[논문]WiFi 핑거프린트를 이용한 지하철 위치 추적 정확성 향상을 위한 연구

안태기; 안치형; 남명우; 박진홍; 이영석

doi:10.5762/kais.2016.17.1.1

WiFi 핑거프린트를 이용한 지하철 위치 추적 정확성 향상을 위한 연구
A Study on Improving Accuracy of Subway Location Tracking using WiFi Fingerprinting 원문보기

한국산학기술학회논문지 = Journal of the Korea Academia-Industrial cooperation Society, v.17 no.1, 2016년, pp.1 - 8

안태기 (한국철도기술연구원) , 안치형 (한국철도기술연구원) , 남명우 (혜전대학교 전자캐드과) , 박진홍 (혜전대학교 전자캐드과) , 이영석 (청운대학교 전자공학과)

초록
AI-Helper

본 논문에서는 GPS를 이용할 수 없는 지하철 승강장에서 움직이는 지하철의 위치 추적 정확성을 높이기 위해 WiFi 핑거프린트 기법에 k-nn기반 알고리즘들을 적용한 후 오류를 검출하고 비교하였다. 승강장내 지하철의 위치 정보는 지하철 제어를 위해 종합사령실에서 필요로 하며, 이용객의 안전과 편의를 위해 다양하게 사용되어지고 있다. 현재 역사 또는 승강장 내에는 승객의 편의를 위해 각 통신사별로 WiFi용 AP(Access Point)들이 다수 설치되어 있어 이를 활용한 다양한 위치 추정 연구들도 활발히 진행되고 있다. 본 연구에서는 설치되어진 WiFi용 AP를 활용할 경우와 신규로 WiFi용 AP를 설치할 경우등을 고려하여 다양한 조건에서 지하철의 위치를 추적할 수 있는 시뮬레이터를 개발한 후 모의실험을 진행하였다. 개발된 시뮬레이터는 설치된 WiFi용 AP들의 개수와 승강장 넓이, 지하철 진입속도 등에 따라 지하철의 위치를 추적할 수 있도록 설계되었다. 그리고 k-nn알고리즘과 fuzzy k-nn알고리즘을 선택적으로 적용할 수 있으며 핑거프린트 데이터베이스를 기반으로 4가지의 거리 측정 알고리즘을 적용하여 위치 추적 오류를 비교할 수 있도록 하였다. 시뮬레이터를 이용한 모의 실험결과 0.5m의 그리드 단위길이에 8개의 WiFi용 AP를 설치하고 'minkowski' 거리 측정 알고리즘을 적용한 k-nn알고리즘를 사용할 경우 가장 정확한 위치 추적결과를 얻을 수 있었다.

Abstract ▼ AI-Helper

In this study, an WiFi fingerprinting method based on the k-nn algorithm was applied to improve the accuracy of location tracking of a moving train on a platform and evaluate the performance to minimize the estimation error of location tracking. The data related to the position of the moving train are monitored by the control center for trains and used widely for the safety and comfort of passengers. The train location tracking methods based on WiFi installed by telecom companies were evaluated. In this study, a simulator was developed to consider the environments of two cases; in already installed WiFi devices and new installed WiFi devices. The developed simulator can simulate the localized estimation of the position under a variety of conditions, such as the number of WiFi devices, the area of platform and entry velocity of train. To apply location tracking algorithms, a k-nn algorithm and fuzzy k-nn algorithm were applied selectively according to the underlying condition and also four distance measurement algorithms were applied to compare the error of location tracking. In conclusion, the best method to estimate train location tracking is a combination of the k-nn algorithm and Minkoski distance measurement at a 0.5m grid unit and 8 WiFi AP installed.

