본 논문에서는 최근 들어 활발하게 연구되고 있는 WiFi fingerprint를 이용한 실내 위치 인식 기술에서, Weighted K-Nearest Neighbour 방식을 적용할 때 사용되는 가중치에 대한 분석 결과를 보이고 있다. W-KNN 방식은 그 간결함에도 불구하고 WiFi fingerprint를 이용하는 다른 복잡한 방식들과 유사한 성능을 보이고 있어, 실제적으로 실내 위치 인식 기술로 많이 사용되고 있다. 또한 사전 데이터 처리 방식이나 이 방식에서 사용되는 가중치에 따라 성능 차이를 보이고 있으므로, 이에 대한 연구 및 분석은 중요한 의미가 있다. 여기서는 실제로 측정된 WiFi fingerprint 데이터를 기반으로, 데이터 사전처리 경우와 가중치에 측정값의 분산 및 거리를 적용하는 경우, 지점 위치 평균 개수 K를 사용하는 경우 등에 대해 위치 추정 오차를 분석하고 성능을 비교한다. 이 연구 결과는 실제로 실내 위치 인식 시스템을 구축할 때에 실용적으로 활용될 수 있다.
본 논문에서는 최근 들어 활발하게 연구되고 있는 WiFi fingerprint를 이용한 실내 위치 인식 기술에서, Weighted K-Nearest Neighbour 방식을 적용할 때 사용되는 가중치에 대한 분석 결과를 보이고 있다. W-KNN 방식은 그 간결함에도 불구하고 WiFi fingerprint를 이용하는 다른 복잡한 방식들과 유사한 성능을 보이고 있어, 실제적으로 실내 위치 인식 기술로 많이 사용되고 있다. 또한 사전 데이터 처리 방식이나 이 방식에서 사용되는 가중치에 따라 성능 차이를 보이고 있으므로, 이에 대한 연구 및 분석은 중요한 의미가 있다. 여기서는 실제로 측정된 WiFi fingerprint 데이터를 기반으로, 데이터 사전처리 경우와 가중치에 측정값의 분산 및 거리를 적용하는 경우, 지점 위치 평균 개수 K를 사용하는 경우 등에 대해 위치 추정 오차를 분석하고 성능을 비교한다. 이 연구 결과는 실제로 실내 위치 인식 시스템을 구축할 때에 실용적으로 활용될 수 있다.
In this paper, the analysis results are shown about several weights of Weighted K-Nearest Neighbor method, Recently, it is employed for the indoor positioning technologies using WiFi fingerprint which has been actively studied. In spite of the simplest feature, the W-KNN method shows comparable perf...
In this paper, the analysis results are shown about several weights of Weighted K-Nearest Neighbor method, Recently, it is employed for the indoor positioning technologies using WiFi fingerprint which has been actively studied. In spite of the simplest feature, the W-KNN method shows comparable performance to another methods using WiFi fingerprint technology. So W-KNN method has employed in the existing indoor positioning system. It shows positioning error performance according to data preprocessing and weight factor, and the analysis on the weight is very important. In this paper, based on the real measured WiFi fingerprint data, the estimation error is analyzed and the performances are compared, for the case of data processing methods, of the weight of average, variance, and distance, and of the averaging several position of number K. These results could be practically useful to construct the real indoor positioning system.
In this paper, the analysis results are shown about several weights of Weighted K-Nearest Neighbor method, Recently, it is employed for the indoor positioning technologies using WiFi fingerprint which has been actively studied. In spite of the simplest feature, the W-KNN method shows comparable performance to another methods using WiFi fingerprint technology. So W-KNN method has employed in the existing indoor positioning system. It shows positioning error performance according to data preprocessing and weight factor, and the analysis on the weight is very important. In this paper, based on the real measured WiFi fingerprint data, the estimation error is analyzed and the performances are compared, for the case of data processing methods, of the weight of average, variance, and distance, and of the averaging several position of number K. These results could be practically useful to construct the real indoor positioning system.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
본 논문에서는 WiFi fingerprint 방식에서 KNN 방법에 대해, 측정 데이터의 다양한 사전 처리 기술에 따른 위치 추정 성능을 분석하였다. 또한 W-KNN 방식에서 다양한 가중치에 따른 성능도 분석하였다.
