관성센서와 무선신호를 이용한 기계학습 기반 실내 위치 측정

Abstract

스마트폰의 발전과 위치 기반 서비스 (LBS: location-based service)가 증가함에 따라 전통적인 Global Navigation Satellite System (GNSS)의 신호가 도달하지 못하는 실내 환경에서의 측위 기술에 대한 수요가 증가하고 있다. 실내 측위를 위해 bluetooth low energy (BLE), ultra-wideband (UWB), Wifi 등 다양한 무선신호를 활용한 기술들이 연구되어왔다. 그 중, 현대의 실내 건물 대부분에는 Wifi access point (AP)가 설치되어 있어 Wifi received signal strength indicator (RSSI) 지문 데이터는 실내 위치 측위를 위한 중요한 센서 데이터 유형 중 하나로 고려되어왔다. 그러나 Wifi RSSI 측정값과 해당 위치의 쌍으로 이루어진 지문 데이터는 위칫값을 라벨링하는 데 많은 수고와 시간이 많이 소요된다. 본 논문에서는 정적인 지문 데이터베이스 구축의 제한 사항을 극복하기 위해 실제 위치 데이터 없이 Wifi RSSI 위치추정 모델의 학습 기술을 제안한다. 실제 위치 대신 inertial measurements unit (IMU) 데이터를 사용하여 가상의 위치를 계산한다. 가상의 위치들 사이의 기하학적 관계를 목적함수로 모델링하여 초기 위치와 절대 방향 정보 없이 딥러닝 학습을 구현한다. 스마트폰을 손에 쥔 채 보행하는 단순한 방법으로 데이터를 수집할 수 있게 함으로써, 데이터 수집 효율성을 크게 개선할 수 있다. 학교나 지하철, 백화점 등 현대의 건물 대부분에는 Wifi AP가 설치되어 있으나 공사현장, 물류창고 등 아직 인프라가 형성되어 있지 않거나 외부 인프라와 단절되어있는 공간은 측위를 위한 적절한 양의 Wifi AP가 설치되어 있지 않다. 본 논문에서는 Wifi 무선신호의 음영 구역에 BLE 비콘을 설치하고 BLE RSSI와 Wifi RSSI를 통합함으로써 측위의 음영 구역을 최소화하고 성능을 개선한다. 본 논문에서 제안한 학습 기법은 성신여자대학교 수정관 4층과 COEX 1층에서 검증되었다. 제안한 방법으로 학습한 모델의 출력 분포가 실제 지도에 매핑될 수 있음을 보였고, 지문 기반 측위 방법과 제안한 방법으로 학습한 측위 모델의 정확도를 비교하였다. 또한, 파티클 필터를 통해 AI-IMU 위치추정과 Wifi RSSI 위치추정을 융합하여 얻은 궤적이 실제 이동 궤적과 흡사함을 보였다. 더 나아가, Wifi와 BLE RSSI 통합 모델을 한 물류창고에서 검증하였고, 각각의 무선신호를 통합함으로써 성능이 개선됨을 확인하였다.|With the advancement of smartphones and the increasing prevalence of location-based services (LBS), the demand for positioning technologies in indoor environments, where traditional Global Navigation Satellite System (GNSS) signals may not reach, has risen significantly. Various wireless technologies such as bluetooth low energy (BLE), ultra-wideband (UWB), and Wifi have been explored for indoor positioning. Due to the widespread installation of Wifi access point (AP) in the majority of indoor buildings, Wifi received signal strength indicator (RSSI) fingerprint data is considered an important sensor data type. However, the process of labeling fingerprint data, consisting of Wifi RSSI measurements and their corresponding locations, involves significant effort and time due to the need for manual annotation of reference points. In this paper proposes a learning technique for Wifi RSSI-based positioning model without actual location data to overcome the limitations of constructing static fingerprint databases. Pseudo positions are computed using inertial measurements unit (IMU) data instead of real location data. The geometric relationships between these pseudo positions are modeled as the objective function for deep learning training, enabling the implementation of learning without initial position and absolute orientation information. Enabling a simple way to collect data while walking with a smartphone significantly improves data collection efficiency. In many modern buildings such as schools, subways, and department stores, Wifi AP are commonly installed. However, spaces lacking infrastructure, such as construction sites and logistics warehouses, may not have a sufficient number of Wifi AP for positioning. In this paper, we propose the installation of BLE beacons in WiFi signal shadow areas. By integrating BLE RSSI with Wifi RSSI, we aim to minimize positioning shadow areas and enhance performance. The proposed learning technique is tested in the 4th floor of Sungshin Women's University's Sujeong Hall and the 1st floor of COEX. The paper demonstrates that the output distribution of the model trained with the proposed method can be mapped onto the actual map. The accuracy of the positioning model trained with the proposed method is compared with fingerprint-based positioning. Additionally, the fusion of AI-IMU estimation and Wifi RSSI estimation through particle filtering exhibits trajectory similarity with actual movement trajectories. Furthermore, we validated the integrated Wifi and BLE RSSI model in a warehouse and confirmed performance improvement through the integration of each wireless signal.