검색 상세

딥러닝 기반의 UWB 실내 융합 위치 추적 알고리즘 연구

Research on UWB Indoor Fusion Positioning Algorithm Based on Deep Learning

  • 관보 (GUANBO, 동신대학교 일반대학원)

초록/요약

딥러닝 기반의 UWB 실내 융합 위치 추적 알고리즘 연구 관 보 동신대학교 대학원 컴퓨터학과 (지도교수 정양권) 사회의 지능화와 정보화 수준이 점점 더 높아짐에 따라 위치 서비스(Location Service)는 생활의 모든 영역에 퍼져 있으며 다양한 분야에서의 응용이 점점 더 확 대되고 있다. 복잡한 실내 환경에서는 실내 위치 서비스의 수요가 점차 증가하고 있으며, 따라서 고정밀, 안정성, 신뢰성 있는 실내 위치 추적 기술이 현재의 연구 초점 되었다. 기존의 실내 위치 추적 기술 중에서는 초광대역(Ultra-Wide Band, UWB) 위치 추적 기술이 높은 안전성과 정확도를 통해 주목받고 있지만, 실내의 복 잡한 환경 요소로 인해 간섭을 받을 수도 있다. 동시에, 데이터 폭발과 컴퓨터 성능 의 지속적인 향상에 따라 인공지능 기술은 급속히 발전하였으며, 딥러닝 (Deep Learning, DL)은 각 연구 분야에서의 장점이 점차 드러나고 있다. 분류, 회귀 등 다 양한 작업에 신경망을 사용하는 것은 매우 흔한 현상이다. 실내 위치 추적 분야에 서도, 신경망을 사용하여 위치 오차, 잡음 등의 문제를 해결하는 것은 매우 효과적 이다. 이는 인공지능 기술 발전의 중요한 기반이다. 현재 위치 기술 분야에서는 딥 러닝 기반의 위치 인식과 딥러닝을 기반으로 한 위치 추적 방법 등이 우수한 위치 파악 효과를 보여주고 있다. 딥러닝과 UWB 위치 기술을 실내 위치 파악 및 기타 위치 서비스 등에 융합함으로써 광범위한 응용 전망 있지만, 다중 경로 효과 등으 로 인해 실내 위치 파악 과정에서 데이터 손실, 정확도 저하 등의 문제가 발생할 수 있다. 상기 상황에 대응하여, 본 논문은 UWB 위치 시스템의 시간 동기화, 오차 보정 및 딥러닝 위치 추적에 기반하여 연구를 수행하였으며, UWB 위치 기술이 비 가시성(NLOS: NonLine of sight) 오차의 영향을 받는 문제를 완화하고 위치 추적 오차를 감소시키기 위해 최적화 알고리즘을 설계하였다. 주요 연구 내용은 다음과 같다: 첫째, 시간 기반 실내 위치 시스템에서 시간 동기화는 고정밀 위치 추적을 위한 기반이 된다. 본 논문에서는 동기 패킷을 기반으로 한 기지국 시간 동기화 방법을 제안하였으며, 마스터 기지국이 주기적으로 부 기지국에 동기 패킷을 전송하여 기 지국 간의 시간 동기화를 실현하였다. 시각적 거리 상황에서 동기 패킷을 이용하여 기지국 시계를 동기화한 후, 기지국 간의 최대 시계 오차는 약 0.75ns이며, 평균 오 차는 0.21ns이다. 이론적으로 10cm 이내의 위치 정확도를 달성할 수 있다. 둘째, 본 논문은 다중 경로 효과 등으로 인해 실내 위치 추적에서 발생하는 데이 터 손실 및 정확도 부족 문제를 해결하기 위해, 오토인코더 사전 처리를 적용한 신 경망 구조를 제안하였다. 이 모델은 먼저 깊은 오토인코더를 활용하여 데이터 손실 및 다중 경로 효과에 영향을 받은 데이터를 보정과 조정한 후, BP 신경망을 사용하 여 매핑(mapping) 관계를 구축하였다. 실험 결과로써, 이 방법은 우수한 위치 추적 성능을 보여주었다. 셋째, 본 논문은 어텐션 메커니즘과 UWB 위치 기술을 융합한 알고리즘을 제안한 다. SENet 어텐션 모듈과 컨볼루션 신경망(CNN)을 활용하여 SE-CNN이라는 깊은 학습 네트워크를 제안하였다. SENet 어텐션 모듈은 동적 간섭 요소에 영향을 받는 위치 데이터의 가중치를 감소시키며, 컨볼루션 신경망을 통해 위치 데이터와 목표 위치의 비선형 관계를 확인한다. 이 위치 모델은 동적 환경에서 다중 경로 효과와 비가시성으로 인한 위치 오차를 줄일 수 있다. 실험 결과는 이 융합 알고리즘이 다 른 알고리즘보다 위치 정확도와 안정성에서 우수한 성과를 얻을 수 있었다. 주제어：UWB, TDOA, 딥러닝, 주목 메커니즘

more

목차

Ⅰ. 서론 1
1. 연구의 필요성 1
2. 문제점 도출 4
3. 연구 내용 4
Ⅱ. 이론적 배경 및 관련 연구 6
1. UWB 기술 연구 배경 6
1) 블루투스 위치 추적 기술 7
2) RFID 위치 추적 기술 7
3) Wi-Fi 위치 추적 기술 8
4) ZigBee 위치 추적 기술 8
5) UWB 위치 추적 기술 9
2. 전통적인 UWB 위치 알고리즘 11
1) 도착 각도 기반 알고리즘 AOA 13
2) 수신 강도 기반 알고리즘 RSSI 13
3) 도착 시간 기반 알고리즘 TOA 15
4) 도착 시간 차이 기반 알고리즘 TDOA 16
5) UWB 위치 추적 알고리즘 성능 평가 지표 17
3. 위치 정밀도 영향 요인 19
1) 비가시성 전파 19
2) 다중 경로 효과 20
3) 시간 동기 20
4. 딥러닝 기술 연구 25
1) 딥러닝 개요 28
2) 유용한 딥러닝 프레임 29
3) 유용한 딥러닝 모델 32
Ⅲ. 딥러닝 기반 UWB 위치 추적 알고리즘 39
1. 패킷 동기 방식 39
1) 동기식 패킷 기반 시간 동기화 40
2) 오차 처리 44
2. 깊이 오토인코더 기반 UWB 위치 추적 알고리즘 48
1) 심층 오토인코더 개요 48
2) 깊이 오토인코더의 프레임 구조 49
3) 네트워크 훈련 과정 50
3. 주목 메커니즘 기반 UWB 위치 추적 알고리즘 51
1) 주목 메커니즘의 기본 이론 51
2) 주목 메커니즘 네트워크 모델 54
3) 훈련 위치 추적 과정 57
Ⅳ. 위치 추적 알고리즘 실험과 결과 분석 59
1. 시간 동기 실험 59
1) 실험 환경 59
2) 데이터 분석 60
2. 심층 오토인코더 기반 알고리즘 실험 61
1) 실험환경 및 데이터 준비 61
2) 실험 결과와 분석 64
3. 주목 메커니즘 기반 알고리즘 실험 68
1) 실험환경 및 데이터 준비 68
2) 실험 결과와 분석 69
Ⅴ. 결론 73
1. 결론 73
2. 전망 74
참고문헌 75
ABSTRACT 80
감사의 글 83

more
반출 Meta View 목록