(b) Third floor
(c) Fourth floor
그림 4.3 기존 및 제안된 방법의 획득된 위치인식 빈도수(계속)
Fig. 4.3 The acquired positioning frequencies of existing and proposed methods(Cont.)
획득된 위치인식 빈도수에 따른 정확도 비교는 표 4.2와 같다. 2층에서
MGIF는 위치인식 최대 빈도수 334회, 최소 빈도수 4회로 평균 정확도
10.35 %, UFECM는 최대 빈도수 540회, 최소 빈도수 277회로 평균 정확도
80.94 %다. 3층에서 MGIF는 최대 빈도수 211회, 최소 빈도수 2회로 평균
정확도 9.07 %, UFECM는 최대 빈도수 540회, 최소 빈도수 207회로 평균
정확도 73.00 %다. 4층에서 MGIF는 최대 빈도수 317회, 최소 빈도수 1회
로 평균 정확도 7.67 %, UFECM는 최대 빈도수 540회, 최소 빈도수 175회 로 평균 정확도 72.94 %다. 전체 위치인식 빈도수 540회 중 방위각에 변 화에 따라 MGIF는 지자기 전체 세기를 이용하기 때문에 개별 축 신호가 변화하더라도 전체 값 변화에 둔감하여 중첩되는 값을 가진 다른 위치로 인식하는 오차가 발생하였다. 그러나 UFECM는 참조위치 별 고유한 지자 기 값으로 추출한 Ellipse Coefficient와 비교 연산을 하기 때문에 지자기 신호가 변하더라도 인식률이 높았으며 신호를 평활화하여 개별 축 신호 특성을 반영하였기 때문에 위치 인식에 더 강인한 모습을 보였다.
표 4.2 위치인식 정확도 비교
Table 4.2 The comparison of positioning accuracy Accuracy
Method MGIF UFEE
(Ellipse Coefficient)
UFEE (+Compansated z)
2F 10.35 % 53.29 % 80.94 %
3F 9.07 % 49.77 % 73.00%
4F 7.67 % 62.75 % 72.94%
Average 9.03 % 55.27 % 75.63%
위치 인식 결과에 대한 오차거리 비교 결과는 그림 4.4에 나타내었으 며 그래프의 x축은 전체 참조위치, y축은 오차거리로 (a)에서 MGIF는 1번
위치와 12번 위치에서 각각 4.66 m, 29.15 m, UFECM는 14번 위치와 13번
위치에서 각각 0.25 m, 11.53 m로 최소 및 최대오차거리를 보였다. (b)에서
MGIF는 42번 위치와 36번 위치에서 각각 9.70 m, 37.00 m, UFECM는 29,
42번 위치와 23번 위치에서 각각 0.04 m, 17.18 m로 최소 및 최대오차거리
를 보였다. (c)에서 MGIF는 68번 위치와 59번 위치에서 각각 2.95 m,
30.41 m, UFECM는 48번 위치와 67번 위치에서 각각 0.13 m, 14.72 m로 최
소 및 최대오차거리를 보였다.
(a) Second floor
그림 4.4 기존 및 제안된 방법의 위치인식 오차거리
Fig. 4.4 The positioning error distance of existing and proposed methods
(b) Third floor
(c) Fourth floor
그림 4.4 기존 및 제안된 방법의 위치인식 오차거리(계속)
Fig. 4.4 The positioning error distance of existing and proposed
위치인식 오차거리의 전체 결과는 표 4.4와 같으며 MGIF는 각도에 따라 수집되는 고유한 지자기 신호에 대해 사전에 구축한 전방위각 DB와의 비 교연산을 적용함으로써 위치인식이 가능하지만 참조위치별로 발생하는 다 수의 신호 근사치로 인해 위치분해능이 떨어져 오차 발생에 취약하다. 또한 동일한 위치에서 조차 방위각에 따라 지자기 신호가 크게 변화될 수 있기 때문에 인식률이 크게 저하된다. 반면에 UFECM는 방위각을 고려한 Ellipse
Coefficient Map 연산을 거치기 때문에 위치오차에 강인한 모습을 보이며
위치별 신호 특성에 따른 평활화를 적용함으로써 정확성을 향상시켰다.
