IoT Network에서 위치 인식을 위한 가중치 방식의 최대우도방법을 이용한 하드웨어 위치인식엔진 개발 연구 A Hardwired Location-Aware Engine based on Weighted Maximum Likelihood Estimation for IoT Network원문보기
센서네트워크센서노드의 위치정보는 기본적으로 센싱 데이터가 얻어진 위치를 알려주는 목적으로 사용되며 Context 기반 고차원 서비스를 제공하기 위한 가장 중요한 정보중 하나이다. 센서네트워크상에서 위치인식을 위해 다양한 방법들이 연구되고 제안되어 왔으며, 이러한 방법 중에 IEEE 802.15.4 센서네트워크의 물리 계층과 매체 접근 계층을 이용한 위치인식 방법에 관한 연구방법이 크게 대두되고 있다. IEEE 802.15.4 프로토콜은 장치간의 저가격, 저속의 무선 통신을 지향하기 때문에 구현에 있어서 고도화된 최적화가 중요한 요구사항이라 할 수 있다. 하지만 수신 신호의 세기를 가지고 센서 노드들의 위치를 계산하는 방법은 최적화 문제의 해를 구하기 위한 과정이기 때문에 많은 연산 량이 필요로 하게 되고, IEEE802.15.4를 지원하는 System-On-a-Chip (SoC)의 경우 8비트 마이크로 컨트롤러기반으로 설계되어 있다는 점을 고려하면, IEEE802.15.4 기반의 위치 인식 서비스를 위해서는 하드웨어에 기반을 둔 위치 인식 엔진의 필요성이 무엇보다 중요하다. 본 논문은 IEEE 802.15.4 물리계층에 기반을 둔 가중치 기반의 최대우도방법 위치인식기 하드웨어 구현에 관해 제안하고자 한다. 테스트 베드를 이용한 필드테스트 결과 제안하는 하드웨어 기반 가중치 방식의 위치 인식방법은 정확도에서 10% 정도의 개선과 함께 내장 마이크로 컨트롤러의 연산량 및 메모리 액세스를 30% 정도 감소시켜 시스템 전원소모를 줄일 수 있는 결과를 얻을 수 있었다.
센서네트워크 센서노드의 위치정보는 기본적으로 센싱 데이터가 얻어진 위치를 알려주는 목적으로 사용되며 Context 기반 고차원 서비스를 제공하기 위한 가장 중요한 정보중 하나이다. 센서네트워크상에서 위치인식을 위해 다양한 방법들이 연구되고 제안되어 왔으며, 이러한 방법 중에 IEEE 802.15.4 센서네트워크의 물리 계층과 매체 접근 계층을 이용한 위치인식 방법에 관한 연구방법이 크게 대두되고 있다. IEEE 802.15.4 프로토콜은 장치간의 저가격, 저속의 무선 통신을 지향하기 때문에 구현에 있어서 고도화된 최적화가 중요한 요구사항이라 할 수 있다. 하지만 수신 신호의 세기를 가지고 센서 노드들의 위치를 계산하는 방법은 최적화 문제의 해를 구하기 위한 과정이기 때문에 많은 연산 량이 필요로 하게 되고, IEEE802.15.4를 지원하는 System-On-a-Chip (SoC)의 경우 8비트 마이크로 컨트롤러기반으로 설계되어 있다는 점을 고려하면, IEEE802.15.4 기반의 위치 인식 서비스를 위해서는 하드웨어에 기반을 둔 위치 인식 엔진의 필요성이 무엇보다 중요하다. 본 논문은 IEEE 802.15.4 물리계층에 기반을 둔 가중치 기반의 최대우도방법 위치인식기 하드웨어 구현에 관해 제안하고자 한다. 테스트 베드를 이용한 필드테스트 결과 제안하는 하드웨어 기반 가중치 방식의 위치 인식방법은 정확도에서 10% 정도의 개선과 함께 내장 마이크로 컨트롤러의 연산량 및 메모리 액세스를 30% 정도 감소시켜 시스템 전원소모를 줄일 수 있는 결과를 얻을 수 있었다.
IEEE 802.15.4 is the one of the protocols for radio communication in a personal area network. Because of low cost and low power communication for IoT communication, it requires the highest optimization level in the implementation. Recently, the studies of location aware algorithm based on IEEE802.15...
