[논문]지자기데이터를 이용한 응급대피용 핑거프린트 위치 추정에 관한 연구

진혜명; 장정환; 장청윤; 조용철; 이창호

doi:10.12812/ksms.2019.21.4.059

지자기데이터를 이용한 응급대피용 핑거프린트 위치 추정에 관한 연구
A Study on the Fingerprint Location Determination using Smartphone Geomagnetic Data For Emergency Evacuation 원문보기

대한안전경영과학회지 = Journal of the Korea safety management & science, v.21 no.4, 2019년, pp.59 - 65

진혜명 (인하대학교 산업경영공학과) , 장정환 (아이비즈시스템즈) , 장청윤 (아이비즈시스템즈) , 조용철 (한국항만연수원 인천연수원) , 이창호 (인하대학교 산업경영공학과)

Abstract ▼ AI-Helper

The Location Based Service is growing rapidly nowadays due to the universalization of the use for smartphone, therefore the location determination technology has been placed in an important position. This study suggests a method that can provide the estimate of users' location by using PDR method and smartphone geomagnetic sensor data. This method assists the measure of enhancing the accuracy of indoor localization. Moreover, it is to study ways to provide the exact indoor layout for evacuating the workers in emergency such as fires and natural disasters.

주제어

표/그림 (10)

그림 [Figure 1] Accumulated Errors in the PDR Technique (a) and Calibration Results (b)
그림 [Figure 2] Error of PDR method in user's movement path
그림 [Figure 3] Schematic Diagram of Errors Correction by User Distinction and Creation of Errors Correction Reference Point
그림 [Figure 4] Positioning points of RP1-RP25 in the Test 1
표 Test 1 Result
그림 [Figure 5] Positioning Points of RP1-RP13 in the Test 2
그림 [Figure 6] Algorithm of an Administrator
표 8 Test Environments
표 Position Recognition Accuracy Results for Each Test Environment of Test 2 NN Method
그림 [Figure 7] Algorithm of a Visitor

AI 본문요약
AI-Helper

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

문제 정의

따라서 본 논문에서는 실내 측위의 정확도를 높여 사용자의 실시간 위치와 이동경로를 정확히 파악하기 위해 사용자 센서 기반의 PDR 기법과 지자기맵을 활용한 방법을연구하였다.
그러나 주변 환경의 영향을 받는 특성이 있다. 본 논문에서도 여러 테스트를 통해 유동인구, 금속물체, 전력을 사용하는 장비나 가전제품 등에 영향을 받는것을 확인하였다. 따라서 주변 환경의 영향을 받아도 특정 위치의 지자기 데이터라고 명확히 구분될 수 있는 조건을테스트 하였다.
앵커는Wi-Fi 모듈이 포함되어 있다. 이 시스템은 IMU, UWB시스템의 데이터를 병합하여 센서 융합 방식을 기반으로하고, 위치 인식 및 보정 시 PDR, UWB 데이터를 모두활용하여 전체 시스템을 향상시키고자 한다. 포지셔닝 구성에서 내비게이션 객체는 신호를 기준점으로 무선 신호로 전송하며 객체로부터의 거리를 정의하고 위치 결정 알고리즘이 객체의 위치를 결정하여 고정 앵커는 결과를 전송한다.

