긴급 구조 상황은 주로 실내에서 발생하므로 GPS에 의존하지 않고 LTE 및 Wi-Fi와 같은 무선 통신 서비스를 사용하여 위치를 추정할 수 있어야 한다. LTE와 Wi-Fi를 함께 활용하면 비교 적 높은 정확도로 위치를 추정할 수 있지만, 주변 환경에 따라 LTE 만을 이용하여 위치를 추정해야 하는 경우가 많다. 하지만 긴급구조 상황에서 LTE를 이용하여 위치를 추정할 때, 단일 통신사의 기지국 위치 정보를 사용하기 때문에 그 정확도가 매우 낮다. 본 논문에서는 긴급구조를 요청한 단말에서 수집한 단일 통신사의 LTE Cell 정보를 이용하여 다른 통신사의 LTE 셀 정보를 추정한 후, 통신 3사 LTE 셀 정보를 모두 이용하여 측위를 수행하는 방법을 제안한다. 우리는 측위를 위한 데이터베이스 구축을 위해 통신 3사의 데이터를 모두 수집하였다. Sequence-to-Sequence (seq2seq) 모델에 수집한 통신 3사 LTE 셀 정보를 학습데이터로 이용하여 타사 LTE 셀 정보를 추정하는 모델을 학습한다. seq2seq 모델은 자연어 처리, 기계 번 역, 음성 인식 등과 같은 많은 작업에서 사용되는 심층학습 모델로 하나의 순차열을 다른 순차열로 변환하는 역할을 기능을 할 수 있다. 또한 seq2seq 모델은 입력과 출력 시퀀스가 서로 다른 길이를 가질 수 있는 경우에도 처리할 수 있기 때문에 통신사별로 다른 길이를 가진 LTE 셀 정보에 적합하다. 우리는 이렇게 학습된 모델로 단일 통신사의 LTE 셀 정보를 이용하여 다른 2개 통신사의 LTE 셀 정보를 추정하고, 추정한 통신 3사 LTE 셀 정보를 모두 활용하여 측위 실험을 진행한 후, 단일 통신사 LTE 셀 정보를 이용한 측위 결과와 비교 분석하였다.

Deep Learning-Based LTE Positioning Technology for Emergency Rescue

Ju-Il Jeon*, Jin-Ah Kang, Shun-Shim Chun, Young-Su Cho

Emergency rescue situations often occur indoors, so it is necessary to estimate the location using wireless communication services like LTE and Wi-Fi, rather than relying on GPS. When using LTE and Wi-Fi together, the location can be estimated with relatively high accuracy, but depending on the surrounding environment, it is often necessary to estimate the location using only LTE. However, when estimating a location using LTE in an emergency situation, the accuracy is very low because the base station location information of a single carrier is used. In this paper, we propose a method of estimating the LTE cell information of another carrier using the LTE cell information of a single carrier collected from the terminal requesting emergency rescue, and then performing positioning using the LTE cell information of all three carriers. We collected data from all three communication carriers to build a positioning database. Using the collected LTE Cell information from these three carriers, we trained a sequence-to-sequence (Seq2seq) model to estimate LTE Cell information from other carriers, employing the collected data as the training dataset. The seq2seq model is a deep learning architecture widely applied in tasks such as natural language processing, machine translation, and speech recognition. Its primary function lies in transforming one sequence into another, enabling it to convert a given sequence into a different sequential format. In addition, since the seq2seq model can process even when input and output sequences can have different lengths, it is suitable for processing LTE cell information having different lengths for each carrier. We used a trained model to estimate the LTE Cell information of two other carriers using the LTE Cell information of a single carrier. And we conducted a positioning experiment using the estimated LTE Cell information of all three carriers, and compared and analyzed it with the positioning results using the LTE Cell information of a single carrier.

Keywords: positioning, LTE cell, deep learning, seq2seq, LSTM, RNN

Speaker 전주일* 한국전자통신연구원