주제어

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

본 논문에서는 승강장에 진입한 지하철의 위치 추적 정확성을 높이기 위한 방법을 찾기 위해 WiFi기반 위치 추정 방법을 적용한 시뮬레이터를 개발하였다.
본 연구에서는 WiFi 핑거프린트를 이용한 위치 인식 기술을 기반으로 승강장에 진입하는 지하철의 정확한 위치 추적을 위해, 다양한 조건에서 여러 알고리즘을 사용하여 모의실험을 실시하였다. 이 실험은 먼저 지하철 승강장 내의 선로를 따라 WiFi 핑거프린트 데이터베이스를 구축하고, 지하철이 역사로 진입하는 속도와 정차 시까지 걸리는 시간을 고려하여 시간에 따른 승강장 내의 지하철 위치를 예측하였다.
오차 비교를 위해 모의실험 환경을 변경하고 반복 실험을 실시하였다. 본 연구의 모의실험을 위해 지하철이 승강장에 진입했을 때부터 정차 시까지의 위치를 추적할 수 있는 시뮬레이터를 개발하였다. 개발된 시뮬레이터는 다양한 승강장 구조를 고려하여 승강장 넓이를 입력할 수 있으며 설치된 WiFi용 AP 개수, 지하철 진입속도 등을 변경하며 모의실험을 진행할 수 있도록 설계하였다.

가설 설정

Fig 4의 지하철 승강장을 각각 0.3m, 0.5m 및 1m의 가로×세로 규격을 갖는 세 가지 그리드로 구성하고, 165m × 15m의 크기를 갖는 승강장에 각각 4개, 6개 및 8개의 WiFi용 AP들이 설치된 것으로 가정하여 시뮬레이션을 하였다.
또한 Table 1은 각 그리드 좌표에서 승강장에 설치된 WiFi AP들의 RSSI값들을 식 (2)를 이용하여 모의 계산한 후 구축한 데이터베이스를 나타낸다. Table 1은 승강장에 설치된 WiFi AP들의 개수는 6개, 그리고 각 WiFi AP들의 위치들은 균등한 간격으로 배치되었다고 가정하였다.
WiFi용 AP에서 전파된 신호는 지하철 선두 차량 내에 설치된 WiFi용 수신기로 수신되어진다고 가정하였다. WiFi용 수신기로 측정된 각 WiFi용 AP들의 신호 세기(received signal strength indication:RSSI)는 WiFi 핑거프린트 방법에 사용되어 WiFi용 수신기의 위치를 추정하게 된다.
본 연구에서는 RSSI 벡터, ri의 성분들이 표준 편차 σ를 갖는 가우시안 랜덤 분포를 갖는다고 가정하였으며 이 랜덤 변수의 실제 평균 E[rij]는 상수 평균을 갖는다고 가정하였다.
지붕이 있는, 즉 글로벌 위치 시스템의 영향을 받을 수 없는 전철 또는 지하철 역사의 각 층에서 위치를 인식하는 기술은 실내 무선 로컬 네트워크(indoor wireless local area network)을 기반으로 구현된다. 특정 구역에 N개의 WiFi용 AP들이 있고, 이들이 IEEE 802.11b 프로토콜에 의해 WiFi 통신이 이루어지고 있는 상황을 가정한다면, 각 WiFi용 AP들로부터 발생하는 무선 신호는 거리에 반비례하는 무선 신호들을 송출하고 있을 것이다. 그러므로 승강장 구역을 2차원의 그리드(grid)로 분할하면 각 그리드에서 는 N개의 WiFi용 AP들에서 발생되어 전파된 서로 다른 강도를 가진 N개의 RSSI가 측정되게 된다.