IEEE 802.15.4 is the one of the protocols for radio communication in a personal area network. Because of low cost and low power communication for IoT communication, it requires the highest optimization level in the implementation. Recently, the studies of location aware algorithm based on IEEE802.15.4 standard has been achieved. Location estimation is performed basically in equal consideration of reference node information and blind node information. However, an error is not calculated in this algorithm despite the fact that the coordinates of the estimated location of the blind node include an error. In this paper, we enhanced a conventual maximum likelihood estimation using weighted coefficient and implement the hardwired location aware engine for small code size and low power consumption. On the field test using test-beds, the suggested hardware based location awareness method results better accuracy by 10 percents and reduces both calculation and memory access by 30 percents, which improves the systems power consumption.
IEEE 802.15.4 is the one of the protocols for radio communication in a personal area network. Because of low cost and low power communication for IoT communication, it requires the highest optimization level in the implementation. Recently, the studies of location aware algorithm based on IEEE802.15.4 standard has been achieved. Location estimation is performed basically in equal consideration of reference node information and blind node information. However, an error is not calculated in this algorithm despite the fact that the coordinates of the estimated location of the blind node include an error. In this paper, we enhanced a conventual maximum likelihood estimation using weighted coefficient and implement the hardwired location aware engine for small code size and low power consumption. On the field test using test-beds, the suggested hardware based location awareness method results better accuracy by 10 percents and reduces both calculation and memory access by 30 percents, which improves the systems power consumption.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
본 논문은 IEEE 802.15.4의 물리계층을 따르는 시스템에서 RSSI의 변화에 따라 센서 노드의 위치를 예측 하는데 발생하는 오류를 최소화하기 위해 blind 노드의 위치인식에 미치는 영향에 대한 가중치를 적용하는 방법을 제안하고, 센서 네트워크의 디바이스에 사용하기 적합한 하드웨어기반의 위치인식 엔진에 관한 구현에 관해 논하고자 한다. 이를 위해 II 장에서는 제안하는 최우도기반의 위치인식 알고리즘을 설명하고, III 장에 서는 제안된 하드웨어기반의 위치인식 엔진의 구조에 설명하고자 한다.
제안 방법
이 방법은 구현이 간단한 대신에 해를 찾는데 많은 반복계산으로 인하여 계산 시간이 길어지며 계산 시에 적용되는 탐색 밀도에 따라서 정확도가 떨어지는 단점이 있다. 따라서 제안한 하드웨어 기반 위치인식기는 반복적 분석방법을 통해 초기 값을 추정하려는 방안으로 사용되었다. 둘째는 NCGM (Nonlinear Conjugate Gradient Method)을 이용한 방법으로 해 탐색에 들어가는 반복계산을 최소화함으로써 계산시간을 최소화할 수 있으며 근사 최적해를 찾음으로써 정확한 위치인식 결과를 계산할 수 있는 장점이 있다.
본 논문에서 제안된 가중치 방법은 Blind 노드의 위치를 추정하는 방법으로 최대우도 함수에서 이용되는 각 Reference 노드 및 주변 Blind 노드의 영향도를 크래머-라오 하한(Cramér-Rao lower bound, CRb)을 이용해 분산의 하한값에 따라 가중치를 두어 Blind 노드의 위치 추정에 대한 오차를 개선하였다.
18㎛를 이용해 125,651 게이트 카운트로 구현되었다. 빠른 위치 계산을 위해 알고리즘에서 사용하는 곱셈기와 디바이더 및 로그 함수를 radix-4의 부스 알고리즘과 LUT(Look Up Table) 기반의 로그 계산 방식을 하드웨어로 설계하였다.
위치인식 엔진의 H/W 구현을 위해 그림 6과 같이 fixed point 시뮬레이터를 이용해 소프트웨어 블록과 연동한 동작 및 성능을 검증하였다. 시뮬레이터는 실제로 H/W 블록 및 S/W 블록의 연동을 통한 위치인식 알고리즘이 동작할 경우와 동일 조건으로 검증할 수 있도록 Fixed Point로 계산되도록 설계하였으며 하드웨어에 입력되는 환경정보를 생성하는 Data Generator와 실제 Chip 내부 Register Map과 일대일 대응되는 가상 Register Map을 통해 동작한다. 계산된 위치인식 계산 결과와 위치인식 블록의 HDL 코드의 계산 결과를 비교하는 방법으로 위치 인식 엔진 IP 설계 검증을 그림 7과 같이 진행하였다.
