최근 스마트폰 사용자가 늘어남에 따라 실내 위치인식 서비스에 대한 연구의 중요성이 증가하고 있다. 실내 위치인식에는 주로 WiFi, Bluetooth 등이 연구되고 있으나, 본 연구에서는 대부분의 실내 공간에 설치되어 있고 스마트폰에 WiFi 기능이 탑재되어 있어 접근성이 좋은 WiFi를 사용한다. 본 연구에서는 수집된 WiFi의 수신신호세기를 이용하는 핑거프린트 기술과 다변량 분류법 중 Ensemble learning method인 랜덤포레스트 알고리즘을 사용한다. 핑거프린트의 데이터로는 수신신호세기와 더불어 Mac주소를 사용해 총 4개의 라디오 맵을 만들어 사용하였다. 실험은 제한된 실내공간에서 진행하였고 실험분석을 위해 본 연구에서 제안하는 방법과 유사한 기존의 랜덤포레스트를 사용하는 실내 위치인식 시스템과 비교 분석하였다. 실험 결과 기존의 랜덤포레스트를 사용하는 실내 위치인식 시스템보다 본 연구에서 제안하는 시스템의 위치인식 정확도가 약 5.8% 높고 학습 데이터 개수에 상관없이 위치인식 속도가 일정하게 유지 되며 기존 방식 보다 더 빠름을 입증하였다.
최근 스마트폰 사용자가 늘어남에 따라 실내 위치인식 서비스에 대한 연구의 중요성이 증가하고 있다. 실내 위치인식에는 주로 WiFi, Bluetooth 등이 연구되고 있으나, 본 연구에서는 대부분의 실내 공간에 설치되어 있고 스마트폰에 WiFi 기능이 탑재되어 있어 접근성이 좋은 WiFi를 사용한다. 본 연구에서는 수집된 WiFi의 수신신호세기를 이용하는 핑거프린트 기술과 다변량 분류법 중 Ensemble learning method인 랜덤포레스트 알고리즘을 사용한다. 핑거프린트의 데이터로는 수신신호세기와 더불어 Mac주소를 사용해 총 4개의 라디오 맵을 만들어 사용하였다. 실험은 제한된 실내공간에서 진행하였고 실험분석을 위해 본 연구에서 제안하는 방법과 유사한 기존의 랜덤포레스트를 사용하는 실내 위치인식 시스템과 비교 분석하였다. 실험 결과 기존의 랜덤포레스트를 사용하는 실내 위치인식 시스템보다 본 연구에서 제안하는 시스템의 위치인식 정확도가 약 5.8% 높고 학습 데이터 개수에 상관없이 위치인식 속도가 일정하게 유지 되며 기존 방식 보다 더 빠름을 입증하였다.
As the number of smartphone users increases, research on indoor location recognition service is necessary. Access to indoor locations is predominantly WiFi, Bluetooth, etc., but in most quarters, WiFi is equipped with WiFi functionality, which uses WiFi features to provide WiFi functionality. The st...
As the number of smartphone users increases, research on indoor location recognition service is necessary. Access to indoor locations is predominantly WiFi, Bluetooth, etc., but in most quarters, WiFi is equipped with WiFi functionality, which uses WiFi features to provide WiFi functionality. The study uses the random forest algorithm, which employs the fingerprint index of the acquired WiFi and the use of the multI-value classification method, which employs the receiver signal strength of the acquired WiFi. As the data of the fingerprint, a total of 4 radio maps using the Mac address together with the received signal strength were used. The experiment was conducted in a limited indoor space and compared to an indoor location recognition system using an existing random forest, similar to the method proposed in this study for experimental analysis. Experiments have shown that the system's positioning accuracy as suggested by this study is approximately 5.8 % higher than that of a conventional indoor location recognition system using a random forest, and that its location recognition speed is consistent and faster than that of a study.
As the number of smartphone users increases, research on indoor location recognition service is necessary. Access to indoor locations is predominantly WiFi, Bluetooth, etc., but in most quarters, WiFi is equipped with WiFi functionality, which uses WiFi features to provide WiFi functionality. The study uses the random forest algorithm, which employs the fingerprint index of the acquired WiFi and the use of the multI-value classification method, which employs the receiver signal strength of the acquired WiFi. As the data of the fingerprint, a total of 4 radio maps using the Mac address together with the received signal strength were used. The experiment was conducted in a limited indoor space and compared to an indoor location recognition system using an existing random forest, similar to the method proposed in this study for experimental analysis. Experiments have shown that the system's positioning accuracy as suggested by this study is approximately 5.8 % higher than that of a conventional indoor location recognition system using a random forest, and that its location recognition speed is consistent and faster than that of a study.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
하지만 Bluetooth Beacon과 마찬가지로 실내에 설치가 되어있지 않으므로 설치가 필요하며, 스마트폰에서는 RFID 태그를 인식할 수 없으므로 접근성이 떨어지는 문제가 있다. 이에, 본 연구에서는 추가적인 하드웨어 장치가 필요 없으며, 접근성이 좋은 WiFi를 이용한 실내 위치인식시스템을 개발 하고자 한다.