제안 방법

본 연구의 모의실험을 위해 지하철이 승강장에 진입했을 때부터 정차 시까지의 위치를 추적할 수 있는 시뮬레이터를 개발하였다. 개발된 시뮬레이터는 다양한 승강장 구조를 고려하여 승강장 넓이를 입력할 수 있으며 설치된 WiFi용 AP 개수, 지하철 진입속도 등을 변경하며 모의실험을 진행할 수 있도록 설계하였다.
5m 및 1m의 가로×세로 규격을 갖는 세 가지 그리드로 구성하고, 165m × 15m의 크기를 갖는 승강장에 각각 4개, 6개 및 8개의 WiFi용 AP들이 설치된 것으로 가정하여 시뮬레이션을 하였다. 구성된 승강장 모델은 앞서 기술한 승강장의 규격을 토대로 각 그리드에서 RSSI를 수집하여 핑거프린트 데이터베이스를 작성하였다. 이와 같은 방식으로 만들어진 그리드의 위치에 따른 RSSI 데이터는 임의의 위치에서 측정된 RSSI와 k-nn 알고리즘을 이용하여 유사도를 측정하는데 사용된다.
이 실험은 먼저 지하철 승강장 내의 선로를 따라 WiFi 핑거프린트 데이터베이스를 구축하고, 지하철이 역사로 진입하는 속도와 정차 시까지 걸리는 시간을 고려하여 시간에 따른 승강장 내의 지하철 위치를 예측하였다. 다음으로 예측 위치에서 WiFi용 AP들의 신호 강도를 수집한 후, 여러 알고리즘을 이용하여 가장 최적의 데이터를 찾은 후 알고리즘별로 오차를 비교하였다. 오차 비교를 위해 모의실험 환경을 변경하고 반복 실험을 실시하였다.
또한 승강장에 설치된 각 WiFi용 AP 신호의 전파 정보도 보여주도록 구성하였다. Fig 7은 165m × 15m 승강장에 모두 6개(윗면 3개, 아래면 3개)의 WiFi용 AP들이 설치되었다고 가정된 경우의 모의실험 결과를 나타내는 화면이다.
k-nn(k-Nearest neighbor)은 패턴인식 분야에서 많이 사용되는 분류 알고리즘이다. 미리 저장되어 있는 데이터베이스의 특징 벡터들을 유사한 특징을 가진 그룹들로 분류한 후, 순시 벡터가 주어지면 유사도를 측정하는 함수를 이용하여 가장 비슷한 속성을 가진 k개의 특징 벡터를 추출하게 된다. 그리고 추출된 k개의 특징 벡터가 가장 많이 속해 있는 그룹으로 순시 벡터를 분류해 주는 방법이다.
개발된 시뮬레이터의 초기 화면은 Fig 6과 같다. 승강장의 구조 정보와 지하철 진입속도 및 WiFi용 AP 개수 등을 입력하고 실행하면 WiFi 핑거프린트 기법으로 계산된 지하철 추정위치가 Fig 7과 같이 도시되며, 각 지점별 오차 거리도 표시되도록 하였다.
다음으로 예측 위치에서 WiFi용 AP들의 신호 강도를 수집한 후, 여러 알고리즘을 이용하여 가장 최적의 데이터를 찾은 후 알고리즘별로 오차를 비교하였다. 오차 비교를 위해 모의실험 환경을 변경하고 반복 실험을 실시하였다. 본 연구의 모의실험을 위해 지하철이 승강장에 진입했을 때부터 정차 시까지의 위치를 추적할 수 있는 시뮬레이터를 개발하였다.
본 연구에서는 WiFi 핑거프린트를 이용한 위치 인식 기술을 기반으로 승강장에 진입하는 지하철의 정확한 위치 추적을 위해, 다양한 조건에서 여러 알고리즘을 사용하여 모의실험을 실시하였다. 이 실험은 먼저 지하철 승강장 내의 선로를 따라 WiFi 핑거프린트 데이터베이스를 구축하고, 지하철이 역사로 진입하는 속도와 정차 시까지 걸리는 시간을 고려하여 시간에 따른 승강장 내의 지하철 위치를 예측하였다. 다음으로 예측 위치에서 WiFi용 AP들의 신호 강도를 수집한 후, 여러 알고리즘을 이용하여 가장 최적의 데이터를 찾은 후 알고리즘별로 오차를 비교하였다.
이러한 오차를 보정하기 위하여 본 논문에서는 WiFi 무선 신호의 전파 경로 손실과 터널 벽면에 반사돼 발생하는 반사 손실계수를 상수로 설정하고 상수 값의 ±10%를 랜덤변수로 발생시켜 시뮬레이션을 진행하였다.

대상 데이터

본 논문에서는 실험을 위하여 Fig 4와 같이 지하철 승강장을 모델링 하였다.

이론/모형

앞에서 기술된 모델링 기법들과 수식을 적용하여 지하철 승강장내 지하철 위치 추적 시뮬레이터를 Matlab을 사용하여 개발하였다. 개발된 시뮬레이터의 초기 화면은 Fig 6과 같다.

