초고속 무디바이스 가시광선 감지 및 위치추정 시스템

초록

본 논문은 천장에 설치된 포토다이오드 배열을 이용해 단일 LED 조명에서 발생하는 가시광통신(VLC) 채널의 수신 신호 강도(RSS) 변화를 실시간으로 측정하고, ΔRSS(레퍼런스와 현 상태의 RSS 차이)를 특징으로 삼아 딥러닝 기반 앙상블 모델로 사람의 존재와 2차원 위치를 10 cm 이하 오차로 추정하는 장치‑프리(디바이스‑프리) 시스템을 제안한다.

상세 분석

이 연구는 기존 가시광선 기반 위치추정 방식이 갖는 복잡한 채널 모델링과 높은 연산 비용 문제를 해결하고자, 물리적 반사 모델링과 데이터‑드리븐 딥러닝을 결합한 하이브리드 접근법을 채택하였다. 먼저, 방 안의 모든 표면을 완전 확산(diffuse) 반사체로 가정하고, 3차 반사까지 고려한 무한 급수 형태의 채널 임펄스 응답(CIR)을 수식화한다. 이를 통해 LED‑PD 간 직·비직선 경로와 다중 반사 경로가 생성하는 RSS 값을 시뮬레이션한다. 핵심 아이디어는 ‘ΔRSS’이다. 빈 방에서 측정한 기준 RSS와 사람이 존재할 때 측정한 RSS 차이를 구해, 각 PD마다 9차원의 피처 벡터를 만든다. 이 피처는 사람의 위치에 따라 고유한 패턴을 형성하므로, 이를 학습 데이터로 활용한다.

데이터셋은 5 × 5 × 3 m³ 방을 0.1 m 간격으로 49 × 49 격자(총 2 401 포인트)로 나누고, 각 포인트에 사람을 배치해 ΔRSS를 기록한다. 학습‑검증‑시험 데이터를 공간적으로 균등하게 분할하기 위해 K‑Means 기반 클러스터링을 이용한 3‑fold 교차 검증을 적용하였다. 이는 인접 포인트 간의 높은 상관성을 고려해 모델의 일반화 능력을 강화한다.

앙상블 구조는 MLP, CNN, U‑Net 세 가지 네트워크를 각각 3개씩(총 9개) 독립 학습시킨 뒤, 검증 단계에서 평균 위치 오차(MPE)를 최소화하도록 가중 평균한다. MLP는 전역적인 비선형 매핑에 강하고, CNN은 센서 배열의 공간적 상관성을 추출하며, U‑Net은 고해상도 피처 복원을 통해 미세한 반사 패턴을 포착한다. 전통적인 KNN이나 ExtraTrees와 달리, 이 앙상블은 실시간 추론에 필요한 메모리와 연산량을 크게 줄이면서도 10 cm 이하의 정확도를 달성한다.

실험 결과, MLP만을 사용한 경량 모델이 전체 파라미터 51 k로 가장 짧은 학습 시간을 보였으며, 9 ~ 11 cm 수준의 MPE를 유지한다. CNN·U‑Net을 포함한 복합 모델은 파라미터가 217 k~477 k로 증가하지만, 특정 구역에서의 오차 감소 효과가 있다. 추론 시간은 모든 앙상블에서 거의 동일하게 0.5 ms 이하로, 라즈베리 파이와 같은 엣지 디바이스에서도 실시간 운영이 가능함을 입증한다.

이 시스템은 6G 시대의 ‘Sensing as a Service’ 시나리오에 적합하며, 조명 인프라만으로 실내 인체 감지·위치추정을 구현함으로써 추가 하드웨어 비용 없이 넓은 범위의 스마트 빌딩, 보안, 에너지 관리 등에 활용될 수 있다.