Ⅰ. 서 론

1. 연구의 배경과 목적

4차산업혁명의 핵심 기술인 인공지능(Artificial Intelligence, AI), 사물인터넷(Internet of Thing, IoT), 클라우 드(Cloud), 차세대 이동통신(5G)과 자동차, 로봇, 의료 서비스 등 기존 산업의 융합으로 새로운 기술 혁신이 나타나고 있다. 이러한 기술들은 서비스의 효율성과 지속가능성, 이동성 및 보안성에 초점을 맞추어 스마트 시티(Smart city)를 만들어 나가고 있다.

다양한 물리적 장치인 사물인터넷과 정보통신기술의 통합인 스마트 시티에서 공간정보는 실시간 데이터 획득 및 융복합 활용에서 매우 중요한 역할을 담당하고 있으며, 이러한 공간정보에서 위치 정보는 매우 중요 한 요소이다.

보통 도로에서는 GPS를 이용하여 위치 정보를 획득하지만, 이러한 전파항법은 고층 빌딩의 밀집 지역, 고 가도로 아래, 터널, 실내 공간 등 다양한 음영지역으로 인해 GPS 측위를 사용할 수 없다(Paul and Wan, 2009). 이를 보완하기 위해 자율주행차의 경우 고가의 IMU를 사용한 INS와 차량의 내부 센서를 사용하여 DR 알고리즘을 융합 사용하는 방법이 있지만, 시간에 따라 오차가 계속 증가하여 누적되고 음영지역 안에서 지체, 주정차 또는 복잡한 도로구조에서 사용할 수 없는 한계점이 있다(Kim et al., 2018).

특히, 건설기술의 발전으로 대형화되고 있는 터널과 고가도로, 건물의 지하주차장과 같은 GPS 측위를 사 용할 수 없는 환경의 증가로 인해 다양한 측위 추정 연구 개발이 필요한 상태이다.

본 논문에서는 실내 측위 추정과 실외에서도 보조적 측위에 사용될 수 있는 무선랜 기반 위치 추정에 대 한 방법을 제안한다.

2. 연구의 범위 및 방법

본 대학에는 복잡하고 다양한 무선 네트워크로 구성되어 있다. 그러나 설치된 무선 네트워크 범위가 완벽 하지 못하여 무선신호가 검출되지 않는 장소도 있으며, 다수의 네트워크 구성으로 인한 인접 채널의 간섭이 발생하고, 많은 이용자로 인해 데이터의 급증과 신호 왜곡이 발생하여 신호 세기가 안정적이지 못하고 변화 량이 큰 것을 확인할 수 있다.

이러한 기존의 무선 네트워크 환경은 정확한 전파지도를 제작하기에 부적합하여, 전파지도에 적합한 새로 운 네트워크를 추가 구성하였다. 첫째, 넓은 공간과 작은 공간에서도 최적의 무선범위의 효율을 위해 4개 Anchor 형태로 AP(Access Point)를 위치하였다. 둘째, 유동 장애물을 고려하여 신호 세기의 안정성과 변화량 을 최소화할 수 있는 지향성 안테나를 사용하였다.

실험은 본 대학 지하주차장 한 층을 대상으로 진행하였으며, AP를 교차 구성하여 전역에서 모든 신호가 검출되도록 하였다.

그리고 Fingerprint(FP) 기법을 사용하여 무선신호 세기(RSSI: Received Signal Strength Indicator)를 측정 수 집하여 전파지도를 제작하고 차량의 무선 안테나를 통해 위치 측위를 확인하였다(Jung et al., 2014). 또한, 동 일한 장소에서 차량의 내부 센서와 DR 알고리즘을 사용한 위치 측위와 비교를 하였으며, 주차된 차들의 변 화에 따른 위치 측위도 확인하였다.

본 논문의 구성은 2장에서 실내 위치 추정 관련 연구를 설명하고, 3장에서 차량에 적합한 실내 위치 추정 을 위한 네트워크 및 하드웨어 구성을 설명하였다. 그리고, 4장에서 위치 측위 과정 및 실험결과를 제시하고 끝으로 5장에서 향후 보완 및 연구 방향에 관하여 기술하였다.

