칼리브레이션 없이 인덕션 자기장 기반 실내·실외 위치추정 데이터 기반 모델링

초록

본 논문은 인덕션 자기장(IMF) 측정을 직접 좌표와 매핑하는 데이터‑드리븐 프레임워크를 제안한다. 기존의 분석 모델이나 현장 별 캘리브레이션 없이, 다중 코일 송신기와 3축 수신기로부터 얻은 신호를 회전 불변 특징으로 변환하고, Random Forest 회귀기를 포함한 여러 머신러닝 모델로 학습한다. 실내·실외 여러 환경에서 2D 위치는 20 cm 이하, 3D 위치는 30 cm 이하의 평균 오차를 달성했으며, 실내에서 학습한 모델이 실외에서도 재학습 없이 그대로 적용되는 교차 환경 일반화 능력을 보였다. 또한 송신기 간 간격을 조절해 커버리지와 정확도 사이의 트레이드오프를 정량화함으로써 시스템 확장성을 검증하였다.

상세 분석

이 연구는 인덕션 자기장 기반 위치추정의 핵심 한계인 ‘환경 의존적 캘리브레이션’과 ‘비선형 필드 왜곡’ 문제를 데이터‑드리븐 접근으로 근본적으로 해결한다. 물리적으로는 저주파 교류 전류가 코일에서 발생시키는 근거리 자기장이 거리의 세제곱에 반비례한다는 식을 기반으로 하지만, 실제 실내·실외 환경에서는 금속 구조물, 전자기 간섭, 코일 기하학적 불규칙성 등으로 인해 이상적인 dipole 모델이 크게 틀어진다. 논문은 이러한 복잡성을 직접 학습하도록 설계된 특징 추출과 모델링 파이프라인을 제시한다.

첫째, 다중 송신 코일(각 코일은 x, y, z 축으로 직교)과 삼축 수신 코일을 사용해 9개의 독립적인 신호 채널을 확보한다. 각 채널은 시간‑다중 방식으로 순차 활성화되어 신호 간 교차오염을 최소화한다. 둘째, 수신기의 회전이 위치 추정에 미치는 영향을 없애기 위해, 각 축의 전압 크기와 위상 정보를 절대값과 비율 형태로 변환한 회전 불변(feature) 벡터를 만든다. 이는 센서가 어떤 방향으로 놓이든 동일한 입력을 보장한다.

셋째, 지도학습을 위해 Marvelmind 초음파 시스템을 이용해 2 cm 수준의 고정밀 그라운드 트루스를 확보하고, 수집된 IMF 데이터와 좌표 쌍을 대규모 데이터셋으로 구축한다. 데이터는 4개의 실내 공간(회의실, 소셜 에어리어 등)과 야외 테스트베드에서 균등하게 분포시켜, 모델의 일반화 능력을 평가한다.

모델링 단계에서는 선형 회귀, Support Vector Regression, 다층 퍼셉트론, Convolutional Neural Network, 그리고 Ensemble 기반 Random Forest를 비교한다. 실험 결과 Random Forest가 가장 높은 정확도와 낮은 추론 지연을 보이며, 2D에서는 평균 17 cm, 3D에서는 평균 28 cm의 오차를 기록한다. 이는 기존 분석 기반 방법이 30 cm~50 cm 수준에 머물렀던 것에 비해 현저히 개선된 수치이다.

또한, ‘교차 환경 검증’ 실험에서 실내에서 학습된 모델을 야외 환경에 그대로 적용했을 때, 오차 증가가 5 cm 이하에 그쳐 재학습 없이도 실용적인 성능을 유지한다는 점을 확인했다. 이는 특징이 회전 및 환경 변동에 강인함을 의미한다.

마지막으로 송신기 간 간격을 0.5 m, 1 m, 1.5 m 등으로 변화시키며 커버리지와 정확도의 트레이드오프를 정량화했다. 간격이 넓어질수록 평균 오차는 약 10 % 증가하지만, 설치 비용과 전력 소비는 크게 절감된다. 이러한 분석은 실제 서비스 배포 시 비용‑성능 최적화를 위한 설계 지표로 활용될 수 있다.

전반적으로 이 논문은 물리 모델링의 복잡성을 머신러닝이 대체할 수 있음을 실증하고, 회전 불변 특징과 다중 코일 설계가 IMF 기반 위치추정의 확장성과 이식성을 크게 향상시킨다는 중요한 인사이트를 제공한다.