스마트폰 실내 위치추정을 위한 차별학습 기반 시스템

본 논문은 실내 위치추정 서비스가 급증함에 따라, 스마트폰만을 이용한 저비용·고정밀 실내 위치추정 시스템을 설계하고 구현한다. 기존의 Wi‑Fi 기반 핑거프린팅 방법은 방마다 다수의 라벨링 포인트를 수집해야 하며, 환경 변화 시 데이터베이스를 재구축해야 하는 비효율성이 있다. 이를 극복하기 위해 저자들은 ‘방 수준 랜드마크 검출’을 핵심 아이디어로 삼았다. 차별학습 모델은 Wi‑Fi RSSI와 스마트폰 내장 자기장 센서값을 동시에 입력받아, 각 방을 구분하는 확률적 라벨을 출력한다. 이 과정에서 필요한 학습 데이터는 방 라벨만 달린 짧은 워킹 트레이닝으로 충분히 확보할 수 있어, 현장 조사 시간과 인력을 크게 절감한다. 시스템 아키텍처는 네 개의 주요 모듈로 구성된다. 첫 번째는 물리적 환경을 그래프 형태의 이산 상태공간으로 변환하는 ‘시스템 상태 공간 모델’이다. 건물 평면도를 기반으로 0.25 m 간격의 격자 노드를 생성하고, 인접 노드 간에 이동 가능성을 정의하는 엣지를 만든다. 두 번째는 차별학습 기반 ‘방 랜드마크 인식 모듈’이며, 여기서 얻어진 방 확률은 파티클 필터의 초기 입자 분포와 가중치 업데이트에 직접 활용된다. 세 번째는 Wi‑Fi 신호 감쇠 모델을 이용한 ‘거리 추정 모듈’로, 각 입자와 AP 사이의 예상 거리와 실제 RSSI 차이를 계산한다. 네 번째는 이 모든 정보를 통합하는 ‘강화 파티클 필터 모듈’이다. 파티클은 그래프 전이 모델에 따라 이동하고, 랜드마크 확률과 거리 오차를 기반으로 가중치를 재조정한다. 입자 수는 500~1000개로 제한해 스마트폰의 제한된 CPU·메모리에서도 실시간 처리 가능하도록 설계되었다. 실험은 사무실형 실내 환경에서 수행되었다. 학습 단계에서는 각 방을 대표하는 라벨만 부착한 상태에서 무작위로 걸어다니며 Wi‑Fi와 자기장 데이터를 수집했다. 테스트 단계에서는 여러 위치에서 실시간으로 센서 데이터를 입력하고, 시스템이 추정한 위치와 실제 좌표를 비교하였다. 결과는 평균 위치 오차 1.55 m, 표준편차 0.73 m를 기록했으며, 이는 기존 핑거프린팅 기반 시스템(≈2.0 m)보다 현저히 우수했다. 또한 AP 수를 4개에서 8개로 늘리거나 입자 수를 300에서 800으로 조정해도 오차가 크게 변하지 않아, 시스템이 비교적 적은 인프라와 연산 자원으로도 안정적인 성능을 유지함을 확인했다. 논문의 주요 기여는 다음과 같다. 첫째, 방 수준의 라벨만으로 충분한 학습을 가능하게 하는 차별학습 기반 랜드마크 검출 기법을 제시하였다. 둘째, 이산 그래프와 강화 파티클 필터를 결합해 다중 센서 데이터를 효율적으로 융합함으로써, 기존 필터 기반 방법보다 높은 정확도와 낮은 연산 복잡도를 달성하였다. 셋째, 스마트폰 자체에서 전 과정을 실행함으로써 클라우드 의존성을 최소화하고, 실시간 서비스 제공이 가능함을 실험적으로 입증하였다. 하지만 몇 가지 한계점도 존재한다. 자기장 센서는 전자기기나 금속 구조물에 의해 크게 변동할 수 있어, 환경이 자주 바뀌는 공간에서는 재학습이 필요할 수 있다. 또한 그래프 모델은 평면도의 정확도에 크게 의존하므로, 평면도가 부정확하거나 동적으로 변하는 경우 시스템 성능이 저하될 위험이 있다. 향후 연구에서는 자기장 변동을 실시간으로 보정하는 적응형 모델과, 자동 평면도 추출 및 그래프 업데이트 기법을 도입해 완전한 무인 배포와 장기적인 환경 적응성을 목표로 할 수 있다.