Ⅱ. 실내위치 측위 관련 연구

일반적인 실내위치 측위 방식에서는 정밀도(Accuracy), 적용 거리(Coverage area), 가용성(Availability), 무결 성((Integrity), 연속성(Continuity), 강인성(Robustness), 가격(Cost), 상호 간섭(Interferences) 등의 기술적 요구사 항이 있다(Kim et al., 2015).

이동하는 차량에 적용하기 위해서는 고도로 정밀한 위치 측위가 이루어져야 하며, 작은 오차나 오동작 등 은 치명적인 문제를 발생할 수 있으므로 정확하고 신뢰할 수 있는 위치 측위는 필수 요구사항이다. 그리고, 실내에서는 GPS를 활용할 수 없으므로 Lidar, Camera, Ultrasonic 등의 센서와 정밀도로지도와 같은 인프라 시스템과 융합을 통해 측위가 이루어져야 한다.

실내 측위 기술은 위치 정밀도와 거리, 환경 등에 따라 적용될 수 있으나 고가의 장비와 인프라는 비용대 비 활용성이 떨어지는 문제점이 있다. 이러한 문제점들을 해결하기 위해 무선 네트워크 장비와 인프라만으 로 실내위치 측위와 관련된 다양한 연구가 진행되고 있다.

대표적으로 WI-FI(Wireless Fidelity), Bluetooth, RFID(Radio Frequency Identification), UWB(Ultra-Wideband)를 이용하며, 이러한 연구들은 대표적으로 GPS에서 사용되는 삼변측량법과 이동 통신망과 같이 격자 형태로 지 역을 분할 하여 셀(Cell) 단위로 위치를 측정하는 FP 기법 두 가지 방식이 있다(Lim and Choi, 2011).

1. 삼변측량법

일반적으로 RTLS(Real Time Location System) 평면상에서 이동하는 개체의 실시간 위치를 추정하는 것에 보편적으로 사용된다. 이를 위해서는 최소 3개 이상의 기준점이 필요하게 되는데, <Fig. 1>에서 WLAN 환경 에서 AP는 기준점이 되며, 각 AP까지의 거리를 반지름으로 하는 원 위에 위치한다.

AP까지의 거리는 전파의 진행 거리에 따른 신호 감쇠를 구하는 Friis 공식(Friis, 1946)을 이용하여 구할 수 있으며, 최소 세 지점과 거리를 이용해 3개의 AP까지의 거리를 구하는 연산을 통해 위치 추정이 가능하다 (Wang et al., 2013). 아래의 식(1)은 무선신호 세기를 이용하여 Friis 공식을 통해 L(신호의 손실 값)을 구할 수 있는데, 이를 거리 d에 관한 식으로 나타낸 것이다. 여기서 L은 AP의 신호 세기와 수신한 AP 신호 세기 의 차를 이용해 구하여 위치를 구할 수 있다.

여기서,

그러나 삼변측량법은 두 가지의 단점을 가지고 있는데, 우선 신호 감쇠 값으로는 정확한 거리를 측정할 수 없다. 이는 최적의 환경으로 가정한 것이기 때문에 다양한 장애물이 존재하는 실내 공간에서는 신호의 감 쇠, 반사, 회절 등이 일어나 큰 오차를 포함하는 거리 값을 가지기 때문이다(Son et al., 2013).

또한, AP의 전파 출력이나 안테나 이득과 같은 부가적 정보를 이용하여 보정을 해도 불특정 다수의 장애물 (사람, 자동차, 기타 이동물체)이 존재하는 실내 공간에서는 정확한 위치 정보를 얻을 수 없다. 그리고, 각 AP의 위치 정보를 얻을 수 없다면 신호 값으로 거리 값을 구해도 교차점을 구할 수 없게 된다(Pu and You, 2018).

