[go: up one dir, main page]

KR102124763B1 - Wi-Fi 환경에서 칼만필터와 입자필터를 혼용한 이동물체 위치추적 방법 - Google Patents

Wi-Fi 환경에서 칼만필터와 입자필터를 혼용한 이동물체 위치추적 방법 Download PDF

Info

Publication number
KR102124763B1
KR102124763B1 KR1020180083586A KR20180083586A KR102124763B1 KR 102124763 B1 KR102124763 B1 KR 102124763B1 KR 1020180083586 A KR1020180083586 A KR 1020180083586A KR 20180083586 A KR20180083586 A KR 20180083586A KR 102124763 B1 KR102124763 B1 KR 102124763B1
Authority
KR
South Korea
Prior art keywords
filter
moving object
kalman
kalman filter
angular velocity
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
KR1020180083586A
Other languages
English (en)
Other versions
KR20200009347A (ko
Inventor
박구삼
이동명
Original Assignee
동명대학교산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 동명대학교산학협력단 filed Critical 동명대학교산학협력단
Priority to KR1020180083586A priority Critical patent/KR102124763B1/ko
Publication of KR20200009347A publication Critical patent/KR20200009347A/ko
Application granted granted Critical
Publication of KR102124763B1 publication Critical patent/KR102124763B1/ko
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
    • G01S5/02—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves
    • G01S5/0294—Trajectory determination or predictive filtering, e.g. target tracking or Kalman filtering
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S11/00—Systems for determining distance or velocity not using reflection or reradiation
    • G01S11/02—Systems for determining distance or velocity not using reflection or reradiation using radio waves
    • G01S11/06—Systems for determining distance or velocity not using reflection or reradiation using radio waves using intensity measurements
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S2205/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
    • G01S2205/001—Transmission of position information to remote stations
    • G01S2205/008—Transmission of position information to remote stations using a mobile telephone network

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

본 발명에 따른 Wi-Fi 환경에서 칼만필터와 입자필터를 혼용한 이동물체 위치추적 방법은 Wi-Fi 환경을 이용한 컴퓨터 시스템에서 칼만필터와 입자필터를 혼용하여 이동물체의 이동패턴의 특성에 맞게 사용하는 이동물체 위치추적 방법에 있어서, Wi-Fi의 AP로부터 RSSI 신호 값을 수집하는 단계(S100); 상기 이동물체가 임의의 이동경로를 따라 이동 중일 때 각속도를 측정하는 단계(S200); 상기 이동물체가 임의의 이동경로를 따라 이동 중일 때 미리 설정한 임계치와 비교하여 직선 또는 곡선구간을 결정하는 단계(S300) 및 이동물체의 이동방향에 대한 패턴을 분석하여 이에 적합한 필터를 적용하는 단계(S400)를 포함하는 것을 특징으로 한다.

