• 한국산학기술학회논문지
• /
• 제13권11호
• /
• pp.5479-5486
• /
• 2012

본 논문에서는 Wi-Fi 환경에서 ZigBee 통신 시 채널별 특성 및 링크 품질을 나타내는 PRR, RSSI, LQI를 측정하고 평가하였다. Wi-Fi의 간섭에 의하여 Wi-Fi와 ZigBee의 겹치는 채널과 겹치지 않는 채널에서의 RSSI와 LQI 값이 PRR과 어떠한 관계가 있는지를 확인하기 위해 Wi-Fi 껐을 때와 켰을 때, 그리고 Wi-Fi를 이용하여 파일 다운로드 시 세 가지 경우에 대하여 실험하였다. Wi-Fi 간섭 환경에서 ZigBee 채널 특성 및 링크 품질 측정을 위해서 Wi-Fi와 ZigBee 수신단을 고정한 상태에서 ZigBee 수신단과 송신단 사이의 거리를 변화시켜가며 실험하였다. ZigBee 송신단은 ZigBee 수신단으로 매초 256 bits의 패킷을 보낸다. Wi-Fi 송신단과 ZigBee 수신단 위치에 따른 PRR값을 채널별로 측정하였고, ZigBee의 송, 수신단의 위치에 따른 RSSI와 PRR, LQI와 PRR을 역시 앞에서의 세 가지 경우에 대하여 측정하였다. 그 결과 Wi-Fi의 영향이 없을 때는 PRR 및 RSSI, LQI가 채널에 관계없이 비슷하였고, Wi-Fi의 영향이 커질수록 PRR의 값이 ZigBee와 겹치는 채널에서는 감소하였지만, 겹치지 않는 채널에서는 비슷하였다. 또한, RSSI와 LQI의 값은 Wi-Fi의 영향과 채널에 관계없이 비슷함을 확인하였다. 따라서 Wi-Fi 환경에서 ZigBee 통신의 간섭 탐지를 위해서 RSSI와 LQI의 사용은 적절하지 않으며, PRR을 이용해야 함을 알 수 있다.

• 한국방송∙미디어공학회:학술대회논문집
• /
• 한국방송∙미디어공학회 2020년도 하계학술대회
• /
• pp.717-720
• /
• 2020

An indoor localization system that uses Wi-Fi RSSI signals for localization gives accurate user position results. The conventional Wi-Fi RSSI signal based localization system uses raw RSSI signals from access points (APs) to estimate the user position. However, the RSSI values of a particular location are usually not stable due to the signal propagation in the indoor environments. To reduce the RSSI signal fluctuations, shadow fading, multipath effects and the blockage of Wi-Fi RSSI signals, we propose a Wi-Fi localization system that utilizes the advantages of Wi-Fi RSSI heat maps. The proposed localization system uses a regression model with deep convolutional neural networks (DCNNs) and gives accurate user position results for indoor localization. The experiment results demonstrate the superior performance of the proposed localization system for indoor localization.

• Journal of Positioning, Navigation, and Timing
• /
• 제12권1호
• /
• pp.37-42
• /
• 2023

Wi-Fi Received Signal Strength Indicator (RSSI) is considered one of the most important sensor data types for indoor localization. However, collecting a RSSI fingerprint, which consists of pairs of a RSSI measurement set and a corresponding location, is costly and time-consuming. In this paper, we propose a Wi-Fi RSSI learning technique without true location data to overcome the limitations of static database construction. Instead of the true reference positions, inertial measurement unit (IMU) data are used to generate pseudo locations, which enable a trainer to move during data collection. This improves the efficiency of data collection dramatically. From an experiment it is seen that the proposed algorithm successfully learns the unsupervised Wi-Fi RSSI positioning model, resulting in 2 m accuracy when the cumulative distribution function (CDF) is 0.8.

• 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.

• Journal of Advanced Marine Engineering and Technology
• /
• 제40권9호
• /
• pp.836-841
• /
• 2016

Wi-Fi를 이용한 실내 위치인식 시스템은 2차원 이상의 실내 공간 정보와 노드 위치정보 등이 결합된 무선 신호 지도의 제작이 필수적이다. 이를 구성하기 위한 과정인 Wi-Fi 노드의 RSSI 측정 및 배치 정보 확인에 시간 비용이 크게 발생한다. 특히 기존의 무선 환경이 변하거나 새로운 공간이 만들어질 경우 실내 위치기반의 서비스를 제공하기 위해 노드의 재설치 및 새로운 실내 무선 지도 제작이 필요하다. 이러한 문제로 인해 발생되는 시간 소비를 줄이기 위하여 본 논문에서는 3 m 간격으로 설치된 Cable형 Wi-Fi를 사용하여 정확한 노드의 배치 위치를 판별 및 공간 분석이 가능한 RSSI 가시화 및 Sobel 필터 기반 경계선 검출을 통해 복도 구간의 직선과 곡선을 구분하는 알고리즘을 제안한다. Cable형 Wi-Fi는 동일한 전력선으로 연결되어 있으므로 노드가 일정한 간격으로 설치된 순서를 알 수 있다는 장점이 있다. 이를 기반으로, 공간의 특정 구간을 분석이 가능하도록 측정된 RSSI 기반 가시화과정을 통해 신호의 분포를 확인하고 이를 Sobel 필터 기반 경계선 검출 및 Total RSSI Distribution(TRD) 연산을 통하여 분석한다. Raw data와 제안하는 알고리즘 신호강도를 비교해본 결과 제안하는 알고리즘의 신호 세기는 곡선 구간에서 경계선 특성이 평균 13.73 % 증가하였다. 또한 직선 구간 신호의 세기를 평균 34.16 % 감소시켜 직선구간과 곡선구간의 특성이 개선되었다.