2. Fingerprint Method

FP는 경험적인 데이터에 기반을 둔 방법으로서 먼저 위치를 측정하고자 하는 지역을 셀 형태로 나누어 각 셀에 대한 신호 강도 값을 조사하여 저장해 놓은 다음 실제 측위 시 저장된 값과 비교하여 위치를 결정하는 방법이다(Nam and Han, 2008).

아래의 <Fig. 2>를 보면 위치 측위 대상 지역을 셀 형태로 나누어 각 셀의 신호 강도 자료를 수집하여 FP 지도를 만드는 단계와 수집된 데이터를 기반으로 만들어진 FP 지도를 실제 측정한 위치 값에 매칭하여 위치 를 추정하는 두 단계로 나뉘어 수행된다(Lee and Moon, 2018). 이렇게 셀 단위로 데이터를 저장하기 때문에 위치 측위의 최종결과는 셀의 값의 x, y가 된다.

이 방법의 주의할 점으로 AP와 안테나는 설치 후 위치 및 방향의 변동이 없어야 하는데, 만약 변동이 발 생하면 조사된 셀의 신호 강도 값이 변경되므로 모든 실험이 마칠 때까지 이동해서는 안 된다.

이 방법은 특정 지역에 대한 신호 강도 값을 추출하기 때문에 주위 환경 특성을 반영한 신호 강도 값을 저장할 수 있으며, 주위 환경이 크게 변하지 않는 한 그 지역에 대한 신호 강도 값은 대체로 일정하게 유지 되기 때문에 저장된 데이터와 현재 측정된 신호 강도 값의 비교를 통하여 더욱 정확한 위치 측정이 가능하 다는 장점이 있다.

반면, 신호 강도를 수집하는데 필요한 시간은 위치 측정 대상 지역의 규모와 분할된 셀에 비례하므로 실 제 위치 측위 단계 전에 많은 사전 작업이 요구되며, 수집된 신호는 주변 환경에 대한 특성을 반영하고 있기 때문에 주변 환경에 큰 변화가 생기면 새로 수집을 해야 하는 단점이 존재한다.

Ⅲ. 차량용 네트워크 및 하드웨어

차량에서 사용하는 V2X 통신기술은 WAVE(Wireless Access Vehicle Environment) 기반으로 성능을 향상하 는 방법과 셀룰러 기반의 LTE V2X, 5G 통신기술로 발전하고 있으며, 일반적으로 WLAN은 IEEE802.11 기술 규격 브랜드명을 Wi-Fi 용어로 혼용하여 사용하고 있다.

위 <Table 1>은 실제 도로에 사용되고 있는 차량용 무선 통신 네트워크이다.

실험으로 사용된 <Table 2>의 AP는 Asus사의 Dual band WLAN Router를 사용하였고, Tx power 증가와 감 도 향상을 위해 어댑터와 지향성 안테나로 변경하고 출력을 500mW로 설정하였다.

SSID(Service Set Identifier)는 임의로 KUL AP 1, 2, 3, 4와 KUL AP_5G 1, 2, 3, 4로 정하였고, 외부 접근과 검색을 방지하고자 암호와 함께 숨겨진 SSID로 설정하였다.

Ⅳ. 측위 과정 및 실험

1. 실험 장소와 셀 분할 과정

실험 장소는 길이 109.8m, 폭 47.4m의 크기의 본교 지하주차장을 선택하였고, 직사각형 형태에 중간 하단 부분이 격자 형태로 되어있는 구조다.

약 4,000㎡의 공간에서 단 4개 Anchor 형태로 AP의 무선범위를 고려한 가장 효율적인 위치를 찾기 위해 외부 지향성 안테나와 AP 출력 증가를 설정하였고, 실험 장소 어느 위치에서도 무선신호가 안정적으로 수신 되는 것을 사전 실험을 통해 확인한 후 진행을 하였다.

AP 설치 위치는 무선신호 위치추적을 위한 효율적 장소인(Park et al., 2015) 아래의 <Fig. 3>과 같이 지정 하고, 각 AP 외부 안테나(2.4GHz, 5GHz)를 천장 전기배선 레일 밑에 설치하였다.