Description

Wi-Fi 환경에서 칼만필터와 입자필터를 혼용한 이동물체 위치추적 방법 {Localization Algorithm Mixing Kalman and Particle Filters for Moving Object in Indoor Wi-Fi Environment}
본 발명은 실내 Wi-Fi 환경에서 칼만필터 (kalman Filter)와 입자필터 (particle Filter)를 혼용하여 무선 환경적요소로 인한 오차를 줄이고 이동물체의 이동패턴의 특성을 고려한 이동물체 위치추적 방법에 관한 것이다.
필터(filter)란 여러 가지 의미로 쓰이고 있다. 빛에서는 파장역을 제한하기 위해 색 필터를 사용하고 있고, 좁은 역대로 하기 위해서는 간섭 필터가 사용된다. 전파나 전기신호 등의 주파역대를 제한하기 위해서는 전기 필터가 사용된다. 입자의 통과를 방해하고, 기체나 액체나 어느 크기 이하의 미립자만을 통과하는 것도 필터라 일컬어진다.
본 발명에서의 필터는 어떤 데이터에서 필요한 값들을 걸러 주는 역할을 하는 것을 의미한다. 또한 기존의 데이터에 추가되는 새로운 데이터가 있을 때에 필요한 값을 걸러 주는 필터는 재귀식 필터라고 한다. 재귀식 필터는 앞선 결과 값을 이용한다는 점에서 계산의 효율과 메모리의 효과적인 사용에 좋다.
칼만 필터(Kalman Filter)는 칼만(Rudolf E. Kalman)이 개발한 필터로, 잡음이 포함되어 있는 역학적 상태를 추적하는 재귀 필터로서 시간에 따라 진행한 측정을 기반으로 한다. 칼만 필터링은 불규칙 외난을 포함하는 동적 시스템(Dynamic System)에 적용되는 최적 상태 추정과정(Optimal state estimation process)으로서, 칼만필터는 이산 실시간격(Discrete Real Time Interval)마다 측정되는 잡음(Noise)이 실린 데이터로부터 동적시스템의 미지의 상태변수를 최적으로 추정하기위한 선형, 불편(unbiased), 최소오차분산(minimum error variance)의 반복적 알고리즘(recursive algorithm)이다. 이것은 산업분야에서는 인공위성의 항법, 미사일의 궤적추정, 레이다 등에 많이 이용되어 왔고 최근의 고속의 고성능 마이크로 프로세서의 발달로 칼만 필터는 매우 복잡한 실시간 처리 시스템에서도 점점 더 이용가치가 높아지고 있다. 칼만 필터링 절차는 선형모델에서 상태변수들을 추정하기 위해 만들어진 것이므로 만일 모델이 비선형이라면 필터링식을 유도하는 과정에서 선형화(Linearization Procedure)가 이루어져야 하는데, 이때는 이전의 추정된 상태변수로부터 실시간 선형 테일러 근사화(real time linear Taylor approximation)를 하게 되고, 여기서 얻어지는 칼만필터를 확장 칼만필터(Extended Kalman Filter)라 하게 된다. 이 방법은 비선형 모델을 아주 잘 다룰 수 있게 하고 매우 간단하며 효과적으로, 많은 실시간 응용에 잘 이용되고 있으며 칼만필터 응용분야는 크게 파라메타의 식별화(Parameter Identification)와 상태변수의 추정(State Variable Estimation)으로 구분된다.
다음으로 입자 필터(Particle filter)는 시뮬레이션에 기반을 둔 예측기술의 하나로 계속적인 몬테카를로 방법이라고도 한다. 파티클 필터는 계량경제학에서 중요하게 쓰인다. 파티클 필터는 보통 베이즈 모델을 추정하기 위해 사용된다. 이는 잠재변수가 마르코프 연쇄로 서로 관련되어 있는 경우로 은닉 마르코프 모델(HMM)과 비슷하지만 보통 드러나지 않은 변수의 상태 공간이 연속적이고, 정확하게 추정할 수 있을 만큼 한정적이지 않다. 예를 들어, 선형 동적 시스템에서는, 잠재변수의 상태 공간이 가우스 분포에 한정되는데, 따라서 정확한 추정이 효과적으로 칼만 필터만으로 이루어질 수 있다. HMM, 그리고 관련된 모델의 맥락에서 보면, 필터링은 어떤 특정 시간에 잠재변수의 분포를 결정하되, 관측 값은 그 시간 까지만 주어진다. 파티클 필터라는 이름을 얻게된 까닭은 근사값을 "필터링"하는데 한 무리의 (다른 가중치를 가진 분포의 예) "입자"를 사용하기 때문이다.
또한 파티클 필터는 마르코프 연쇄 몬테 카를로(MCMC) 일괄처리법을 순차적으로 유사하게 만든 것으로 때로 임포턴스 샘플링법과 유사하다. 입자 필터를 잘 만들면 MCMC보다 훨씬 빠르다. 때때로 확장 칼만 필터(EKF) 또는 무향 칼만 필터(UKF) 대신 사용된다. EKF나 UKF에 비해 잇점은, 샘플이 충분하다면, 배이지언 최적 추정치에 접근하므로 EKF나 UKF보다 정확하다. 그러나, 샘플의 수가 충분하지 않다면 문제가 생길 수 있다. 파티클 필터와 칼만 필터를 복합하여 사용할 수도 있는데, 일종의 칼만 필터를 사용하여 파티클 필터를 위한 분포를 제안하게 하는 방식이다.
한편 최근 Wi-Fi가 대중화 됨에 따라 다양한 무선 서비스 분야에서 위치추정기술에 대한 연구가 활발히 진행되고 있다. 특히 무선 네트워크 환경이 구축된 실내에서 위치를 추정할 수 있는 기술과 이동하는 물체를 추적하는 기술에 대한 관심이 매우 높아지고 있다.
실내 위치추정 및 추적에서 가장 많이 사용되는 신호지도 방식(fingerprint scheme)은 신뢰도는 우수하지만 RSSI(received signal strength indicator) 값이 안정적으로 수집된다는 보장이 없으므로 만약 수집된 RSSI 값이 예측범위를 벗어날 경우 전혀 다른 위치추정 예측결과가 나올 가능성이 존재한다. 따라서 이러한 문제점을 해결하기 위해서 여러 가지 필터가 적용되기도 한다.
칼만필터(kalman filter, KF)는 선형구조를 가질 경우에 가장 좋은 결과 값을 얻는 기술인데, 이를 위치추정기술에 적용하면 어떠한 물체가 움직임 없이 정지한 상태이거나 아니면 일정한 속도로 한 방향으로 움직일 수 있도록 한다. 그러나 실제 이동물체의 이동패턴은 다양하기 때문에 칼만필터를 그대로 적용하기에는 문제가 있다.
또한 일반적으로 실내 Wi-Fi 환경에서의 신호지도 기반 위치추적 알고리즘은 도 1과 같이 2 단계로 구성되어 있으나 주어진 전파환경의 특성에 따라 쓸 수 없는 문제점을 가지고 있다. 이 방식은 장치가 주변의 AP로부터 RSSI 신호를 측정 및 기록하는 첫 단계, 필터를 사용하여 RSSI 데이터를 보정한 뒤 미리 제작해둔 신호지도와 비교하여 가장 가까운 위치를 추정하는 두번째 단계로 구성된다.
KR 10-1252531 B1 KR 10-1326644 B1
본 발명은 이와 같은 이와 같은 문제점을 극복하기 위하여 칼만필터와 입자필터를 혼용하여 이동물체의 위치추적 정확도를 개선하고자 한다. 즉, 실내 Wi-Fi 환경에서 칼만필터와 입자필터를 혼용하여 이동물체의 이동패턴의 특성에 맞는 필터링을 적용함으로써 무선 환경적 요소로 인한 오차를 줄였다.