성능/효과

본 논문에서는 승강장에 진입한 지하철의 위치 추적 정확성을 높이기 위한 방법을 찾기 위해 WiFi기반 위치 추정 방법을 적용한 시뮬레이터를 개발하였다. 개발된 시뮬레이터는 승강장 넓이와 승강장에 설치된 WiFi 의 접근 점의 개수를 변경하며 지하철의 위치 추정 오차를 계산할 수 있는 기능을 가지고 있으며 시뮬레이션 결과, 8개의 WiFi용 AP를 설치하고 그리드 단위길이를 0.5m로 설정할 경우 가장 정확한 지하철의 위치 인식이 가능함을 알 수 있었다. 또한 위치 인식 알고리즘으로는 k-nn에 minkowski 거리함수가 효과적임을 알 수 있었다.
Table 2의 결과는 WiFi용 AP를 6개 설치했을 경우로 k-nn의 euclidean 거리 함수를 이용할 때 가장 작은 평균 오차를 보여주었다. 그리고 k-nn의 minkowski 거리 함수를 이용할 때 가장 작은 최고 오차를 나타내었다.
5m로 설정하는 것이 위치 추적 정확도를 높이는데 효과적임을 알 수 있다. 또한 알고리즘은 k-nn에 minkowski 거리함수를 사용하는 것이 적합한 것으로 해석할 수 있다.
5m로 설정할 경우 가장 정확한 지하철의 위치 인식이 가능함을 알 수 있었다. 또한 위치 인식 알고리즘으로는 k-nn에 minkowski 거리함수가 효과적임을 알 수 있었다. 이러한 결과로 개발된 시뮬레이터는 지하철의 정밀위치 추적을 위해 다양한 형태의 승강장에 WiFi 기반 AP들의 설치 위치 및 개수 등을 미리 모의실험 할 수 있는 방법을 제공 할 수 있다.
이와 같은 모의실험 결과를 바탕으로 WiFi용 AP의 개수는 8개가 적절하며 그리드 단위길이는 0.5m로 설정하는 것이 위치 추적 정확도를 높이는데 효과적임을 알 수 있다. 또한 알고리즘은 k-nn에 minkowski 거리함수를 사용하는 것이 적합한 것으로 해석할 수 있다.

후속연구

개발된 시뮬레이터는 향후 지하철 현장에서 전파 측정을 실시하여 전파 손실 상수를 보정하고 WiFi 기반 AP들이 설치된 정확한 위치를 추가할 경우 더 정확한 결과를 보일 수 있을 것으로 사료된다.
또한 위치 인식 알고리즘으로는 k-nn에 minkowski 거리함수가 효과적임을 알 수 있었다. 이러한 결과로 개발된 시뮬레이터는 지하철의 정밀위치 추적을 위해 다양한 형태의 승강장에 WiFi 기반 AP들의 설치 위치 및 개수 등을 미리 모의실험 할 수 있는 방법을 제공 할 수 있다.
현재 지하철 역사 내에서는 지하철 위치 추적을 위해 다양한 기술들이 사용되어지고 있으나, WiFi를 이용한 위치 추정 기술은 추가적인 하드웨어 구축비용 없이 시스템 구축이 가능하므로 향후 위치 추적을 위한 기본 방법 또는 보조 기술, 비상상황 대처방법 등으로 사용이 가능할 것이다.

