2.1 무선 거리 측정 방식 기법

신호 세기란 수신된 전파 신호 강도를 나타내고 보통–99dBm에서 35dBm까지 범위를 가지며 신호의 강도가 강할수록 숫자가 높다. 신호 세기를 이용한 거리 측정 방법은 송신 신호의 물리적인 특성상 거리의 제곱에 비례하게 신호 세기의 감소가 일어나는 점에 착안하여, 이론적으로 송신 신호를 수신기에서 수신할 때, 송신 신호의 강도와 감쇠되는 수신 신호의 세기를 측정하여 송신기와 수신기 간의 거리를 측정하는 방법이다⁽³⁾. 실내 환경에서의 신호 세기는 여러 가지 방해물에 의해 굴절, 산란, 반사 등을 거친 왜곡된 신호를 가지게 되기 때문에 직접 이용하기 어려운 단점으로 추가적인 신호처리 과정이 필요하다. 본 연구에서는 단가가 낮고 여러 스마트 디바이스와 호환이 좋은 신호 세기 방식을 선택하여 프로토타입 구현에 적용하였다.

2.2 위치정보 확인 도구 Beacon

비콘(Beacon)은 위치정보를 주기적으로 전송하기 위해 사용하는 기기로, 전송하는 신호의 종류에 따라 Wi-Fi, ZigBee, 블루투스 비콘 등으로 분류가 되며, Fig. 1과 같이 비콘에서 스마트 디바이스로 주기적으로 신호 세기 신호를 보내면 스마트폰 내 앱에서 이를 인식하여 서버에게 이 정보를 넘기게 된다. 서버는 신호 세기의 신호를 분석 후 이에 맞는 정보를 스마트폰에 다시 제공하는 방식으로 진행된다. 본 연구에서는 Table 1의 비콘 통신 방법 중 전력 사용량과 호환성, 그리고 좁은 실내에서 유리한 BLE 비콘을 사용하였다.

Fig. 1. Example of BLE RSSI send scenario between smart device and server

2.3 위치추적 기법

2.3.2 변측량(Trilateration) 기법

위치추적 기법으로 많이 사용되는 삼변측량 방식은 Fig. 2와 같이 각 세 지점으로부터 추정하고자 하는 물체까지의 거리 D1, D2, D3를 측정하여 교차점의 위치를 추적하는 방식이다⁽⁵⁾.

Fig. 2. Schematic of the trilateration method

삼변측량 방식에는 두 가지 단점이 있다. 신호 세기 값은 기기의 수율 및 통신환경에 따라 차이를 가져 이상적으로 같은 값이 나오기가 힘들다. 이로 인하여 정확한 위치 추정이 어려워진다⁽⁶⁾. 두 번째로 여러 대의 비콘을 사용하게 되면 연산량이 증가한다.

현재 위치 추적 기법으로는

1. Fingerprinting

2. Trilateration

등이 사용되고 있으며 삼변측량 방식은 대략적인 위치에는 강점을 보이나 정확한 위치에는 약점을 가지기 때문에 본 연구에서는 정확한 위치 추적을 위해 Fingerprinting 방식을 개량하여 구현에 적용하였다.

2.4 신호처리에 사용된 필터와 기계학습 기법

2.4.2 LSTM(Long Short Term Memory)

LSTM은 RNN(Recurrent Neural Net)의 변형된 버전이며 RNN은 유닛 간의 연결이 순환적 구조를 갖는 특징을 갖는 인공신경망의 한 종류이다⁽⁹⁾.

RNN의 기본 구조는 Fig. 3로 표현할 수 있으며 hidden state $h_{t}$, 입력 x, 출력 y로 구성되어있다. 현재 상태의 hidden state $h_{t}$는 직전 시점의 hidden state $h_{t-1}$를 받아 수식 (1)을 통해 갱신되며 현재 상태의 출력 $y_{t}$는 $h_{t}$를 전달받아 수식 (2)을 통해 갱신되는 구조이다.