본 발명에 따른 Wi-Fi 환경에서 칼만필터와 입자필터를 혼용한 이동물체 위치추적 방법은 Wi-Fi 환경을 이용한 컴퓨터 시스템에서 칼만필터와 입자필터를 혼용하여 이동물체의 이동패턴의 특성에 맞게 사용하는 이동물체 위치추적 방법에 있어서, Wi-Fi의 AP로부터 RSSI 신호 값을 수집하는 단계(S100); 상기 이동물체가 임의의 이동경로를 따라 이동 중일 때 각속도를 측정하는 단계(S200); 상기 이동물체가 임의의 이동경로를 따라 이동 중일 때 미리 설정한 임계치와 비교하여 직선 또는 곡선구간을 결정하는 단계(S300) 및 이동물체의 이동방향에 대한 패턴을 분석하여 이에 적합한 필터를 적용하는 단계(S400)를 포함하는 것을 특징으로 한다.
본 발명은 실내 Wi-Fi 환경에서 칼만필터 및 입자필터를 서로 혼용하여 서로의 단점을 보완하는 이동물체의 위치추적 방법을 개시하였다. 직선 구간 시나리오에서는 개시한 방법의 오차거리 성능은 측정 후반단계에서 종래의 필터에 비해 80%까지 개선되었다. 본 발명은 단순 직선이나 곡선 구간에서의 적용 결과 뿐만 아니라 이동물체의 이동경로가 일정하지 않은 구간에서도 종래의 필터에 비해 더 적응적이고 보정효과가 큰 효과를 갖는다.
도 1은 종래의 기술인 필터를 이용한 위치추적 알고리즘 개념도이다.
도 2는 본 발명에 따른 위치추적 알고리즘의 처리단계를 보여주는 개념도이다.
도 3은 본 발명의 실시 예에 따른 위치추적 알고리즘의 매크로 코드이다.
도 4는 본 발명의 실시 예에 따른 실험공간의 평면도와 핑거프린트맵 구축에 사용된 공간을 보여주는 도면이다.
도 5는 본 발명의 실시 예에 따른 이동 및 정지상태 물체의 시나리오이다.
도 6a,b는 본 발명의 실시 예에 따른 실험 대상구역의 신호지도 구성이다.
도 7은 본 발명의 실시 예에 따른 직선 구간에서의 오차거리를 비교한 그래프이다.
도 8은 본 발명의 실시 예에 따른 혼합 구간에서의 오차거리를 비교한 그래프이다.
도 9는 본 발명의 실시 예에 따른 45번 지점에서의 오차거리 비교를 나타낸 그래프이다.
도 10은 본 발명의 실시 예에 따른 91번 지점에서의 오차거리 비교를 나타낸 그래프이다.
이하에서는, 본 발명의 실시 예에 따른 도면을 참조하여 설명하지만, 이는 본 발명의 더욱 용이한 이해를 위한 것으로, 본 발명의 범주가 그것에 의해 한정되는 것은 아니다.
명세서 전체에서 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있음을 의미한다. 또한, 명세서에 기재된 "... 부", "모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어 또는 소프트웨어로 구현되거나 하드웨어와 소프트웨어의 결합으로 구현될 수 있다.
명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, 그 중간에 다른 소자를 사이에 두고 "전기적으로 연결"되어 있는 경우도 포함한다.
본 명세서에 있어서는 어느 하나의 구성요소가 다른 구성요소로 데이터 또는 신호를 '전송'하는 경우에는 구성요소는 다른 구성요소로 직접 상기 데이터 또는 신호를 전송할 수 있고, 적어도 하나의 또 다른 구성요소를 통하여 데이터 또는 신호를 다른 구성요소로 전송할 수 있음을 의미한다.
설명에 앞서 본 명세서에는 다수의 양태 및 실시양태가 기술되며, 이들은 단순히 예시적인 것으로서 한정하는 것이 아니다.
본 명세서를 읽은 후에, 숙련자는 다른 양태 및 실시예가 본 발명의 범주로부터 벗어남이 없이 가능함을 이해할 것이다.
이하에서 설명되는 실시양태의 상세 사항을 다루기 전에, 몇몇 용어를 정의하거나 또는 명확히 하기로 한다.
AP란 Access Point의 약자로 무선 중계 기지국의 의미를 갖는다. 그리고 안테나와 무선 신호처리, 관리 기능 및 유선 네트워크와 무선 네트워크를 연동하는 기능을 갖는다.
RSSI란 "Received Signal Strength Indication"의 약자로 수신 신호 강도를 의미한다. 잡음이 포함된 무선/RF 수신 신호 세기에 대한 매우 일반적인 명칭이며 간단하게 측정하고 확인할 수 있는 수신 전파 신호의 세기를 뜻한다.
칼만 필터(Kalman Filter)는 칼만(Rudolf E. Kalman)이 개발한 필터로, 잡음이 포함되어 있는 역학적 상태를 추적하는 재귀 필터로서 시간에 따라 진행한 측정을 기반으로 한다. 칼만 필터링은 불규칙 외난을 포함하는 동적 시스템(Dynamic System)에 적용되는 최적 상태 추정과정(Optimal state estimation process)으로서, 칼만필터는 이산 실시간격(Discrete Real Time Interval)마다 측정되는 잡음(Noise)이 실린 데이터로부터 동적시스템의 미지의 상태변수를 최적으로 추정하기위한 선형, 불편(unbiased), 최소오차분산(minimum error variance)의 반복적 알고리즘(recursive algorithm)이다.
입자 필터(Particle filter)는 시뮬레이션에 기반을 둔 예측기술의 하나로 계속적인 몬테카를로 방법이라고도 한다. 파티클 필터는 계량경제학에서 중요하게 쓰인다. 파티클 필터는 보통 베이즈 모델을 추정하기 위해 사용된다. 이는 잠재변수가 마르코프 연쇄로 서로 관련되어 있는 경우로 은닉 마르코프 모델(HMM)과 비슷하지만 보통 드러나지 않은 변수의 상태 공간이 연속적이고, 정확하게 추정할 수 있을 만큼 한정적이지 않다.
파라미터(parameter)는 컴퓨터 프로그래밍에서 매개변수라고도 하며, 변수의 특별한 한 종류로서, 함수 등과 같은 서브루틴의 인풋으로 제공되는 여러 데이터 중 하나를 가르키기 위해 사용된다. 여기서 서브루틴의 인풋으로 제공되는 여러 데이터들을 전달인자라고 부른다. 보통 파라미터의 목록은 서브루틴의 정의 부분에 포함되며, 매번 서브루틴이 호출될 때마다 해당 호출에서 사용된 전달인자들을 각각에 해당하는 매개변수에 대입시켜 준다.
AP(Access Point)는 무선 단말기로, 무선랜 서비스를 제공하는 것을 의미한다. 흔히 볼 수 있는 인터넷 공유기도 AP의 한 종류이다.
도 1은 종래의 기술인 필터를 이용한 위치추적 알고리즘 개념도이고, 도 2는 본 발명에 따른 위치추적 알고리즘의 처리단계를 보여주는 개념도이고, 도 3은 본 발명의 실시 예에 따른 위치추적 알고리즘의 매크로 코드이고, 도 4는 본 발명의 실시 예에 따른 실험공간의 평면도와 핑거프린트맵 구축에 사용된 공간을 보여주는 도면이고, 도 5는 본 발명의 실시 예에 따른 이동 및 정지상태 물체의 시나리오이고, 도 6a,b는 본 발명의 실시 예에 따른 실험 대상구역의 신호지도 구성이고, 도 7은 본 발명의 실시 예에 따른 직선 구간에서의 오차거리를 비교한 그래프이고, 도 8은 본 발명의 실시 예에 따른 혼합 구간에서의 오차거리를 비교한 그래프이고, 도 9는 본 발명의 실시 예에 따른 45번 지점에서의 오차거리 비교를 나타낸 그래프이고, 도 10은 본 발명의 실시 예에 따른 91번 지점에서의 오차거리 비교를 나타낸 그래프이다.
