UWB indoor localization in LOS and NLOS situation based on Fingerprinting using LSTM

Abstract

As wireless communication technology develops, services using user's location information are also increasing and becoming important. Among the many technologies that can measure position, UWB is being used in many fields of robot and human positioning systems. A high-precision technology called UWB can find targets with an error of a few centimeters, from industrial robot operations to drones used in search and rescue operations. Based on this fact, the latest iPhone and Samsung Galaxy are equipped with UWB module for accurate localization application. In this paper, indoor positioning is performed using Qorvo's UWB board in LOS and NLOS situations and expressed as a graph. And by applying the location to the Deep Learning Algorithm, we propose a method for compensating for location error and predicting a more accurate location. In the LOS situation, the location was measured based on fingerprinting using 4 anchors and tags. And the measured distance values ​​were classified into training data set and test data. By applying these distance values ​​to the LSTM, it was confirmed that the position error was compensated. In the NLOS situation, the quality factor was measured for each obstacle by placing obstacles between the anchor and the tag at a distance of 4M. And by applying the measured Quality Factor to the LSTM, it was confirmed that the position error was compensated by detecting an abnormal signal occurring in the UWB board.

| 무선통신 기술이 발달함에 따라 사용자의 위치 정보를 활용한 서비스도 증가하고 있으며 중요해지고 있다. 위치를 측정할 수 있는 여러 기술 중에서 UWB가 많은 분야의 로봇 및 인간의 위치 시스템에 사용되고 있다. UWB라는 고정밀 기술을 사용하면 산업용 로봇 작업부터 수색 및 구조 작업에 사용되는 드론까지 몇 센티미터의 오차로 목표를 찾을 수 있다. 이러한 사실을 바탕으로 최신 iPhone 및 Samsung Galaxy에 정확한 Localization 응용 프로그램을 위한 UWB 모듈이 탑재되고 있다.

본 논문에서는 LOS 및 NLOS 상황에서 Qorvo社의 UWB board를 이용하여 실내 위치 측위를 하여 그래프로 표현한다. 그리고 해당 위치를 Deep Learning Algorithm에 적용하여 위치 Error를 보상하고 더 정확한 위치를 예측하는 방안을 제안한다.

LOS 상황에서는 4개의 Anchor와 Tag를 이용해서 Fingerprinting 기반으로 위치를 측정하였다. 그리고 측정된 거리 값들을 Training data set과 Test data으로 분류하였다. 이 거리값들을 LSTM에 적용하여 위치 Error가 보상되는 것을 확인하였다 NLOS 상황에서는 4M 거리에서 Anchor와 Tag 사이에 장애물들을 배치하여 장애물별 Quality Factor를 측정하였다. 그리고 측정된 Quality Factor를 LSTM에 적용하여 UWB board에서 발생하는 abnormal한 signal을 detect 하여 위치 Error가 보상되는 것을 확인하였다.