교내에는 이미 많은 무선 네트워크가 2.4GHz 전 채널을 모두 사용하고 있어 전파 간섭이 심한 상태였으 나 지향성 안테나와 라우터의 출력조절로 <Fig. 4>와 같이 중복되는 네트워크 채널 사이에서 뚜렷하고 강한 무선신호 세기 값을 확인할 수 있다.

셀 분할 과정은 FP 방법의 기본이 되는 무선신호 자료수집의 전 단계로 위치 측정 대상 지역을 임의 크기 의 셀로 분할하는 과정으로 가로 1m, 세로 1m의 크기로 나누었다. 지하주차장의 도로 폭은 6m로 일방통행 으로 방향이 정해져 있다. 셀 분할은 아래의 <Fig. 5>와 같이 도로의 폭 6m 절반인 3m 지점이 중심 주행라 인으로 설정하고 좌우 1m인 셀 분할 크기로 도로 폭에서 총 3개 라인으로 1m마다 생성하였다.

여기에 세단 차량의 트렁크 높이와 SUV(Sport Utility Vehicle) 차량의 높이를 고려하여, 1.1m, 1.6m 높이로 분할하여 실험 장소의 셀의 총 개수는 1782개의 노드가 된다.

2. Fingerprint Database

셀 수집과정은 분할된 셀을 구분하는 신호 강도 값을 기록하는 것이다. 이것은 다수의 AP와 정확한 RSSI 를 수집해서 다른 셀과의 차이를 구별하도록 하는 가장 중요한 부분이다. 이렇게 측정한 신호 강도 값은 실 내에서 위치 측위 정확도를 결정하는 중요한 요인이 된다.

Lidar 센서를 이용하여 정확한 거리 값 기반의 측정을 고려했으나 실차의 특성상 1~2cm 미만의 오차 이내 의 정확한 주행이 불가능하고 반복된 측정에서 기계적 오차로 인하여 차량을 통한 셀 수집은 배제하였다. 그 래서, 정확한 측량을 위해 시간의 소요가 많은 정통적 측량 방법을 선택하였다.

통로 폭을 계산하여 기준점을 표시한 후 Sincon사의 TK333 레이저 레벨기(정밀도 ±2mm/10m)에 대형줄자 를 사용해서 셀 단위인 1m 단위마다 검출하는 방식으로 하였다.

측정은 아래의 <Fig. 6>과 같이 손수레 위에 무선 랜 카드와 안테나로 1.1m, 1.6m 높이로 설치한 후 노트 북으로 검출하였다.

AP는 총 4개 2.4GHz/5GHz 듀얼밴드를 사용하여 검색되는 RSSI는 2.4GHz 4개, 5GHz 4개가 검출되며 5GHz는 주파수의 특성상 신호 강도가 약하였지만, 실험 장소의 전역에서 검출이 되어 신호 값 셀의 정확도 를 위해 사용되었다.

수집되는 데이터는 <Fig. 7>과 같이 NIC(Network Interface Card)에서 검출되는 AP의 정보(Kotaned et al., 2003)에서 KUL AP 1, 2, 3, 4와 KUL AP_5G 1, 2, 3, 4의 총 8개 SSID 정보와 MAC(Media Access Control) 주 소 및 신호 강도 값의 Max., Min., Avg. 값을 검출하여 기록하게 된다.

검출된 1782개의 셀 정보에 X, Y 좌표와 함께 신호 세기 값을 입력하여 Fingerprint Database(FP DB)를 완 성한다.

완성된 FB DB는 <Fig. 8>를 통하여 지하주차장 평면도에 투영하면 정확한 위치의 좌표를 알 수 있게 된 다. 그리고, 한 통로에 3개 구간의 셀로 구분하여 측정한 것은 측위 위치에서 다음 위치 측위의 방향성과 조 향각을 산출하기 위한 것이다.

