[논문]신경망을 이용한 BLE 기반 실내 측위 시스템 설계

신광성; 이희권; 염성관

doi:10.6109/jkiice.2021.25.1.75

신경망을 이용한 BLE 기반 실내 측위 시스템 설계
BLE-based Indoor Positioning System design using Neural Network 원문보기

한국정보통신학회논문지 = Journal of the Korea Institute of Information and Communication Engineering, v.25 no.1, 2021년, pp.75 - 80

신광성 (Department of Digital Contents Engineering, Wonkwang University) , 이희권 (Department of Information & Communication Engineering Department, Wonkwang University) , 염성관 (Department of Information & Communication Engineering Department, Wonkwang University)

초록
AI-Helper

측위 기술은 증강현실, 스마트 팩토리, 자율주행 등에서 중요한 기능을 수행하고 있다. 측위 기술 중에서 비콘을 이용한 측위 방법은 RSSI(Receiver Signal Strength Indicator) 값의 편차로 인하여 도전적인 과제로 여겨져 왔다. 본 논문에서는 수신기의 RSSI 값을 입력으로 하고 거리를 목표 값으로 하는 신경망을 학습시켜서 이동하는 객체에 대한 위치를 예측하였다. 이를 수행하기 위해 RSSI 대비 거리 실측값을 수집하였다. 수집한 데이터로 합성 데이터를 만들기 위한 신경망을 도입하였다. 이 신경망을 바탕으로 거리 대비 RSSI 값을 예측하였다. 합성 데이터를 바탕으로 가상으로 좌표계를 구성하여 객체의 위치를 예측하였다. 합성 데이터를 생성하기 위한 신경망으로 RSSI의 표준편차는 구하였고 이 값을 기반으로 가상환경에서 단말의 위치를 추적하는 신경망을 학습시켜 객체의 좌표를 추정하였다.

Abstract ▼ AI-Helper

Positioning technology is performing important functions in augmented reality, smart factory, and autonomous driving. Among the positioning techniques, the positioning method using beacons has been considered a challenging task due to the deviation of the RSSI value. In this study, the position of a moving object is predicted by training a neural network that takes the RSSI value of the receiver as an input and the distance as the target value. To do this, the measured distance versus RSSI was collected. A neural network was introduced to create synthetic data from the collected actual data. Based on this neural network, the RSSI value versus distance was predicted. The real value of RSSI was obtained as a neural network for generating synthetic data, and based on this value, the coordinates of the object were estimated by learning a neural network that tracks the location of a terminal in a virtual environment.

주제어

표/그림 (11)

그림 Fig. 1 System diagram including neural network
그림 Fig. 2 Equipments for gathering actual data
그림 Fig. 3 Testing environment
그림 Fig. 4 Estimated plot for synthetic data
그림 Fig. 5 Regression result of neural network
그림 Fig. 6 Probability density of RSSI at 1000mm
그림 Fig. 7 Neural network for predicting distance
그림 Fig. 8 Regression distance result of neural network with 1.72 sigma
그림 Fig. 9 Regression distance result of neural network with 0.1 sigma
그림 Fig. 10 Coordinate prediction with 1.72 sigma
그림 Fig. 11 Coordinate prediction with 0.1 sigma

AI 본문요약
AI-Helper

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

문제 정의

본 논문에서는 BLE 기반 실내 측위를 위한 시스템 구성도를 설명하다. 본 논문에서는 실측한 RSSI 데이터를 바탕으로 시뮬레이션을 통해서 모델 적용 시 예측 정확도를 평가하기 위함이다.
설명하다. 본 논문에서는 실측한 RSSI 데이터를 바탕으로 시뮬레이션을 통해서 모델 적용 시 예측 정확도를 평가하기 위함이다.
본 논문은 신경망을 이용한 BLE 기반 실내 측위 시스템을 설계하였다. 거리 대비 RSSI 실측 데이터를 바탕 신경망을 이용하여 수신기의 RSSI 생성 함수를 학습한다.
수집한 데이터를 그림 4의 ‘○’가 실측한 거리 대비 RSSI 값을 나타낸다. 수신기 마다 수집한 RSSI 값을 모두 포함 시켜 수신기의 일반적인 특징으로 모델링하고자 하였다.