제안 방법

1차 테스트에서는 [Figure 4]와 같이 한 개의 RP를 정사각형 바닥 타일 50cm × 50cm 간격으로 설정하여가로로 5개, 세로로 5개 배열하여 총 25개의 RP를 구성하여 지자기 핑거프린트 테스트를 진행하였다.
2차 테스트는 [Figure 5]와 같이 RP간의 사이를 멀리떨어뜨리고 관리자가 복도에서 각방의 문 앞에서 정지하였을 때 트레이닝 데이터를 수집한다는 시나리오를 설정하여 진행하였다.
또한 신호 강도가 감소할 수 있는 길고 좁은 복도에서는RSSI 거리 측정 방법을 선택하여 포지셔닝 정확도를 높이고 복잡한 계산 과정을 줄일 수 있다. KNN 알고리즘을사용하여 실시간으로 측정된 RSSI 값을 위치 핑거프린트데이터와 일치시켜 일치도가 가장 높은 지점을 Wi-Fi 앵커포인트로 간주한다. PDR에 의해 얻은 앵커포인트의 가중 평균을 계산하는 방법과 앵커포인트 보정을 위해Wi-Fi 위치 지정 방법으로 계산된 앵커포인트를 채택하고, 두 앵커포인트의 절대 거리에 따라 비례계수를 결정하여 계산하였다[4].
Ke hu는 다중 센서 융합을 이용한 위치 결정 방법에따라 속도 추적을 이용하고, WiFi 보정 방법과 PDR 알고리즘을 결합하여 위치 결정 정확도를 높이는 방법을 연구하였다. 연구 결과를 통해 WiFi 및 PDR 단일의 방법에 비해 위치 결정 정확도가 향상되었음을 확인하였다.
PDR 기법의 문제점인 오차 누적 문제를 해결하기 위해사용자를 관리자, 입주자, 방문자로 분류하여 사용 주체가상호보완적으로 오차 보정 기준점을 개선하는 방법을 적용하였다. 관리자는 핑거프린트 방법에서 RP를 생성하고해당 RP 고유의 데이터를 수집하는 트레이닝 단계를 진행하여 지자기 핑거프린트 맵을 구축하였다.
KNN 알고리즘을사용하여 실시간으로 측정된 RSSI 값을 위치 핑거프린트데이터와 일치시켜 일치도가 가장 높은 지점을 Wi-Fi 앵커포인트로 간주한다. PDR에 의해 얻은 앵커포인트의 가중 평균을 계산하는 방법과 앵커포인트 보정을 위해Wi-Fi 위치 지정 방법으로 계산된 앵커포인트를 채택하고, 두 앵커포인트의 절대 거리에 따라 비례계수를 결정하여 계산하였다[4].
PDR 기법의 문제점인 오차 누적 문제를 해결하기 위해사용자를 관리자, 입주자, 방문자로 분류하여 사용 주체가상호보완적으로 오차 보정 기준점을 개선하는 방법을 적용하였다. 관리자는 핑거프린트 방법에서 RP를 생성하고해당 RP 고유의 데이터를 수집하는 트레이닝 단계를 진행하여 지자기 핑거프린트 맵을 구축하였다. 사용자는 구축된 지자기 핑거프린트 맵과 현재 사용자 위치의 지자기 데이터를 비교하여 위치를 확인할 수 있다.
그러나 지자기 핑거프린트의 정확도가 높아야 PDR로 측정된 위치 보정이 가능하기 때문에 테스트를 통해 지자기 핑거프린트 방법의 정확도를 확인하였다.
이후 RP 간격을 넓혀 테스트한 결과 약 90%로 높은 정확도를 보이는 것을 확인하였다. 따라서 본 논문에서 제안하는 PDR 기법의 오차 보정 방안으로 활용이 가능하다고 판단하여 PDR 기법과 지자기 핑거프린트 기법을 적용한 알고리즘을 제안한다.
따라서 주변 환경의 영향을 받아도 특정 위치의 지자기 데이터라고 명확히 구분될 수 있는 조건을테스트 하였다.
관리자가 구축한 지자기 핑거프린트 맵으로 측위가 가능하고 정확도 또한 100%에 가까울 정도로 높기 때문에 PDR 방법으로 측정된 위치를 보정하는 것이 가능한 것을 확인하였다. 따라서 지자기 핑거프린트를 활용한 PDR 방법의 오차 보정 알고리즘을 관리자와 방문자로 구분하여 구성하였다.
본 논문에서 제안하는 오차 보정 방법은 [Figure 3]과 같이 사용자를 관리자, 입주자, 방문자로 분류하여 사용주체가 상호보완적으로 오차 보정 기준점을 개선하는 방법을 적용한다.
이를 위해 연구가 수행되는 장소를 학교 내의 건물로 한정하고 실내에서 이루어지는 업무에 따라 사용자들을관리자와 방문자로 분류하여 행동 패턴을 분석하였다.
복도에서 강의실 및 연구실 문 앞 중앙 지점을 RP1~13으로 총 13개의 RP를 설정하고 RP 간의 간격을 약3m~7m로 설정하여 지자기 데이터를 수집하였다. 이틀동안 실험을 진행하였으며, 주변 환경의 영향을 좀 더 명확히 파악하기 위해 다양한 조건으로 테스트 하였다. 테스트 조건은 테스트 날짜와 사람이 스마트폰을 소지하였을경우와 삼각대에 부착할 경우, 스마트폰의 센서를 모두 켤경우와 지자기 센서만 켤 경우와 같은 조건을 조합하여 8가지의 조건으로 나누어 테스트 하였다.
이틀동안 실험을 진행하였으며, 주변 환경의 영향을 좀 더 명확히 파악하기 위해 다양한 조건으로 테스트 하였다. 테스트 조건은 테스트 날짜와 사람이 스마트폰을 소지하였을경우와 삼각대에 부착할 경우, 스마트폰의 센서를 모두 켤경우와 지자기 센서만 켤 경우와 같은 조건을 조합하여 8가지의 조건으로 나누어 테스트 하였다. 8가지의 테스트조건은 [Table 2]와 같다.
스마트폰SM-A530N으로 Sensor Kinetics Pro를 이용하여 손에들고 각 RP의 셀 중앙에서 지자기 센서 값을 수집하였다. 트레이닝 데이터는 5초 간 수집하였고, 포지셔닝 데이터는 3초간 수집하였다.

