터를 입력하여 앞에서 생성한 DB와 비교하여 Vector의 Distance를 계산하여 가장 근접한 DB 값의 위치를 실험 데이터가 얻어진 위치로 인식한다. 위치를 더 상세하게 표현하기 위하여 선형내삽 이나 보간법으로 새로운 RSSI 값의 DB를 생성하여 비교한다. 이러한 방식은 하나의 커다란 RSSI 값 DB에서 검색을 시도하기 때문에 검색시간이 오래 소요될 뿐만 아니라 위치 측정이 필요한 영역이 넓을수록 유사한 RSSI 값을 가진 잘못된 좌표를 검색할 확률이 높은 단점이 있다.
- 또한 불안정한 RSSI 값을 Gaussian Filter Algorithm을 이용하여 RF 점프 현상과 노이즈를 줄여 RSSI & 거리 Matching 방법을 제안한다. 이를 적절한 실험 시나리오와 실험 모듈을 통해 비교, 평가를 수행하였다. 논문의 구성은 2장에서는 기존 RSSI 기반 위치 측위 관련 기법들을 소개하고 3장에서는 제안하는 RSSI 기반 위치인식 방안에 대해 살펴본다.
- 그림 7에서는 제안방식의 유효성을 시험하기 위하여 RSSI 실측 데이터와 어느 정도의 차이를 보이는지 실험하였다. 제안방식은 프로세스 상태를 축적하기 위해 오차를 최소화 하여 장애물에 의해 약간의 수신 장애가 발생 할 경우 그림 7의 화살표와 같이 순간적인 위치의 점프 현상도 방지하여 전반적으로 변화가 적은 결과를 검출해낸다.
데이터처리
- 그리고 그림 9에서와 같이 하드웨어를 배치하고 위치 Case 별로 제안하는 Gaussian Model을 적용한 위치 오차율과 적용하지 않은 상태의 위치 오차율 그리고 기존의 위치 인식 방법 중 RSSI 측정값을 그대로 사용하며 나타내는 방식과, 측정 값들 중가장 빈도가 높게 나타나는 값을 선택하는 MLE(Maximum Likelihood Estimation)와 Vector Matching 방법을 비교한다. Vector Matching 방식은 실험 환경 10mX10m 하드웨어 배치를 가로 세로 1m로 나누고, 다시 50cm와 20cm로 선형내삽을 하여 가까운 곳으로 위치 좌표를 측정하여 비교 실험 하였다.
이론/모형
- RSSI값에 따른 측정된 횟수에 Ranking Process 통해 정렬한 RSSI 값에 Gaussian Filtering 기법을 적용한다. Gaussian Filter algorithm를 사용하여 참조 노드들이 받은 데이터를 처리하여 RSSI값을 Server로 전송한다. Gaussian Filter 알고리즘 적용시 몇 σ 의 범위까지 유효샘플로 계산할 것인가는 중요한 이슈이다.
- 따라서 임의의 기준값을 기준으로 실험을 통해 기준값을 1 σ ～ 10 σ 안에 수렴하도록 설정한다. RSSI값에 따른 측정된 횟수에 Ranking Process 통해 정렬한 RSSI 값에 Gaussian Filtering 기법을 적용한다. Gaussian Filter algorithm를 사용하여 참조 노드들이 받은 데이터를 처리하여 RSSI값을 Server로 전송한다.
성능/효과
- 방식별 오차 거리를 보면 제안 방식이 가장 좋은 결과를 보이고 있지만 수 m의 오차가 발생한다. 그리고 벽과 가까운 위치나 구석진 위치에서는 Fading 현상으로 더 많은 오차율을 보이는 것을 확인 할 수 있었다. 향후 연구 방향으로는 RSSI를 이용한 방식과 TOA 방식 등의 2가지 방식을 Hybrid하게 사용하는 방법이나 패턴 인식 방법 등을 적용하여, Fading 현상과 같이 다양하고 변화가 많은 상황에서의 노이즈를 판별 할 수 있는 알고리즘 개발과 함께 현재 구현된 시스템에 적용하여 만족 할 수 있는 정확도가 높은 구체적인 연구가 필요하다.