3. 측위 과정

전체적인 위치 측위 과정은 <Fig. 9>와 같이 진행된다. 차량의 위치 측위를 위해 루프에 무선 안테나를 부 착한 후 SSID와 신호 강도 값을 검출하여 FP DB에 매칭시켜 위치를 결정한다. 매칭단계에서 위치 측위를 위한 검출된 신호 강도 값을 FP DB에 비교하는 모든 연산과정을 거쳐야 하는데, 빠르고 정확한 매칭을 위해 서는 데이터의 경량화가 필요하며, 이를 위해 신호 세기를 기반으로 한 FP DB를 분할 하는 것을 제안한다.

실시간 위치 측위 과정에서 연산량을 줄이는 방법으로 FP DB를 아래의 <Fig. 10>과 같이 8개의 구간으로 분할 하였으며, 또 이 구간은 세 그룹으로 나누어 차량에서 검출된 AP의 신호 강도 값을 기반으로 해당 그 룹만을 탐색하고 매칭을 한다.

검출된 AP의 신호 강도 값을 내림차순으로 정렬하여 첫 번째와 두 번째 신호 강도 값으로 분할된 FP DB 에서 근사구간을 알 수 있다. 실험 장소 어떤 위치에서 신호 강도 값을 검출해도 고정된 4개의 AP의 위치에 서 제작된 FP DB의 분할된 세 그룹에 속하게 되기 때문이다.

매칭과정에 적용한 단계는 아래의 <Fig. 11>'과 같다. Step 1은 차량에서 실시간으로 신호 강도 값을 획득 하여 신호 세기를 정렬시키고, 여기에서 가장 강한 AP 신호 두 개를 선택한다. 그리고 Step 2에서 FP DB의 분할된 구간 지도를 선정한다.

이후 Step 3에서 연산하여 분할된 구간 지도에서 가장 작은 값의 셀을 선택하고, 해당 셀의 좌표를 통해 위치를 결정하게 된다.

매칭과정은 아래의 수식(2)에서 차량에서 검출한 S 값(2.4GHz 무선신호 세기 값 A, B, C, D와 5GHz 무선 신호 세기 값 A’, B’, C’, D’)을 정하고 Step 2에서 정해진 구간 FP DB의 신호 강도 M 값에 대입하여 분할된 FP DB의 가장 작은 값의 셀 P(min)를 찾을 수 있으며, 이 셀은 차량이 탐색한 신호 강도 값을 가지는 X, Y 지점으로 현재 위치가 된다.

여기서,

4. 결과 및 분석

본 실험의 비교군을 위하여 두 대의 차량을 이용하여 동일한 장소에서 GPS와 차량의 내부 센서를 이용한 DR 알고리즘으로 위치 데이터<Fig. 12>를 측정하였다.

노란색 실선의 데이터는 GPS의 이동궤적으로 외부에서 지하주차장 입구로 내려가는 지점부터 위치 및 방 향을 전혀 알 수 없는 상태를 보였다. 그리고, 적색 실선의 데이터는 거리 및 조향 오차로 인하여 주행라인 형태는 유지하고 있으나 평면도에 투영해 보면 큰 오차가 있음을 알 수 있다. 위 실험결과로 GPS, IMU를 사 용한 INS와 DR 알고리즘으로는 실내 공간에서 정확한 위치 측위가 불가능함을 확인할 수 있다.

그리고 실험 중 차량에서 탐색한 무선신호의 주기가 AP의 신호 발생주기(80ms)와 동기화 문제가 발생하 여 연속적 탐색을 통한 매칭에 문제점이 발생하였고, FP DB 수집과정에서 측정한 신호 세기 값과 차량의 안 테나 신호 세기 값이 다르게 측정되는 문제점이 추가로 확인되었다.

이런 문제점으로 인해 실시간 이동하면서 위치 측정은 어렵다고 판단되어 포인트 지점을 정하여 정차해 서 위치를 확인하는 방식으로 실험을 진행하였다. 전파 방해가 가장 많은 위치인 기둥과 차량이 많은 장소인 교차, 회전 구간 8개 지점에서 위치 측위 실험을 진행하였다.