질의응답

핵심어	질문	논문에서 추출한 답변
	WiFi 핑거프린트를 이용한 위치 인식기술의 장점은?	온라인 위치 인식 단에서는 임의의 위치에서 수집된 WiFi용 AP 신호들을 WiFi 핑거프린트 데이터베이스에 수집되어 있는 데이터들과 비교하여 가장 최적의 정합(matching)을 갖는 데이터를 찾은 후 임의의 위치를 핑거프린트의 위치로 추정하게 된다. 이 기술은 비록 최초 기술 적용 시에는 WiFi 핑거프린트 데이터베이스를 필요로 하지만 복잡한 승강장과 같은 건물의 구조적 영향을 피할 수 있는 장점이 있다. 또한 WiFi 핑거프린트 기반 위치 인식 기술은 앞에서 설명한 WiFi의 신호 전파모델을 기반으로 하는 위치 인식 기술에서 반드시 필요로 하는 WiFi용 AP들의 좌표 데이터가 필요하지 않은 장점이 있다[6,7].
	인식서비스 기술의 단점은?	이동 통신 기술의 빠른 발전과 컴퓨터를 이용한 정보처리 기술이 확산되면서 위치 인식 서비스 기술에 대한 요구가 빠르게 증가하고 있다 [1]. 일반적으로 위치 인식서비스 기술은 글로벌 위치 시스템(Global Positioning System)이 정확하고 신뢰성 있는 위치 정보를 제공한다는 점에서 널리 사용되고 있지만 수신된 전파 신호의 강도(strength) 및 수신 대역 문제로 인하여 지붕이 있는 건물의 안쪽에서는 사용할 수 없는 단점이 있다. 이러한 단점을 극복하기 위하여 글로벌 위치 시스템을 사용할 수 없는 영역에 대하여 센서 네트워크(sensor network), RFID 또는 WiFi 기술을 이용한 위치 인식 서비스 기술이 다양하게 연구되고 있다.
	WiFi를 이용한 우치 인식 거비스 기술이 각광받고 있는 이유는?	이러한 단점을 극복하기 위하여 글로벌 위치 시스템을 사용할 수 없는 영역에 대하여 센서 네트워크(sensor network), RFID 또는 WiFi 기술을 이용한 위치 인식 서비스 기술이 다양하게 연구되고 있다. 이러한 기술들 가운데 WiFi를 이용한 위치 인식 서비스 기술은 스마트 폰(smart phone)의 보급 활성화와 군중이 운집되어 있는 교통의 중심인 역사(station), 터미널(terminal) 등에 WiFi용 AP들이 설치되어 있다는 점에서 글로벌 위치 인식 시스템에 대한 상호 보완적인 기술로 각광을 받고 있다[2]. 따라서 WiFi 네트워크와 스마트 폰을 이용한 위치 인식 서비스 기술은 이미 갖추어진 통신 기술 인프라 구조(infra structure)를 이용하여 적은 비용으로 위치 인식 서비스를 할 수 있다는 점에서 충분히 연구할 만한 가치가 있다.

참고문헌 (7)

Ministry of Land and Transport, City railway construction rules, July. 2014.
A.S. Ja'afar, "Analysis of Indoor Location and Positioning via WiFi Signals at FKEKK, UTeM", International Journal of Engineering and Technology (IJET), 2013.
Peerapong Torteekay, XIU Chundi, "Indoor Positioning based on WiFi Fingerprint Technique using Fuzzy K-Nearest Neighbor," Sciences and Technology(IBCAST), pp. 461-465, January, 2014. DOI: http://dx.doi.org/10.1109/IBCAST.2014.6778188
P. Bahl and V. N. Padmanabhan, "RADAR: An In-Building RF-based User Location and Tracking System," in Proceedings of IEEE INFOCOM, pp. 775-784, 2000. DOI: http://dx.doi.org/10.1109/infcom.2000.832252
K. Jones , L. Liu , F. A. Shabdiz, "mproving Wireless Positioning with Look-ahead Map-Matching," Proceedings of the 2007 Fourth Annual International Conference on Mobile and Ubiquitous Systems: Networking&Services (MobiQuitous), pp.1-8, August, 2007. DOI: http://dx.doi.org/10.1109/MOBIQ.2007.4450983
B. Kobben, "Wireless Campus LBS: A Test Bed for WiFi Positioning and Location Based Services," Cartography & Geographic Information Science 34, pp. 285-292, 2007. DOI: http://dx.doi.org/10.1559/152304007782382936

상세보기
B. Li," Indoor positioning techniques based on wireless LAN," The 1st IEEE International Conference on Wireless Boradband and Ultra Wideband Communication, Sydney, Australia, pp. 13-16, 2006.

저자의 다른 논문 :

LOADING...

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증