위치인식 엔진의 H/W 구현을 위해 그림 6과 같이 fixed point 시뮬레이터를 이용해 소프트웨어 블록과 연동한 동작 및 성능을 검증하였다. 시뮬레이터는 실제로 H/W 블록 및 S/W 블록의 연동을 통한 위치인식 알고리즘이 동작할 경우와 동일 조건으로 검증할 수 있도록 Fixed Point로 계산되도록 설계하였으며 하드웨어에 입력되는 환경정보를 생성하는 Data Generator와 실제 Chip 내부 Register Map과 일대일 대응되는 가상 Register Map을 통해 동작한다.
이러한 보정작업 역시 응용 분야 또는 주위 환경에 따라 상당히 많은 제약점을 갖는다. 이러한 문제점을 개선하여 상황에 따른 보정 연산이 자유로운 가중치 기반에 하드웨어 위치 인식 알고리즘을 제안한다.
하지만, 구현이 복잡하다는 단점이 있으며 초기 값이 잘못 선정 되었을 때는 Local Optimal에 수렴하는 문제점이 있다. 이런 문제를 극복하기 위해 본 논문에서는 반복적 해탐색을 이용한 방법과 NCGM을 이용한 방법을 조합하였고, 연산의 효율성을 하드웨어 로직을 구현하여 추론 결과를 극대화하였다.
그림 3은 제안된 Collaborative Location Aware 방법을 통한 노드들의 위치인식 결과의 정확도 개선 과정을 보여준다. 제안된 Collaborative Location Aware 알고리즘에서 교환되는 정보는 위치인식에 사용되는 노드의 측정된 RSSI 정보, 가중치를 적용한 크래머-라오 하한값, 노드의 좌표 또는 추정된 좌표 정보로 구성된다. 그림 4에서 검은 점은 Reference 노드를 흰색 점은 Blind 노드를 표시하고, 실선은 위치인식에 사용되는 노드를 나타내고 점선은 이웃 노드이나 위치인식에 사용되지 않는 노드를 나타낸다.
그림 9는 이와 같은 위치 인식을 실험한 결과를 나타내며, MLE블록에서 x와 y에 대한 정보와 RSSI값인 est_d_sqr_value를 입력받아 MLE값을 구한 후 estimation에서 최소값인 148,719과 x와 y의 위치 정보 7과 2를 찾는 것을 확인할 수 있다. 표 1은 24MH동작의 128KByte Flash 메모리를 가지는 8051상에서 순수 소프트웨어 기반으로 위치인식 수행과 하드웨어기반의 위치인식 수행의 연산 시간을 비교하였다. 결과적으로 연산속도에서 제안 구조가 약 25배의 빠른 수행 결과를 보인다.
이론/모형
NCGM (Nonlinear Conjugate Gradient Method)을 이용한 MLE의 해를 찾기 위해 사용된 알고리즘은 빠른 수렴의 특징을 가지는 수치최적화 알고리즘인 Polak -Ribiere를 수식(8)에 사용하였으며, 반복적인 처리를 통해 점차 초기 값의 분포를 수렵하는 전처리 과정을 거칠 수 있다.
비선형 방정식에 초기 값 분포에 대해 빠른 값 계산을 위해 Line Search 알고리즘은 제안된 ML 함수에 적합하도록 수식(9)에 Secant Method를 사용하였다.
상용화된 IEEE 802.15.4기반의 위치인식 하드웨어의 경우 주변 센서들과 자신사이의 RSSI와 TOA 정보를 이용한 위치인식을 위한 방안으로 MLE (Maximumlikelihood estimator)를 이용하였다. 이러한 Relative Location Estimation 방법은 수식(1)과 같은 MLE를 사용하여 Blind 노드의 위치에 대한 추정 값을 계산하게 된다 [3, 6, 16] .
성능/효과
표 1은 24MH동작의 128KByte Flash 메모리를 가지는 8051상에서 순수 소프트웨어 기반으로 위치인식 수행과 하드웨어기반의 위치인식 수행의 연산 시간을 비교하였다. 결과적으로 연산속도에서 제안 구조가 약 25배의 빠른 수행 결과를 보인다.