표 4.3 위치인식 오차거리 비교
Table 4.3 The comparison of positioning error distance Error distance
Method MGIF UFECM
2F
Min 4.66 m 0.25 m
Max 29.15 m 11.53 m
Average 14.30 m 3.01 m
3F
Min 9.70 m 0.04 m
Max 37.00 m 17.18 m
Average 20.72 m 4.91 m
4F
Min 2.95 m 0.13 m
Max 30.41 m 14.72 m
Average 19.14 m 4.49 m
Total average 18.05 m 4.14 m
그림 4.5 ~ 4.7은 각 층별로 경로에 따른 위치인식 결과로 2층 1~9 (0˚), 10~13 (270˚), 12~9 (90˚), 14~23 (90˚), 3층 24~32 (0˚), 33~36 (270˚), 35~32 (90˚), 37~46 (90˚), 4층 47~55 (0˚), 56~59 (270˚), 58~55 (90˚), 60~69 (90˚)에서 지자기 신호를 수집하여 MGIF와 UFECM를 비교하였다. 여기서 왼쪽 그림의 x축 은 참조위치, y축은 추정위치로서 이동 경로에 따라 위치를 추정한 결과 고 오른쪽 그림의 x축은 참조위치, y축은 오차거리로서 위치오차 발생에 의해 생성된 추정오차거리를 나타낸 결과다.
표 4.5는 경로에 따른 위치인식 정확도를 나타낸 것으로 참조위치 간
격이 3.00 m인 것을 고려하였을 때 좌측 Confusion matrix를 통해 MGIF는
정확한 위치인식 여부를 판단하는 대각선 영역에서 대부분 벗어난 것을 확인할 수 있으며 UFECM는 좌측 혼동 행렬을 통해 추정 위치가 참조위 치와 대다수 일치함을 확인할 수 있다.
표 4.6은 경로에 따른 위치인식 오차거리 비교를 나타낸 것으로 경로
중 2층에서 MGIF는 7번째 위치와 13, 25번째 위치에서 1.00 m와 12.00 m로
최소 및 최대오차거리를 보였고 UFECM는 9, 15번째 위치와 27번째 위치
에서 0.20 m와 7.45 m로 최소 및 최대오차거리를 보였다. 3층에서 MGIF는
12번째 위치와 30, 49번째 위치에서 1 m와 12 m로 최소 및 최대오차거리를
보였고 UFECM는 44번째 위치와 73번 위치에서 0.67 m와 4.53 m로 최소
및 최대오차거리를 보였다. 4층에서는 66, 73, 75번째 위치와 56번째 위치
에서 1 m와 11.40 m로 최소 및 최대오차거리를 보였고 UFECM는 62번째
위치와 79번째 위치에서 0.65 m 와 6.27 m로 최소 및 최대오차를 보였다.
(a)MGIF
(b) UFECM
그림 4.5 2층에서 기존 및 제안된 방법의 경로에 따른 위치
인식 결과
Fig. 4.5 The positioning result in path of existing and proposed methods at second floor
(a)MGIF
(b) UFECM
그림 4.6 3층에서 기존 및 제안된 방법의 경로에 따른 위치
인식 결과
Fig. 4.6 The positioning result in path of existing and proposed
(a)MGIF
(b) UFECM
그림 4.7 4층에서 기존 및 제안 된 방법의 경로에 따른 위치
인식 결과
Fig. 4.7 The positioning result in path of existing and proposed methods at fourth floor
표 4.4 경로에 따른 위치인식 정확도 비교
Table 4.4 The comparison of positioning accuracy in path Accuracy
Method MGIF UFECM
2F 39.01 % 91.85 %
3F 15.80 % 89.14 %
4F 26.17 % 86.42 %
Average 27.00 % 89.14 %
표 4.5 경로에 따른 위치인식 오차거리 비교
Table 4.5 The comparison of positioning error distance in path Error distance
Method MGIF UFECM
2F
Min 1.00 m 0.20 m
Max 12.00 m 7.45 m
Average 4.15 m 0.03 m
3F
Min 1.00 m 0.67 m
Max 12.00 m 4.53 m
Average 4.63 m 0.39 m
4F
Min 1.00 m 0.13 m
Max 11.40 m 6.27 m
Average 4.24 m 0.65 m
Total average 4.34 m 0.36 m
위치 간격이 반경 3.00 m인 것을 고려하였을 때 MGIF는 실험 공간에 따른 평균최대오차 11.8 m로 정밀한 위치인식에 한계점이 존재한다.