가설 설정
또한 WiFi의 특징을 살리기 위해 기존의 설치된 WiFi AP만을 사용한다. 하지만 WiFi를 이용한 위치인식을 위해 최소 3개의 WiFi AP가 실험 장소에 설치되어있다고 가정한다.
제안 방법
먼저 Step2.D 라디오 맵의 데이터와 새로 측정된 BSSID 값과 비교해 1차 데이터 필터링을 한다. 그 다음 Step2.
0GB 메모리, Windows 10 pro 64bit이며, JAVA_FX를 사용해 만들었다. 또한 실험은 실내 공간이 여러 구역으로 나눠진 곳과, 벽이 없는 큰 실내 공간에서 실험을 진행하였으며 본문 표2와 표 3에서 구한 결과 값에 따라 각 장소는 WiFi AP를 5개씩 20번 학습하여 진행하였다. 실험 장소에는 WIFI를 이용한 위치인식인 만큼 실내 공간에 WIFI가 설치되어 있어야 하며, 위치 데이터 수집 후 새로운 WiFi가 설치된다면 위치 데이터를 새로 수집해야 한다.
본 연구에서는 기존 핑거프린트 방식의 실내 위치 인식과 달리 위치 정보(RSSI, BSSID)를 저장하는 4가지 라디오 맵과 이를 이용한 위치 데이터 필터링 및 랜덤포레스트 알고리즘을 사용하였다. 또한 위치 정확도를 향상시키기 위해 실험을 통해 제안하는 시스템에 적합한 장소 학습 횟수 및 장소 학습 시 측정되는 WiFi개수를 얻을 수 있었다.
본 연구에서는 위치정확도를 높이기보다 위치오차를 최소화 하는 것에 중점을 두어 실내 지도를 2m 간격의 그리드 패턴으로 나누었다. 각 간격이 2m이기 때문에 위치 측정을 정확하게 하였을 때 실제 위치와 측정된 위치의 오차는 약 2m 정도로 위치 오차를 최소화 하였다.
그림 1의 Step1은 위치 학습(Location Learning) 방법을 나타낸다. 위치 학습은 실내 공간을 일정 크기의 그리드로 나누어 각 그리드에서 모바일 기기를 이용해 위치 정보(RSSI, BSSID)를 학습한다. 학습을 통해 만들어지는 라디오 맵은 총 4개로 RSSI(Received signal strength indication, RSSI) 값을 저장하는 라디오 맵(Step1.
위치 학습은 실내 공간을 일정 크기의 그리드로 나누어 각 그리드에서 모바일 기기를 이용해 위치 정보(RSSI, BSSID)를 학습한다. 학습을 통해 만들어지는 라디오 맵은 총 4개로 RSSI(Received signal strength indication, RSSI) 값을 저장하는 라디오 맵(Step1.A), BSSID(Basic service set identifier, BSSID)값을 저장하는 라디오 맵(Step1.B), 각 장소가 저장된 위치를 저장하고 있는 라디오 맵(Step1.C), 각 장소에서 측정되는 BSSID 값을 리스트 형태로 저장한 라디오 맵(Step1.D)들이다. 두 번째 단계인 위치 인식(Location Recognition) 방법은 그림1의 Step2와 같다.
대상 데이터
무선 신호 측정은 WiFi 신호를 측정할 수 있는 다양한 모바일 기기를 이용해 가능하다. 본 연구에서는 WiFi 신호를 측정하기 위해 Google API를 사용하는 Nexus 7을 사용하였다. 또한 WiFi의 주파수 대역은 2.
따라서 장소 학습 시 처음에는 D4:16:F2:34의 WiFi AP의 신호가 강했으나, 네 번째 학습 시에는 13:1F:F2:17의 WiFi AP가 신호가 강했음을 알 수 있다. 신호세기는 측정할 때 마다 장소나 환경의 영향을 받아 조금씩의 차이를 보이므로 현재 위치를 측정할 때에는 그림 2에 나와 있듯이 47:A3:2B:D2이 13:1F:F2:17보다 신호세기가 강하므로, 47:A3:2B:D2이 13:1F:F2:17보다 신호세기가 강할 때의 데이터만 필터링 하여 학습할 데이터로 사용한다. 이 방법을 사용하면 학습 시와 새로 측정 시 신호세기가 비슷할 때의 데이터만을 학습에 사용해 오차를 줄일 수 있다.
