Wi-Fi fingerprinting 기법은 기 구축된 Wi-Fi 인프라를 활용할 수 있다는 점에서 가장 널리 사용되는 실내위치인식 기법이다. 그러나 서비스 제공에 필요한 라디오맵을 구축하기 위해서 는 많은 인적, 시간적 비용을 필요로 하며, 이는 Wi-Fi 기반의 실내위치인식 기술이 활용되는데 있어 가장 큰 제약 중 하나이다. 이러한 구축 비용을 줄이기 위한 방법으로 크라우드소 싱 기반의 여러 연구들이 수행되었으나, 라디오맵의 학습을 위해 지속적인 센서 사용을 필요로 하거나, 일부 위치 정보가 포함된 핑거프린트의 수집을 필요로 하기 때문에 제한된 상 황에서만 활용할 수 있었다. 본 연구에서는 위치 정보가 포함된 핑거프린트 없이 제한된 센서만을 사용한 복층 건물에서의 실용적인 라디오맵 구축 방법을 제안한다. 본 방법에서는 Wi-Fi와 기압계 데이터의 상관관계를 활용한 클러스터링 방식으로 각 층에서 수집된 데이터를 결정하며, 이 때 층간 이동 수단의 위치를 reference point의 후보로 활용한다. 층이 결정 된 수집 데이터는 particle filter를 통해 위치를 추정하며, 위치가 결정된 일부 sequence간의 위치 및 Wi-Fi 유사도 간의 상관관계를 통해 라디오맵의 초기 모델을 구축한다. 최종적으로 구축한 초기 모델과 위치가 지정되지 않은 데이터를 Segmental k-means 알고리즘을 통해 최적화함으로써 라디오맵을 구축한다. 세 개의 대형 복층 건물에서 수행된 실험은 제안된 방 법이 별도의 reference point 없이 제한된 센서 사용만으로 라디오맵을 성공적으로 구축할 수 있다는 것을 보여준다.

Semi-supervised Learning-based Wi-Fi Radio Map Construction Method in Multi-story Buildings

Byeong-Cheol Moon, Dongsoo Han*

WLAN fingerprinting has been studied extensively due to the widespread deployment of WLAN infrastructure. However, extensive calibration efforts are required to collect as many fingerprints as necessary to construct a radio map, which is time- and labor-intensive. Many studies have been done to reduce the calibration effort, but their application is unavoidable in limited circumstances because some location labels are required to initialize the training model or continuous use of sensor data is required. In this study, we propose a practical radio map construction method in a multi-story building using only limited uses of sensors without location-labeled fingerprints. The method determines the unlabeled data of each floor by clustering method utilizes the correlation of Wi-Fi and barometer data and uses vertical transition points as location label candidates. Particle filter is used to obtain location label of each floor data, and an initial model of the radio map is built through the correlation between the location label and Wi-Fi similarity among location-labeled sequences. Finally, a radio map is constructed by optimizing the initial model with location-unlabeled data through the segmental k-means algorithm. Extensive experiments conducted in three large multi-story buildings show that this method successfully builds accurate radio maps without explicit effort to collect location references.

Keywords: indoor positioning, crowdsourcing, radio map construction

Speaker 문병철 한국과학기술원