실제 이동에 따른 자기장 랜덤성을 반영한 LSTM 기반 실내 위치 인식 시스템
Indoor Positioning System Using Geomagnetic Field with Long Short-Term Memory to Reflect Randomness Due to Actual Movement
1
조회
0
다운로드
1
인용
0
참고문헌
키워드
초록
자기장 신호는 RF 신호와 달리 벽, 가구 등의 실내 구조로 인해 다중 경로 전파, 회절 및 산란 등이 발생하지 않아 신호가 안정적이기 때문에 높은 측위 성능의 기반이 될 수 있다. 반면, 사용자의 이동이 계속됨에 따라 자기장 신호는 고유 시퀀스를 가지게 된다. 따라서 자기장 데이터의 시간에 따라 변하는 시퀀스를 인식하는 데 효과적인 LSTM 모델을 사용하여 사용자의 이동 경로를 추적한다. 또한, 다양한 사용자의 실제 이동에 따라 발생할 수 있는 상황들을 반영하기 위해 학습 데이터를 생성하는 과정에서 걸음 길이, 걸음 인식 및 자기장 데이터 노이즈에 랜덤성을 반영하였다. LSTM 모델의 평가를 위해 약 94m x 26m의 testbed에서 테스트를 진행하였다. 랜덤성이 반영된 데이터셋에 대하여 랜덤성이 반영되지 않은 모델 대비 랜덤성을 반영하여 학습한 모델은 측위 오차를 3.11 미터에서 1.26 미터로 감소시킴으로써 측위 성능 향상을 보였을 뿐 아니라 측위 결과의 수렴 속도 또한 20 걸음에서 10 걸음으로 크게 줄일 수 있었다.
Abstract
Magnetic field does not generate multi-path propagation, diffraction, and scattering due to the indoor structures such as walls and furniture, so that the signal is much more stable over time than those of RF signals, which would potentially enable higher accuracy IPS. As a sequence of the geomagnetic field vectors grows longer, the sequence can uniquely identify the current position of the object. In order to memorize the contiguously changing patterns of geomagnetic vector sequences, we use a LSTM model which is good for recognizing the time-varying sequence of data. In addition, in order to reflect situations that may occur according to actual movement of various users, we reflect the randomness in terms of the step length, step detection, and magnetic field noise in the process of generating training data set. To evaluate our geomagnetic-field IPS based on our LSTM models, we use Hana Square testbed whose dimension is 94m x 26m Compared to the model that does not reflect randomness with respect to the data set that reflects randomness, the model with randomness substantially improve the localization performance, which could achieve the positioning error of 1.26 m. Also, the localization errors converge to a small value after the first 10 steps.
참고문헌 (12)
- SpotON: An indoor 3D location sensing technology based on RF signal strength, "Hightower, Jeffrey", ~ (2000)
- Bahl, P., "RADAR : An in-building RF-based user location and tracking system", Proceedings of the IEEE INFOCOM, 2, pp.775~784 (2000)
- Tuncer, S., "Indoor localization with bluetooth technology using artificial neural networks", IEEE Intelligent Engineering Systems, pp.213~217 (2015)
- Wang, X., "CiFi: Deep convolutional neural networks for indoor localization with 5 GHz Wi-Fi", IEEE Communications, pp.1~6 (2017)
- Lin, X. Y., "A mobile indoor positioning system based on iBeacon technology", Proceedings of the 2015 37th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC) (2015)
- Zhuang, Y., "Smartphone-based indoor localization with bluetooth low energy beacons", Sensors, 16(5), pp.596~ (2016)
- Han Jun Bae, "Large-Scale Indoor Positioning using Geomagnetic Field with Deep Neural Networks", Proceedings of 2019 IEEE International Conference on Communications (ICC) (2019)
- 배한준, "LSTM을 이용한 자기장 기반 실내위치인식시스템", 한국차세대컴퓨팅학회 춘계학술대회 (2018)
- 배한준, "다양한 사용자의 실제 이동을 반영하기위한 LSTM을 이용한 자기장 기반 실내 위치 인식 시스템", 한국차세대컴퓨팅학회 춘계학술대회 (2021)
- J. S. Seybold, "Seybold, Introduction to RF propagation" (2005), WileyBlackwell
- 양성론, "The Research of In-door Location Detection Method in Sparse Wi-Fi Environment", 한국차세대컴퓨팅학회 논문지, 7(1), pp.27~36 (2011), 한국차세대컴퓨팅학회
- 김일영, "RSSI 핸드오버 기법 이용한 실내 위치 인식 시스템 개발", 한국차세대컴퓨팅학회 논문지, 7(3), pp.39~46 (2011), 한국차세대컴퓨팅학회