UFECM는 평균최대오차가 6.08 m지만 경로 내 참조위치에서 대체로 5.00
m 이내의 오차가 발생하기 때문에 경로에 따라 방위각이 변함에도 불구
제 5 장 결 론
본 논문에서는 자력선 분포를 왜곡시키는 다양한 강자성 재료로 구성 된 실내 환경에서 동일한 위치의 방위 변화에 따른 지자기 신호에 의해 발생하는 위치 오차를 감소시키기 위해 Fingerprint기반 지자기맵의 방위각
에 따른 2차원 자기벡터 및 yaw축 보정을 적용한 실내위치인식 알고리즘
을 제안하였다. 제안한 3차원화 시스템은 정규화 선형 최소자승법을 적용 한 지자기의 Ellipse Coefficient Map을 설계함으로써 데이터베이스가 간소 화됨에도 곡률편향이 거의 없고 지자기 신호 평활화 기법을 적용함으로써 위치인식 정확도를 향상시켰다. 제안한 알고리즘은 48 m × 30 m의 실내공 간 다수의 층에서 기존 지자기 세기기반 방식과 제안한 방법에 대한 결과 를 비교 및 분석하였다. 실험 결과 경로에 따른 위치 인식 정확도를 27.00
%에서 89.14 %로 62.14 % 개선하였고 오차거리는 4.34 m에서 0.36 m로
3.98 m 감소하였다.
Fingerprint 데이터베이스 구축 시 고유한 지자기 신호 특성을 3차원화
함으로써 조밀한 참조위치 간격에도 위치분해능을 개선할 수 있는 가능성 을 제시하였으며 단일 지자기 센서만을 이용하여 방위각 변화에도 강인한 위치인식시스템을 구축하였기 때문에 현재 연구가 진행중인 타 실내측위 기술과 융합할 경우 고성능의 결과를 도출할 것으로 판단된다. 이 연구를 통하여 건물, 공장과 공공장소 등의 실내에서도 Ellipse Coefficient Map만 구축되어 있다면 향후 정밀한 위치 인식이 가능하여 LBS(Location based service)에 적용에 유용하게 쓰일 것으로 기대된다.
참 고 문 헌
[1] K. Pahlavan, P. Krishnamurthy and A. Beneat, “Wideband radio propagation modeling for indoor geolocation applications,” IEEE Communications Magazine, vol. 36, no. 4, pp.60-65, 1998.
[2] S. Grzonka, G. Grisetti and W. Burgard, “A Fully Autonomous Indoor Quadrotor,” IEEE Transactions on Robotics, vol. 28, no. 1, pp. 90-100, 2012.
[3] C. Y. Yao and W. C. Hsia, “An Indoor Positioning System Based on the Dual-Channel Passive RFID Technology,” IEEE Sensors Journal, vol. 18, no. 11, pp. 4654-4663, 2018.
[4] Z. Zheng, L. Liu C. Zhao and W. Hu, “High accuracy indoor positioning scheme using single LED and camera,” Electronics Letters, vol. 54, no. 4, pp. 227-229, 2018.
[5] J. H. Seong and D. H. Seo, “Environment Adaptive Localization Method Using Wi-Fi and Bluetooth Low Energy,” Wireless Personal Communications, vol. 99, no. 2, pp. 765-778, 2018.
[6] H. Fourati, “Heterogeneous Data Fusion Algorithm for Pedestrian Navigation via Foot-Mounted Inertial Measurement Unit and Complementary Filter,” IEEE Transactions on Instrumentation and Measurement, vol. 64, no. 1, pp. 221-229, 2015.
[7] A. Perttula, H. Leppäkoski, M. Kirkko-Jaakkola, P. Davidson, J. Collin and J. Takala, “Distributed indoor positioning system with inertial measurements and map matching,” IEEE Transactions on Intelligent Transportation Systems, vol. 15, no. 4, pp. 1714-1727, 2014.
[8] P. K. Yoon, S. Zihajehzadeh, B. S. Kang and E. J. Park, “Robust biomechanical model-based 3-D indoor localization and tracking method using UWB and IMU,” IEEE Sensors Journal, vol. 17, no. 4, pp.
1084-1096, 2017.
curve fitting and location search using received signal strength,” IEEE Transactions on Industrial Electronics, vol. 62, no. 1, pp. 572-582, 2015.