제안 방법

측위의 성능을 개선하고 있다. RSSI 값은 가우시안 분포로 가우시안 필터를 사용하므로 노이즈를 제거하는 방안도 제안되었다. 그리고 칼만 알고리즘를 적용하면 BLE 비콘의 오차값이 큰 RSSI 값의 정확도 및 안전성 향상에 높은 효과가 확인되었다.
가상의 환경에서 이동객체에 대한 시험을 진행하였다. 그림 10에서 보는 것과 같이 ‘+’는 예측치, ‘x’는 실제 객체가 이동한 경로를 나타낸다.
설계하였다. 거리 대비 RSSI 실측 데이터를 바탕 신경망을 이용하여 수신기의 RSSI 생성 함수를 학습한다. 이 신경망을 이용하여 x, y 좌표 기준으로 합성 데이터를 만들어서 거리, 각도, x, y 좌표를 예측할 수 있는 신경망을 학습시켰다.
예측하여 합성 데이터를 만든다. 그리고 그 합성 데이터를 기반으로 위치 대비 거리 신경망을 그리고 그 신경망을 가지고 다시 시뮬레이션을 수행하여 오차를 확인 방식으로 진행하였다.
신경망-S에서 회귀 데이터에 적합한 함수를 만들기 위해 신경망의 적절한 노드의 개수를 실험적으로 얻는다. 그리고 만들어진 신경망-S 으로 가우시안 분포의 표준편차를 구한다. 신경망-S로부터 평균값과 표준편차를 구해서 신경망-C 를 위한 합성데이터를 생성한다.
이다. 두 수신기 간의 신호 차이로 방향 구분이 가능한지 판단하기 격자를 6간격을 두고 시험하였다. 데이터는 1분 동안 동그라미 위치에서 수집하였다.
본 논문에서 실측 데이터를 기반으로 신경망 모델을 만들고 그에 대한 수신기의 거리에서 발생할 수 있는 RSSI값을 예측하여 합성 데이터를 만든다. 그리고 그 합성 데이터를 기반으로 위치 대비 거리 신경망을 그리고 그 신경망을 가지고 다시 시뮬레이션을 수행하여 오차를 확인 방식으로 진행하였다.
실측 데이터를 수집하기 위해 사무실 복도에 수신기와 비콘을 설치하여 측정하였다. 그림 2는 수신기와 비콘을 보여주고 있다.
거리 대비 RSSI 실측 데이터를 바탕 신경망을 이용하여 수신기의 RSSI 생성 함수를 학습한다. 이 신경망을 이용하여 x, y 좌표 기준으로 합성 데이터를 만들어서 거리, 각도, x, y 좌표를 예측할 수 있는 신경망을 학습시켰다. 이렇게 학습된 신경망은 수신기의 RSSI 값들로부터 x, y 좌표 예측이 가능하다.
실측 데이터 시험환경과 동일하게 수신기간의 간격을 506mm로 하였다. 이동 객체가 주기적으로 beacon을 보내서 그 값을 바탕으로 위치를 예측하였다. 위치를 예측할 때 위의 합성 데이터로 만든 신경망-C을 사용하였다.
그림 8에서 보는 바와 같이 거리 회귀는 상당 부분 일치하는 것을 할 수 있다. 정확도를 높이기 위해 표준편차를 0.1로 임의로 설정하여 신경망-C의 성능을 확인하였다. 신경망-C의 입력은 x, y 좌표 40개로 나누어 1600개 (40x40) 입력과 거리 1600개(40x40) 목표 값으로 구성하였다.
합성 데이터의 입력은 수신기에서 수신한 RSSI 값이고 합성 데이터의 목표값은 원점으로부터 거리, 각도, x좌표, y 좌표를 목표값으로 설정하였다. 그림 8은 거리에 대한 합성 데이터의 모형으로부터 얻은 회귀분석 결과이다.

대상 데이터

신경망-C의 입력은 4개 수신기가 받는 RSSI 값이며 7개의 히든 노드를 가지며 1개의 거리 출력값을 갖도록 구성하였다. 7개의 히든 노드는 실험적으로 파악하였다.
복도에서 시험을 진행하기 위해 수신기의 위치를 그림 3(a)처럼 설치하였고 격자는 정사각형이며 길이는 840mm 이다. 두 수신기 간의 신호 차이로 방향 구분이 가능한지 판단하기 격자를 6간격을 두고 시험하였다.

데이터처리

본 신경망-C를 활용하여 합성데이터를 생성한다. 각 거리에서 수집된 RSSI 값에 대한 를구하고 평균을 내서 수신기의 RSSI 로 사용하며 그 값은 합성 데이터에서 각 수신기의 RSSI 값의 표준편차로 활용된다. 그림 5는 신경망-C의 회귀 결과를 나타내고 있다.
그림 5는 신경망-C의 회귀 결과를 나타내고 있다. 합성 데이터는 평균값은 신경망으로 부터 취득하고 가우시안 분포의 표준편차를 더한다. 예를 들어 그림 6은 1000mm에서 RSSI 값에 대한 Probability density 값을 나타낸다.

