증가하는 무선 통신 단말과 단말이 사용하는 데이터 서비스를 수용하기 위해, 통신 인프라는 다기종 무선 액세스 포인트를 광역 및 핫-스팟에 조밀하게 배치하는 형태로 발전되어왔다. 이로 인해, 현재 무선 통신 인프라는 지역별로 서로 다른 무선 액세스 포인트가 중첩된 경우가 많으며, 중첩된 무선 액세스의 조합 및 각 무선 액세스로부터의 수신신호세기가 위치별로 고유하게 분포되어 있다. 특히, 이동통 신 단말에서 범용적으로 사용하고 있는 LTE, WiFi, 블루투스 3가지 무선 기술은 통신 범위, 액세스 포인트의 위치가 상이하여, 위치별로 고유한 신호 조합을 형성하기 때문에 단말의 위치를 추론하는 지표로 활 용될 수 있다. 이러한 무선 통신 인프라의 위치 별 다양성과 고유성을 활용하여 단말의 위치를 추론하는데 사용되고 있는 핑거-프린팅(finger-printing) 방식은 특정 위치 격자안에서 측정되었던 무선신호 의 참조 값을 설정하고, 위치를 찾고자 하는 단말에서 수신되는 무선 신호 측정치와 참조 값의 비교를 통해, 단말이 어느 격자에 속해 있는지 판별한다. 하지만, 수신신호 세기의 경우, 같은 지역내에서도 시 간 및 단말에 따라 변화하고, 임의로 구획된 특정 격자와 인접 격자에서 연속적인 값을 갖기 때문에, 오류가 수반된 참조 값이 설정되기 쉽다. 오류가 포함된 참조 값은 무선 신호 별 조합되며 증폭되어 정확 한 위치 추정에 어려움을 준다. 이러한, 어려움을 극복하기 위해 본 연구에서는 convolutional neural network (CNN)를 통해 각 위치에서 측정되는 무선 액세스 신호 식별자 및 수신 신호 세기의 임의성을 학 습하 고, 위치 별 무선 신호의 고유 패턴을 추출한 후, 각 액세스 별로 추출된 고유 패턴을 multi-layer perceptron (MLP)를 통해 강건하게 조합함으로써, 다양한 무선 신호 세기를 활용하여 단말 위치 추론의 정 확 성을 높이는 방법을 소개한다. 아울러, 본 모델이 각 무선 신호의 변이가 있는 상황에서도 단말 위치 추론의 정확성을 안정적으로 달성할 수 있음을 확인한다.

CNN Based Localization Using Heterogeneous Wireless Signals

Soohwan Lee*, Youngsu Cho

With the increasing demand for data services across numerous wireless devices, various wireless access points have been densely deployed in both hotspot and macro areas. The presence of multiple access points at a given location creates location-specific patterns in terms of accessible access points and the received signal strength, which can be leveraged for localization. Specifically, the heterogeneous communication coverage and spatial distribution of LTE, WiFi, and Bluetooth, which are commonly used in mobile devices, yield unique combinations that can be used to infer the device’s location. Conventional finger-printing based methods utilize the local signal characteristics by assigning reference value to each location grid, and inferring device’s location through comparison with the observed signals. However, the variability and noise inherent in received signal strength often cause non-trivial errors in the reference signal, leading to significant degradation in localization accuracy due to the accumulation of errors from each access points. In order to address this issue, we propose a convolutional neural network (CNN) based model that improves location inference accuracy using received wireless signals. The model is composed of two parts: i) CNN layers specialized for each wireless access technology, which extract location-specific signal patterns from received signal strength and access point identifiers, and ii) multi-layer perceptron (MLP) layers that integrate the extracted features from each CNN to enhance model robustness. We further demonstrate that the proposed model achieves high localization accuracy, even in noisy environments with fluctuating access point availability.

Keywords: deep learning, CNN, wireless signal based positioning

Speaker 이수환* 한국전자통신연구원