| 초록 |
<strong>1. 실내 위치 측위 방법 비교</strong><br /> 범지구적 위성항법시스템(Global Positioning System, GPS)의 신호가 도달하지 못하는 실내 환경에서 정확한 위치를 추정하기 위해 여러 종류의 실내 위치 측위 방법들이 개발되고 있다.<br /> <br /> 1.1. 관성센서를 이용한 실내 위치 측위<br /> 보행자 측위 방법(Pedestrian Dead Reckoning, PDR)은 관성항법센서(Inertial Measurement Unit, IMU)를 이용하여 보행자의 걸음 보폭, 속도, 이동 거리 및 보행 방향을 계산하여 현재 위치를 추정한다. 걸음 수, 보폭, 방향을 계산하기 위해서는 크게 3개의 세부 알고리즘이 필요하다[1]. 관성항법센서 중 자이로센서는 시간이 지남에 따라 누적오차가 생기는 문제가 있다. 따라서 보행자 측위 방법의 핵심은 이 누적오차를 정확히 보정하는 알고리즘을 개발하는 것이다.<br /> 보행자 측위 방법은 관성항법센서를 보행자의 몸에 부착해야 한다. 신발, 허리, 손, 가방 등 부착 위치에 따라 각각 알고리즘이 달라지며, 연령, 성별 등 실험적 특성이 강하게 반영되는 것이 특징이다. 보행자 측위 방법이 보편적인 사용자에 대해 사용되기보다는 화재 상황에서 소방관과 같은 특수한 실내 위치 측위 서비스를 요구하는 상황에 어울린다.<br /> <br /> 1.2. 전파 모델 기반 무선신호 실내 위치 측위<br /> 무선신호를 이용한 실내 위치 측위 방법은 크게 두 부류로 나뉠 수 있다. 전통적으로 TDOA(Time Difference of Arrival), AoA(Angle of Arrival) 방법이 있으며, 이는 여러 군데 설치한 비콘에서 송신된 신호와 전파 모델을 이용하여 송수신 시간, 각도, 거리 등을 추정해 위치를 계산하는 방식이다. 이때 전파 모델은 송신기와 거리에 따른 무선신호 세기를 가리키는 지표이며, 이 모델에 따르면 신호세기는 거리에 따라 지수적으로 감쇠한다. 정확한 전파 모델을 찾기 위해 지수함수와 연관된 계수가 존재하는데, 이 계수의 참값을 찾는 것은 장애물과 구조가 복잡한 실내 공간에서 불가능에 가깝다. 따라서 전파 모델의 부정확성으로 인해 위치 측위 오차가 커지게 된다. 아래 그림은 실내 공간에서 한 송신기에서 발생하는 신호세기를 측정하는 실험 결과이다[2]. 이때, 벽에 의해 방해된 전파 특성을 갖는 이동 동선과 장애물이 없는 열린 이동 동선이 있다. 신호세기 측정 실험에 따르면 떨어진 거리가 같더라도 두 이동 동선에 따른 신호세기는 다르다. 실내에 설치된 모든 송신기의 정확한 전파 모델을 찾는 것은 현실적으로 불가능하며, 전통적인 위치 측위 방법은 일반적인 실내 환경에서 사용되기 어렵다.<br /> <br /> 그림 1. (좌) 실내 공간에서 송신기(WiFi AP) 위치와 이동 동선, (우) 각 이동 동선 거리에 따른 신호세기 측정 실험.<br /> <br /> 1.3. 지문측위 기반 무선신호 실내 위치 측위와 인공지능의 중요성<br /> 와이파이 송신기는 여러 건물에 설치되어 있어서 추가적인 실내측위를 위한 센서를 설비할 필요가 없다. 전파 모델의 사용을 대체할 방법을 고안해낸 것이 지문측위 기반 무선신호 실내측위 방법이다. 지문 방식은 실내에 일정한 거리만큼 정의된 격자마다 신호세기를 측정하여 데이터베이스에 저장해놓고 현재 신호세기와 비교하여 위치를 추론하는 방법이다. 대용량의 데이터베이스를 구축해야 하는 번거로움을 대신하고 정확도를 향상하기 위해 인공지능이 사용되며, 무신신호 세기의 패턴을 분석하여 위치를 추론한다. 와이파이 신호세기 기반 측위 방법은 유지보수 비용이 적고 스마트기기를 통해 일반적인 보행자에게 모두 보편적인 서비스를 제공할 수 있다는 점에서 실내측위에 있어 가장 보편적인 방법으로 자리 잡았다.<br /> 지문측위 방법은 위치에 따라 주변 공유들로부터 수신된 신호세기 집합 지문 데이터를 수집하는 것이 첫 번째 단계이다. 위치 측위 서비스 제공 시에는 현재 신호세기를 기존에 수집한 지문 데이터와 비교하여 현재 위치를 예측한다. 이는 기계학습에서 학습 단계/테스트 단계 절차와 일맥상통하기 때문에 k-NN(k-Nearest Neighbors), SVM(Support Vector Machine), 딥러닝(deep learning) 등 여러 기계학습 기법이 사용될 수 있다. 아래는 지문측위 방식을 요약한 그림이다.<br /> <br /> 그림 2. 인공지능 기계학습 기법을 이용한 지문측위 방법 요약<br /> <br /> <strong>** 원문은 파일 다운받기를 해주세요 :-)</strong> |
