표제지
논문요약
목차
Ⅰ. 서론 13
1. 연구의 목적 13
2. 연구의 방법 및 범위 14
Ⅱ. 관련 연구 15
1. 실내 위치 추적 시스템 15
1) Wi-Fi 기반 위치측위 시스템 16
2) 블루투스(Bluetooth) 17
3) 폐쇄 경로 17
4) Angle of arrival (AoA) 17
5) Time of arrival (ToA) 17
6) AoA와 ToA의 혼합 18
7) 수신 신호 강도 (RSSI) 18
8) 경험적 방법 19
9) 수학적 모델링 20
10) IPS의 애플리케이션 영역 20
2. UWB 21
3. 삼변측량법 22
4. 실내 측위를 위한 결정 트리 기반 시스템 23
5. Wi-Fi 핑거프린팅 기반 실내 측위 24
6. 랜덤포레스트 실내위치추정 시스템 25
7. 실내 포지셔닝을 위한 휴리스틱 드리프트 방법 26
8. 무향칼만필터를 이용한 위치 추정 방법 27
Ⅲ. 제안하는 위치추정 시스템 29
1. MAD 비용함수를 적용한 의사결정트리 분류모델 29
2. 의사결정트리의 휴리스틱 깊이 탐색 방법 33
Ⅳ. 실험 및 성능평가 36
1. 성능평가 실험환경 구축 및 구현 36
2. 제안하는 시스템의 성능 실험 및 평가 39
1) 휴리스틱 트리 깊이 탐색 성능평가 46
2) 랜덤포레스트 모델의 탐색 성능평가 46
3) 그래디언트 부스팅 모델의 탐색 성능평가 47
4) MAD휴리스틱 트리 깊이 탐색 성능평가 47
3. 제안하는 예측모델과 무향칼만필터의 성능비교 49
4. 학습되지 않은 경로에 대한 성능 실험 및 평가 52
5. 본 연구의 의미 및 시사점 53
Ⅴ. 결론 54
참고문헌 55
부록 57
Abstract 82
〈표 4-1〉 블라인드 상태의 태그 거리 피쳐 값과 좌표 라벨 44
〈표 4-2〉 각 피쳐별 클래스의 발생빈도 매트릭스 45
〈표 4-3〉 비용함수를 이용한 클래스별 불순도 46
〈표 4-4〉 제안하는 예측모델과 기존 모델의 성능 비교 49
〈표 4-5〉 무향칼만필터의 파이썬 수행 코드 50
〈표 4-6〉 칼만필터와 MAD 분류모델의 성능평가 지표 오차 50
〈표 4-7〉 학습되지 않은 경로에 대한 성능평가 지표 오차 52
〈표 부록-1〉 삼변측량을 위한 계산식 C 소스코드 74
〈표 부록-2〉 원시 데이터를 학습용 데이터로 변환하기 위한 코드 75
〈표 부록-3〉 지니 인덱스 비용함수의 파이썬 코드 78
〈표 부록-4〉 의사결정트리 분류모델 생성을 위한 파이썬 코드 79
〈표 부록-5〉 의사결정 트리 깊이 최적 탐색 파이썬 코드 80
〈그림 2-1〉 실내 위치추정 기법들 16
〈그림 2-2〉 TOA를 이용한 실내 위치 추정도 18
〈그림 2-3〉 거리에 따른 신호세기의 변화율 19
〈그림 2-4〉 IPS 어플리케이션의 종류 20
〈그림 2-5〉 UWB의 two-way ranging(TWR) 방법 21
〈그림 2-6〉 GPS 위성의 삼변측량을 활용한 위치 추정 23
〈그림 2-7〉 다중 가중 결정 트리(앙상블 모델) 24
〈그림 2-8〉 그래디언트 부스팅을 사용한 융합 시스템의 구조 25
〈그림 2-9〉 랜덤포레스트 실내위치추정 시스템 구조 26
〈그림 2-10〉 일부 샘플링 시점에서 계산된 휴리스틱적 탐색 27
〈그림 2-11〉 무향칼만필터의 수행 방정식 28
〈그림 3-1〉 제안하는 시스템의 전체 구성도 29
〈그림 3-2〉 유클리드 메소드를 이용한 태그의 3차원 위치추정도 30
〈그림 3-3〉 학습데이터를 이용한 모델 생성 및 평가 과정 32
〈그림 3-4〉 MAD와 비용함수를 결합한 예측 모델 생성 32
〈그림 3-5〉 의사결정 트리 깊이 휴리스틱 탐색 방법 순서도 34
〈그림 3-6〉 Gini 비용함수를 통해 생성된 분류모델 35
〈그림 4-1〉 시스템 성능평가를 위한 실험환경 36
〈그림 4-2〉 MDEK1001: Development and evaluation kit 37
〈그림 4-3〉 삼변측량을 위한 측정 소프트웨어 38