측정하고자 하는 위치에서 측정되는 BSSID는 D4:16:F2:34, 13:1F:F2:17, 52:C2:25:BD, 47:A3:2B:D2, 89:5T:C2:12이다. 4번째에 저장된 값을 보면 첫 번째 AP1은 13:1F:F2:17이며 AP2는 D4:16:F2:34이다.
데이터처리
성능 평가를 위해 제안하는 위치 인식 시스템과 기존 WiFi의 신호세기와 랜덤포레스트 알고리즘을 사용한 위치 인식 시스템과 비교 분석 하였다. 성능 분석 항목은 위치정확도와 실행속도이다.
이론/모형
실내 위치인식 기술은 대표적으로 WiFi(Wireless Fidelity), Bluetooth, RFID(Radio frequency identification)등을 이용한다. WiFi를 이용한 실내 위치인식은 핑거프린트 기법으로 주변에 설치된 WiFi AP를 이용한다[6-11]. 보편적으로 건물에는 WiFi AP가 설치되어 있어 추가적인 장비설치가 필요 없고, 대부분의 모바일 장비에는 WiFi가 탑재되어 있어 여러 기술들 중 가장 보편적으로 사용되고 있다.
성능/효과
표 2에서 나타내듯 많은 수의 데이터를 수집했을 때 위치 정확도가 높은 것은 아니다. WiFi AP의 학습 개수에 따른 실행속도는 개수가 적을수록 실행속도가 빠르나 정확도 또한 고려해야 하므로 가장 나은 성능을 보이는 5개의 WiFi AP 학습이 효율적이다. 다음 그림 2는 BSSID 값을 저장하는 라디오 맵과 예시이다.
제안한 시스템은 비교 시스템보다 평균 위치 정확도와 실행속도 모두에서 더 높은 성능을 보였다. 다만 위치 학습 시 발생하는 WiFi의 노이즈를 고려하지 않아 실제 위치 인식 시에는 시뮬레이션에서 통해 얻은 결과보다 정확도가 다소 떨어지는 경향을 보였다.
학습 횟수에 따른 실행속도는 학습 횟수가 많으면 많을수록 더 많은 시간이 걸리는 것을 알 수 있다. 따라서 장소 학습 횟수는 정확도가 높으며, 실행속도가 빠른 20번이 효율적이다. 또한 WiFi AP의 학습 개수가 3개 일 때 다른 학습 개수일 때와 달리 위치 정확도가 크게 떨어지며, WiFi AP의 학습 개수가 5개일 때 가장 높은 정확도를 가진다.
따라서 장소 학습 횟수는 정확도가 높으며, 실행속도가 빠른 20번이 효율적이다. 또한 WiFi AP의 학습 개수가 3개 일 때 다른 학습 개수일 때와 달리 위치 정확도가 크게 떨어지며, WiFi AP의 학습 개수가 5개일 때 가장 높은 정확도를 가진다. 표 2에서 나타내듯 많은 수의 데이터를 수집했을 때 위치 정확도가 높은 것은 아니다.
본 연구에서는 기존 핑거프린트 방식의 실내 위치 인식과 달리 위치 정보(RSSI, BSSID)를 저장하는 4가지 라디오 맵과 이를 이용한 위치 데이터 필터링 및 랜덤포레스트 알고리즘을 사용하였다. 또한 위치 정확도를 향상시키기 위해 실험을 통해 제안하는 시스템에 적합한 장소 학습 횟수 및 장소 학습 시 측정되는 WiFi개수를 얻을 수 있었다.
00%의 정확도를 보였고 최소 85%의 정확도를 보였다. 반면 랜덤포레스트 위치 학습 데이터로 RSSI만을 사용하는 시스템의 전체적인 위치에 대한 정확도는 89.17%이며, 최대 100% 정확도를 보였고 최소 80%의 정확도를 보였다. 정확도가 낮은 위치는 실내 공간에서 장애물이나 벽 등에 의한 신호세기의 감쇄로 보인다.
00%의 정확도를 보였다. 반면 랜덤포레스트 학습 데이터로 RSSI만을 사용하는 시스템의 전체적인 위치에 대한 정확도는 89.72%이며, 최대 100.00% 정확도를 보였고 최소 82.50%의 정확도를 보였다. 두 번째 실험 결과 역시 첫 번째 실험과 크게 다르지 않았다.