(1)

$h_{k}=\tanh(W_{hh}h_{t-1}+W_{xh}x_{t}+b_{n})$

(2)

$y_{k}=W_{hy}h_{t}+b_{y}$

입력에 따라 출력이 나오는 과정을 순전파(Foward Propagation)라고 한다. 순전파를 따라 최종 출력되는 $y_{t}$, 최종 loss에 대한 $y_{t}$ 의 경사도($d L /dy_{t}$)를 역으로 계산해 hidden state의 파라미터(Parameter)를 갱신하는 과정을 역전파(Back Propagation)라고 한다. RNN은 hidden state가 순환 구조를 가지는 신경망으로 $h_{t}$를 만들 때 $h_{t-1}$가 반영된다. 이러한 과정으로 학습되는 RNN은 관련 정보와 그 정보를 사용하는 지점 사이 거리가 멀 때 역전파 과정에서 경사도가 점차 줄어 학습능력이 크게 저하되는 경사도 값이 사라지는 문제(Vanishing Gradient Problem)가 일어나는데 그러한 단점을 극복하고자 개발된 기계학습 기법이 LSTM이다. LSTM과 RNN의 구조적 차이는 Fig. 3 과 같이 표현할 수 있으며 cell state가 추가되어 설계된다.

Fig. 3. Schematic diagram of RNN and LSTM structure

$f_{t}$(forget gate)는 과거 정보 삭제를 위한 게이트로 $h_{t-1}$, $x_{t}$를 수식 (3)과 같이 시그모이드(Sigmoid) 함수($\sigma$)에 적용 값을 출력한다. 시그모이드 함수의 출력 범위는 0에서 1 사이이기 때문에 그 값이 0이라면 이전 상태의 정보는 삭제, 1이라면 이전 상태의 정보를 유지한다.

(3)

$f_{t}=\sigma(W_{xhf}x_{t}+ W_{hhf}h_{t-1}+ b_{hf})$

(4)

$i_{t}=\sigma(W_{xhi}x_{t}+ W_{hhi}h_{t-1}+ b_{hi})$

(5)

$g_{t}=\tanh(W_{xhg}x_{t}+ W_{hhg}h_{t-1}+ b_{hg})$

$i_{t}\odot g_{t}$(input gate)는 현재 정보를 저장하기 위한 게이트로 $h_{t-1}$, $x_{t}$를 수식 (4)과 같이 시그모이드 함수와 수식 (5)과 같이 쌍곡탄젠트(Hyperbolic Tangent)를 적용하고 아다마르 곱(Hadamard Product)연산($\odot$)을 한 값이다.

Fig. 4. Schematic of LSTM propagation

에서 초록색으로 표현된 순전파에서 앞서 설명한 RNN과의 차이점은 행렬 $H_{t}$ 을 사등분하여 $i$, $f$, $o$, $g$ 각각에 해당하는 활성 함수를 작용하여 계산한다. 마찬가지로 Fig. 4에서 붉은색으로 표현된 역전파 또한 RNN 과의 차이점은 $d_{i}$, $d_{f}$, $d_{o}$, $d_{g}$ 을 통합하여 $d H_{t}$ 구하고 앞서 설명한 RNN과 같은 방식으로 파라메터를 조정하게 된다. LSTM은 기존 신호세기를 이용한 삼변측량이나 디지털지문 추적에서도 매우 유리하기 때문에 실내 위치 추적 시스템에 다수 적용되었다⁽¹⁰⁾. 본 연구에서는 이전 연구들을 기반으로 비콘으로부터 수신한 신호에 Kalman 필터를 적용하고 잡음을 제거하여 기계학습을 진행하였다⁽⁸⁾. 신호 세기의 값이 움직임에 따른 경향성을 가지기 때문에 기계학습은 이전 분석을 기억해 활용할 수 있는 LSTM 기법을 통해 전 처리된 신호로부터 위치를 분석하도록 설계하였다⁽¹⁰⁾.