성능/효과

RSSI 값은 가우시안 분포로 가우시안 필터를 사용하므로 노이즈를 제거하는 방안도 제안되었다. 그리고 칼만 알고리즘를 적용하면 BLE 비콘의 오차값이 큰 RSSI 값의 정확도 및 안전성 향상에 높은 효과가 확인되었다. 마지막으로 차폐막을 이용하여 신호 난반사로 인한 비콘과 사용자 단말기 간의 거리 측정 오차를 일부 감소시킬 수 있다고 한다[5, 6].
이렇게 학습된 신경망은 수신기의 RSSI 값들로부터 x, y 좌표 예측이 가능하다. 실측 데이터를 바탕으로 합성 데이터를 생성할 때 RSSI 값의 편차를 1.72를 얻었으며 이 값을 바탕으로 만든 신경망은 이동 객체의 이동에 대해서 거리는 예측 가능했지만 방향은 예측이 어려웠다. 반면에 편차를 0.

후속연구

72를 얻었으며 이 값을 바탕으로 만든 신경망은 이동 객체의 이동에 대해서 거리는 예측 가능했지만 방향은 예측이 어려웠다. 반면에 편차를 0.1로 설정하였을 때 예측이 가능하였으나 이는 현실에서는 거리가 있어 편차가 1.72는 실제 데이터에 대한 값으로 수신기를 추가하여 정확한 예측이 가능할 것으로 예상되어 추후 연구가 필요하다. 상용화하기 위해 RSSI 실측값을 얻기 위한 자동화 방법이 필요하다.

참고문헌 (10)

H. W. Ahn and N. M. Moon, "Artificial intelligence-based indoor positioning technology trends and prospects," Broadcasting and media, vol. 25, no. 1, pp. 75-82, Jan. 2020.
C. P. Yoon and C. G. Hwangm, "Efficient indoor positioning systems for indoor location-based service provider," Journal of the Korea Institute of Information and Communication Engineering, vol. 19, no. 6, pp. 1368-1373, Jun. 2015.

원문보기 상세보기
J, Kim and B. G. Gu, "Machine Learning Method based on Beacon Signal Strength Pattern for Deciding Indoor Presence of Use," Journal of Korean Institute of Information Technology, vol. 18, no. 8, pp. 1-8, Aug. 2020.

상세보기
F. S. Danis and A. T. Cemgil, "Model-Based Localization and Tracking Using Bluetooth Low-Energy Beacons," Sensors, vol. 17, no. 11, Oct. 2017.

상세보기
J. G. Lee, Y. D. Kim, and Y. W. Ko, "Filter Algorithm for accurate measurement of the RSSI value of BLE Beacon," in Conference Proceeding of the Korean Society of Information Sciences, pp. 1871-1873, Jun. 2015.
M. S. Cheon, J. Y. Lee, and J. K, Choe, "A Study on Improvement of Indoor Position Using BLE 5.0," Journal of Korean Institute of Information Technology, vol. 16, no. 4, pp. 43-49, Apr. 2018.

상세보기
D. S. Kim, H. S. Yeom, and S. Kim "Indoor Positioning System Using Robust Outlier Extended Kalman Filter," The Journal of Korean Institute of Electromagnetic Engineering and Science, vol. 20, no. 9, pp 954-960, Sep. 2009.

원문보기 상세보기
N. H. Nam, I. K. Lim, and J. K. Lee, "Location Estimation Method of Positioning System utilizing the iBeacon," Journal of the Korea Institute of Information and Communication Engineering, vol. 19, no. 4, pp. 925-932, Apr. 2015.

원문보기 상세보기
J. W. Noh, T. Y. Kim, S. T. Kim, J. H. Lee, H. K. Yoo, and Y. G. Kang, "ANN-based Adaptive Distance Measurement Using Beacon," The Journal of The Institute of Internet, Broadcasting and Communication, vol. 18, no. 5, pp. 147-153, Oct. 2018.

원문보기 상세보기
J. B. Bae, C. Lynn, and B. J. Park, "Indoor Positioning System using Geomagnetic Field with Recurrent Neural Network Model," The Journal of Korean Institute of Next Generation Computing, vol. 14, no. 6, pp. 57-65, Dec. 2018.

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