• 제어로봇시스템학회논문지
• /
• 제21권7호
• /
• pp.684-690
• /
• 2015

This paper presents a modified residual-based EKF (Extended Kalman Filter) for performance improvement of indoor positioning using WiFi RSSI (Received Signal Strength Indicator) measurement. Radio signal strength in indoor environments may have irregular attenuation characteristics due to obstacles such as walls, furniture, etc. Therefore, the performance of the RSSI-based positioning with the conventional trilateration method or Kalman filter is insufficient to provide location-based accurate information services. In order to enhance the performance of indoor positioning, in this paper, error analysis of the distance calculated by using the WiFi RSSI measurement is performed based on the radio propagation model. Then, an IARM (Irregularly Attenuated RSSI Measurement) error is defined. Also, it shows that the IARM error is included in the residual of the positioning filter. The IARM error is always positive. So, it is presented that the IARM error can be estimated by taking the absolute value of the residual. Consequently, accurate positioning can be achieved based on the IEM (IARM Error Mitigated) EKF with the residual modified by using the estimated IARM error. The performance of the presented IEM EKF is verified experimentally.

• 대한임베디드공학회논문지
• /
• 제12권1호
• /
• pp.19-25
• /
• 2017

Recently, indoor LBS has been attracting much attention because of its promising prospect. One of key technologies for its success is indoor location estimation. A popular one for indoor positioning is to find the location based on the strength of received Wi-Fi signals. Since the Wi-Fi services are currently prevalent, it can perform indoor positioning without any further infrastructure. However, it is found that its accuracy depends heavily on the surrounding radio environment. To alleviate this difficulty, we present a novel indoor position technique employing the geomagnetic characteristics as well as Wi-Fi signals. The geomagnetic characteristic is known to vary according to the location. Therefore, employing the geomagnetic signal in addition to Wi-Fi signals is expected to improve the location estimation accuracy.

• 사물인터넷융복합논문지
• /
• 제2권4호
• /
• pp.35-39
• /
• 2016

본 논문은 사물인터넷 (Internet of Things: IoT) 기반의 실내 위치 추정 기법에 관한 논문이다. 현재 전 세계적으로 사물의 위치를 추정하는 방법은 GPS와 WiFi를 활용한 방법이 많이 사용되고 있다. 그러나 GPS는 실내에서 수신이 힘들고, 전파 교란에 영향을 받는 단점이 있다. WiFi를 활용한 위치 추정은 사용자가 주위의 WiFi를 스캔하여 수집한 정보를 WiFi 데이터베이스 (DB) 서버에 전송하여 fingerprint 방식으로 위치를 추정하므로, DB 서버가 필요한 단점이 있다. 사물과 사물이 통신하는 사물인터넷이 급속도로 증가하고 있다. 이러한 사물인터넷을 이용하여 실내 위치를 추정하는 기법을 제안한다. 제안된 기법은 GPS 좌표 등의 자신의 위치 정보를 가지고 있는 기기와 통신하는 다른 기기가 RSSI를 통해 위치를 추정한다. 사물인터넷을 통해 자신의 위치를 추정하는 기기가 많으면 위치 추정 정확도를 높일 수 있다. 제안된 기법은 GPS와 WiFi DB 서버의 도움 없이 위치 추정을 할 수 있다.

• 한국정보통신학회논문지
• /
• 제26권1호
• /
• pp.70-75
• /
• 2022

위치를 정확하게 측정하는 것은 다양한 서비스를 제공하는 데 필요하다. 실내 측위를 위한 데이터는 스마트 폰의 앱을 통해 WiFi 장치로부터 RSSI 값을 측정한다. 이렇게 측정된 데이터는 기계학습의 원시 데이터가 된다. 특징 데이터는 측정된 RSSI 값이고, 레이블은 측정한 위치에 대한 공간의 이름으로 한다. 이를 위한 기계학습 기법은 분류에 효율적인 기법을 적용하여 WiFi 신호만으로 정확한 위치를 예측하는 기법을 연구하고자 한다. 앙상블은 하나의 모델보다 다양한 모델을 통하여 더 정확한 예측값을 구하는 기법으로, bagging과 boosting이 있다. 이 중 Boosting은 샘플링한 데이터를 바탕으로 모델링한 결과를 통해 모델의 가중치를 조정하는 기법으로, 다양한 알고리즘이 있다. 본 연구는 위 기법 중 XGboost를 이용하고, 다른 앙상블 기법과 이용한 수행결과를 바탕으로 성능을 평가한다.

• 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.