[논문]비콘을 사용한 ANN기반 적응형 거리 측정

노지우; 김태영; 김순태; 이정휴; 유희경; 강윤구

doi:10.7236/jiibc.2018.18.5.147

비콘을 사용한 ANN기반 적응형 거리 측정
ANN-based Adaptive Distance Measurement Using Beacon 원문보기

The journal of the institute of internet, broadcasting and communication : JIIBC, v.18 no.5, 2018년, pp.147 - 153

노지우 (전북대학교 소프트웨어공학과) , 김태영 (전북대학교 소프트웨어공학과) , 김순태 (전북대학교 소프트웨어공학과) , 이정휴 (전북대학교 소프트웨어공학과) , 유희경 (강원대학교 컴퓨터공학과) , 강윤구 (유저인사이트)

초록
AI-Helper

저전력 블루투스(BLE; Bluetooth Low Energy) 기술을 사용한 비콘은 실외에서만 위치 측위가 가능한 GPS(Global Positioning System)와 달리 실내에서도 위치 파악이 가능하다. 비콘을 사용한 실내 거리 측정에는 RSSI(Received Signal Strength Indication)값이 핵심 요소인데 그에 반해 RSSI값은 여러 환경요소로부터 영향을 받기 때문에 예측된 거리와 실제 거리의 오차가 크게 나타난다. 이러한 이슈를 다루기 위해 비콘을 사용한 ANN(Artificial Neural Network)기반 적응형 거리 측정을 제안한다. 먼저 RSSI의 잡음을 줄이기 위해 확장 칼만 필터와 신호 안정화 필터를 사용한 전처리 과정을 거친다. 그리고 각각 특정 학습 데이터 셋을 가진 다층 ANN들은 학습을 거치게 된다. 결과에서는 평균오차 0.67m를 보여주고, 0.78의 precision을 보여준다.

Abstract ▼ AI-Helper

Beacon enables one to measure distance indoors based on low-power Bluetooth low energy (BLE) technology, while GPS (Global Positioning System) only can be used outdoors. In measuring indoor distance using Beacon, RSSI (Received Signal Strength Indication) is considered as the one of the key factors, however, it is influenced by various environmental factors so that it causes the huge gap between the estimated distance and the real. In order to handle this issue, we propose the adaptive ANN (Artificial Neural Network) based approach to measuring the exact distance using Beacon. First, we has carried out the preprocessing of the RSSI signals by applying the extended Kalman filter and the signal stabilization filter into decreasing the noise. Then, we suggest the multi-layered ANNs, each of which layer is learned by specific training data sets. The results showed an average error of 0.67m, a precision of 0.78.

주제어

표/그림 (4)

그림 그림 1. ANN 기반 적응형 거리측정 기법 개요 FIg. 1. ANN based Adaptive Distance Measurement Overview
그림 그림 2. ANN기반 적응형 거리측정 FIg. 2. ANN based Adaptive ANN　Distance Measurement
표 표 1. 실험 정밀도(error=0.2) Table 1. Simulation Precision(error=0.2)
표 표 2. 실험 평균 오차 Table 2. Simulation Average Error

AI 본문요약
AI-Helper

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

문제 정의

본 논문에서는 비콘을 사용한 실내 위치 인식의 정확도를 높이기 위해 필터링과정과 적응형 인공신경망을 고안하였다. 제안하는 기법은 기존의 실내 위치 추정 기법 중 ANN 학습방법에서 더 나아가 거리 범위별로 특화된 인공신경망을 적용시키는 ANN기반 적응형 거리측정을 제안한다.
본 연구에서는 일정한 거리 단위별로 나누어 비콘의 RSSI를 수집하며 수집된 RSSI의 잡음을 줄이기 위해 확장 칼만 필터와 신호 안정화 필터를 통해 Preprocessing과정을 거친다. 그리고 산출된 RSSI를 기반으로 거리단위별 ANN(Artificial Neural Network) 학습을 수행하게 된다.

