• ETRI Journal
• /
• 제41권6호
• /
• pp.782-796
• /
• 2019

This paper presents a hierarchical framework for managing the sampling distribution of a particle filter (PF) that estimates the global positions of mobile robots in a large-scale area. The key concept is to gradually improve the accuracy of the global localization by fusing sensor information with different characteristics. The sensor observations are the received signal strength indications (RSSIs) of Wi-Fi devices as network facilities and the range of a laser scanner. First, the RSSI data used for determining certain global areas within which the robot is located are represented as RSSI bins. In addition, the results of the RSSI bins contain the uncertainty of localization, which is utilized for calculating the optimal sampling size of the PF to cover the regions of the RSSI bins. The range data are then used to estimate the precise position of the robot in the regions of the RSSI bins using the core process of the PF. The experimental results demonstrate superior performance compared with other approaches in terms of the success rate of the global localization and the amount of computation for managing the optimal sampling size.

• 한국정보통신학회논문지
• /
• 제18권10호
• /
• pp.2523-2529
• /
• 2014

실외에서는 GPS를 기반으로 하는 다양한 위치 추정 시스템을 사용하여 위치 추정 서비스를 제공할 수 있으나, 실내에서는 가시위성의 부족과 신호의 미약으로 GPS를 사용할 수 없어 실내에 존재하는 자원을 기반으로 하는 위치 추정시스템을 사용하고 있다. 특히 WLAN의 신호를 이용하는 fingerprinting 기법은 AP에서 제공하는 RSSI를 이용하여 위치를 추정하기에 실내에서 이용하기에 적합하다. 하지만 fingerprinting 기법은 fingerprinting map을 구축하는 offline 단계에서 얼마나 정확한 데이터를 이용하였는가에 따라 위치 추정의 정확도가 달라지는 단점이 존재한다. 본 논문에서는 이러한 단점을 보완하기 위해 fingerprinting map을 구축하는 단계에서 다수의 데이터를 샘플링 하여 그 중 빈도가 높은 데이터를 저장하여 위치 추정 정밀도를 높이는 위치 추정 시스템을 제안한다. 제안하는 머저리티 샘플링 데이터 기반의 위치 추정 시스템은 map에 저장되어야 하는 RSSI를 클라이언트와 서버에서 가장 빈도가 높은 RSSI데이터를 필터링하여 map을 구축한 후 유사거리측정방식에 의해 위치를 추정하는 시스템이다. 실험결과 최소 87.5 %, 최대 90.4%의 위치 추정 정밀도를 가지는 것을 알 수 있으며, 최소 0.25 ~ 2.72m의 오차 범위를 가지는 것을 확인 할 수 있었다.

• 전기전자학회논문지
• /
• 제26권1호
• /
• pp.62-66
• /
• 2022

최근 데이터 기반의 딥러닝 기술을 적용하여 비면허 대역의 다양한 통신 신호를 분류하는 연구가 활발히 수행되고 있다. 하지만, 복잡한 신경망 모델 사용을 기반으로 이뤄진 이러한 접근법은 높은 연산 능력을 필요로 하게 되어, 자원 제약적인 무선 인터페이스 및 사물인터넷(Internet of Things) 장비에서는 사용이 제약된다. 본 연구에서는 비면허 대역의 무선 이기종 기술을 인지하기 위한 데이터 기반의 접근 방법을 살펴보고, 신호의 특징 추출 및 데이터화의 효율화 문제를 다룬다. 구체적으로, 비면허 대역의 다른 종류의 무선 통신 기술을 구분하기 위해 수신 신호 강도 측정을 기반으로 한 시계열 데이터를 이용해 합성곱 신경망(Convolutional Neural Network, CNN) 모델을 학습시켜 신호를 분류하는 방법을 살펴본다. 이 과정에서 동일한 구조의 신경망 모델의 경량화를 위한 효율적 신호의 시계열 데이터 정보 수집시 주파수 대역의 특징을 함께 특징화하는 방법을 제안하고, 그 효과를 평가한다. Bluetooth 호환의 Ubertooth 장비를 이용한 실측 기반의 실험 결과는 제안된 샘플링 기법이 동일한 신경망에 대해서 10% 수준의 샘플링 데이터 이용만으로도 동일한 정확도를 유지함을 보여준다.

• KSII Transactions on Internet and Information Systems (TIIS)
• /
• 제11권8호
• /
• pp.3889-3903
• /
• 2017

Fast and accurate localization of randomly deployed nodes is required by many applications in wireless sensor networks (WSNs). However, mobile nodes localization in WSNs is more difficult than static nodes localization since the nodes mobility brings more data. In this paper, we propose a Range-based Monte Carlo Box (RMCB) algorithm, which builds upon the Monte Carlo Localization Boxed (MCB) algorithm to improve the localization accuracy. This algorithm utilizes Received Signal Strength Indication (RSSI) ranging technique to build a sample box and adds a preset error coefficient in sampling and filtering phase to increase the success rate of sampling and accuracy of valid samples. Moreover, simplified Particle Swarm Optimization (sPSO) algorithm is introduced to generate new samples and avoid constantly repeated sampling and filtering process. Simulation results denote that our proposed RMCB algorithm can reduce the location error by 24%, 14% and 14% on average compared to MCB, Range-based Monte Carlo Localization (RMCL) and RSSI Motion Prediction MCB (RMMCB) algorithm respectively and are suitable for high precision required positioning scenes.

• Industrial Engineering and Management Systems
• /
• 제16권1호
• /
• pp.92-102
• /
• 2017

In this paper, we consider a typical health care system via the help of Wireless Sensor Network (WSN) for wireless patient tracking. The wireless patient tracking module of this system performs localization out of samples of Received Signal Strength (RSS) variations and tracking through a Particle Filter (PF) for WSN assisted by multiple transmit-power information. We propose a modified PF, Kullback-Leibler Distance (KLD)-resampling PF, to ameliorate the effect of RSS variations by generating a sample set near the high-likelihood region for improving the wireless patient tracking. The key idea of this method is to approximate a discrete distribution with an upper bound error on the KLD for reducing both location error and the number of particles used. To determine this bound error, an optimal algorithm is proposed based on the maximum gap error between the proposal and Sampling Important Resampling (SIR) algorithms. By setting up these values, a number of simulations using the health care system's data sets which contains the real RSSI measurements to evaluate the location error in term of various power levels and density nodes for all methods. Finally, we point out the effect of different power levels vs. different density nodes for the wireless patient tracking.