Machine learning-based fingerprinting indoor localization implementation in multi-user environment

Abstract

LoS 채널이 주로 형성되는 실외 환경과는 달리 실내 측위는 복잡한 실내환경으로 인해 실외 측위와 동일한 방법을 사용하기 힘들다. 이로 인해, 학계에서는 더 정확하고 빠른 계산이 가능하며 실내 환경에서도 사용될 수 있는 측위, 항법 시스템들이 많이 연구되었다. 본 논문에서는 머신러닝을 활용한 실내 측위 시뮬레이션에 대한 연구를 진행하고, 이를 활용한 협력 측위 기반 실내 측위 테스트베드 구축 및 그 성능 평가를 제시한다. 서론에서는 실내측위와 머신러닝 알고리즘의 동향을 검토한다. 2장에서는 스마트폰 어플리케이션을 활용한 접촉 추적 시스템이 설명되어 있다. 안드로이드 기기의 스마트폰 어플리케이션을 직접 제작하였으며, 접촉 추적 시스템은 스마트폰에서 사용 가능한 저전력 블루투스 인터페이스를 활용해 기기간 거리를 측정한다. 또한 Covid-19 전염병 확산에 대응하기 위해 접촉 추적 시스템과 접촉 추적 알고리즘을 설계했다. 3장에서는 그래프 신경망을 통해 연결성 정보를 활용한 실내 측위 기법이 제시되어 있다. 시뮬레이션을 통해 측위 앵커 개수가 늘어날 수록 더 좋아지는 것을 알 수 있었고, 앵커의 위치를 더 잘 조정해 성능을 향상할 수 있었다. 4장에서는 연합학습 기반 실내 측위를 오픈소스 데이터셋을 활용해 시뮬레이션 한 결과가 나와있다. 개인화 학습 모델을 사용하는 FedAMP를 통해 non-IID 데이터에 대해서 성능 향상을 이뤘지만, 현재의 시뮬레이션 세팅으로는 FedAMP의 장점을 모두 사용하지 못했던 것을 알 수 있다. 4장의 연구 결과에 기반해, 5장에서는 실내 환경과 함께 하드웨어와 소프트웨어 구현 방법이 설명되어 있다. 연구실 내에 직접 테스트베드를 설치하고 그 실험 결과를 확인했다. 또한 데이터 증강을 활용한 연합학습 방법으로 non-IID 데이터 분포에서 높은 성능 향상을 이룰 수 있었다.|Indoor localization is very challenging because conventional positioning technology based on line-of-sight channel cannot be used due to the complex indoor environment. Thus various indoor localization and navigation systems are proposed for more accurate location estimation and faster calculation. In this thesis, studies on machine learning-based indoor localization simulations are described and system implementation based on our study is proposed. Literature on the indoor localization method and machine learning algorithms are reviewed on the introduction. The contact tracing system with smartphone application is described in chapter 2. We build the smartphone application with Android device. This contact tracing system utilize the Bluetooth Low Energy (BLE) interface for getting proximity between the mobile devices. Also we make a contact tracing system and contact tracing algorithm to deal with the spread of Covid-19 epidemic. The localization simulation with connectivity information using graph neural network (GNN) is described in chapter 3. We set the configuration that uses distance as a connectivity information of mobile devices. Through the simulation, we found that the localization performance is improved as the number of anchors increased and anchor location adjustment could enhance the performance. The simulation of federated learning (FL)-based indoor localization using open-source dataset is described in chapter 4. We utilize the FedAMP to enhance the localization performance with non-independent and identically distributed (non-IID) data, but we found that our scenario does not fully utilized the advantage of FedAMP. Based on the study in chapter 4, our system's hardware and software implementation methods are explained with indoor map illustrations in chapter 5. We build the testbed in our research lab and take localization simulation. We adopt the FL with data augmentation method to make better performance and show that the small size of data augmentation makes increased performance in the non-IID data distribution.