도 2를 참조하여 본 발명에 따른 Wi-Fi 환경에서 칼만필터와 입자필터를 혼용한 이동물체 위치추적 방법은 Wi-Fi 환경을 이용한 컴퓨터 시스템에서 칼만필터와 입자필터를 혼용하여 이동물체의 이동패턴의 특성에 맞게 사용하는 이동물체 위치추적 방법에 있어서, Wi-Fi의 AP로부터 RSSI 신호 값을 수집하는 단계(S100); 상기 이동물체가 임의의 이동경로를 따라 이동 중일 때 각속도를 측정하는 단계(S200); 상기 이동물체가 임의의 이동경로를 따라 이동 중일 때 미리 설정한 임계치와 비교하여 직선 또는 곡선구간을 결정하는 단계(S300) 및 상기 단계에서 얻은 결과값에 따라 적합한 필터를 적용하는 단계(S400)를 포함하는 것을 특징으로 한다.
또한 상기 필터를 적용하는 단계(S400) 이후 위치좌표를 보정하는 단계(S500)를 더 포함할 수 있다.
또한 상기 적합한 필터를 적용하는 단계(S400)는, 상기 각속도를 측정하는 단계(S200)에서 각속도로 계산된 각도와 현재 측정 된 각속도로 계산된 각도의 차를 계산하여, 이동패턴이 직선이면 칼만필터를, 곡선이면 입자필터를 적용한다.
또한 상기 입자필터는 노이즈(noise)와 입자(particle)의 개수를 정의하여 상기 컴퓨터 시스템에 미리 저장하고, 상기 결정하는 단계(S300)는 결과가 곡선이면서 동시에 상기 필터를 적용하는 단계(S400)에서 입자필터를 사용했다면 상기 노이즈 및 상기 입자의 개수를 초기화 과정없이 상기 보정하는 단계(S500)로 넘어가고, 그렇지 않은 경우는 상기 노이즈 및 상기 입자의 개수를 초기화 한 후 이동패턴에 따른 상기 필터를 적용하는 단계(S400)와 상기 보정하는 단계(S500)를 진행한다.
또한 상기 칼만필터는 상기 컴퓨터 시스템에서 사용되는 파라미터들(A, H, Q, R)을 설정하여 상기 컴퓨터 시스템에 미리 저장하고, 상기 결정하는 단계(S300)는 결과가 직선이면서 동시에 상기 필터를 적용하는 단계(S400)에서 칼만필터를 사용했다면 상기 파라미터들을 이용한 상기 칼만필터를 초기화 과정없이 상기 보정하는 단계(S500)로 넘어가고, 그렇지 않은 경우는 상기 파라미터들을 이용하여 상기 칼만필터를 초기화 한 후 이동패턴에 따른 상기 필터를 적용하는 단계(S400)와 상기 보정하는 단계(S500)를 진행한다.
좀 더 상세히 이동물체 위치추적 알고리즘 설계에 대해 설명하자면 Wi-Fi 환경에서 칼만필터와 입자필터를 혼용하여 이동물체의 이동패턴의 특성에 맞게 사용하는 이동물체 위치추적 알고리즘을 개시한다. 제안하는 위치추적 알고리즘의 처리단계는 크게 도 2와 같이 3단계로 구성되며, 이동물체의 이동방향에 대한 패턴을 분석하여 이에 적합한 필터를 선택해서 처리함으로써 보다 정교한 위치추적을 하고자 한다.
첫 단계에서는 RSSI 신호 값을 수집하고, 두 번째 단계에서는 이동물체가 임의 이동경로를 따라 이동중일 때 특정 이동패턴에 대해서 자이로 센서를 이용하여 각속도를 얻은 후 설정한 특정 임계치와 상호 비교하여 직선 또는 곡선구간을 결정한다. 마지막 셋째 단계에서는 특정 이동패턴에 적합한 필터를 적용 후 위치좌표를 보정한다. 도 3은 본 발명에서 제안하는 위치추적 알고리즘을 매크로 코드로 표현한 것이다.
다음으로 필터 초기화 및 RSSI 데이터 수집단계(단계 1)에 대해 설명하자면, 칼만필터는 선형적 특성을 갖는 구간에서 많이 사용되는 필터로서 측정되는 환경의 특성을 고려하여 잡음을 먼저 계산하며 시스템 모델에서 사용되는 파라미터들(A, H, Q, R)을 설정하여 시스템 내부에 저장한다. 또한 도 3에서 보는바와 같이 입자필터는 내부에 noise와 particle의 개수를 정의하여 시스템에 미리 저장한다.
칼만필터 및 입자필터의 초기화 과정은 단 한 번으로 끝나는 것이 아니라 단계 2의 결과에 따라 재사용 해야 하기 때문에 고정적인 파라미터들은 변하지 않도록 설정해야 한다. 시스템이 RSSI 데이터를 수집하는 시간 간격은 안정적인 데이터를 얻기 위해 10초로 설정하였으며, 이는 위치추정 알고리즘이 수행되는 모바일 장치의 최소 측정간격이다.
다음으로 각속도 계산 및 필터 결정 단계(단계 2)에 대해 설명하자면, 단계 2에서는 이동물체가 특정 이동경로를 따라 이동 중일 때 특정 이동패턴에 어느 필터를 적용 할 것인지를 결정하기 위한 방법으로 3축 자이로스코프 센서의 각속도를 이용한다. 식 1은 각속도를 이용하여 회전 각도를 계산하는 식을 나타내며, 도 3의 Algorithm Check_Angle 모듈에 해당된다. 식 1에서 w는 각속도를 의미하며 DPS는 단위 시간당 각도 변화량을 의미한다. 칼만필터 또는 입자필터의 선정은 이전 측정 시 각속도로 계산된 각도와 현재 측정 된 각속도로 계산된 각도의 차를 계산하여 결정한다. 즉, 이동패턴이 직선이면 칼만필터를, 곡선이면 입자필터를 각각 적용한다.
Figure 112018071046731-pat00001
<식1. 각속도를 이용하여 회전 각도를 계산하는 식>
다음으로 이동패턴 기반 필터적용 및 위치좌표 보정단계(단계 3)에 대해 설명하자면, 단계 1과 단계 2의 처리가 완료되면 해당 이동패턴에 적합한 필터를 적용하여 단계 3에서 위치를 보정한다. 첫째, 만약 단계 2의 결과가 곡선인 경우 단계 1에서 입자필터를 사용했다면 초기화 과정없이 단계 3의 보정단계를 진행하고 그렇지 않은 경우는 단계 1에서 정의한 particle의 개수와 noise를 다시 초기화 한 후 이동패턴에 따른 필터 결정단계와 위치 좌표 보정단계를 진행한다.
입차필터에서 추정 및 보정단계는 크게 예측, 갱신 그리고 리샘플링 단계로 나누어지며, 식 2와 같이 나타낸다. 입자필터는 도 3에서 보는 바와 같이 Check_Angle 모듈의 결과 값이 1이 나올 경우에 수행되며, 이는 식 2에서 k번째 z에 대입되는 값이다.
Figure 112018071046731-pat00002
<식 2>
둘째, 만약 단계 2의 결과가 직선인 경우, 단계 1에서 칼만필터를 사용했다면 첫째 경우와 마찬가지로 초기화 과정없이 단계 3의 보정단계를 진행하고 그렇지 않은 경우는 단계 1에서 정의한 시스템 모델에서 사용되는 파라미터들(A, H, Q, R)을 이용하여 칼만필터를 초기화 한 후 이동패턴에 따른 필터 결정단계와 위치좌표 보정단계를 진행한다.
칼만필터에서 데이터를 예측하기 위한 내부 변수인 칼민이득(Kt)를 계산한 후, 해당 구간의 추정 값(xt)을 식 3과 같이 계산한다. 칼만필터의 계산과정은 도 3의 매크로 코드에서 Check_Angle 모듈의 결과가 0이 나올 경우에 수행되며, 이 때 식 3은 시간 t구간에서 추정된 결과 값 (xt)을 재귀적으로 계산하는 것을 의미한다. 그리고 측정된 값(zt)와 이전의 예측된 값(
Figure 112018071046731-pat00003
)는 시간 t의 위치에 따라 계속 변화하며 추정 값(xt)의 신뢰도에 영향을 준다.
Figure 112018071046731-pat00004
<식 3>