세 번째 라디오 맵에서 학습 데이터가 필터링 되었을 때, 네 번째 라디오 맵을 참조해서 학습에 사용할 데이터의 인덱스를 가져온다. 본 연구에서 제안하는 위치인식 시스템은 위치 측정 시 마다 학습 데이터를 필터링하여 위치를 인식하는데 학습된 장소가 많으면 많을수록, 필터링 된 값을 라디오 맵에서 가져오는데 많은 시간이 소요된다. 따라서 다른 라디오 맵의 인덱스를 저장하고 있는 라디오 맵을 사용해 실행속도를 줄일 수 있다.
본 실험에서 나타내는 측정시간은 수집된 위치 학습 데이터를 필터링하고 그 결과 값을 랜덤포레스트 알고리즘에 넣어 위치 결과를 얻는 시점까지의 시간을 말한다. 이 실험을 통해 제안한 시스템이 기존의 시스템보다 정확도와 측정시간 모두 향상되었음을 알 수 있었다.
성능 분석 항목은 위치정확도와 실행속도이다. 제안한 시스템은 비교 시스템보다 평균 위치 정확도와 실행속도 모두에서 더 높은 성능을 보였다. 다만 위치 학습 시 발생하는 WiFi의 노이즈를 고려하지 않아 실제 위치 인식 시에는 시뮬레이션에서 통해 얻은 결과보다 정확도가 다소 떨어지는 경향을 보였다.
제안한 시스템의 전체적인 위치에 대한 정확도는 95%이며, 최대 100%의 정확도를 보였고 최소 85.00%의 정확도를 보였다. 반면 랜덤포레스트 학습 데이터로 RSSI만을 사용하는 시스템의 전체적인 위치에 대한 정확도는 89.
첫 번째 시뮬레이션 결과는 그림 4와 같고 그림4(A)는 각 장소의 평균 위치 정확도를 나타내며, 그림4(B)는 수집된 학습 데이터 개수의 따른 측정시간을 나타낸다. 제안한 시스템의 전체적인 위치에 대한 정확도는 95.56%이며, 최대 100.00%의 정확도를 보였고 최소 85%의 정확도를 보였다. 반면 랜덤포레스트 위치 학습 데이터로 RSSI만을 사용하는 시스템의 전체적인 위치에 대한 정확도는 89.
표 2를 보면 학습 횟수가 5번으로 가장 적을 때 정확도가 크게 떨어지며, 학습 횟수가 40번일 때 정확도가 높은 편이다. 하지만 학습 회수가 20번일 때보다 오히려 40번일 때가 정확도가 미세하게 낮다.
후속연구
향후에는 본 연구에서 제안하는 위치 인식 시스템에 WiFi 신호 측정 시 발생하는 노이즈를 고려해 더 정확성 높은 위치 인식 시스템을 개발할 것이다.
질의응답
핵심어
질문
논문에서 추출한 답변
학습 횟수와 WiFi AP의 개수가 매우 중요한 요소인 이유는 무엇인가?
WiFi AP 신호세기를 바탕으로 위치인식을 하는 핑거프린트에서는 각 장소의 학습 횟수와 수집하는 WiFi AP 개수에 따라 위치 정확도가 달라지므로 학습 횟수와 WiFi AP의 개수는 매우 중요한 요소이다. 그 이유는 각 장소에서 더 많은 학습과 WiFi AP의 데이터 수집이 이루어진다면 어느 정도까지는 정확도가 향상될 것이나, 데이터 개수가 많아짐에 따라 데이터 수집과 데이터 학습 속도는 낮아지고 많은 공간을 차지하게 되어 비효율적이다. 때문에 데이터 학습 속도가 일정량 이상 되면서 정확도 또한 일정량 이상 되는 기준을 찾는 것이 중요하다.
GPS(Global Positioning System) 기반 위치인식이란 무엇인가?
다양한 영역에 스마트폰이 활용됨에 따라, 위치인식 서비스 관련 연구가 꾸준히 증가하고 있다[1][2]. 대표적인 위치 인식 서비스 기술인 GPS(Global Positioning System) 기반 위치인식은 인공위성에서 보내는 신호를 수신해 사용자의 위치를 계산하는 방식으로, 대부분의 스마트폰에는 GPS 수신기가 부착되어 있어 추가적인 설비를 필요로 하지 않는다[3][4]. 그러나, GPS의 특성상 실내에서는 신호가 잘 수신되지 않고 위치 오차가 커 실외에서 주로 사용되는 실정이다.
무선 신호 측정은 어떤 것을 이용하여 가능한가?
무선 신호 측정은 WiFi 신호를 측정할 수 있는 다양한 모바일 기기를 이용해 가능하다. 본 연구에서는 WiFi 신호를 측정하기 위해 Google API를 사용하는 Nexus 7을 사용하였다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.