본 논문에서는 초광대역 (Ultra-wideband, UWB) 시스템에서 실내 위치 측위를 위한 새로운 거리 추정 기법을 제안한다. 제안하는 기법은 딥러닝 기법 중 하나인 순환 신경망 (RNN)을 기반으로 한다. 순환신경망은 시계열 신호를 처리하는데 유용한데 UWB 신호 역시 시계열 데이터로 볼 수 있기 때문에 순환신경망을 사용한다. 구체적으로, UWB 신호가 IEEE 802.15.4a 실내 채널모델을 통과하고 수신된 신호에서 순환신경망 회귀를 통해 송신기와 수신기 사이의 거리를 추정하도록 학습한다. 이렇게 학습된 순환신경망 모델의 성능은 새로운 수신신호를 이용하여 검증하며 기존의 임계값 기반의 거리 추정 기법과도 비교한다. 성능지표로는 제곱근 평균추정에러 (root mean square error, RMSE)를 사용한다. 컴퓨터 모의실험 결과에 따르면 제안하는 거리 추정 기법은 수신신호의 신호 대 잡음비 (signal to noise ratio, SNR) 및 송수신기 사이의 거리와 상관없이 기존 기법보다 항상 월등히 우수한 성능을 보인다.
본 논문에서는 초광대역 (Ultra-wideband, UWB) 시스템에서 실내 위치 측위를 위한 새로운 거리 추정 기법을 제안한다. 제안하는 기법은 딥러닝 기법 중 하나인 순환 신경망 (RNN)을 기반으로 한다. 순환신경망은 시계열 신호를 처리하는데 유용한데 UWB 신호 역시 시계열 데이터로 볼 수 있기 때문에 순환신경망을 사용한다. 구체적으로, UWB 신호가 IEEE 802.15.4a 실내 채널모델을 통과하고 수신된 신호에서 순환신경망 회귀를 통해 송신기와 수신기 사이의 거리를 추정하도록 학습한다. 이렇게 학습된 순환신경망 모델의 성능은 새로운 수신신호를 이용하여 검증하며 기존의 임계값 기반의 거리 추정 기법과도 비교한다. 성능지표로는 제곱근 평균추정에러 (root mean square error, RMSE)를 사용한다. 컴퓨터 모의실험 결과에 따르면 제안하는 거리 추정 기법은 수신신호의 신호 대 잡음비 (signal to noise ratio, SNR) 및 송수신기 사이의 거리와 상관없이 기존 기법보다 항상 월등히 우수한 성능을 보인다.
This paper proposes a new distance estimation technique for indoor localization in ultra wideband (UWB) systems. The proposed technique is based on recurrent neural network (RNN), one of the deep learning methods. The RNN is known to be useful to deal with time series data, and since UWB signals can...
This paper proposes a new distance estimation technique for indoor localization in ultra wideband (UWB) systems. The proposed technique is based on recurrent neural network (RNN), one of the deep learning methods. The RNN is known to be useful to deal with time series data, and since UWB signals can be seen as a time series data, RNN is employed in this paper. Specifically, the transmitted UWB signal passes through IEEE802.15.4a indoor channel model, and from the received signal, the RNN regressor is trained to estimate the distance from the transmitter to the receiver. To verify the performance of the trained RNN regressor, new received UWB signals are used and the conventional threshold based technique is also compared. For the performance measure, root mean square error (RMSE) is assessed. According to the computer simulation results, the proposed distance estimator is always much better than the conventional technique in all signal-to-noise ratios and distances between the transmitter and the receiver.
This paper proposes a new distance estimation technique for indoor localization in ultra wideband (UWB) systems. The proposed technique is based on recurrent neural network (RNN), one of the deep learning methods. The RNN is known to be useful to deal with time series data, and since UWB signals can be seen as a time series data, RNN is employed in this paper. Specifically, the transmitted UWB signal passes through IEEE802.15.4a indoor channel model, and from the received signal, the RNN regressor is trained to estimate the distance from the transmitter to the receiver. To verify the performance of the trained RNN regressor, new received UWB signals are used and the conventional threshold based technique is also compared. For the performance measure, root mean square error (RMSE) is assessed. According to the computer simulation results, the proposed distance estimator is always much better than the conventional technique in all signal-to-noise ratios and distances between the transmitter and the receiver.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
[10]. 본 논문에서는 LSTM (long short term memory) 셀로 구성된 순환신경망을 사용하여 거리를 추정하는 기법을 제안한다. 제안하는 순환신경망의 입력으로는 수신된 UWB 신호의 크기 제곱을 사용한다.