- 위치 포인트 Case 별로 이동 할 때는 값이 계속 랜덤하게 변하며 방향 상관없이 Jump 현상이 심하다는 것을 확인 할 수 있었다. 또한 측정 횟수에 따라 일정하게 변하지 않으며 Data도 수시로 바뀌는 것을 확인할 수 있었다. 원래 궤도와 측정 데이터간의 직각 일직선 오차거리로 오차 평균은 계산하면 약 1m정도 이다.
- 위치 포인트 Case 별로 이동 할 때는 값이 계속 랜덤하게 변하며 방향 상관없이 Jump 현상이 심하다는 것을 확인 할 수 있었다. 또한 측정 횟수에 따라 일정하게 변하지 않으며 Data도 수시로 바뀌는 것을 확인할 수 있었다. 원래 궤도와 측정 데이터간의 직각 일직선 오차거리로 오차 평균은 계산하면 약 1m정도 이다.
- 제안방식과 Vector Matching 방식으로 원래 궤도와 측정 데이터간의 직각 일직선 오차거리로 오차 평균은 계산하였는데 제안방식이 약 20% 더 좋은 결과를 보였다. 방식별 오차 거리를 보면 제안 방식이 가장 좋은 결과를 보이고 있지만 수 m의 오차가 발생한다. 그리고 벽과 가까운 위치나 구석진 위치에서는 Fading 현상으로 더 많은 오차율을 보이는 것을 확인 할 수 있었다.
- 실험결과 제안방식이 전체적으로 위치 포인트 Case 1～4 까지 비교 했을 때 오차 거리가 제일 적었음을 알 수 있었다. 전체적인 위치 포인트 Case별로 오차율 순서는 Case 1 < Case 2 < Case 4 < Case 3 와 같이 Case 3이 가장 많은 오차율을 보였다.
- 여기서는, 제안방식과 Vector Matching(20)과 거의 동일한 오차 성능을 보였으며, 가장 성능 차이가 나지 않은 경우라고 할 수 있을 것이다. 양쪽 벽면과 가까이 하고 있어 위치적 특성 때문에 전체적인 방식이 4개의case 중에서 제일 안 좋은 결과를 보일 것으로 예상할 수 있을 것이며, 또한 모든 방식들이 오차율 변화가 가장 클 것으로 생각되는데, 역시 오차율 변화가 가장 크다는 것을 확인 할 수 있었다.
- 표 1. 에서 볼 수 있듯이, 제안방식이 Vector Matching(20) 보다 평균적으로 약 20% 정도 오차가 개선됨을 알 수 있었다.
- 이동 시작을 case 4 부터 하였는데 시작하기 전과 이동 중에 꺽이는 부분 Case 3 과 Case 1 부분에서 좀 더 많은 오차율을 보이고 있다. 위치 포인트 Case 별로 이동 할 때는 값이 계속 랜덤하게 변하며 방향 상관없이 Jump 현상이 심하다는 것을 확인 할 수 있었다. 또한 측정 횟수에 따라 일정하게 변하지 않으며 Data도 수시로 바뀌는 것을 확인할 수 있었다.
- 위치 포인트 Case 3는 FIX Node-2와 가까운 fading 현상이 심한 Edge 부분이어서 오차거리가 가장 높았음을 알 수 있었다. 위치 포인트 Case 별로 정지하여 측정한 Data보다 이동 할 때는 값이 계속 랜덤하게 변하며 방향 상관없이 Jump 현상이 심하다는 것을 확인 할 수 있었고, 측정 횟수에 따라 일정하게 변하지 않으며 Data도 수시로 바뀌는 것을 결과 값을 통하여 확인 할 수 있었다. 제안방식과 Vector Matching 방식으로 원래 궤도와 측정 데이터간의 직각 일직선 오차거리로 오차 평균은 계산하였는데 제안방식이 약 20% 더 좋은 결과를 보였다.