위 <Fig. 13>의 1번 위치에서 차량의 신호 세기를 탐색하여 FP DB에 매칭시켜 얻은 위치 결과이다.

탐색한 신호 세기를 정렬하여 FP DB에서 분할된 구간을 선택하고, 매칭 알고리즘을 적용하여 가장 작은 값의 셀을 찾아 차량의 현재 X, Y 위치를 표시하였다.

이와 같은 방법으로 각 코너와 교차점에서 위치 검색을 <Fig. 14>과 같이 실험하여 결과를 확인하였다.

실험결과 탐색 위치 1, 4, 5지점에서는 정확한 위치 추정을 하였고 2, 3, 6, 7 지점은 분할된 구간에서 중복 으로 탐색되어 셀 1개의 범위(1m) 이내에서 차량의 위치를 추정할 수 있는 것을 확인할 수 있었다.

<Fig. 15>는 모든 FP DB를 매칭하는 기존 방식으로 하였을 경우 평균매칭시간 1.39(s)이 걸렸고, 본 논문 에서 제안된 FP DB 분할 구간으로 매칭시 각 노드에서 평균 0.69(s)로 약 49.95%의 개선됨을 보였다. 그리고 <Fig. 16>은 각 노드에서 30회 반복된 위치 측정을 하였을 때 셀 오류 횟수를 나타냈다. 가장 많은 오류를 보 인 노드 2의 경우 30회 측정 중 7번의 오류를 보였으나 최고 2셀의 오차 범위였으며, 이는 AP 교차 구간에 서 가장 중심위치에 있고, 주변에 고정 장애물인 기둥이 가장 많은 장소이기 때문이었다.

실험 전 가장 많은 변수로 작용할 것이라 보였던 주차된 차량은 <Fig. 17>의 데이터와 같이 오전 9시에 부 터 많은 차량이 주차되었고, 오후 6시에 진출한 차량이 많았다. <Fig. 18>을 보면 오전 9시에 셀 오차가 2m 인 노드 2, 7이 가장 크고 이후에는 1m 이상의 오차는 발생하지 않는 것을 확인하였다.

Ⅴ. 결론 및 향후 연구 방향

일반적으로 FP DB에 사용되는 방법으로 신호강도에 따른 거리를 측정하여 사용하였다. 그러나, 기존의 측위 방식에는 제한적 공간에서 전파 방해 요소들이 적고, 다수의 많은 AP가 있을 때 오차율이 낮아 사용될 수 있었다.

본 논문은 단 4개의 AP와 지향성 안테나를 사용하여 넓고 큰 공간과 불특정 다수의 전파 방해 요소들이 산재 되어있는 환경에서 최대 2m 이내의 위치 오차범위를 가지는 FP DB를 구축하여 GPS 음영 환경에서 위 치 추정 시스템을 구현하였다. 기존의 FP DB 매칭 알고리즘에서 연산을 줄이기 위해 신호 세기를 기반으로 구간 분할 매칭을 제안하여 최대 49.95% 단축된 연산시간을 확인하였다. 그리고, 이러한 측위 시스템을 구축 하는 과정과 방법을 제시하였다.

측정된 위치 추정 방법은 차량만이 아닌 비상구와 소화전 등 비상안전과 관련된 위치의 참조 점으로 활용 할 수 있으며, 비 가시거리 또는 사각지대에 있는 사람이나 차량의 위치를 확인하는 효율적인 보조 방법이 될 수 있다.

하지만, FP DB를 만드는 과정에서 소요되는 시간과 차량의 차체로 인한 측정값의 변수는 추가적인 연구 가 필요하고, AP와 무선 안테나의 신호 주기의 동기화에 관한 연구도 필요함을 확인할 수 있었다.

이러한 문제점들을 해결하기 위해 측위 과정에서 탐색한 신호강도 값을 Machine Learning을 이용한 분류기 법을 이용하여 FP DB를 구축에 적용하고, 매칭하는 시스템을 보완한다면 향후 좋은 연구 방향이 될 것이다.