히스토그램과 피어슨 상관 계수 기반 라디오맵 구축 기법에 관한 연구

Abstract

Wi-Fi Fingerprint estimates user's location using a Radiomap, a database of measured locations and Received Signal Strength Indicator (RSSI). The Radiomap is constructed by collecting RSSI from a physical location that corresponds exactly to a predetermined Reference Point (RP). Collecting large amounts of RSSI to construct a Radiomap with high positioning accuracy requires a large number of people to accurately navigate to a given RP and repeat the RSSI measurements. RSSI measurements must be repeated at every RP for a certain period of time, which requires a high deployment cost in terms of manpower and time. In particular, complexly structured positioning environments such as department stores and conventions can be time consuming and expensive to accurately navigate to the actual RP. An intuitive way to reduce these construction costs is to collect fewer RSSIs and space out the measurement RPs. However, the method of reducing the number of measurement acquisitions causes adverse effects on the positioning accuracy due to signal noise, and the method of increasing the spacing of RP reduces the positioning resolution, which limits the ability to recognize precise positions in a localization environment with complex structures. To solve this problem, I propose a Complete Radiomap Construction Method that ensures high positioning accuracy and precision by adding Unlabeled , whose measurement location is unknown, to Mini , which collects less RSSI and wider RP spacing than before. The proposed construction method consist of RSSI Augmentation Algorithm (RAA), which adds Unlabeled to Mini via Pearson Correlation Labelling (PCL) to increase the small number of measurement, and Pearson Correlation Interpolation Algorithm (PCIA), which relocates the added Unlabeled to be close to the actual measurement location via Pearson Correlation-Nearest Neighbor (PC-NN) to narrow the wide RP gap. The proposed PCL converts the to a probability distribution by histogram and normalization to obtain information about the mean, variance, and distribution. The transformed probability distributions are analyzed for similarity using Pearson Correlation Coefficient (PCC), and the RP of Unlabeled is estimated from the most similar probability distribution. To estimate the actual measured location of Unlabeled , PC-NN relocates Unlabeled after obtaining the nearest neighbor via PCL. The Mini , which is less expensive to construct, can be constructed as a complete Radiomap with similar performance to a measured Radiomap by adding Unlabeled using the proposed construction method. To validate the feasibility of the proposed construction method, I used datasets measured at Jong-O Underground Shopping Center (Jong-O) and Myeong-Dong Station Underground Shopping Center (Myeong-Dong Station) among Seoul's underground shopping Centers. A random sample was taken from the dataset to establish Mini . RPs were removed from the rest of the data to serve as Unlabeled . To check the performance of the Complete Radiomap, I compared the accuracy of the Peak Signal to Noise Ratio (PSNR) and Deep Learning-based Wi-Fi Fingerprint models. In experiments, the PSNR of the measurement Radiomap