WLAN-BLE Based Indoor Positioning System using Machine Learning Cloud Services
@2018 IEEE
0. 요약
- IoT 기기의 WiFi, BLE 등 무선 네트워크 기술을 기반으로 한 위치 추정 솔루션
- 클라우드(AWS)에서 무선 신호를 수집하고 이를 통해 위치를 추론하는 솔루션
- SNR(Signal-to-noise ratio), RSS(Received Signal Strength) footprinting을 기반으로 한 머신러닝 알고리즘 사용
1. 서론
- 무선 네트워크와 디바이스 개발 기술 발달로 위치 기반 서비스가 증가하고 있음
- 클라우드의 발달로 인해 간편하게 클라우드에서 연산을 처리할 수 있고 이로 인해 디바이스들의 제약사항이 적어짐
2. WLAN 기반 실내 위치 추정
- GNSS(Global Navigation Satellite System): 실외에서 잘 동작하지만 실내에서 정확도가 떨어지고 잘 동작하지 않음
- RFID(Radio-Frequence Identification): 제한된 커버리지(최대 2m), 대역폭이 충분하지 않음, 구조물을 통과함
- WiFi: 최초 캘리브레이션이 이뤄진다면, 정확한 위치 추정에 사용될 수 있음
- BLE: WiFi의 에너지 소모 문제를 경감시킬 수 있음. 보통 정확도는 약 2m이며, 설치된 BLE anchor 개수에 의존적
최근 LBS는 RSSI(Received signal strength indicator) 방법을 사용
-> 신호가 퍼지면서 약해지는 점을 이용, 3가지 방법이 있음
- Range methods: 두 기기간 RSSI을 통해 상대 좌표를 구할 수 있음
- Proximity methods
- Fingerprinting based methods: RSSI 개수가 많아질수록 정확도 향상, 알고리즘 복잡
2-1. Fingerprinting 기반 실내 위치 추정
- Training phase: 실내 환경을 특정 개수의 셀로 나누고 각 셀에서 측정된 신호 세기를 radiomap 형태로 모음
- Inference phase: 현재 신호 세기를 이용하여 training phase에서 생성된 위치정보를 통해 위치 추정
- 거리 계산 없이 충분한 정확도를 보장함
- 너무 밀집되고 다이나믹한 환경에서는 정확도가 떨어짐
- Bayesian problem이 있으나 패턴 인식 기술 등 딥러닝을 통해 해결 가능
3. IoT 기반 솔루션
- User location unit (라즈베리파이): WiFi/BLE 신호 수집 -> 데이터 전처리 -> 클라우드 서버로 데이터 전송
- Cloud server (AWS): 데이터 저장 -> 머신러닝 -> 모델 생성 -> 실시간 위치 추정
- AWS Gateway, Lambda function을 통해 데이터 수신, Dynamo DB에 저장
- Amazon Machine Learning 서비스를 통해 모델 학습
4. 실험 및 결과
- 64 제곱미터 공간의 4개 코너에 BLE 비콘 설치
- 비콘은 바닥으로부터 100cm 높이에 설치
- 1Hz 주기로 샘플링하여 15680개 샘플 측정
- BLE 비콘의 RSS와 WiFi AP의 SNR을 데이터베이스에 저장
- 위치 추정을 위해 2개의 classification 알고리즘 사용
- k-NN(k-Nearest Neighbors) classifier
- SVM(Support Vector Machine) algorithm
Position1에서의 RSSI variation
Position25에서의 SNR variation
결과
5. 결론
- 무선 네트워크를 이용하여 IoT 기반 위치 추정시스템을 디자인, 구현 및 평가하였음
- k-NN의 k=4, BLE/WiFi를 함께 사용할 때 베스트 결과 -> 1m의 resolution에서 75%의 정확도
6. Reference
WLAN-BLE Based Indoor Positioning System using Machine Learning Cloud Services