- 위치 포인트 Case 4는 실험 환경은 Case 2와 비슷하게 한쪽 벽면으로 치우쳐 있지만 다른 곳에 위치하고 있다. 전반적으로 Case 2보다 조금 더 안 좋은 오차율을 보임을 알 수 있었다. Case1～Case4는 고정노드에서의 위치 측정이지만, 이동노드에서의 위치 측정에 대한 성능도 평가할 필요가 있으며, 이를 위해 다음 그림 14 및 그림 15와 같은 시나리오로 Mobile Device를 이동하며 위치를 측정하였다.
- 전체적인 위치 포인트 Case별로 오차율 순서는 Case 1 < Case 2 < Case 4 < Case 3 와 같이 Case 3이 가장 많은 오차율을 보였다.
- 이동 시작을 case 4 부터 하였는데 시작하기 전과 이동 중에 꺽이는 부분 Case 3 과 Case 1 , 중간 부분에서 좀 더 많은 오차율을 보이고 있다. 제안방식 보다 Jump 현상이나 Data 변동률이 심하다는 것을 확인 할 수 있었다. 또한 측정 횟수에 따라 일정하게 변하지 않으며 Data도 수시로 바뀌는 것을 확인 할 수 있었다.
- 위치 포인트 Case 별로 정지하여 측정한 Data보다 이동 할 때는 값이 계속 랜덤하게 변하며 방향 상관없이 Jump 현상이 심하다는 것을 확인 할 수 있었고, 측정 횟수에 따라 일정하게 변하지 않으며 Data도 수시로 바뀌는 것을 결과 값을 통하여 확인 할 수 있었다. 제안방식과 Vector Matching 방식으로 원래 궤도와 측정 데이터간의 직각 일직선 오차거리로 오차 평균은 계산하였는데 제안방식이 약 20% 더 좋은 결과를 보였다. 방식별 오차 거리를 보면 제안 방식이 가장 좋은 결과를 보이고 있지만 수 m의 오차가 발생한다.
- 위치 포인트 Case 1은 실험 환경의 벽면에서 떨어진 중앙 부분이다. 제안방식은 값이 기존의 다른 방식과 비교하여 가장 낮은 오차를 보였으며, 값의 변화도율도 가장 낮은 것을 확인할 수 있다. 전체적인 방식들이 위치 포인트 Case 1에서 제일 낮은 오차율을 보이고 있다.
후속연구
- 향후 연구 방향으로는 RSSI를 이용한 방식과 TOA 방식 등의 2가지 방식을 Hybrid하게 사용하는 방법이나 패턴 인식 방법 등을 적용하여, Fading 현상과 같이 다양하고 변화가 많은 상황에서의 노이즈를 판별 할 수 있는 알고리즘 개발과 함께 현재 구현된 시스템에 적용하여 만족 할 수 있는 정확도가 높은 구체적인 연구가 필요하다. 또한 소프트웨어적인 방법을 통해서는 수 cm 정도의 매우 가까운 거리 측정에는 한계를 가질 수 밖에 없으며 이를 극복하기 위해서는 하드웨어의 최적화에 관한 연구가 선행 되어야 할 것이다.
- 그리고 벽과 가까운 위치나 구석진 위치에서는 Fading 현상으로 더 많은 오차율을 보이는 것을 확인 할 수 있었다. 향후 연구 방향으로는 RSSI를 이용한 방식과 TOA 방식 등의 2가지 방식을 Hybrid하게 사용하는 방법이나 패턴 인식 방법 등을 적용하여, Fading 현상과 같이 다양하고 변화가 많은 상황에서의 노이즈를 판별 할 수 있는 알고리즘 개발과 함께 현재 구현된 시스템에 적용하여 만족 할 수 있는 정확도가 높은 구체적인 연구가 필요하다. 또한 소프트웨어적인 방법을 통해서는 수 cm 정도의 매우 가까운 거리 측정에는 한계를 가질 수 밖에 없으며 이를 극복하기 위해서는 하드웨어의 최적화에 관한 연구가 선행 되어야 할 것이다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.