제안 방법

Input Layer는 비콘의 Txpower와 RSSI데이터로 2가지 데이터가 해당하고 Output Layer는 예측된 거리 데이터로 1개로 구성되었다. Hidden Layer는 4-3구조로 설계하였고, 각각의 활성화 함수는 tanh-sigmoid함수를 사용하였다. 생성된 모델들은 각각 해당된 범위의 거리 예측에 특화되어 있다.
위치 인식을 위한 다양한 거리 측정 기법은 다음과 같다. Wifi를 이용하여 신호의 발신시간과 수신시간의 간격을 계산하여 Wifi모듈과 스마트 폰 사이의 거리측정을 하고 Wifi Access Point를 가지고 둘 간의 각도를 측정한 뒤 사용자의 위치를 알아낸다^[1]. 또한 여러 개의 레이저 센서를 이용해 실시간으로 물체를 추적하는 방법도 존재한다^[2].
실험은 3가지 환경에서 수행하였다. 먼저 RSSI에 대해 필터링과정을 거치지 않고 ANN학습을 시킨 모델, RSSI에 Kalman Filter 와 Signal Stabilization Filter를 적용시킨 후 ANN학습을 시킨 모델, 마지막은 본 논문에서 제안하는 Adaptive ANN 학습 모델이 된다. 아래의 표 1·2는 각각의 모델들의 error를 0.
실험에서는 BTnode sensor^[10]를 사용하는 로봇을 제작하여 진행하였다. 먼저 블루투스의 RSSI(Received Signal Strength Indication)특성을 알기위해 데이터를 수집하고 분포를 보았다. 이를 통해 RSSI 신호가 동일한 조건에서도 강하게 변한다는 것을 확인하였다.
이번 단계에서는 preprocessing을 거쳐서 산출된 Cleaned Data를 가지고 인공신경망 구조를 설계하고 tensorflow를 사용해 기계 학습하는 과정을 거쳐 모델을 생성한다. 학습은 다음과 같이 거리 별로 3가지 카테고리를 나누어 진행하였다.
인공신경망 구조는 Input Layer, Hidden Layer, Output Layer를 설계하고 각각의 활성화 함수를 정해주었다. Input Layer는 비콘의 Txpower와 RSSI데이터로 2가지 데이터가 해당하고 Output Layer는 예측된 거리 데이터로 1개로 구성되었다.
이 과정을 통해 거리 단위별 ANN 모델이 생성되고 이들은 각각 거리별로 특화된 모델이 된다. 제안하는 ANN기반 적응형 거리측정을 수행하고 검증하는 과정을 수행한다.
본 논문에서는 비콘을 사용한 실내 위치 인식의 정확도를 높이기 위해 필터링과정과 적응형 인공신경망을 고안하였다. 제안하는 기법은 기존의 실내 위치 추정 기법 중 ANN 학습방법에서 더 나아가 거리 범위별로 특화된 인공신경망을 적용시키는 ANN기반 적응형 거리측정을 제안한다. 이를 통해 7m이내의 거리에서 동일한 필터를 적용한 ANN모델의 결과보다 약 0.

대상 데이터

각 Model단위마다 약 1000개 정도의 데이터를 수집하였고 수집한 전체 Data 약 3000개 중 Training Data는 60%, Testing Data는 40%로 정하였다. 실험은 3가지 환경에서 수행하였다.
실험에 사용한 비콘의 TxPower는 –61로 고정되어있으며 수신기기는 Samsung Galaxy S3 제품을 사용하였다. 비콘과 수신기기 사이의 거리는 3.2절에서 정의한 모델처럼 0.5m에서 시작하여 0.5m간격으로 7m까지 점차 거리를 넓혀가며 데이터를 수집하였다. 스마트 기기에서 수집되는 데이터로는 측정시각, 초기 RSSI와 필터링 된 RSSI가 된다.
무선 LAN의 다중경로 전파효과가 RSS를 예측할 수 없는 방식으로 변동시켜 위치추정을 신뢰할 수 없게 만드는데 실생활에서는 RSS를 사용할 수 없는 지역도 존재하여 더욱 문제가 된다. 실험데이터는 세 지점의 Access Points(AP)에서 수집되는데 이 중 신호의 가시성을 보고 희박한 위치의 데이터는 제거하게 된다. 세 개의 AP 중 어느 AP의 데이터가 제거되느냐에 따라 적용되는 MLP가 다르게 된다.
실험에 사용한 비콘의 TxPower는 –61로 고정되어있으며 수신기기는 Samsung Galaxy S3 제품을 사용하였다.
세 개의 AP 중 어느 AP의 데이터가 제거되느냐에 따라 적용되는 MLP가 다르게 된다. 실험에는 WiFi 신호를 사용하였고, 가장 좋은 결과를 나타낸 인공신경망 구조는 3-8-8-1, Hidden Layer의 Transfer function은 Logsig이다. 평균오차는 0.
은 무선센서 네트워크에서 위치 추정문제를 해결하고자 통계적 방법을 기반으로 접근하고 인공신경망을 사용하여 거리를 추정하였다. 실험에서는 BTnode sensor^[10]를 사용하는 로봇을 제작하여 진행하였다. 먼저 블루투스의 RSSI(Received Signal Strength Indication)특성을 알기위해 데이터를 수집하고 분포를 보았다.
기계학습은 Encog Machine Learning Framework를 사용하여 진행하였고 Ahmad^[5]의 인공신경망 구조를 참고하여 인공신경망의 Input Layer, Hidden Layer, Output Layer의 파라미터 수를 결정하였다. 실험은 긴 복도에 4m간격으로 9개의 비콘을 설치하였다. 가장 좋은 결과를 보여준 인공신경망 구조는 9-15-15-2이며 Transfer function은 Log를 사용하였다.