이러한 과정은 이동물체가 이동경로를 따라 이동할 때 재귀적으로 반복된다.
다음은 본 발명에서 권장하는 실시 예에 대해 설명하도록 한다. 이동물체의 이동패턴은 자이로스코프 센서(gyroscope sensor)의 결과 값을 기반으로 수집하였으며, 이를 바탕으로 MATLAB을 이용해 시뮬레이션을 수행하고 설정한 각 시나리오에 따른 오차거리 (errordistance) 및 위치추정 정확도(localization accuracy)를 분석하였다.
임의로 설정된 구역은 도 4에서와 같고 실시 예로 적용된 공간의 크기는 도 4의 오른쪽 그림에서 붉은색으로 표시된 부분으로 46m X 34m이다. AP는 외부 통신사 AP 3대와 사설 AP 2대로 하여 총 5대로 구성하였으며, RSSI 수집 장비는 노트북 1대로 하였다.
실시 예에 사용된 시나리오는 도 5에서 보는 바와 같이 이동물체 및 정지상태 물체를 대상으로 각각 4개(1~4번)와 3개 (5~7번)로 검토하였다. 이중에서 이동물체 및 정지상태 물체의 시나리오를 각 2종류씩 모두 4종류를 선종하였고, 선정된 시나리오에서 수집된 데이터의 신뢰도 향상을 위해 RSSI값을 최소 30회 이상 수집하였다.
신호지도 구성을 위하여 먼저 2m X 2m 영역을 한개의 참조구역(reference point)으로 정의하였다. 참고로 각 구역 사이의 간격이 좁을수록 위치추적이 더욱 정밀해진다. 이러한 신호지도 제작 방식으로 실험 대상구역을 참조구간 141개로 나눈 모습은 도 6과 같다.
도 7, 8은 이동물체에 대해 각 필터의 적용결과를 시간(측정단위: 10sec)에 따른 누적분포함수를, 도 9, 10은 이동물체가 정지한 상태에서 특정 지점에 대해 각 필터의 적용결과를 시간 (측정단위: 10sec)에 따른 오차거리로 각각 비교한 것이다. 제안한 알고리즘은 도 7 내지 10에서 "Hybrid"로 표시되었다.
도 7은 이동물체의 직선 경로 시나리오에 대한 오차거리를 나타낸 것이다. 측정 초기단계에서는 확률변수 x의 값이 2 이하일 때 제안한 알고리즘의 F(x)(오차거리에 대한 누적분포)는 동일 구간에서 다른 필터에 비해 약 50% 정도 낮지만 측정 후반단계에서는 필터 미적용 경우와 입자필터의 경우에 비해 오히려 약 80% 높음을 알 수 있다. 그 이유는 직선 이동경로에서 방향 전환이 없었기 때문에 칼만필터와 동일한 결과를 갖게 되는 것이다.
직선 구간에서는 입자필터의 성능이 확률변수 x가 8일 때 F(x) 값이 1에 도달하였으므로 이 실시 예에서는 이것이 가장 성능이 좋지 않음을 알 수 있다. 또한 동일 실시 예에서 데이터 수집 시 RSSI의 패턴을 분석한 결과, 20~30회 측정 할 때 마다 +-18% 범위 내의 비정상적인 F(x) 값이 측정된 것을 볼 수 있다. 그러나 이는 발생 빈도가 낮아서 전체 결과에 영향을 미치지 않는 것이고, 제안한 알고리즘의 최대 오차거리는 4m정도로, 이는 입자필터의 최대 오차거리 8.5m에 비해 성능이 2배정도 개선된 것을 알 수있다.
도 8은 이동물체의 대표적인 이동패턴 중 하나인 직선 구간과 곡선 구간이 함께 존재하는 혼합 구간 경로의 실시 예에 대한 오차거리를 나타낸 것이다. 따라서 본 발명이 제안한 알고리즘의 성능은 칼만필터 및 입자필터에 비해 2m~6m 정도 향상되었음을 알 수 있다. 아울러 혼합 구간 중 직선 구간에서 평균 오차거리는 칼만필터 및 입자필터가 각각 8m, 12m인데 비해 제안한 알고리즘은 6m로 최소 25% 성능이 향상되었다.
또한 혼합 구간 중 곡선 구간에서 오차거리는 본 발명의 알고리즘은 3.5m 인데 반해 칼만필터 및 입자필터는 각각 10m, 7.5m로 나타났다. 따라서 본 발명에서 개시한 알고리즘은 곡선 구간에서 각 필터에 비해 최소 2배 이상의 성능을 가짐을 볼 수 있다.
혼합구간 경로 시나리오 전체 구간에서 제안한 알고리즘의 보정성능은 도 8에서 보는 바와 같이 칼만필터의 3배, 입자필터의 2배임을 알 수 있다. 오차거리는 칼만필터가 3m~12m, 입자필터가 5m~14m임에 비해 본 발명이 제안한 실시 예에 따른 알고리즘을 적용한 방법은 3m~5m로 평균 2m~13m 더 성능이 우수한 것을 볼 수 있다.
본 발명이 타 필터에 비해 오차거리가 오히려 큰 부분도 있으나 이는 확률 변수 x의 값이 10이상인 경우로 나타났는데, 그 이유는 RSSI의 측정시간 간격이 작을수록 이러한 결과가 빈번하게 발생하며, 이와 같은 결과를 볼 때, 혼합 구간으로 이루어진 시나리오의 직선과 곡선 비율이 1:1 혹은 1:n 구조를 가질 때 제안한 알고리즘의 오차거리 보정효과가 가장 효과적이며 직선 비율이 상대적으로 많은 구간에서는 다소 보정효과가 낮음을 확인하였다.
도 9는 본 발명에 따른 실시 예로 정지상태의 물체가 실험공간에서 임의의 지점인 45번에 있을 경우 오차거리를 비교한 것이다. 이 지점은 주변에 장애물이 없고 사방이 LOS (line of sight) 조건이 만족되는 지점이다. 이 지점에서 RSSI 데이터 수집 시 30~60초 마다 특정 시점인 3, 5~9, 15~17 (단위:10sec)에서 한 번씩 측정 신호 값이 요동치는 현상이 발생한 것을 볼 수 있다.
도 9에서 볼 수 있듯이 45 지점에서는 칼만필터와 제안한 알고리즘이 평균 오차거리가 1m로 가장 성능이 우수하다. 입자필터의 오차거리는 RSSI 데이터 수집 시 상기의 특정 시점인 3, 5~9, 15~17에서 최대 7m로 나타났으며, 본 발명에서 개시한 알고리즘에 비해 성능이 매우 낮음을 알 수 있다.
도 10은 본 발명에 따른 실시 예로 정지상태의 물체가 임의의 지점인 91번에 있을 경우 오차거리를 비교한 것이다. 이 지점은 주변 2군데 방향이 벽으로 막혀 있어서 NLOS (non LOS) 조건이 만족되는 곳이다. NLOS 환경임에도 불구하고 본 발명에 따른 알고리즘과 칼만필터 및 파티클필터의 평균 오차거리는 모두 평균 2m이고 평균 오차거리의 범위는 최대 +-15% 이내인 것으로 확인되었다. 이 실시 예 역시 RSSI 데이터 수집 시 도 9와 마찬가지로 측정 신호 값이 3, 6, 8, 11, 1에서 요동치는 현상이 발생한 것을 볼 수 있다.
도 10에서 입자필터의 오차거리는 대부분 시점에서 균일하게 2.2m 정도이나 시점 2에서 가장 높은 3.8m, 시점 12에서 가장 낮은 1m로 확인된 것을 볼 수 있다. 그러나 본 발명에 따른 알고리즘은 모든 시점에서 오차 거리가 균등할 뿐만 아니라 그 수치도 평균 2.2m 정도로 입자필터에 비해 성능이 더 안정적인것을 확인할 수 있다.
여기에서 전술되어 있는 기설정된 소정의 수치는, 본 발명의 이해를 돕기 위해 기재한 것이며, 이는 운용자의 설정에 따라 달라질 수 있고, 전술된 수치가 본 발명에 한정되지 않는 것은 당연하다.
이상 본 발명의 실시 예에 따른 도면을 참조하여 설명하였지만, 본 발명이 속한 분야에서 통상의 지식을 가진 자라면 상기 내용을 바탕으로 본 발명의 범주 내에서 다양한 응용 및 변형을 행하는 것이 가능할 것이다.