본 논문에서는 UWB 시스템에서 실내 위치 측위를 위한 순환신경망 기반의 새로운 거리 추정 기법을 제안하였다. 제안기법은 수신신호 이외의 어떠한 사전정보도 필요치 않으므로 사용이 간단하다.
본 논문에서는 다양한 신호들 중에서 UWB 신호를 이용한 측위 시스템을 고려한다. UWB 시스템은 기존통신 스펙트럼과 비교할 때 500 MHz 이상의 훨씬 넒 은 대역폭을 사용하며 낮은 전력 밀도로 정보를 전송하는 근거리 무선 통신 기술이다 [6].
본 논문에서도 UWB 신호를 이용한 새로운 송수신기 사이의 거리 추정기법을 제안하다. 구체적으로 딥러닝 기법 중 하나인 순환 신경망을 이용하여 거리를 추정한다.
본 절에서는 기존의 거리 추정 기법들 중 비교적 우수한 성능으로 널리 사용되는 문턱값 기반의 거리 추정 기법에 대해 설명한다. 송신 UWB 펄스를 라고 하면 다중경로 채널을 통과한 후 잡음이 더해져 수신된 수신 신호 는 다음과 같이 쓸 수 있다.
여기에서 는 양의 정수값으로 성능을 결정하는 중요한 값으로 본 논문에서는 실험을 통해 SNR 별로 최적의 값을 찾는다. ToA는 수신된 신호의 전력이 를 초과하는 첫 번째 도착 샘플을 식별함으로써 추정할 수 있다.
가설 설정
이중 ToA 추정 방식은 서로 다른 3개 이상의 위치에서 ToA를 수집하여 송신기의 위치를 추정한다. 이때, 수신기들의 위치는 정확히 알려져 있다고 가정하며 삼각 측량법을 통해 송신기의 위치를 추정한다. [9].
제안 방법
먼저 제안하는 순환신경망의 학습을 수행한다. 학습을 위한 데이터로는 2 ~ 20 m 범위에서 무작위 거리와 10 ~ 30 dB 범위에서 무작위 SNR을 가지는 100, 000개의 신호를 생성하여 사용한다.
그림 3에 나타냈듯이 LSTM 셀의 첫 번째 입력은 ⋯이고 다음 입력은 ⋯이고 이런식으로 개의 벡터가 입력된다. 본 논문에서 제안하는 순환신경망은 64개의 LSTM 셀로 구성하였다. 맨 마지막 벡터가 입력된 후 출력 은 추정하고자 하는 송수신기 사이의 거리이다.
대상 데이터
는 전체 테스트 신호의 개수이다. 성능 검증을 위한 테스트 데이터는 SNR 10~30 dB 범위에서 2 dB 간격으로 각 SNR마다 = 22,000 개의 신호를 생성하여 사용한다. 테스트 데이터 생성 시 거리는 2~20 m 에서 무작위로 선택한다.
4a에는 다양한 실내환경의 채널 모델이 정의되어 있는데 본 모의실험에서는 가시선 (Line-of-sight)이 확보되는 실내 사무실 환경인 채널모델 3 (CM3)을 사용한다. 수신 신호의 샘플링 주파수는 24 GHz이고 수집하는 신호의 길이는 최대 길이 20 m의 실내 환경을 고려하여 83.33 ns로 설정한다. 빛의 속도를 고려하면 83.
33 ns는 25 m에 해당한다. 이에 따라 수집한 신호의 총 길이 은 2,000 (24GHz x 83.33ns)이다. 이 신호는 순환신경망에 입력하기 위해 길이 의 벡터로 쪼개는데, 는 10에서 80까지 2배씩 늘려가며 거리 추정 성능을 비교한다.
학습을 위한 데이터로는 2 ~ 20 m 범위에서 무작위 거리와 10 ~ 30 dB 범위에서 무작위 SNR을 가지는 100, 000개의 신호를 생성하여 사용한다. 학습은 100,000개의 신호를 총 20번 반복 사용하면서 수행하고 (20 epochs), Adam (adaptive moment estimation) 최적화 기법을 사용한다.
데이터처리
제안하는 방법의 성능 검증을 위해 컴퓨터 모의실험을 수행한다. 송신 UWB 신호로 가우시안 펄스를 사용하며 그림 4(a)와 같은 모양이며 이 신호의 스펙트럼은 그림 4(b)와 같이 -10 dB 대역폭이 약 500 MHz이다.
