Home

BLE 기반 비콘이 송출하는 신호의 RSSI는 신호 간섭, 날씨, 주변 환경에 의한 신호 난반사 등에 영향을 받는다. 따라서 이것을 이용하여 사용자 단말기와 비콘 사이의 거리를 계산하여 사용자의 위치를 결정하는 방법은 정확도가 낮다. 이로 인한 오차는 필터링 방법을 이용하여 일부 해소할 수 있다. 하지만 필터링 등의 방법은 신호 난반사로 인한 오류를 해결할 수 없다. 신호 난반사로 인한 사용자 위치 오차 감소를 위해 난반사 차폐 장치와 거리 보정 방법이 제안되었다[5].

이 연구에서 신호 난반사 감소를 위해 그림 1에 보이는 난반사 차폐 장치를 제안하였다. 또, 이 연구는 칼만 필터 적용, 실측 거리별 신호의 오차 범위 계산, 비콘과 단말기 간의 실측 거리와 예측 거리 매핑, 유전 연산을 이용한 거리 계산의 순서로 이루어지는 거리 보정 방법을 제안하였다.

Fig. 1. 
Irregular reflection kit

[5]에서 제안한 방법은 실험에서 사용한 것과 같이 비교적 좁은 공간에서 신호 난반사로 인한 비콘과 사용자 단말기 간의 거리 측정 오차를 일부 감소시킬 수 있다. 하지만 전시공간 또는 강의실과 같이 신호의 전파를 방해하는 장애물과 신호를 반사하는 설치물이 많을 수 있는 비교적 넓은 공간에서 이 방법은 오류가 많을 수 있다.

또, 공간에 따라 [5]에서 제안한 방법은 거리 보정을 위한 상수가 재설정되어야 하며, 상수 재설정을 위해 실측 거리별 신호의 오차 측정이 수동으로 진행되어야 하는 문제도 있다.

삼각측량법(Trilateration-based algorithm)은 사용자 단말기와 세 개 이상의 기준점 간의 거리를 이용하여 사용자의 위치를 결정하는 방법이다. 이 방법을 적용하기 위해서는 기준점의 위치가 사전에 알려져 있어야 하며, 단말기와 각 기준점 간의 거리를 측정할 수 있어야 한다.

BLE 장치를 기반으로 한 실내 측위의 경우에 기준점은 BLE 비콘이 되며, 사용자 단말기와 비콘 간의 거리는 비콘이 주기적으로 송출하는 신호의 세기 즉, RSSI를 이용하여 계산된다. 하지만 앞에서 기술한 바와 같이 동일한 위치라고 하더라도 다양한 요인에 의해 사용자 단말기가 수신하는 비콘 신호의 RSSI는 달라질 수 있다.

여러 요인에 의한 비콘 신호 세기의 변화로 인한 삼각측량법의 오차 감소를 위해 [3]에서는 칼만 필터와 이상값(Error distance and location)을 제거하는 방법을 제안하고, 이를 이용한 구현을 위해 사용자 단말기에서 수행될 실내 위치 결정 소프트웨어 구조도 제안하였다.

지문(Fingerprinting)을 이용한 실내 위치 결정은 대상 공간을 논리적으로 셀의 격자 구조로 나누고, 각 셀의 특징을 사전에 데이터베이스화 하고, 사용자 단말기가 인지한 셀의 특징을 데이터베이스에서 검색하여 사용자 위치를 결정하는 것이다[10]. 비콘을 이용한 실내 위치를 결정하는 응용 분야에서 셀의 특징은 사용자 단말기가 수신하는 비콘 신호의 세기가 된다.

[2]는 공간의 각 셀에 대한 지문을 이용하여 지문 데이터베이스를 구축하고, 이를 이용하여 사용자의 위치를 결정하고 있다. 이때 사용하는 지문으로는 사용자 단말기가 수신한 N개의 BLE 장치 RSSI 값을 이용하고 있다. 또, BLE 신호 지문을 이용한 위치 결정의 정확도를 개선하기 위해 일정 기간동안 수집한 RSSI 값의 중간값 또는 평균값을 이용하는 다중경로 신호변화 완화(Multipath mitigation) 방법을 사용하였다.