3.1 Radar 시스템 설계

앞서 설명한 기존의 삼변측량 방식의 단점을 해결하기 위해 본 논문에서 새롭게 고안한 방식은 Radar based 방식으로 Fig. 5에서 볼 수 있듯이 A, B, C, D 4방향 비콘의 신호 세기를 종합하여 분석해 정확한 목표물의 위치를 추적하고자 한다. 제안 방식은 비콘들이 비슷한 통신환경에 노출되며 이로 인하여 비콘 간 환경의 차이로 인한 결괏값 변화 및 오류에 영향을 덜 받게 되어 신호 세기 비교 값들의 신뢰성이 증가한다.

Fig. 5. Structure of the radar based tracking system

3.2 신호처리의 문제점과 해결방안

본 연구는 IoT 시장의 유리한 조건 중 하나인 긴 배터리 수명에 맞추어 저전력 블루투스인 BLE 비콘을 사용했다. 이를 사용하여 위치 추적에 필요한 신호 세기의 값을 받으면 세 가지 문제가 발생한다.

첫 번째, 1초에 1개의 신호 세기 값을 전송하는 BLE 비콘의 특성상 위치 추적에 긴 시간이 걸린다.

두 번째, 스마트 디바이스의 위치와 비콘의 안테나 방향에 따라 신호 세기 값이 불안정해진다.

세 번째, 같은 환경의 조건에서 스마트 디바이스의 설계 방식에 따른 안테나 위치의 차이로 인해 디바이스의 방향에 따라 신호 세기가 다르게 측정되는 현상이 생긴다. 이러한 문제들을 해결하기 위해서 본 실험에서는 총 12개의 비콘을 Fig. 6와 같이 지향성(Cardioid) 안테나를 세 방향(A', A'', A''')으로 조정해서 하나의 무지향성 안테나(A)와 같은 특성을 보이도록 함과 동시에 시간당 받을 수 있는 신호 세기 값이 증가 되도록 하여 해결하고자 하였다.

Fig. 6. Structure of the cardioid antenna and the additional beacon

3.3 실험에 사용된 도구 및 방법

본 실험에서는 12개의 hm-10 블루투스 모듈을 비콘으로 사용하였고 스마트 디바이스는 iPhone 5s를 사용하였다. 기계학습의 학습 및 적용은 Fig. 7 과 같은 NVIDIA 사의 에지 AI 애플리케이션 및 디바이스를 지원하도록 설계된 소형 컴퓨터 Jetson Nano Developer Kit을 사용하여 실험을 진행하였다. RNN과 LSTM으로 신호 세기를 분석 후 Fingerprinting 방식으로 위치를 추적했다.

Fig. 7. NVIDIA jetson nano developer kit

Fig. 8. Experiment layout

3.4 실험결과

Table 2는 실험 결과를 추적 시스템 종류와 실험공간 분할 방식에 따른 정확도로 나타내었다. 분석 결과 Mapping시스템은 중심부를 특정하기 어려웠고 5초간 디바이스의 위치를 고정하는 상황에서 신호 세기 값이 유지되지 않고 계속 변화하는 것을 관찰할 수 있었다. 반면 RNN과 LSTM은 신호 세기의 변화 경향성 분석에 유리하게 작용해 Mapping 시스템보다 상당히 정확한 결과를 확인할 수 있었으며 세분된 공간에서도 유리한 모습을 보였다.

실험 과정 중 정답 직후 정확도가 유지되지 못하는 현상을 발견했다. 따라서 추가로 정답 직후 다음 정확도, 즉 연속 정확도 측정 실험을 진행하였고 실험 결과는 Table 3으로 정리할 수 있다.

Table 3에서 확인할 수 있듯이 Mapping 시스템은 정답 이후에 정확도의 급격한 하락을 관찰하였고 이 문제는 2 by 2 이상으로 인식하는데 한계점으로 작용한다. 반면 RNN 시스템은 초기에 연속된 정확도에도 강한 모습을 보였다. 그러나 횟수가 증가하고 시간이 흐름에 따라 시스템의 정확도가 떨어지기 시작했다. 반면 LSTM으로 학습한 시스템은 장기간의 실험에도 정확도를 유지하는 것을 확인할 수 있었다. 이는 LSTM의 큰 특징인 장기적인 기억이 위치를 추적하면서 상당히 유리한 작용을 했다고 판단할 수 있다.