본 연구의 목적은 궁극적으로 스마트폰을 이용한 실내 위치 인식 시스템 개발이므로, WiFi fingerprint 데이터를 수집할 때에 스마트폰 앱 프로그램을 개발하여 사용하였다. 또한 무선랜 공유기의 전파 신호 세기를 스마트폰으로 측정할 때에, 측정자가 스마트폰을 잡고 있으면 인체에 포함된 다량의 수분으로 인해 측정 신호가 왜곡된다는 것이 확인되었으며, 측정 장치의 설치 방향에 따라서도 수신 신호의 크기가 달라진다[10].
제안 방법
본 논문에서는 WiFi fingerprint 방식에서 KNN 방법에 대해, 측정 데이터의 다양한 사전 처리 기술에 따른 위치 추정 성능을 분석하였다. 또한 W-KNN 방식에서 다양한 가중치에 따른 성능도 분석하였다.
본 논문에서는 이런 다양한 KNN 기술 둘의 조합에 대해서 실제로 측정된 동일한 WiFi fingerprint 데이터에 적용하여 그 위치 추정 성능을 종합적으로 비교 분석해 본다.
여기서는 W-KNN 방식에서 두 종류의 가중치를 사용하여 실제로 측정된 데이터에 적용함으로써, 가중치가 미치는 효과 및 적절한 가중치를 분석해 본다.
대상 데이터
또한 무선랜 공유기의 전파 신호 세기를 스마트폰으로 측정할 때에, 측정자가 스마트폰을 잡고 있으면 인체에 포함된 다량의 수분으로 인해 측정 신호가 왜곡된다는 것이 확인되었으며, 측정 장치의 설치 방향에 따라서도 수신 신호의 크기가 달라진다[10]. 따라서 본 논문에서 사용된 WiFi fingerprint 측정 데이터는 스마트폰을 삼발이 지지대에 세워서 고정시키고 측정하였으며, 모든 경우에 스마트폰의 뒷면이 북쪽을 향하도록 하였다. 일반적으로 스마트폰 안테나의 지향성을 보면 스마트폰을 세웠을 때 모든 방향으로 전파가 전파되는 특성을 고려하였다.
아래 그림 1은 WiFi fingerprint 데이터를 측정한 장소이며, + 표시의 위치에서 총 46개의 training 데이터가 순차적으로 측정되었고, o 위치에서는 총 8개의 test 데이터가 연속해서 측정되었다. test 데이터의 위치는 위치 추정 성능을 확인하기 위해 training 데이터 측정지점뿐만 아니라 측정하지 않은 곳도 포함하고 있다.
즉, training set은 사전에 RSS 값을 측정한 2차원 지점 좌표 값 Li와 RSS 측정값으로 구성되는데, 측정 지점은 총 M군데이고, 해당 지점에서 측정된 무선랜 공유기의 개수는 총 N개이다. 임의의 지점에서 측정된 무선랜 공유기의 개수도 다르고 무선랜 공유기도 다르다.
성능/효과
세로축의 값은 평균값과 분산에 동일하게 적용된다. 추정 결과를 분석하면, 그림 6이나 8과 다르게 K 값이 증가를 하는 경우에도 평균 위치 추정 오차가 증가하지 않는 것을 확인할 수 있다. 이것은 RSS 값 차이가 큰 경우에는 가중치가 작아져서 기여도가 작아지기 때문이다.
후속연구
향후에는 주변 환경 변화가 있어도, WiFi fingerprint 측정 작업을 다시 수행하지 않는 기술에 대한 연구가 필요하다.
질의응답
핵심어
질문
논문에서 추출한 답변
WiFi fingerprint 방식에서 위치 추정 오차를 줄이기 위해서는 어떻게 해야 하는가?