〈그림 4-4〉 UWB 장치에서 수신되는 데이터 RAW 포맷 38
〈그림 4-5〉 앵커 신호 수신 실패로 인한 블라인드 현상 39
〈그림 4-6〉 측정된 3차원 좌표 군집도 40
〈그림 4-7〉 x=1.5, y=0.5, z=0,1,2,3 지점의 태그 좌표 측정 결과 40
〈그림 4-8〉 6 x 6 x 4=144 지점에 대한 좌표 측정 41
〈그림 4-9〉 3 x 5.4 (m) 측정좌표의 히스토그램 42
〈그림 4-10〉 이동중인 태그의 좌표 군집 히스토그램 42
〈그림 4-11〉 3 x 5.4 (m) 측정좌표의 중앙값절대편차 43
〈그림 4-12〉 수신이 실패한 데이터의 좌표 라벨 복원 43
〈그림 4-13〉 의사결정트리모델의 휴리스틱 트리 깊이 탐색 성능 47
〈그림 4-14〉 MAD 모델의 트리 깊이 탐색 성능 48
〈그림 4-15〉 그래디언트부스팅 모델의 트리 깊이 탐색 성능 48
〈그림 4-16〉 랜덤포레스트모델의 휴리스틱 트리 깊이 탐색 성능 49
〈그림 4-17〉 칼만필터를 적용한 태그노드의 실제 거리 편차 51
〈그림 4-18〉 제안하는 시스템을 적용한 실제 거리 편차 51
〈그림 4-19〉 (a) 학습된 이동 경로 / (b) 학습되지 않은 이동 경로 52
〈그림 4-20〉 학습되지 않은 경로에 대한 실제 거리 편차 53
〈그림 부록-1〉 x=3.5, y=2.5, z=0,1,2,3 지점의 좌표 측정 결과 57
〈그림 부록-2〉 x=5, y=3, z=0,1,2,3 지점의 태그 좌표 측정 결과 57
〈그림 부록-3〉 x=5.5, y=4, z=0,1,2,3 지점의 태그 좌표 측정 결과 58
〈그림 부록-4〉 3 x 6 (m) 측정좌표의 히스토그램 58
〈그림 부록-5〉 3 x 0.6 (m) 측정좌표의 히스토그램 59
〈그림 부록-6〉 3 x 0 (m) 측정좌표의 히스토그램 59
〈그림 부록-7〉 3 x 1.2 (m) 측정좌표의 히스토그램 60
〈그림 부록-8〉 3 x 1.8 (m) 측정좌표의 히스토그램 60
〈그림 부록-9〉 3 x 2.4 (m) 측정좌표의 히스토그램 61
〈그림 부록-10〉 3 x 3.6 (m) 측정좌표의 히스토그램 61
〈그림 부록-11〉 3 x 3 (m) 측정좌표의 히스토그램 62
〈그림 부록-12〉 3 x 4.2 (m) 측정좌표의 히스토그램 62
〈그림 부록-13〉 3 x 4.8 (m) 측정좌표의 히스토그램 63
〈그림 부록-14〉 3 x 3 (m) 중앙값절대편차 히스토그램 63
〈그림 부록-15〉 3 x 4.8 (m) 중앙값절대편차 히스토그램 64
〈그림 부록-16〉 3 x 4.2 (m) 중앙값절대편차 히스토그램 64
〈그림 부록-17〉 3 x 3.6 (m) 중앙값절대편차 히스토그램 65
〈그림 부록-18〉 3 x 2.4 (m) 중앙값절대편차 히스토그램 65
〈그림 부록-19〉 3 x 1.8 (m) 중앙값절대편차 히스토그램 66
〈그림 부록-20〉 3 x 1.2 (m) 중앙값절대편차 히스토그램 66
〈그림 부록-21〉 3 x 0 (m) 중앙값절대편차 히스토그램 67
〈그림 부록-22〉 3 x 0.6 (m) 중앙값절대편차 히스토그램 67
〈그림 부록-23〉 3 x 3.6 (m) 중앙값절대편차 히스토그램 68
〈그림 부록-24〉 3 x 4.8 (m) 측정좌표의 좌표 군집도 68
〈그림 부록-25〉 3 x 4.2 (m) 측정좌표의 좌표 군집도 69
〈그림 부록-26〉 3 x 3 (m) 측정좌표의 좌표 군집도 69
〈그림 부록-27〉 3 x 3.6 (m) 측정좌표의 좌표 군집도 70
〈그림 부록-28〉 3 x 2.4 (m) 측정좌표의 좌표 군집도 70
〈그림 부록-29〉 3 x 1.8 (m) 측정좌표의 좌표 군집도 71
〈그림 부록-30〉 3 x 1.2 (m) 측정좌표의 좌표 군집도 71
〈그림 부록-31〉 3 x 0 (m) 측정좌표의 좌표 군집도 72
〈그림 부록-32〉 3 x 6 (m) 측정좌표의 좌표 군집도 72
〈그림 부록-33〉 3 x 3.6 (m) 측정좌표의 좌표 군집도 73