공간 지문을 이용한 실내 위치 결정 방법은 공간을 셀의 격자로 나눈 후 각 셀에서 BLE 장치가 송출한 신호를 수신한 RSSI 값을 이용하여 셀 특징을 사전에 데이터베이스로 구축해야 하는데 이 과정은 수동으로 이루어져야 하는 문제가 있다. 또, 셀 특징 데이터베이스 구축을 위해 사용한 수신기에서 측정한 RSSI 값과 사용자 단말기에서 측정한 RSSI 값이 다를 수 있어 이에 대한 보정이 필요하다.

사용자 단말기가 수신한 비콘의 신호 세기를 기반으로 하여 사용자 단말기와 비콘 간의 거리를 계산하고, 이를 기반으로 하여 특정 공간 내 사용자의 재실 여부를 결정하거나, 신호 세기 만을 이용하여 재실 여부를 결정하는 것은 다양한 요인으로 인해 수신한 비콘 신호의 세기가 달라질 수 있어 효과적이지 않다.

실내 공간에 설치되어있는 비콘이 송출하는 신호를 사용자 단말기가 수신할 때 실내 공간의 상황 및 사용자 장치의 종류에 따라 그 신호 세기는 다르게 검출될 수 있다. 즉, 같은 위치에 있는 사용자 기기가 수신하는 비콘 신호의 세기는 상황에 따라 다를 수 있다. 따라서 사용자 기기가 수신한 신호의 세기를 기반으로 한 실내 위치 검출 및 서비스 제공에는 한계가 있다.

비콘 신호 세기 측정을 위해 그림 2에 나타낸 것과 같은 대학의 컴퓨터 실습실에 ‘BEACON #1’과 ‘BEACON #2’로 표시한 두 개의 비콘을 설치한 후 사용자 단말기로 수신한 비콘 신호의 세기를 측정하였다. 신호 세기 측정은 실습실의 여러 위치와 실습실 밖에서 수행되었다.

Fig. 2. 
University computer room in which two beacons are installed

표 1은 단말기가 수신한 비콘의 신호 세기를 나타낸 것으로 대상 장소 내에서 수신한 비콘 신호 세기가 -99dBm인 경우도 있었고, 밖에서 수신한 신호의 세기가 -67dBm인 경우도 있어 수신한 신호의 세기 또는 이를 이용한 거리를 활용하여 특정 공간 내 사용자의 재실 여부를 판단하는 것은 신뢰도가 떨어질 수 있다. 사용자가 실외에 있으면 단말기는 비콘 신호를 많은 경우 수신하지 못했지만, 실내에 설치된 비콘과 인접한 실외에서는 비콘 신호를 수신할 수 있었다.

시간, 장소, 주변 환경 등의 조건이 같을 때 사용자 단말기가 수신한 비콘 신호의 세기가 같다면 실내 위치 기반 서비스는 이 신호의 세기를 기반으로 하여도 사용자에게 적절하게 제공될 수 있다. 하지만 이러한 조건이 같아도 사용자 단말기가 수신한 비콘 신호의 세기는 일련의 연속된 시간 동안에 계속 변하고 있다. 표 2는 대상 공간의 임의로 정한 위치에서 사용자 단말기가 수신한 비콘 신호의 세기를 나타낸 것으로, 사용자 단말기가 비콘 신호 수신을 시작한 시간(t)부터 약 5초 단위로 5회 측정한 신호의 세기가 일정하지 않음을 알 수 있다.

비콘 신호를 기반으로 하여 사용자가 특정 공간 내에 머물고 있음을 결정하는 것은 전자출결 시스템과 같이 사용자가 머무르고 있는 공간을 기반으로 한 서비스의 기반이 된다. 수신한 신호의 세기를 이용하여 사용자가 특정 공간에 머무르고 있음을 결정하는 것은 앞서 기술한 바와 같이 효과적이지 않다. 따라서 사용자 단말기가 수신한 신호의 세기가 아닌 수신 신호 세기의 패턴을 이용하여 사용자의 재실 여부를 결정하는 방법이 필요하다.