데이터처리

precision값은 3m Model의 경우에 error가 0.2이면 실제거리가 0.5m^~3m에서 예측치가 0.3m^~3.2m 이내로 나온 데이터의 수를 True Positive(TP)로 계산하였다. 반면 실제거리가 3.
2m 이내로 나온 데이터의 수를 True Positive(TP)로 계산하였다. 반면 실제거리가 3.5m 이상인데 예측치가 0.3m^~3.2m범위로 나온 데이터의 수는 False Positive(FP)로 계산하여 표 1과 같이 precision= TP/(TP+FP)을 구하였다.

이론/모형

는 비콘을 사용한 실내 위치측위의 정확도를 높이기 위해 인공신경망을 고안하여 x, y의 위치 좌표를 산출하였다. 기계학습은 Encog Machine Learning Framework를 사용하여 진행하였고 Ahmad^[5]의 인공신경망 구조를 참고하여 인공신경망의 Input Layer, Hidden Layer, Output Layer의 파라미터 수를 결정하였다. 실험은 긴 복도에 4m간격으로 9개의 비콘을 설치하였다.
산출된 회귀 식으로 인공신경망 학습을 한다. 최종 측정에는 삼변측량(Trilateration)기법을 사용하여 실내 위치 추정을 하였다. 가장 좋은 케이스의 결과는 평균 오차가 0.

성능/효과

최종 측정에는 삼변측량(Trilateration)기법을 사용하여 실내 위치 추정을 하였다. 가장 좋은 케이스의 결과는 평균 오차가 0.5m이하로 기록되었다.
표 1을 보면 전체적으로 Adaptive ANN모델의 precision이 높게 나온 것을 확인할 수 있다. 따라서 제안한 모델의 예측은 필터가 적용되지 않은 ANN모델이나 필터가 적용된 ANN모델보다 정확한 것을 볼 수 있다.
제안하는 기법은 기존의 실내 위치 추정 기법 중 ANN 학습방법에서 더 나아가 거리 범위별로 특화된 인공신경망을 적용시키는 ANN기반 적응형 거리측정을 제안한다. 이를 통해 7m이내의 거리에서 동일한 필터를 적용한 ANN모델의 결과보다 약 0.34m의 오차를 개선하였으며, 평균 0.78의 precision을 달성하였다. 향후 비콘을 사용한 더 정확한 실내위치 인식을 위한 연구를 진행할 예정이다.
먼저 블루투스의 RSSI(Received Signal Strength Indication)특성을 알기위해 데이터를 수집하고 분포를 보았다. 이를 통해 RSSI 신호가 동일한 조건에서도 강하게 변한다는 것을 확인하였다. 빈번하게 변동하는 RSSI에 smoothness를 위한 과정을 거치고 나온 데이터를 가지고 선형 회귀를 하게 된다.

후속연구

78의 precision을 달성하였다. 향후 비콘을 사용한 더 정확한 실내위치 인식을 위한 연구를 진행할 예정이다.