decreases as the number of measurements decreases, while the proposed Complete Radiomap maintains 40 B and 35 B regardless of the number of measurements. In addition, the location accuracy of measurement Radiomap decreases as the number of measurements decreases, and it is impossible to recognize the location due to the high error rate when the number of measurements is less than 60 times. The Complete Radiomap converges to similar accuracy as the measurement Radiomap with a higher number of measurements by maintaining 3 m and 3.8 m in Jong-O and 4 m and 4.5 m in Myeong-Dong Station regardless of the number of measurements. At the end of the day used in the experiment, the Mini has a data size of 2,300, which is 2.5 % of the Complete Radiomap data size. The Radiomap constructed by using 2.5% RSSI measurement can be constructed with high location accuracy and precision through the proposed Radiomap construction method. This research is expected to contribute to the commercialization of Fingerprint by enabling Radiomap that are expensive to construct to be constructed at a lower cost.|Wi-Fi Fingerprint는 측정 위치와 Received Signal Strength Indicator (RSSI)로 구성된 데이터 베이스인 라디오맵을 사용하여 위치를 추정한다. 라디오맵은 미리 지정된 Reference Point (RP)와 정확히 대응되는 실제 위치에서 RSSI를 수집하여 구축한다. 높은 위치 인식 정확도를 보장하는 라디오맵을 구축하기 위해 RSSI를 다량 수집하는 것은 다수의 사람이 지정된 RP로 정확히 이동하고 모든 RP에서 일정 시간 동안 RSSI 측정을 반복해야 하기 때문에 인적, 시간적으로 많은 구축 비용이 요구된다. 특히, 백화점과 컨벤션 등의 복잡한 구조 지닌 측위 환경은 실제 RP로 정확히 이동하는 과정에서 많은 시간과 비용을 소모한다. 이러한 구축 비용을 줄이는 직관적인 방법은 RSSI의 수집 횟수를 줄이고 측정 RP의 간격을 넓히면 된다. 하지만 RSSI의 수집 횟수를 줄이는 방법은 신호 노이즈로 인한 측위 정확도의 악영향을 일으키고 RP의 간격을 넓이는 방법은 측위 분해능이 감소하여 복잡한 구조의 측위 환경에서 정밀한 위치 인식에 대한 한계가 존재한다. 이 문제를 해결하기 위해 본 논문에서는 RSSI 수집을 기존 대비 적게 하면서 RP 간격을 넓게 수집하는 Mini 에 측정 위치를 모르는 Unlabeled 을 추가함으로써 높은 위치 정확도와 정밀도를 보장하는 Complete 라디오맵 구축 기법에 대해 제안한다. 제안하는 구축 기법은 Mini 의 적은 수집 횟수를 증가시키기 위해 Unlabeled 를 Pearson Correlation Labelling (PCL)을 통해 Mini 에 추가하는 RSSI Augmentation Algorithm (RAA)과 넓은 RP 간격을 좁히기 위해 추가된 Unlabeled 를 Pearson Correlation-Nearest Neighbor (PC-NN)을 통해 실제 측정 위치와 근접하도록 재배치하는 Pearson Correlation Interpolation Algorithm (PCIA)으로 구성된다. 제안하는 PCL은 평균과 분산, 분포의 정보를 획득하기 위해 를 히스토그램과 정규화를 통해 확률분포도로 변환한다. 변환된 확률분포도는 피어슨 상관 계수 (Pearson Correlation Coefficient: PCC)를 통해 유사도를 분석하고 가장 유사한 확률분포도를 통해 Unlabeled 의 RP를 추정한다. PC-NN은 Unlabeled 의 실제 측정 위치를 추정하기 위해 PCL을 통해 근접 이웃으로 향하는 를 구한 후 Unlabeled 을 재배치한다. 구축 비용이 적은 Mini 는 제안하는 구축 기법을 통해 Unlabeled 를 추가함으로써 실제 측정하여 구축한 라디오맵과 유사한 성능을 가지는 Complete 라디오맵으로 구축할 수 있다. 제안하는 구축 기법의 타당성을 검증하기 위해 서울 지하상가 중 종오 지하상가 (종오)와 명동역 지하상가 (명동역)에서 측정한 데이터셋을 사용하였다. 데이터셋에서 무작위로 추출하여 Mini 을 설정하였고 나머지 데이터에서 RP를 제거하여 Unlabeled 로 사용하였다. Complete 라디오맵의 성능을 확인하기 위해 Peak Signal to Noise Ratio (PSNR)과 Deep Learning 기반 Wi-Fi Fingerprint 모델의 정확도를 비교하였다. 실험 결과, 일반 라디오맵은 측정 횟수가 감소할수록 PSNR이 감소하는 반면 제안하는 Complete 라디오맵은 측정 횟수에 상관 없이 40dB와 35dB를 유지하였다. 또한, 일반 라디오맵은 측정 횟수가 감소하면 위치 정확도가 감소하고 측정 횟수가 60회 미만일 경우 높은 오차율로 인해 위치 인식이 불가능하다. Complete 라디오맵은 측정 횟수가 상관 없이 종오는 3m와 3.8m를 유지하고 명동역은 4m와 4.5m를 유지하여 측정 횟수가 높은 일반 라디오맵의 정확도와 유사하게 수렴한다. 실험에서 사용한 종오를 기준으로 Mini 의 데이터 크기는 2,300으로 Complete 라디오맵 데이터 크기의 2.5%이다. RSSI 측정을 2.5%하여 구축한 은 제안하는 라디오맵 구축 기법을 통해 높은 위치 정확도와 정밀도를 가진 라디오맵으로 구축할 수 있다. 본 연구를 바탕으로 구축 비용이 많이 드는 라디오맵을 적은 비용을 사용하여 구축할 수 있어 Fingerprint 상용화에 기여할 것으로 판단한다.