본 논문에서는 사용자 단말기가 수신하는 비콘 신호의 세기 패턴을 기계 학습하여 특정 공간 내에 사용자가 머무르고 있는가를 나타내는 사용자의 재실 여부를 결정하는 방법을 제안한다. 신호 세기 패턴 학습을 위해서는 현재 수신한 신호 세기와 더불어 이전에 수신한 신호 세기 데이터도 필요하므로 본 논문에서 사용하는 기계학습 모델은 그림 3에 나타낸 것과 같이 신호 세기 패턴 학습을 위해 순환신경망 모델을 이용하고, 신호 세기 패턴 학습 결과를 이용하여 사용자가- 엄밀히 말하면 사용자 단말기- 있는 곳을 실내 또는 실외로 분류하기 위해 완전 연결 신경망(FC, Fully-Connected neural network)을 이용하였다. 본 논문에서 구성한 각 신경망 모델의 구체적인 파라미터는 4장에서 기술한다.

Fig. 3. 
Neural network model used in this paper

그림 3에 나타낸 신경망 모델에서 순환신경망의 입력은 단말기가 수신한 신호 세기 데이터이며, 단위는 dBm이다. 다음은 실험 환경 공간 내에서 사용자 단말기가 수신한 비콘 신호 세기의 예를 나타낸 것이다.

-79, -74, -73, -86, -73, -75, …

순환신경망의 입력은 신호 세기를 표현하는 한 개의 값이기 때문에 이 값은 학습모델이 신호 세기 또는 신호 세기 패턴의 특징을 학습하기에는 간단하다. 따라서 효과적인 기계학습이 될 수 있도록 자연어 처리에서 문장을 구성하고 있는 단어의 특징을 풍부하게 표현하기 위해 단어 임베딩하는 것과 같이 기계학습 모델이 데이터 또는 데이터 패턴이 가지고 있는 특징을 잘 표현할 수 있도록 학습 데이터가 생성되어야 한다.

신호 세기를 이용하여 학습 데이터를 생성하기 위해 본 논문에서 제안하는 방법은 영상처리에서 대상 이미지에 출현한 색의 빈도수를 이용하여 생성한 히스토그램을 이용한 것과 같이 학습 대상이 되는 각 신호 세기의 출현 빈도를 이용하여 각 신호 세기를 위한 벡터 데이터를 학습 데이터로 사용한다. 그림 4는 실험 환경에서 수신한 신호 세기의 빈도 벡터를 그래프로 나타낸 것이다. 실험 환경에서 수신한 신호 세기의 최대값과 최소값은 -45dBm과 –99dBm이며, 중간 세기는 -71dBm이다.

Fig. 4. 
Signal strength frequency vector graph

신호 세기 빈도를 이용하여 사용자 단말기가 수신한 신호 세기를 이용하여 학습 데이터를 생성하는 방법은 수신한 신호 세기가 학습 데이터 벡터의 중간값이 되도록 신호 세기 빈도수 벡터의 값을 이동하는 것이다. 예를 들어, 사용자 단말기가 수신한 신호 세기가 -86인 경우에 생성한 크기 55인 학습 데이터 벡터를 그래프로 표현한 것이 그림 5이다. 또, 그림 6은 신호 세기가 –65인 경우에 생성한 데이터 벡터를 그래프를 표현하였다.

Fig. 5. 
Frequency vector graph in the case of signal strength –86

Fig. 6. 
Frequency vector graph in the case of signal strength –65

본 논문에서 제안한 데이터(수신한 비콘 신호 세기) 출현 빈도 기반 학습 데이터 생성 방법으로 생성한 데이터를 학습한 후 일련의 입력 데이터에 대해 비콘이 있는 공간 내 사용자의 재실 여부를 결정하기 위해 본 논문에서 구성한 학습모델은 그림 7에 나타낸 것과 같다.