질의응답

핵심어	질문	논문에서 추출한 답변
	비콘은 어떠한 기술을 사용하는가?	저전력 블루투스(BLE; Bluetooth Low Energy) 기술을 사용한 비콘은 실외에서만 위치 측위가 가능한 GPS(Global Positioning System)와 달리 실내에서도 위치 파악이 가능하다. 비콘을 사용한 실내 거리 측정에는 RSSI(Received Signal Strength Indication)값이 핵심 요소인데 그에 반해 RSSI값은 여러 환경요소로부터 영향을 받기 때문에 예측된 거리와 실제 거리의 오차가 크게 나타난다.
	비콘을 사용한 ANN 기반 적응형 거리 측정을 제안하게 된 이유는 무엇인가?	저전력 블루투스(BLE; Bluetooth Low Energy) 기술을 사용한 비콘은 실외에서만 위치 측위가 가능한 GPS(Global Positioning System)와 달리 실내에서도 위치 파악이 가능하다. 비콘을 사용한 실내 거리 측정에는 RSSI(Received Signal Strength Indication)값이 핵심 요소인데 그에 반해 RSSI값은 여러 환경요소로부터 영향을 받기 때문에 예측된 거리와 실제 거리의 오차가 크게 나타난다. 이러한 이슈를 다루기 위해 비콘을 사용한 ANN(Artificial Neural Network)기반 적응형 거리 측정을 제안한다.
	2.4GHz를 사용하는 비콘의 RSSI 값이 정확하지 않은 이유는 무엇인가?	그러나 2.4GHz를 사용하는 비콘의 RSSI(Received Signal Strength Indication)값은 여러 환경요소로부터 영향을 받기 때문에 RSSI값을 기반으로 한 거리 측정값이 정확하지 않다[3].

참고문헌 (12)

Chouchang Yang, Huai-Rong Shao,"WiFi-based indoor positioning", IEEE Communications Magazine 2015, 53(3): pp150-157 DOI: https://doi.org/10.1109/MCOM.2015.7060497
A. Fod, A. Howard, and M. J. Mataric, "A laser-based people tracker," in Proc. ICRA, 2002. DOI: https://doi.org/10.1109/ROBOT.2002.1013691
Hyung-Seo Kang, In-Soo Koo, "Beacon Node Based Localization Algorithm Using Received Signal Strength(RSS) and Path Loss Calibration for Wireless Sensor Networks", The Journal of The Institute if Webcasting, Internet and Telecommunication, Vol. 11, No. 1, pp. 15-22, Feb. 2011.
F. Mazan, A. Kovarova: "Optimizing Artificial Neural Network for Beacon Based Indoor Localization," CompSysTech 2016 Pages 261-268, DOI: https://doi.org/10.1145/2983468.2983515
Ahmad, U., Gavrilov, A. and Lee, S. "In-building localization using neural networks." IEEE International Conference on Engineering of Intelligent Systems(2006), IEEE, pp. 1-6. DOI: https://doi.org/10.1109/iceis.2006.1703135
R. Kalman, "A new approach to linear filtering and prediction problems," Trans. ASME, J. Basic Eng., vol. 82, pp. 35-45, Mar. 1960. DOI: https://doi.org/10.1109/9780470544334.ch9
Sun-jo Kwon, Hyeon-tae Kim, Chang-uk Ahn, "A study on the correction algorithm for signal stabilization of bluetooth beacon", korea institute of communication sciences 2016, pp298-299
Marisa Moody. 2015. "Analysis of Promising Beacon Technology for Consumers." Elon Journal of Undergraduate Research in Communications 6, 1 (2015).
A. Awad, T. Frunzke, and F. Dressler, "Adaptive distance estimation and localization in WSN using RSSI measures," in Proc. 10th Euromicro Conf. Digital Syst. Des. Architectures, Methods Tools (DSD), 2007, pp. 471-478. DOI: https://doi.org/10.1109/dsd.2007.4341511
[Online]. Available: http://btnode.ethz.ch/
Young-Ho Song, In-Hwan Kim, Soo-Young Shin, Hyun-Sik Ahn, Gu-Min Jeong, "Capacity Analysis of Bluetooth Access Point for Location Based Service with Mobile Phones and Bluetooth", The Journal of The Institute of Internet, Broadcasting and Communication, Vol. 10 No. 5, pp 187-192, Oct 2010. DOI: https://doi.org/10.5370/jeet.2013.8.1.183
Hyung-Seo Kang, In-Soo Koo, "Beacon Node Based Localization Algorithm Using Received Signal Strength(RSS) and Path Loss Calibration for Wireless Sensor Networks", The Journal of The Institute of Internet, Broadcasting and Communication, VOL. 11 No. 1, pp.15-21, Feb 2011. DOI: http://www.riss.kr/link?idA82610964

저자의 다른 논문 :

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