대상 데이터

복도에서 강의실 및 연구실 문 앞 중앙 지점을 RP1~13으로 총 13개의 RP를 설정하고 RP 간의 간격을 약3m~7m로 설정하여 지자기 데이터를 수집하였다. 이틀동안 실험을 진행하였으며, 주변 환경의 영향을 좀 더 명확히 파악하기 위해 다양한 조건으로 테스트 하였다.
1차 테스트에서는 [Figure 4]와 같이 한 개의 RP를 정사각형 바닥 타일 50cm × 50cm 간격으로 설정하여가로로 5개, 세로로 5개 배열하여 총 25개의 RP를 구성하여 지자기 핑거프린트 테스트를 진행하였다. 스마트폰SM-A530N으로 Sensor Kinetics Pro를 이용하여 손에들고 각 RP의 셀 중앙에서 지자기 센서 값을 수집하였다. 트레이닝 데이터는 5초 간 수집하였고, 포지셔닝 데이터는 3초간 수집하였다.
테스트는 총 3번 하였고, 각기 다른 날짜에 트레이닝데이터와 포지셔닝 데이터를 수집하여 분석하였다.

이론/모형

결과를 분석할 때 RP간의 간격이 3~7m이기 때문에 사용자의 위치 후보군 k 간의 간격이 최대 수십m까지 벌어질 수 있기 때문에 핑거프린트 기법 중 NN 방법만을 활용하였다.
관리자 위치 추정을 할 때는 PDR 방법으로 이동 경로를 계산한다. 그러나 방향전환이 일어나며 오차가 발생하는데, 이러한 오차는 관리자가 구축한 지자기 핑거프린트맵과 사용자의 위치에서 수집되는 지자기 데이터와 비교하여 최종 위치를 보정한다.
핑거프린트는 미리 설정한 구역에서 신호를 파악하여 데이터베이스에 저장하는 학습(Training) 단계와 학습 단계에서 구축한 DB를 토대로 객체의 위치를 결정하는 위치결정(Positioning) 단계로 구성되어 있다. 실험 분석에는 결정론적 알고리즘을 적용한다. 결정론적 알고리즘은 다수의AP에서 나오는 신호 세기를 설정해놓은 RP에서 측정하여 측정값들을 DB에 저장한 후 사용자가 수집한 신호 세기 정보와 유클리드 거리를 비교하여 가장 작은 값을 가지는 RP의 좌표를 사용자의 위치로 추정하는 방법이다[3].

