신경망을 이용한 무선신호 핑거프린트 맵 업데이트 기법

국문 초록 (Abstract)

무선신호 핑거프린트 기반의 위치추정은 높은 위치추정 성능을 보이지만, 무선 환경이 변할 때마다 무선신호 핑거프린트 맵을 새로 측정해야 하는 단점이 있다. 이러한 문제점을 해결하기 위해 본 논문은 신경망을 이용한 핑거프린트 맵 업데이트 기법을 제안한다. 제안기법은 실내구조와 무선 환경과의 관계를 학습하여 실내구조의 변화에 대한 정보만으로 새로운 핑거프린트 맵을 예측한다. 제안기법은 장애물의 위치, 개수, 크기 모양 및 장소에 상관없이 새로운 무선신호 환경에 대한 핑거프린트 맵을 예측할 수 있다. 실측 실험을 통해 무선 환경의 변화 시 제안기법으로 예측한 핑거프린트 맵을 이용하여 위치를 추정할 경우 업데이트하지 않은 맵을 사용했을 때에 비해 위치추정 오차가 약 0.44m의 감소함을 확인하였다.

다국어 초록 (Multilingual Abstract)

While RF fingerprint-based position estimation has high localization performance, it has the disadvantage of measuring the RF fingerprint map anew whenever the wireless environment changes. To address these challenges, we proposed an RF fingerprint map update technique using neural networks. The proposed technique learns the relationship between indoor structures and wireless environments to predict new fingerprint maps with only information about changes in indoor structures. The proposed technique can predict fingerprint maps for new wireless signal environments, regardless of location, number, size shape, and location of obstacles. The experiment shows localization error is reduced by 0.44m when using a fingerprint map predicted by the proposed technique compared to using a fingerprint map that is not updated.

목차 (Table of Contents)

• 요약
• Abstract
• Ⅰ. 서론
• Ⅱ. 핑거프린트 기반의 무선 위치추정
• Ⅲ. 신경망 기반의 핑거프린트 맵 업데이트
• Ⅳ. 실험
• Ⅴ. 결론
• REFERENCES

참고문헌 (Reference)

1 임채훈, "실내 핑거프린트 측위를 위한 딥러닝 기반의 초고해상도 RF 맵 재구성 기법" 대한전자공학회 57 (57): 9-14, 2020

2 S. He, "Wi-Fi fingerprint based indoor positioning : Recent advances and comparisons" 18 (18): 466-490, 2016

3 H. Liu, "Survey of wireless indoor positioning techniques and systems" 37 (37): 1067-1080, 2007

4 C. Wu, "Static power of mobile devices:Self-updating radio maps for wireless indoor localization" 2497-2505, 2015

5 R. Bormann, "Room segmentation: Survey implementation and analysis" 1019-1026, 2016

6 X. Lin, "Positioning for the internet of things : A 3GPP perspective" 55 (55): 179-185, 2017

7 Yu, F., "Multi-Scale Context Aggregation by Dilated Convolutions" 2016

8 A. Makki, "Indoor localization using 802. 11 time differences of arrival" 65 (65): 614-623, 2016

9 Y. Zheng, "Exploiting AoA Estimation Accuracy for Indoor Localization : A Weighted AoA-Based Approach" 8 (8): 65-68, 2019

10 Bojarski, Mariusz, "End to End Learning for Self-Driving Cars"

11 A. Borrelli, "Channel models for IEEE 802.11b indoor system design" 3701-3705, 2004

12 Y. LeCun, "Backpropagation applied to handwritten zip code recognition" 1 (1): 541-551, 1989

13 S. Jung, "Automated Construction and Maintenance of Wi-Fi Radio Maps for Crowdsourcing-Based Indoor Positioning Systems" 6 : 1764-1777, 2018

14 B. Huang, "An Online Radio Map Update Scheme for WiFi Fingerprint-Based Localization" 6 (6): 6909-6918, 2019

15 Altman, N. S., "An Introduction to Kernel and Nearest-Neighbor Nonparametric Regression" JSTOR 46 (46): 175-185, 1992

16 F. Zafari, "A Survey of Indoor Localization Systems and Technologies" 21 (21): 2568-2599, 2019