Claims (5)

  1. Wi-Fi 환경을 이용한 컴퓨터 시스템에서 칼만필터와 입자필터를 혼용하여 이동물체의 이동패턴의 특성에 맞게 사용하는 이동물체 위치추적 방법에 있어서,
    Wi-Fi의 AP로부터 RSSI 신호 값을 수집하는 단계(S100);
    상기 이동물체가 임의의 이동경로를 따라 이동 중일 때 각속도를 측정하는 단계(S200);
    상기 이동물체가 임의의 이동경로를 따라 이동 중일 때 미리 설정한 임계치와 비교하여 직선 또는 곡선구간을 결정하는 단계(S300);
    이동물체의 이동방향에 대한 패턴을 분석하여 이에 적합한 필터를 적용하는 단계(S400) 및
    상기 필터를 적용하는 단계(S400) 이후 위치좌표를 보정하는 단계(S500)를 포함하고,
    상기 단계(S200) 및 상기 단계(S400)의 각속도 계산 및 필터 결정은 3축 자이로스코프 센서의 각속도를 이용하며, 칼만필터 또는 입자필터의 선정은 이전 측정 시 각속도로 계산된 각도와 현재 측정 된 각속도로 계산된 각도의 차를 하기 수학식 1로 계산하여 결정하며, 이동패턴이 직선이면 칼만필터를, 곡선이면 입자필터를 각각 적용하는 것을 특징으로 하는 Wi-Fi 환경에서 칼만필터와 입자필터를 혼용한 이동물체 위치추적 방법.

