• 한국인터넷방송통신학회논문지
• /
• 제17권6호
• /
• pp.105-111
• /
• 2017

본 논문에서는 최근 들어 활발하게 연구되고 있는 WiFi fingerprint를 이용한 실내 위치 인식 기술에서, Weighted K-Nearest Neighbour 방식을 적용할 때 사용되는 가중치에 대한 분석 결과를 보이고 있다. W-KNN 방식은 그 간결함에도 불구하고 WiFi fingerprint를 이용하는 다른 복잡한 방식들과 유사한 성능을 보이고 있어, 실제적으로 실내 위치 인식 기술로 많이 사용되고 있다. 또한 사전 데이터 처리 방식이나 이 방식에서 사용되는 가중치에 따라 성능 차이를 보이고 있으므로, 이에 대한 연구 및 분석은 중요한 의미가 있다. 여기서는 실제로 측정된 WiFi fingerprint 데이터를 기반으로, 데이터 사전처리 경우와 가중치에 측정값의 분산 및 거리를 적용하는 경우, 지점 위치 평균 개수 K를 사용하는 경우 등에 대해 위치 추정 오차를 분석하고 성능을 비교한다. 이 연구 결과는 실제로 실내 위치 인식 시스템을 구축할 때에 실용적으로 활용될 수 있다.

• 한국정보통신학회:학술대회논문집
• /
• 한국정보통신학회 2021년도 춘계학술대회
• /
• pp.458-459
• /
• 2021

최근, 실내 위치 기반 서비스에서 정확한 서비스를 위해 Wi-Fi 핑거프린트 기반의 딥러닝 기술을 이용한 연구가 이루어지고 있다. 딥러닝 모델 중에서 과거의 정보를 기억할 수 있는 RNN 모델은 실내측위에서 연속된 움직임을 기억할 수 있어 측위 오차를 줄일 수 있다. 이때 학습 데이터로서 연속적인 순차 데이터를 필요로 한다. 그러나 일반적으로 Wi-Fi 핑거프린트 데이터의 경우 특정 위치에 대한 신호들만으로 관리되기 때문에 RNN 모델의 학습데이터로 사용이 부적절하다. 본 논문은 RNN 모델의 순차적인 입력 데이터의 생성을 위해 클러스터링을 통한 영역 데이터로 확장된 Wi-Fi 핑거프린트 데이터 기반 이동 경로의 예측을 통한 경로 생성 방법에 대해 제안한다.

• 한국정보통신학회:학술대회논문집
• /
• 한국정보통신학회 2021년도 춘계학술대회
• /
• pp.456-457
• /
• 2021

최근, 실내 위치 기반 서비스를 보다 정확하게 제공하기 위해서 Wi-Fi 핑거프린트와 딥러닝을 이용한 기술이 연구되고 있다. 딥러닝 모델 중에서 과거의 정보를 기억할 수 있는 RNN 모델은 실내측위에서 연속된 움직임을 기억할 수 있어 측위 오차를 줄일 수 있다. 실내 측위에서 RNN 모델을 사용하는 경우 수집된 학습 데이터가 연속적인 순차 데이터이어야 한다. 그러나 특정 위치 정보를 판단하기 위해 수집된 Wi-Fi 핑거프린트 데이터는 특정 위치에 대한 RSSI만 기록되었기 때문에 RNN 모델의 학습 데이터로 사용이 불가능하다. 본 논문은 Wi-Fi 핑거프린트 데이터를 기반으로 RNN 모델의 순차적인 입력 데이터의 생성을 위한 영역 클러스터링 방법에 대해 제안한다.

• Journal of Positioning, Navigation, and Timing
• /
• 제10권1호
• /
• pp.49-54
• /
• 2021

Indoor positioning system becomes of increasing interests due to the demands for accurate indoor location information where Global Navigation Satellite System signal does not approach. Wi-Fi access points (APs) built in many construction in advance helps developing a Wi-Fi Received Signal Strength Indicator (RSSI) based indoor localization. This localization method first collects pairs of position and RSSI measurement set, which is called fingerprint database, and then estimates a user's position when given a query measurement set by comparing the fingerprint database. The challenge arises from nonlinearity and noise on Wi-Fi RSSI measurements and complexity of handling a large amount of the fingerprint data. In this paper, machine learning techniques have been applied to implement Wi-Fi based localization. However, most of existing indoor localizations focus on single position estimation. The main contribution of this paper is to develop multi-target localization by using deep neural, which is beneficial when a massive crowd requests positioning service. This paper evaluates the proposed multilocalization based on deep learning from a multi-story building, and analyses its learning effect as increasing number of target positions.

• 한국통신학회논문지
• /
• 제41권11호
• /
• pp.1463-1471
• /
• 2016

본 논문에서는 Wi-Fi환경에서 실내 위치추정의 성능 향상을 위해 이동 Wi-Fi 환경에서 핑거프린트 기반의 Difference Means를 이용한 실내 위치추정 알고리즘 (Algorithm using the Difference Means based on Fingerprint, DMFPA)을 제안하였다. 그리고 자체 개발한 실내 위치추정 시뮬레이터를 사용하여 제안한 DMFPA의 성능을 일반적인 핑거프린트 알고리즘 (OFPA), 가우시안 분포를 핑거프린트 알고리즘 (GDFPA)의 성능을 서로 비교하였다. 성능분석 항목은 각 참조구역에서의 평균위치추정 정확도, 발생된 오차의 평균오차 누적거리와 최대오차 누적거리, 그리고 평균측정시간으로 정의하였다.

