Global Positioning System (GPS)와 같은 범지구적 위성 항법 시스템의 신호가 도달하지 못하는 실내 공간에서 Wi-Fi Received Signal Strength Indicator (RSSI) 지문 데이터셋을 이용한 실내 위치 추정연구는 실 내 위치 추정 기법의 중요한 방법 중 하나로 기대되어왔다. 그러나, RSSI와 이에 대응하는 위치 정보로 구성된 지문 데이터셋의 구축에는 많은 시간과 비용이 필요하여 실제 산업에서 사용하기에는 한계가 있 다. 본 논문에서는 RSSI에 대응하는 위치 정보를 기입하는 과정을 생략하고 Inertial Measurement Unit (IMU)를 이용해 위치 추정 신경망 모델을 학습하는 기법을 제안한다. 테스트 환경과 동일한 환경에서 학습 데이터를 수집함으로써 데이터베이스 구축을 위한 비용을 절감할 수 있다.

Learning Indoor Positioning Model by Combining Wi-Fi RSSI and IMU

Chan-Yeong Ju, Jae-Hyun Yoo*

In indoor spaces where signals from Global Navigation Satellite Systems (GNSS) are not reached, such as Global Positioning System (GPS), Wi-Fi Received Signal Strength Indicator (RSSI) fingerprint is one of the important methods of indoor localization. However, constructing a fingerprint dataset composed of RSSI and corresponding location information takes a lot of time and money, so there is a limit to its practical use in industry. In this paper, we propose a technique for learning an indoor positioning model by combining Wi-Fi RSSI and Inertial Measurement Unit (IMU), omitting the process of entering location information. By collecting training data in the same environment as the test environment, the cost for building a database is reduced.

Keywords: indoor positioning system, Wi-Fi RSSI, deep learning, IMU

Speaker 주찬영 성신여자대학교