    Figure 112020014586213-pat00017

    w는 각속도, DPS는 단위 시간당 각도 변화량
    <수학식1. 각속도를 이용하여 회전 각도를 계산하는 식>
  2. 삭제
  3. 삭제
  4. 청구항 1에 있어서,
    상기 입자필터는 노이즈(noise)와 입자(particle)의 개수를 정의하여 상기 컴퓨터 시스템에 미리 저장하고,
    상기 결정하는 단계(S300)는 결과가 곡선이면서 동시에 상기 필터를 적용하는 단계(S400)에서 입자필터를 사용했다면 상기 노이즈 및 상기 입자의 개수를 초기화 과정없이 상기 보정하는 단계(S500)로 넘어가고,
    그렇지 않은 경우는 상기 노이즈 및 상기 입자의 개수를 초기화 한 후 이동패턴에 따른 상기 필터를 적용하는 단계(S400)와 상기 보정하는 단계(S500)를 진행하는 것을 특징으로 하는 Wi-Fi 환경에서 칼만필터와 입자필터를 혼용한 이동물체 위치추적 방법.
  5. 청구항 1에 있어서,
    상기 칼만필터는 상기 컴퓨터 시스템에서 사용되는 파라미터들(A, H, Q, R)을 설정하여 상기 컴퓨터 시스템에 미리 저장하고,
    상기 결정하는 단계(S300)는 결과가 직선이면서 동시에 상기 필터를 적용하는 단계(S400)에서 칼만필터를 사용했다면 상기 파라미터들을 이용한 상기 칼만필터를 초기화 과정없이 상기 보정하는 단계(S500)로 넘어가고,
    그렇지 않은 경우는 상기 파라미터들을 이용하여 상기 칼만필터를 초기화 한 후 이동패턴에 따른 상기 필터를 적용하는 단계(S400)와 상기 보정하는 단계(S500)를 진행하는 것을 특징으로 하는 Wi-Fi 환경에서 칼만필터와 입자필터를 혼용한 이동물체 위치추적 방법.
KR1020180083586A 2018-07-18 2018-07-18 Wi-Fi 환경에서 칼만필터와 입자필터를 혼용한 이동물체 위치추적 방법 Active KR102124763B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020180083586A KR102124763B1 (ko) 2018-07-18 2018-07-18 Wi-Fi 환경에서 칼만필터와 입자필터를 혼용한 이동물체 위치추적 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180083586A KR102124763B1 (ko) 2018-07-18 2018-07-18 Wi-Fi 환경에서 칼만필터와 입자필터를 혼용한 이동물체 위치추적 방법

