earticle

한국어

자기장 신호는 BLE나 Wi-Fi와 같은 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. RF는 여러 AP를 이용해 한 곳에서 여러 신호를 측정할 수 있는 것과 달리 실내에서 측정되는 자기장 신호는 하나로 유사한 신호가 같은 실내 공간에 여럿 존재하는 문제를 보완할 필요가 있다. 반면, 사용자의 이동이 계속됨에 따라 자기장 신호는 고유 시퀀스를 가지게 된다. 따라서 우리는 자기장 데이터의 시간에 따라 변하는 시퀀스를 인식하는 데 효과적인 Long Short-Term Memory이라 불리는 심층 신경 네트워크 모델을 사용하여 사용자의 이동 경로를 추적한다. 또한, 실제 사용자의 이동에 따라 발생할 수 있는 상황들을 반영하기 위해 학습 데이터를 생성하는 과정에서 걸음길이 및 자기장 데이터 노이즈에 랜덤성을 반영하였다. LSTM 모델의 평가를 위해 약 94m x 26m의 testbed에서 테스트를 진행하였다. 랜덤성 없이 학습한 모델은 랜덤성이 반영된 데이터셋에 대하여 테스트 하였을 때, 2.74 미터의 평균 측위 오차를 보인 반면, 랜덤성을 반영하여 학습한 모델은 1.49 미터의 평균 위치 오차를 달성 할 수 있었다.