성능/효과

1차 테스트를 통해 RP 간의 사이가 가까울 경우 지자기데이터로는 구분하기 어려운 것을 확인하였고 주변 환경의 영향 또한 큰 것을 확인하였다.
측위 정확도는 1차 테스트에 비해 매우 높은 정확도의 결과를 보여 주었다. 8가지 조건에서의 결과를 보면 스마트폰의 고정방법이나 타 센서의 영향이 있어 보이지만RP 간의 간격이 충분히 떨어져 있다면 큰 영향은 없는 것으로 판단하였다.
관리자가 구축한 지자기 핑거프린트 맵으로 측위가 가능하고 정확도 또한 100%에 가까울 정도로 높기 때문에 PDR 방법으로 측정된 위치를 보정하는 것이 가능한 것을 확인하였다. 따라서 지자기 핑거프린트를 활용한 PDR 방법의 오차 보정 알고리즘을 관리자와 방문자로 구분하여 구성하였다.
관리자는 보안 요원으로 특정하고 실내에서 일정 시간간격으로 매번 유사한 이동 경로를 거치고 넓은 범위를 이동하며 업무를 수행하는 주체로 정의하였다. 스마트폰을소지하고 있다고 가정하여 분석한 결과 실제 인터뷰와 관찰을 통하여 특정 시간에 일정한 경로로 이동하는 것을 파악하였고, 방 안쪽에서의 이동은 거의 없었으며, 복도에서각각의 방문을 확인하는 행동 패턴을 보였다.
Ke hu는 다중 센서 융합을 이용한 위치 결정 방법에따라 속도 추적을 이용하고, WiFi 보정 방법과 PDR 알고리즘을 결합하여 위치 결정 정확도를 높이는 방법을 연구하였다. 연구 결과를 통해 WiFi 및 PDR 단일의 방법에 비해 위치 결정 정확도가 향상되었음을 확인하였다. 보폭계산 시 실시간으로 보폭을 정확히 계산함으로써 포지셔닝 과정에서 발생하는 누적 오류를 감소시킬 수 있다.
지자기맵을 구축하기 전에 측위 정확도가 높은 RP 구성을 위한 테스트를실시하여 RP 사이의 거리가 가까우면 정확도가 낮게 나타나는 것을 확인하였다. 이후 RP 간격을 넓혀 테스트한 결과 약 90%로 높은 정확도를 보이는 것을 확인하였다. 따라서 본 논문에서 제안하는 PDR 기법의 오차 보정 방안으로 활용이 가능하다고 판단하여 PDR 기법과 지자기 핑거프린트 기법을 적용한 알고리즘을 제안한다.
사용자는 구축된 지자기 핑거프린트 맵과 현재 사용자 위치의 지자기 데이터를 비교하여 위치를 확인할 수 있다. 지자기맵을 구축하기 전에 측위 정확도가 높은 RP 구성을 위한 테스트를실시하여 RP 사이의 거리가 가까우면 정확도가 낮게 나타나는 것을 확인하였다. 이후 RP 간격을 넓혀 테스트한 결과 약 90%로 높은 정확도를 보이는 것을 확인하였다.
2차 지자기 핑거프린트 방법의 정확도는 [Table 3]과같다. 측위 정확도는 1차 테스트에 비해 매우 높은 정확도의 결과를 보여 주었다. 8가지 조건에서의 결과를 보면 스마트폰의 고정방법이나 타 센서의 영향이 있어 보이지만RP 간의 간격이 충분히 떨어져 있다면 큰 영향은 없는 것으로 판단하였다.
1차 테스트에서 지자기 핑거프린트 방법의 정확도는[Table 1]과 같다. 측위 정확도는 동일한 날짜에 비슷한시간에 트레이닝 데이터와 포지셔닝 데이터를 수집하였을때만 정확도가 96%로 높게 나왔고 데이터 수집 날짜가다를 경우에는 0~4% 정확도를 보였으며 평균적으로 2.4m의 오차를 보였다.

후속연구

향후 연구로 본 논문에서 제시하는 알고리즘을 반영한테스트를 진행할 예정이다.