Publications (2)

Publication Number Publication Date
KR20200009347A KR20200009347A (ko) 2020-01-30
KR102124763B1 true KR102124763B1 (ko) 2020-06-19

Family

ID=69321527

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180083586A Active KR102124763B1 (ko) 2018-07-18 2018-07-18 Wi-Fi 환경에서 칼만필터와 입자필터를 혼용한 이동물체 위치추적 방법

Country Status (1)

Country Link
KR (1) KR102124763B1 (ko)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113932809B (zh) * 2021-11-26 2024-03-12 昆山九毫米电子科技有限公司 基于智能粒子滤波的室内无人靶车定位方法
CN114994601B (zh) * 2022-06-02 2024-12-06 合肥联睿微电子科技有限公司 基于距离测量的广义卡尔曼滤波定位方法及系统

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101252531B1 (ko) * 2013-01-22 2013-04-09 국방과학연구소 적응적 칼만필터를 이용한 목표 위치추적장치

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101217138B1 (ko) * 2011-04-01 2012-12-31 부산대학교 산학협력단 이동체의 위치 추정 장치 및 방법
KR101326644B1 (ko) 2012-08-09 2013-11-08 전남대학교산학협력단 예제포즈입자 기반의 입자필터를 이용한 영상 객체 추적 방법
KR102452504B1 (ko) * 2015-09-14 2022-10-11 삼성전자 주식회사 단말 및 이의 위치 측정 방법

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101252531B1 (ko) * 2013-01-22 2013-04-09 국방과학연구소 적응적 칼만필터를 이용한 목표 위치추적장치

Also Published As

Publication number Publication date
KR20200009347A (ko) 2020-01-30

Similar Documents

Publication Publication Date Title
US20230077304A1 (en) Cooperative positioning method and apparatus, device, and storage medium
Rusli et al. An improved indoor positioning algorithm based on rssi-trilateration technique for internet of things (iot)
Yu et al. NLOS identification and mitigation for mobile tracking
EP3693759B1 (en) System and method for tracking motion of target in indoor environment
JP2004361412A (ja) 信頼領域フィルタリング法を用いた位置推定方法および装置
CN104507159A (zh) 一种基于WiFi接收信号强度的混合室内定位方法
Khan et al. Investigating effective methods for integration of building's map with low cost inertial sensors and wifi-based positioning
KR102124763B1 (ko) Wi-Fi 환경에서 칼만필터와 입자필터를 혼용한 이동물체 위치추적 방법
Rohrig et al. Estimation of position and orientation of mobile systems in a wireless LAN
Tsang et al. A bluetooth-based indoor positioning system: a simple and rapid approach
Yin et al. A novel distributed sensor fusion algorithm for RSSI-based location estimation using the unscented kalman filter
Alshami et al. Automatic WLAN fingerprint radio map generation for accurate indoor positioning based on signal path loss model
Benkouider et al. Divided difference Kalman filter for indoor mobile localization
Chao et al. Location-constrained particle filter human positioning and tracking system
Nakib et al. Mobile tracking based on fractional integration
Ayabakan et al. Fault Tolerant Indoor Positioning Based on Federated Kalman Filter
Mahardhika et al. Improving indoor positioning systems accuracy in closed buildings with kalman filter and feedback filter
Shue et al. Procedurally generated environments for simulating rssi-localization applications
Gualda et al. Study of cooperative position estimations of mobile robots
Rosli et al. Localisation of Inspection Probes in A Storage Tank
Ainul et al. An improved indoor RSSI based positioning system using Kalman filter and MultiQuad algorithm
Eissfeller et al. Indoor positioning using wireless LAN radio signals
Kraszewski et al. The air object tracking in 3D space using distance measurements
Shi et al. A novel mobile target localization algorithm via HMM-based channel sight condition identification
Khalil et al. Spherical simplex unscented Kalman filter for RSSI-Based WLAN IEEE 802.11 n positioning and tracking

Legal Events

Date Code Title Description
A201 Request for examination
PA0109 Patent application

Patent event code: PA01091R01D

Comment text: Patent Application

Patent event date: 20180718

PA0201 Request for examination
E902 Notification of reason for refusal
PE0902 Notice of grounds for rejection

Comment text: Notification of reason for refusal

Patent event date: 20191217

Patent event code: PE09021S01D

PG1501 Laying open of application
E701 Decision to grant or registration of patent right
PE0701 Decision of registration

Patent event code: PE07011S01D

Comment text: Decision to Grant Registration

Patent event date: 20200611

GRNT Written decision to grant
PR0701 Registration of establishment

Comment text: Registration of Establishment

Patent event date: 20200615

Patent event code: PR07011E01D

PR1002 Payment of registration fee

Payment date: 20200615

End annual number: 3

Start annual number: 1

PG1601 Publication of registration
PR1001 Payment of annual fee

Payment date: 20230601

Start annual number: 4

End annual number: 4

PR1001 Payment of annual fee

Payment date: 20240603

Start annual number: 5

End annual number: 5