[10] J. Niu, B. Wang, L. Shu, T. Q. Duong, and Y. Chen, “ZIL: An energy-efficient indoor localization system using ZigBee radio to detect WiFi fingerprints,” IEEE Journal on Selected Areas in Communications, vol. 33, no. 7 pp. 1431-1442, 2015.
[11] L. Pei, R. Chen, J. Liu, H. Kuusniemi, T. Tenhunen, and Y. Chen,
“Using inquiry-based Bluetooth RSSI probability distributions for indoor positioning,” Journal of Global Positioning Systems, vol. 9, no. 2, pp.
122-130, 2010.
[12] J. H. Seong, E. C. Choi, J. S. Lee and D. H. Seo, “High-Speed Positioning and Automatic Updating Technique Using Wi-Fi and UWB in a Ship,” Wireless Personal Communications, vol. 94, no. 3, pp.
1105-1121, 2017.
[13] J. Haverinen and A. Kemppainen, “Global indoor self-localization based on the ambient magnetic field,” Robotics and Autonomous Systems, vol.
57, no. 10, pp. 1028-1035, 2009.
[14] H. Xie, T. Gu, X. Tao, H. Ye and J. Lv, “MaLoc: A practical magnetic fingerprinting approach to indoor localization using smartphones,”
Proceedings of the 2014 ACM International Joint Conference on Pervasive and Ubiquitous Computing, pp. 243-253, 2014.
[15] Z. Liu, L. Zhang, Q. Liu, Y. Yin, L. Cheng and R. Zimmermann,
“Fusion of magnetic and visual sensors for indoor localization:
Infrastructure-free and more effective,” IEEE Transactions on Multimedia, vol. 19, no. 4, pp. 874-888, 2017.
[16] Y. Ma, Z. Dou, Q. Jiang and Z. Hou, “Basmag: An Optimized HMM-Based Localization System Using Backward Sequences Matching Algorithm Exploiting Geomagnetic Information,” IEEE Sensors Journal, vol. 16, no. 20, pp. 7472-7482, 2016.
[17] K. M. Lee, M. Li and C. Y. Lin, “Magnetic Tensor Sensor and Way-Finding Method Based on Geomagnetic Field Effects With
Applications for Visually Impaired Users,” IEEE/ASME Transactions on Mechatronics, vol. 21, no. 6, pp. 2694-2704, 2016.
[18] Y. Shu, C. Bo, C. Zhao, L. Li and F. Zhao, “Magicol: Indoor Localization Using Pervasive Magnetic Field and Opportunistic WiFi Sensing,” IEEE Journal on Selected Areas in Communications, vol. 33, no. 7, pp 1443-1457, 2015.
[19] J. Jung, S. M. Lee and H. Myung, “Indoor Mobile Robot Localization and Mapping Based on Ambient Magnetic Fields and Aiding Radio Sources,” IEEE Transactions on Instrumentation and Measurement, vol.
64, no. 7, pp. 1922-1934, 2015.
[20] C. Zhang, K. P. Subbu, J. Luo and J. Wu, “GROPING: Geomagnetism and cROwdsensing Powered Indoor NaviGation,” IEEE Transactions on Mobile Computing, vol. 14, no. 2, pp. 387-400, 2015.
[21] K. A. Nguyen and Z. Luo, “Dynamic route prediction with the magnetic field strength for indoor positioning,” vol. 12, no. 1, pp. 16-35, 2017.
[22] J. Chung, M. Donahoe, C. Schmandt, I. J. Kim, P. Razavai and M.
Wiseman, “Indoor location sensing using geo-magnetism,” Proceedings of the 9th international conference on Mobile systems, pp. 141-154, 2011.
[23] R. Kang and L. Cao, “Smartphone indoor positioning system based on geomagnetic field,” IEEE Chinese Automation Congress (CAC), pp.
1826-1830, 2017.
[24] L. C. Boles and K. J. Lohmann, “True navigation and magnetic maps in spiny lobsters,” Nature 421 , pp. 60-63, 2003.
[25] H. Xie, T. Gu, X. Tao, H. Ye and J. Liu, “A Reliability-Augmented Particle Filter for Magnetic Fingerprint Based Indoor Localization on Smartphone,” IEEE Transactions on Mobile Computing, vol. 15, no. 8, pp. 1877-1892, 2016.
[26] Z. Zhao, T. Hu, W. Cui, J. Huangfu, C. Li and L. Ran, “Long-Distance Geomagnetic Navigation: Imitations of Animal Migration Based on a