실내 위치 추정을 위한 공간 적응형 정규화 그래프 트랜스포머

초록

본 논문은 Wi‑Fi RSSI 데이터를 그래프 형태로 모델링하고, 그래프 트랜스포머와 공간 적응형 정규화 예측(SACP)을 결합한 SAC‑GT 프레임워크를 제안한다. SAC‑GT는 2차원 위치를 고정밀도로 예측함과 동시에 지역별 신뢰 구간을 제공하여 예측 불확실성을 정량화한다. 대규모 실제 실내 데이터셋 실험에서 기존 그래프 기반 방법들을 능가하는 정확도와 공간별 신뢰 보장을 입증하였다.

상세 분석

SAC‑GT는 두 핵심 모듈로 구성된다. 첫 번째는 그래프 트랜스포머(GT)이며, 이는 Wi‑Fi AP와 사용자를 정점으로 하는 이종 그래프를 입력으로 받아 다중 헤드 어텐션을 통해 정점 간 상호작용을 학습한다. 물리적 링크(사용자‑AP RSSI)와 논리적 링크(AP‑AP 근접성)를 모두 포함함으로써 신호 강도와 공간 토폴로지를 동시에 고려한다. GT는 두 개의 TransformerConv 레이어를 쌓아 1‑hop 및 2‑hop 이웃 정보를 통합하고, 최종 완전 연결층을 통해 (x, y) 좌표를 직접 회귀한다. 손실 함수는 평균 절대 오차(MAE)를 최소화하도록 설계되어, 위치 추정 정확도를 극대화한다.

두 번째 모듈은 공간 적응형 정규화 예측(SACP)이다. 기존 정규화 예측(CP)은 전역적인 오차 한계만 제공해 실내 환경의 지역별 신호 변동성을 반영하지 못한다. 이를 해결하기 위해 저자들은 캘리브레이션 데이터를 K‑Means 클러스터링으로 k개의 지리적 영역으로 분할하고, 각 영역별 비순응 점수(예측 좌표와 실제 좌표 사이의 유클리드 거리)를 수집한다. 이후 원하는 신뢰 수준 1‑α에 대해 각 영역의 점수를 오름차순 정렬하고, ⌈(1‑α)(nk+1)⌉번째 값을 반경 rk 로 설정한다. 이렇게 얻은 영역별 반경 집합 R={r1,…,rk}은 테스트 단계에서 해당 영역에 속하는 예측에 적용되어, 각 위치마다 맞춤형 신뢰 구간을 제공한다.

SACP는 모델‑불가지론적이며, GT 외에도 다른 딥러닝 기반 위치 추정기와 손쉽게 결합할 수 있다. 또한, 지역별 반경을 학습함으로써 복잡한 다중 경로와 장애물에 의해 발생하는 비균일한 오류 분포를 효과적으로 보정한다. 실험에서는 SACP를 적용하지 않은 GT와 비교해 평균 신뢰 구간 크기는 비슷하거나 약간 증가했지만, 실제 커버리지(정답이 구간 내에 포함되는 비율)는 95% 목표를 초과해 97% 이상을 달성하였다. 이는 정규화 예측이 제공하는 이론적 보장을 실환경에서도 유지함을 의미한다.

전체 프레임워크는 학습‑캘리브레이션‑추론의 세 단계로 명확히 구분된다. 학습 단계에서는 GT만을 사용해 최적의 좌표 회귀 모델을 훈련하고, 캘리브레이션 단계에서는 별도 보류된 데이터셋으로 SACP를 수행한다. 추론 단계에서는 테스트 샘플을 GT에 통과시켜 점예측을 얻고, K‑Means 모델을 이용해 해당 샘플이 속한 영역을 식별한 뒤, 해당 영역의 반경 rk 를 적용해 최종 신뢰 구간을 생성한다. 이 파이프라인은 실시간 서비스에 적합하도록 설계되었으며, 캘리브레이션 단계는 오프라인에서 한 번만 수행하면 된다.

SAC‑GT가 달성한 주요 성과는 다음과 같다. 1) GT 기반 회귀가 기존 GCN·GAT·MLP 기반 모델보다 평균 위치 오차를 12%18% 감소시켰다. 2) SACP를 통한 지역별 신뢰 구간이 전역 CP 대비 평균 구간 반경을 7% 감소시키면서도 목표 커버리지를 2% 이상 초과했다. 3) 전체 파이프라인의 추론 시간은 12ms 수준으로, 모바일 디바이스 실시간 적용이 가능하다.

이러한 설계는 실내 위치 서비스가 요구하는 ‘정확도 + 신뢰성’이라는 이중 목표를 동시에 만족시키며, 특히 안전‑중요 애플리케이션(예: 응급 구조, 로봇 내비게이션)에서 불확실성 관리가 필수적인 상황에 큰 잠재력을 가진다. 향후 연구에서는 다중 무선 기술(CSI, BLE) 통합, 동적 영역 재분할, 그리고 비정형 환경(가변 인구 흐름, 임시 장애물)에서의 적응형 캘리브레이션 방법을 탐색할 여지가 있다.