제안하는 순환신경망 기반 거리 추정 기법의 성능은 RMSE 측정을 통해 확인한다. RMSE 계산식은 다음과 같다.
이론/모형
4a의 사무실 내 환경을 사용하고 거리에 따른 시간 지연과 잡음을 더하여 수신신호를 만든다. IEEE 802.15.4a에는 다양한 실내환경의 채널 모델이 정의되어 있는데 본 모의실험에서는 가시선 (Line-of-sight)이 확보되는 실내 사무실 환경인 채널모델 3 (CM3)을 사용한다. 수신 신호의 샘플링 주파수는 24 GHz이고 수집하는 신호의 길이는 최대 길이 20 m의 실내 환경을 고려하여 83.
거리 추정기법을 제안하다. 구체적으로 딥러닝 기법 중 하나인 순환 신경망을 이용하여 거리를 추정한다. 순환 신경망 (RNN: Recurrent Neural Network)은 수신 신호와 같은 시계열 신호의 처리에 강점이 있다.
이 신호는 순환신경망에 입력하기 위해 길이 의 벡터로 쪼개는데, 는 10에서 80까지 2배씩 늘려가며 거리 추정 성능을 비교한다. 모의실험 환경은 Python 3.6.5를 기반으로 Tensorflow 라이브러리를 이용한다.
수신된 UWB 신호는 일정 길이만큼 겹치지 않게 취하여 순환신경망에 입력하며 맨 마지막 신호가 입력되면 순환신경망은 예상 거리를 출력한다. 즉, 제안하는 기법은 거리추정을 수행하는 순환신경망 회귀기법으로 볼 수 있다. 제안기법의 성능은 IEEE 802.
학습을 위한 데이터로는 2 ~ 20 m 범위에서 무작위 거리와 10 ~ 30 dB 범위에서 무작위 SNR을 가지는 100, 000개의 신호를 생성하여 사용한다. 학습은 100,000개의 신호를 총 20번 반복 사용하면서 수행하고 (20 epochs), Adam (adaptive moment estimation) 최적화 기법을 사용한다. 학습률은 0.
성능/효과
특히 기존기법은 SNR 증가에 따른 성능 이득이 큰 것을 확인할 수 있고 제안하는 기법은 SNR이 클수록 RMSE 성능이 좋아지지만 그 폭은 제한적인 것을 확인할 수 있다. 모든 SNR 구간에서 제안기법이 기존기법보다 훨씬 우수한 성능이 관찰된다. 특히 SNR=10 dB에서 RMSE 차이는 10 m에 이르며 SNR이 30dB일 때는 2 m 수준으로 차이가 줄어든다.
4a [11] 실내 채널모델 환경에서 컴퓨터 모의실험을 통해 확인한다. 모의실험 결과에 따르면, 제안하는 기법은 기존의 임계값 기반 기법보다 우수한 성능을 보이는데 특히 낮은 신호 대 잡음비 영역과 송수신기 사이의 거리가 먼 경우 기존기법 보다 훨씬 우수한 성능을 보인다. 예를 들어 거리가 20 m일 때 제안하는 방법은 제곱근 평균 자승 에러 (root mean square error, RMSE) 1 m 이내의 성능을 보이나 기존 기법은 16 m의 성능을 보인다.
각 거리마다 SNR 은 10~30 dB에서 무작위로 선택하여 검증신호 22, 000 개를 생성한다. 이 결과에 따르면 2 m 정도의 가까운 거리에서는 두 방식의 성능이 비슷하지만 거리가 멀어질수록 제안하는 방식이 기존의 방식에 비해 훨씬 더 우수한 RMSE 성능을 보인다. 즉 기존기법은 가까운 거리에서 정확도가 높은 반면 제안기법은 거리와 상관없이 일정한 성능을 보이는 장점이 있다.
그림 6은 에 따른 RMSE 성능을 나타낸다. 이 결과에 따르면 SNR = 20 dB 이상에서는 0.5 m 이하의 RMSE 성능을 보이며 에 따른 성능의 차이는 거의 없다. 그러나 낮은 SNR에서는 에 따른 성능 차이가 관찰된다.
이 결과에 따르면 약 3, 000 번의 갱신 후 손실함수가 수렴한다. 전체 학습 데이터를 20번 반복 사용하는데 세 번 사용까지는 급속한 수렴이 이루어지고 그 이후에는 완만한 손실함수 감소가 이루어지는 것을 확인할 수 있다.