무선랜 수신 신호의 세기는 주변의 각종 움직이는 물체들의 영향으로 페이딩이 발생하게 되고, 시간에 대해 계속 값이 변동한다. 따라서 WiFi fingerprint 방식으로 임의의 위치를 추정하기 위해서는 RSS 값과 해당 위치와의 상관도를 최대한으로 이용해야 위치 추정 오차를 줄일 수 있다.
KNN 기술은 무엇인가?
가장 간단한 방식으로는 K-Nearest Neighbour(KNN) 기술이 사용되고 있다[11]. 이 기술은 사전에 측정된 RSS 값들과 임의의 위치의 RSS 값들의 차이를 비교하고 가장 차이가 작은 위치를 임의의 위치라고 추정하는 기술이다. 이 기술은 Maximum likelihood estimation이나, kernel method, Support Vector Machine[10] 등의 복잡한 계산 방식과 비교해 볼 때, 위치 추정 성능이 거의 유사한 경향을 보이고 있다.
KNN 기술이 현실적으로 가장 많이 쓰이고 있는 이유는?
이 기술은 사전에 측정된 RSS 값들과 임의의 위치의 RSS 값들의 차이를 비교하고 가장 차이가 작은 위치를 임의의 위치라고 추정하는 기술이다. 이 기술은 Maximum likelihood estimation이나, kernel method, Support Vector Machine[10] 등의 복잡한 계산 방식과 비교해 볼 때, 위치 추정 성능이 거의 유사한 경향을 보이고 있다. 따라서 KNN 기술이 현실적으로 가장 많이 사용되고 있다.
참고문헌 (11)
Jichao Jiao, Fei Li, Zhongliang Deng, and Wenjing Ma, "A Smartphone Camera-Based Indoor Positioning Algorithm of Crowded Scenarios with the Assistance of Deep CNN," Sensors Journal, Vol. 17, No. 4, 2017. doi:10.3390/s17040704
Myung-Gwan Kim, Jin-Woo Kim, "Implementation of Location-Aware System based on Probability Distribution of RSSI," The Journal of The Institute of Internet, Broadcasting and Communication, Vol. 8, No. 4, pp. 9-14, Aug. 2008.
Fabian Hoflinger, Rui Zhang, Joachim Hoppe, Amir Bannoura, Leonhard, M. Reindl Johannes Wendeberg, Manuel Buhrer, and Christian Schindelhauer, "Acoustic Self-calibrating System for Indoor Smartphone Tracking (ASSIST)," International Conference on Indoor Positioning and Indoor Navigation, Nov. 2012.
Ville Honkavirta, Tommi Perala, Simo Ali-Loytty, and Robert Piche, "A Comparative Survey of WLAN Location Fingerprinting Methods," 6th Workshop on Positioning, Navigation and Communication, pp. 243-251, Hannover, Germany, March 2009. doi:10.1109/WPNC.2009.4907834
Marius H. Hennecke and Gernot A. Fink, "Towards Acoustic Self-Localization of Ad Hoc Smartphone Arrays," Third Joint Workshop on Hands-free Speech Communication and Microphone Arrays, May 2011.
David Madigan, Eiman Elnahrawy, Richard P. Martin, Wen-Hua Ju, P. Krishnan, and A. Krishnakumar, "Bayesian Indoor Positioning Systems," Conference on IEEE Computer and Communications Societies, March 2005.
Azadeh Kushki, Konstantinos Plataniotis, and Anastasios Venetsanopoulos, "Kernel-Based Positioning in Wireless Local Area Networks," IEEE Tr. Mobile Computing, Vol. 6, No. 6, pp. 689-705, June 2007.
Nattapong Swangmuang and Prashant Krishnamurthy, "An Effective Location Fingerprinting Model for Wireless Indoor Localization," Pervasive and Mobile Computing, Vol. 4, pp. 836-850, 2008.
Khuong Nguyen, "A Performance Guaranteed Indoor Positioning System using Conformal Prediction and the WiFi Signal Strength," Journal Information and Telecommunication, Vol. 1, No. 1, pp. 41-65, 2017. doi:10.1080/24751839.2017.1295659
AI-Helper
※ AI-Helper는 부적절한 답변을 할 수 있습니다.