• 방송공학회논문지
• /
• 제23권1호
• /
• pp.154-161
• /
• 2018

최근 스마트폰 사용자가 늘어남에 따라 실내 위치인식 서비스에 대한 연구의 중요성이 증가하고 있다. 실내 위치인식에는 주로 WiFi, Bluetooth 등이 연구되고 있으나, 본 연구에서는 대부분의 실내 공간에 설치되어 있고 스마트폰에 WiFi 기능이 탑재되어 있어 접근성이 좋은 WiFi를 사용한다. 본 연구에서는 수집된 WiFi의 수신신호세기를 이용하는 핑거프린트 기술과 다변량 분류법 중 Ensemble learning method인 랜덤포레스트 알고리즘을 사용한다. 핑거프린트의 데이터로는 수신신호세기와 더불어 Mac주소를 사용해 총 4개의 라디오 맵을 만들어 사용하였다. 실험은 제한된 실내공간에서 진행하였고 실험분석을 위해 본 연구에서 제안하는 방법과 유사한 기존의 랜덤포레스트를 사용하는 실내 위치인식 시스템과 비교 분석하였다. 실험 결과 기존의 랜덤포레스트를 사용하는 실내 위치인식 시스템보다 본 연구에서 제안하는 시스템의 위치인식 정확도가 약 5.8% 높고 학습 데이터 개수에 상관없이 위치인식 속도가 일정하게 유지 되며 기존 방식 보다 더 빠름을 입증하였다.

• Journal of Advanced Marine Engineering and Technology
• /
• 제40권1호
• /
• pp.62-68
• /
• 2016

실내 위치인식 기술 중 하나인 WiFi Fingerprint는 기존의 WiFi access point(AP)의 거리에 따른 신호 세기를 활용하여 위치를 추정하는 편리함 때문에 많은 연구가 이루어지고 있다. 하지만 이 방식은 Radio map에 저장된 Reference point에 의존하기 때문에 다른 방식에 비해 위치의 분해능이 떨어지고 연산량이 많다. 본 논문에서는 이러한 문제를 해결하기 위하여 WiFi와 BLE를 융합한 Log-Distance Path Loss Model 기반의 Radio map 설계 알고리즘을 제안한다. 제안한 알고리즘은 Log-Distance Path Loss Model이 적용된 변수 값을 추출하여 Radio map을 설계하는 방식이며 Median Filter를 적용하여 오차를 개선하였다. 기존 Fingerprint와 비교하여 실험한 결과, 위치의 정확도는 평균 2.747m에서 2.112m로 0.635m 감소되는 것을 확인하였으며 연산량은 AP 환경에 따라 33%이상 감소하는 것을 확인하였다.

• 한국인터넷방송통신학회논문지
• /
• 제20권4호
• /
• pp.65-71
• /
• 2020

실내외에서 스마트폰의 이동 궤적을 정밀하게 추적하기 위하여 WiFi Fingerprint 방식과 Pedestrian Dead Reckoning 방식을 연동하였다. 전자는 절대 위치를 추정할 수 있으나 실제 위치로부터 랜덤하게 오차가 발생하며, 후자는 연속적으로 위치를 추정하지만 이동할수록 오차가 누적되는 각각의 장단점이 있다. 본 논문에서는 두 가지 방식의 추정 위치 데이터를 연동시키기 위한 모델과 Kalman Filter 수식을 정립하였고, 최적 시스템 파라미터를 도출하였다. 시스템 잡음과 측정 잡음의 공분산 값에 따른 성능을 분석하였다. 측정된 데이터와 시뮬레이션을 이용하여, 두 가지 방식이 상호 보완된 향상된 성능을 확인하였다.

• 한국정보통신학회:학술대회논문집
• /
• 한국정보통신학회 2018년도 추계학술대회
• /
• pp.641-642
• /
• 2018

현재 실내 측위를 위한 기술로 전파 지문 기반의 측위 기술의 성능은 데이터 비교 알고리즘의 선택에 따라 큰 영향을 받는다. 이때 학습 구조에 필요한 데이터 확장 기법에 의해 실내 측위의 정확도가 크게 개선될 수 있다. 본 논문에서는 Wi-Fi 전파 지문을 기반으로 하는 학습 구조를 구성하기 위해 학습 데이터의 구분 및 확장 기술을 통해 실제 측위에 적용할 수 있는 학습 구조의 중요성을 논의한다.

• 한국정보처리학회:학술대회논문집
• /
• 한국정보처리학회 2016년도 추계학술발표대회
• /
• pp.168-171
• /
• 2016

In recent years, indoor localization in Wi-Fi environment has been researched for its location determining capability. The fingerprint and RF propagation models has been the main approach in determining indoor positioning. With the use of fingerprint, a low-cost, versatile localization system can be achieved without the use of external hardware. However, only a few research have been made on virtual access points (VAPs) among indoor localization models. In this paper, the idea of indoor localization system using fingerprint with the addition of VAP in Wi-Fi environment is discussed. The idea is to virtually add APs in the existing indoor Wi-Fi system, this would mean additional virtually APs in the network. The experiments of the proposed algorithm shows the positive results when 2VAPs are used compared with only APs. A combination of 3APs and 2VAPs had the lowest average error in all 4 scenarios with 3.99 meters.