그림 10과 같이 개발된 위치인식 Chip을 이용하여 실제 환경에서 시뮬레이션과 동일한 20×20m의 Field Test를 진행하였으며, 그림 11과 그림 12는 상용칩 [2] 과제안된 위치인식 엔진을 사용한 시스템의 Field Test 환경을 보여 주고 있다. 그림에서 Weighted MLE를 사용할 경우와 Patwari의 Original 알고리즘을 사용했을 때 Field Test 결과를 비교하였을 때 그림 6, 7의 시뮬레이션 결과와 같이 10% 정도의 성능 개선을 보인다.
따라서 제안한 하드웨어 기반 위치인식기는 반복적 분석방법을 통해 초기 값을 추정하려는 방안으로 사용되었다. 둘째는 NCGM (Nonlinear Conjugate Gradient Method)을 이용한 방법으로 해 탐색에 들어가는 반복계산을 최소화함으로써 계산시간을 최소화할 수 있으며 근사 최적해를 찾음으로써 정확한 위치인식 결과를 계산할 수 있는 장점이 있다. 하지만, 구현이 복잡하다는 단점이 있으며 초기 값이 잘못 선정 되었을 때는 Local Optimal에 수렴하는 문제점이 있다.
IoT 기반의 컴퓨팅 기술은 산재한 산업 및 가정용의 다양한 스마트 기기들에 무선노드 기능을 제공하여 임의의 무선 네트워킹, 정보통신 및 서비스를 가능하게 하는 IoT 기술의 가장 핵심적인 위치를 차지하고 있다. 본 논문에서는 하드웨어기반의 위치인식엔진의 구조 및 검증에 관해 기술하였으며, 가중치기반의 MLE를 사용하여 무선 채널의 변화에 대한 오류를 최소화할 수 있었으며, 소프트웨어 기반 위치인식 엔진과 비교에서와 같이 25배 이상의 빠른 위치 인식이 가능 하였다. 또한, 그림 13에서 알 수 있듯이 가중치 기반의 위치 인식 방법은 변화하는 환경에서의 표준 오차를 2배 이상 줄이는 효과를 얻을 수 있어, 더욱 정확한 위치 인식 서비스가 가능할 것으로 예상된다.
질의응답
핵심어
질문
논문에서 추출한 답변
IoT 컴퓨팅 네트워크는 무엇인가?
IoT 컴퓨팅 네트워크는 인간이 생활하는 모든 환경의 사물에 컴퓨터를 장착하고 그 사물이 지능화 및 자동화되어 상호 간의 네트워크를 형성을 통해 여러 가지 서비스에 관한 정보를 주고받을 수 있는 환경을 의미한다. 이러한 IoT 기반 센서 네트워크에서 사용되는 센서와 이를 구동시키는 센서 노드는 사람이 직접 소지하여 이를 제어할 수도 있으나, 사람의 제어를 최소화하여 주변 환경에 맞는 최적의 서비스가 제공되어야 한다.
Collaborative Location Aware 알고리즘을 활용하는 이유는 무엇인가?
Collaborative Location Aware 알고리즘은 Reference 노드뿐만 아니라 위치가 추정된 Blind 노드의 정보를 이용하여 위치인식의 정확도를 개선한다. Blind 노드는 자신의 위치를 추정하기 위하여 이웃노드들 중에 위치 추정이 된 Reference와 Blind 노드들을 이용하게 된다.
NCGM 기법의 문제점은 무엇인가?
둘째는 NCGM (Nonlinear Conjugate Gradient Method)을 이용한 방법으로 해 탐색에 들어가는 반복계산을 최소화함으로써 계산시간을 최소화할 수 있으며 근사 최적해를 찾음으로써 정확한 위치인식 결과를 계산할 수 있는 장점이 있다. 하지만, 구현이 복잡하다는 단점이 있으며 초기 값이 잘못 선정 되었을 때는 Local Optimal에 수렴하는 문제점이 있다. 이런 문제를 극복하기 위해 본 논문에서는 반복적 해탐색을 이용한 방법과 NCGM을 이용한 방법을 조합하였고, 연산의 효율성을 하드웨어 로직을 구현하여 추론 결과를 극대화하였다.
