MTLoc: 신뢰도 기반 소스‑프리 도메인 적응으로 실내 RFID 위치추정 혁신

초록

본 논문은 RFID 기반 실내 위치추정 모델을 소스 데이터를 사용하지 않고 목표 환경에 적응시키는 방법으로, 평균‑교사(mean‑teacher) 구조와 k‑최근접 이웃(k‑NN) 기반 신뢰도 보정을 결합한 MTLoc을 제안한다. 학생 네트워크는 교사가 생성한 고신뢰 의사라벨을 이용해 자체 학습하고, 교사는 EMA(지수 이동 평균)로 안정적인 파라미터를 유지한다. 실험 결과, 기존 UDA·SFDA 기법 대비 평균 절대 오차(MAE)를 20‑30% 이상 감소시켰다.

상세 분석

MTLoc은 실내 RFID 위치추정이라는 회귀 문제에 특화된 소스‑프리 도메인 적응 프레임워크이다. 기존 SFDA 연구는 대부분 분류에 초점을 맞추었으며, 회귀에서는 의사라벨의 정확도가 적응 성능을 좌우한다는 점을 지적한다. 이를 해결하기 위해 저자는 두 가지 핵심 메커니즘을 도입한다. 첫째, 평균‑교사(mean‑teacher) 구조를 채택한다. 초기에는 소스 데이터로 사전 학습된 학생·교사 네트워크를 동일하게 초기화하고, 학습 과정에서 학생은 목표 도메인의 노이즈가 섞인 신호를 입력받아 교사가 제공하는 의사라벨을 사용해 손실을 최소화한다. 교사는 학생 파라미터의 지수 이동 평균(EMA) α를 적용해 매 스텝마다 업데이트함으로써 파라미터 변동을 억제하고, 보다 안정적인 라벨을 생성한다. 둘째, 교사의 의사라벨에 대한 신뢰도 기반 정제 과정을 도입한다. 교사가 출력한 좌표에 대해 k‑NN을 수행해 주변 샘플들의 라벨과 거리 기반 가중 평균을 계산하고, 이 값과 교사의 원본 라벨을 비교해 신뢰도가 낮은 경우 보정한다. 이렇게 정제된 고신뢰 라벨만을 학생에게 제공함으로써 과적합과 라벨 노이즈 전파를 최소화한다.

기술적 구현 측면에서 MTLoc은 두 개의 서브모듈, 즉 특징 추출기 F와 회귀기 R으로 구성된 로컬라이저 모델을 사용한다. 특징 추출기는 RFID 신호 강도, 위상, CSI 등 다양한 물리량을 입력받아 저차원 임베딩을 만든다. 회귀기는 이 임베딩을 2차원 좌표( X , Y )로 매핑한다. 손실 함수는 라플라시안 오류 모델에 기반한 L1 손실을 채택했으며, 이는 실내 환경에서 발생하는 비대칭적 오류에 강인하다. 또한, 교사‑학생 간 일관성 정규화(consistency regularization)를 위해 입력에 작은 가우시안 잡음을 추가해 모델이 노이즈에 대한 견고성을 학습하도록 설계했다.

실험은 INLAN Inc.의 실제 실내 테스트베드에서 수집한 세 개의 데이터셋(소스: Ceiling, 타깃: Cross, Square)으로 수행되었다. 각 타깃 데이터는 수백 개의 샘플에 불과하고, 신호 잡음 비율이 10‑15% 수준으로 매우 열악했다. 비교 대상으로는 (1) 소스‑전용 모델, (2) 라벨이 있는 타깃 데이터로 학습한 오라클, (3) GRL 기반 적대적 UDA(FreeLoc 변형), (4) 기존 SFDA 방법인 TAS‑FAR가 포함됐다. 결과는 MAE 기준으로 MTLoc이 소스‑전용 대비 20.0% (Cross)·22.5% (Square) 개선했으며, 신뢰도 보정을 적용한 MTLoc‑Conf는 각각 23.9%·28.2%까지 추가 향상시켰다. 특히, 고신뢰 라벨만을 사용했을 때 과적합이 현저히 감소하고, 학습 안정성이 크게 개선된 것이 확인되었다.

이 논문의 주요 기여는 다음과 같다. (1) 회귀 기반 실내 위치추정에 적용 가능한 SFDA 프레임워크를 제시, (2) EMA 기반 평균‑교사와 k‑NN 신뢰도 보정을 결합해 의사라벨 품질을 정량적으로 향상, (3) 실제 RFID 환경에서 소스 데이터 없이도 높은 적응 성능을 달성함을 실증. 한계점으로는 k‑NN 연산이 타깃 샘플이 늘어날 경우 계산 비용이 증가할 수 있다는 점과, EMA 파라미터 α와 k‑NN의 k값 선택이 도메인마다 민감하게 작용한다는 점을 들 수 있다. 향후 연구에서는 경량화된 근사 k‑NN(예: FAISS) 적용과, 다중 태그·다중 안테나 시나리오에 대한 확장성을 검증할 계획이다.