특히 SNR=10 dB에서 RMSE 차이는 10 m에 이르며 SNR이 30dB일 때는 2 m 수준으로 차이가 줄어든다. 제안기법이 낮은 SNR에서 기존기법보다 월등히 우수한 것을 알 수 있다. 그림 7 (b)는 송수신기거리에 따른 RMSE 성능을 비교한다.
이 결과에 따르면 RMSE는 SNR이 증가함에 따라 감소한다. 특히 기존기법은 SNR 증가에 따른 성능 이득이 큰 것을 확인할 수 있고 제안하는 기법은 SNR이 클수록 RMSE 성능이 좋아지지만 그 폭은 제한적인 것을 확인할 수 있다. 모든 SNR 구간에서 제안기법이 기존기법보다 훨씬 우수한 성능이 관찰된다.
제안기법은 수신신호 이외의 어떠한 사전정보도 필요치 않으므로 사용이 간단하다. 학습 및 성능 평가는 IEEE 802.15.4a UWB 채널 모델을 이용하여 수행하였는데 모의실험 결과에 따르면 제안하는 기법은 낮은 SNR과 송수신기 사이의 거리가 먼 경우에 기존기법대비 훨씬 우수한 성능을 보였다. 따라서 UWB 송신출력이 작고 넓은 면적의 실내에서 위치측위가 필요한 경우 제안하는 기법이 우수한 성능을 보일 것으로 기대된다.
후속연구
4a UWB 채널 모델을 이용하여 수행하였는데 모의실험 결과에 따르면 제안하는 기법은 낮은 SNR과 송수신기 사이의 거리가 먼 경우에 기존기법대비 훨씬 우수한 성능을 보였다. 따라서 UWB 송신출력이 작고 넓은 면적의 실내에서 위치측위가 필요한 경우 제안하는 기법이 우수한 성능을 보일 것으로 기대된다. 실용성 확인을 위해 향후 실제 필드 실험을 통한 제안하는 기법의 검증을 수행할 필요가 있다.
따라서 UWB 송신출력이 작고 넓은 면적의 실내에서 위치측위가 필요한 경우 제안하는 기법이 우수한 성능을 보일 것으로 기대된다. 실용성 확인을 위해 향후 실제 필드 실험을 통한 제안하는 기법의 검증을 수행할 필요가 있다.
참고문헌 (11)
B. Yulianto, R. Layona, "An implementation of location based serviec (LBS) for community tracking. ComTech: Computer, Mathematics and Engineering Applications, vol. 8, no. 2, pp.69-75, Mar. 2017.
Z. Chen, H. Zou, H. Jiang, Q. Zhu, Y. Soh, L. Xie, "Fusioin of WiFi, smartphone sensors and landmarks using the kalman filter for indoor localization," Sensors, vol. 15, no. 1, pp. 715-732, Jan. 2015.
H. -B Kil, H. Joo, C. Lee, and E. -R. Jeong, "A calibration technique for array antenna based GPS receivers," Journal of the Korea Institute of Information and Communication Engineering, vol. 22, no. 4, pp. 683-690, Apr. 2018.
A. Yohan, NW. Lo, D. Winata, "An indoor positioningbased mobile payment system using Buletooth low energy technology," Sensors, vol. 18, no. 4, pp. 1-26, Mar. 2018.
A. Sunardy, N. Surantha, "Performance evaluation of indoor positioning algorithm using bluetooth low energy," in Proceeding of IEEE International Conference on Information Technology and Innovation, pp. 503-507, Oct. 2018.
R. J. Fontana, "Recent system applications of short-pulse ultra-wideband (UWB) technology," IEEE Transactions on microwave theory and techniques, vol. 52, no. 9, pp. 2087-2104, Sept. 2004.
G. M. Nam, T. Y. Jung, S. H. Jung, and E. R. Jeong, "Distance estimation using convolutional neural network in UWB systems," Journal of the Korea Institute of Information and Communication Engineering, vol. 23, no. 10, pp. 1290-1297, Oct. 2019.
M. Ridolfi, S. Van de Velde, H. Steendam and E. De Poorter, "Analysis of the scalabillty of UWB indoor localization solutions for high user densities," Sensors, vol. 18, no. 6, pp. 1875, Jun. 2018.
G. Oliva, S. Panzieri, F. Pascucci and R. Setola, "Sensor networks localization: extending trilateration via shadow edges," IEEE Transactions on Automatic Control, vol. 60, no. 10, pp. 2752-2755, Oct. 2015.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.