참고문헌 (16)
IEEE Std 802.15.4-2006, 'IEEE Standard for Information technology. Telecommunications and information exchange between systems Local metropolitan area networks Specific require-ments, Part 15.4: Wireless Medium Access Control (MAC) and Physical Layer (PHY) Specifications for Low-Rate Wireless Personal Area Networks (WPANs)', 2006.
O. Hernandez, V. Jain, S. Chakravarty and P. Bhargava, "Position location monitoring using IEEE 802.15.4/ZigBee technology", in press
김기형, 정원도, 박준성, 서현곤, 박승민, 김흥남, "IEEE 802.15.4 기반의 유비쿼터스센서네트워크 기술", 전자공학회지, 제 31권, 제 12호, 74-84쪽, 2004년 12월.
B. Bougard, F. Catthoor, D. C. Daly, A. Chandrakasan, and W. Dehaene, "Energy efficiency of the IEEE 802.15.4 standard in dense wireless microsensor networks: Modeling and improvement perspectives," in Proc. Des. Autom. Test Eur., pp.196-201, Mar. 2005.
전호인, "IEEE 802.15.4 WPAN 기술", 전자공학회지, 제32권, 제 4호, 87-104쪽, 2005년 4월.
L. Li, W. Yang, M.Z Bhuiyan and W. Guojun, "Unsupervised learning of indoor localization based on received signal strength," Wireless Communications and Mobile Computing, pp. 2225-2237, May. 2016.
C. Medina, J.C Segura and A. Toree, "Accurate time synchronization of ultrasonic TOF measurements in IEEE 802.15.4 based wireless sensor networks", Ad Hoc Networks, Volume 11, Issue 1, pp. 442-452, Jan. 2013.
T. O. Kim, H. Kim, J. Lee, J. S. Park, and B. D. Choi, "Performance analysis of the IEEE 802.15.4 with non beacon-enabled CSMA/CA in nonsaturated condition," in Proc. Int. Conf. EUC, pp. 884-893, Aug. 2006.
E. Goldoni, A. Savioli, M. Risi and P. Gamba "Experimental analysis of RSSI-based indoor localization with IEEE 802.15. 4.". In Wireless Conference 2010 European. IEEE, pp. 71-77, April. 2010.
Lo Bello, L.; Toscano, E., "Coexistence Issues of Multiple Co-Located IEEE 802.15.4/ZigBee Networks Running on Adjacent Radio Channels in Industrial Environments", Industrial Informatics, IEEE Transactions on Volume 5, Issue 2, Page(s).157-167, May. 2009.
S. Shin, et al, "Packet error rate analysis of IEEE IEEE 802.15.4 under between IEEE 802.15.4 and IEEE 802.11b interference," In International Conference on Wired/Wireless Internet Communications, pp. 279-288, 2005.
S. Bhatti, J. Carlson, H. Dai, J. Deng, J. Rose, A. Sheth, B. Shucker, C. Gruenwald, A. Torgerson, R. Han, "MANTIS OS: An Embedded Multithreaded Operating System for Wireless Micro Sensor Platforms", ACM/Kluwer Mobile Networks & Applications (MONET). Special Issue on Wireless Sensor Networks Vol. 10. No. 4, pp. 563-579, 2005.
A. Mainwaring, J.Polastre, R. Szewczyk, D. Culler, J. Anderson, "Wireless Sensor Networks for Habitat Monitoring", First ACM Workshop on Wireless Sensor Networks and applications, pp. 88-97, 2002.
J. J. Lee, M. A. Jung, S. R. Lee and I-H. Son, "KNN/ANN Hybrid Location Determination Algorithm for Indoor Location Base Service", Journal of The Institute of Electronics and Information Engineers, Vol.48, No.2, pp. 109-115, Mar 2011.
D. Shi, C. Tongwen and S. Ling. "Event-triggered maximum likelihood state estimation." Automatica, Vol.50, No.1 pp. 247-254, 2014.
A. Coluccia, and R. Fabio, "A software-defined radio tool for experimenting with RSS measurements in IEEE 802.15. 4: implementation and applications." International Journal of Sensor Networks, Vol.14, No.3, pp. 144-154, 2013.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.