Fig. 7. 
Machine learning model based on beacon signal strength for deciding whether or not user is in a space such as lecture room, meeting room, etc.

본 논문에서 사용한 학습모델은 시퀀스라고 불리는 일련의 연속된 데이터를 모델링하는 순환신경망 RNN을 중심으로 구성되어 있다. 특정 공간 내 사용자의 재실 여부 결정을 위해 본 논문에서 사용하는 방법이 연속된 일련의 수신 신호 세기 데이터를 학습하는 것이기 때문에 본 논문의 학습모델은 순환신경망을 사용하였고, RNN으로 표기하였다. 순환신경망은 128개의 뉴런으로 구성하고, 시퀀스는 6으로 하였다.

순환신경망이 신호 세기 패턴 학습 및 분석을 하며 다음 단계의 신경망에서는 실내에 사용자의 존재 여부를 분류한다. 이를 위해 본 연구에서는 128개의 뉴런으로 구성되는 두 단계의 완전 연결 신경망을 이용하였고, FC로 표시하였다. 각 단계의 활성화 함수는 ReLU를 사용하였으며, 드롭아웃은 0.75로 설정하였다. 마지막 단계의 완전 연결 신경망은 공간 내 사용자의 존재 여부를 결정하기 위해 2개의 뉴런으로 구성되어 있으며, 활성화 함수는 softmax를 사용하였다. 기계학습 모델을 위한 오차 함수는 크로스엔트로피이며, 오차를 최소화하기 위한 최적화 알고리즘으로는 Adam 알고리즘을 사용하였다.

각 신호 세기를 신호 세기 패턴의 특징을 잘 표현할 수 있도록 본 논문에서 제안한 출현 빈도 기반 학습 데이터 생성 방법과 이를 이용하는 학습모델의 구현에 텐스플로 기반의 Keras가 이용되었다. Keras는 본 논문의 실험을 위해 사용한 시스템 환경(Intel Xeon E5-2640, 2CPU, 32GB, Quadro P2000 GPU, Ubuntu 18.04)과 무관하게 다양한 운영환경에서 실행된다.

사용자 단말기가 수신한 비콘 신호 세기 데이터에서 연속된 신호 세기 데이터를 사전 정의된 시퀀스 수 만큼 묶어 기초 데이터를 만들었다. 본 논문에서 사용한 시퀀스는 6으로 하였다. 이 과정을 통해 만들어진 기초 데이터는 843×6의 크기를 갖는다. 그림 8은 신호 세기 데이터에서 연속된 6개의 데이터를 묶어 기초 데이터를 만드는 것을 나타내고 있다.

Fig. 8. 
Raw data for generating training data

학습 데이터는 본 논문에서 제안한 데이터 출현 빈도 기반 학습 데이터 생성 방법을 이용하여 생성되었다. 본 논문에서는 한 개의 기초 데이터가 길이 55인 벡터로 표현되기 때문에 843×6 크기의 기초 데이터로 생성된 학습 데이트는 843×6×55의 크기를 갖는다.

표 3은 학습을 완료한 후 시험용 데이터를 이용하여 실내에 사용자의 재실 여부를 결정한 결과를 나타낸 것이다. 실험 결과에 의하면 실험 환경의 실내(Right answer-indoor)에서 수신한 일련의 신호 세기 데이터를 입력으로 하여 기계학습 모델이 추정한 것(Predict answer)은 모두 정확하게 결정하였다. 반면 실험 환경의 실외(Right answer-outdoor)에서 수신한 신호 세기 데이터를 모델에 적용한 경우에 실내(Predict answer-indoor)이라고 잘못 예측한 비율이 0.4, 실외(Predict answer-outdoor)이라고 예측한 비율이 0.6으로 평가되었다.

실외에서 수신한 비콘 신호 세기를 입력으로 하여 학습모델이 예측한 사용자의 위치 결정의 오류는 학습 데이터에 실외에서 수신한 신호 세기 데이터가 상대적으로 적게 포함된 것이 그 원인인 것으로 판단이 된다.