질의응답

핵심어	질문	논문에서 추출한 답변
	실내 측위기술의 한계는 무엇인가?	실내 측위기술은 GPS 사용이 불가능한 한계로 인해 Wi-Fi, 블루투스와 같은 전파를 이용한 방법이나 사용자가 소지한 관성, 회전, 가속도, 지자기 센서 등을 이용한방법을 주로 사용한다.
	PDR 방법으로 이동 경로를 계산할 때 오차를 보정하는 법은 무엇인가?	관리자 위치 추정을 할 때는 PDR 방법으로 이동 경로를 계산한다. 그러나 방향전환이 일어나며 오차가 발생하는데, 이러한 오차는 관리자가 구축한 지자기 핑거프린트맵과 사용자의 위치에서 수집되는 지자기 데이터와 비교하여 최종 위치를 보정한다.
	핑거프린트 방법은 무엇인가?	핑거프린트 방법은 AP가 설치된 환경에서 AP와 통신이 가능한 단말기를 가진 사용자가 진입하여 AP의 신호세기를 확인하고 이를 토대로 데이터베이스에 미리 저장되어 있는 참조 지점인 RP(Reference Point)의 좌표와 RP에서 나오는 신호세기와 비교하여 가장 유사한 값을 가지는 RP를 사용자의 위치를 추정하는 방법이다. 핑거프린트는 미리 설정한 구역에서 신호를 파악하여 데이터베이스에 저장하는 학습(Training) 단계와 학습 단계에서 구축한 DB를 토대로 객체의 위치를 결정하는 위치결정(Positioning) 단계로 구성되어 있다.

참고문헌 (13)

B. Li, Y. Wang, H. K. Lee, A. Dempster, C. Rizos(2005), "Method for yielding a database of location Fingerprints in WLAN." IEE Proceedings Communications, 152(5):580-586.

상세보기
H. Benzerrouk, A. Nebylov, H. Salhi, P. Closas (2014), "MEMS IMU/ZUPT Based Cubature Kalman Filter applied to Pedestrian Navigation System." Conference Proceedings Paper - Sensors and Applications.
H. Lemelson, T. King, W. Effelsberg(2008), "Pre-processing of Fingerprints to Improve the Positioning Accuracy of 802.11-based Positioning Systems." MELT '08 Proceedings of the first ACM international workshop on Mobile entity localization and tracking in GPS-less environments.
K. Hu, X. Y. Liao, M. Yu(2015), "Research on Indoor Localization Method Based on PDR and WiFi." 10th International Conference on Wireless Communications, Networking and Mobile Computing (WiCOM 2014), 2015.06
L. Giarre, F. Pascucci, et al(2018), "Improved PDR Localization via UWB-anchor based on-line calibration." 2018 IEEE 4th International Forum on Research and Technology for Society and Industry (RTSI).
L. Ojeda, J. Borenstein(2007), "Non-GPS Navigation for Security Personnel and First Responders." Journal of Navigation, 60(3):391-407.

상세보기
N. Swangmuang, P. Krishnamurthy(2008), "Location Fingerprint Analyses Toward Efficient Indoor Positioning." 2008 Sixth Annual IEEE International Conference on Pervasive Computing and Communications (PerCom).
S. B. Chun, S. Lim, M. S. Lee, M. B. Heo(2013), "Indoor Location Tracking for First Responders using Data Network." The Journal of Advanced Navigation Technology, 17(6):810-815.

원문보기 상세보기
S. C. Spinella, A. Iera, A. Molinaro(2010), "On Potentials and Limitations of a Hybrid WLAN-RFID Indoor Positioning Technique." International Journal of Navigation and Observation, 2010:397467.
S. Shahidi, S. Valaee(2015), "GIPSy: Geomagnetic indoor positioning system for smartphones." 2015 International Conference on Indoor Positioning and Indoor Navigation (IPIN).
T. Lin, P. Lin(2005), "Performance Comparison of Indoor Positioning Techniques based on Location Fingerprinting in Wireless Networks." 2005 International Conference on Wireless Networks, Communications and Mobile Computing.
Y. Yun, N. Kim, J. H. Choi, J. H. Park, D. H. An, Y. Kim(2016), "Study on Trend Analysis of Indoor Evacuation Path Guidance System for Disaster Situation." Journal of the Korea Society of Disaster Information, 12(2):130-135

원문보기 상세보기
Q. Yu(2019), "A Study on the Indoor Location Determination using Smartphone Sensor Data For Emergency Evacuation." Journal of Korea Safety Management & Science, 21.

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