라우터 주의 메커니즘으로 실내 무선 위치추정 성능 향상

초록

본 논문은 Wi‑Fi 기반 실내 위치추정 모델에 라우터별 가중치를 학습하도록 설계된 어텐션 레이어를 도입한다. 기존 모델이 모든 AP를 동일하게 취급해 발생하는 수렴 속도 저하와 정확도 손실을 해결하고, 채널‑와이즈 어텐션을 통해 신뢰도 높은 라우터에 더 큰 비중을 부여한다. 공개 데이터셋(DLoc)에서 평가한 결과, 평균 오류가 30 % 이상 감소하고 99 % 백분위수 오류가 39 % 감소하는 등 전반적인 성능이 크게 개선됨을 입증한다.

상세 분석

본 연구는 실내 Wi‑Fi 위치추정 분야에서 ‘라우터 가중치’라는 오래된 아이디어를 현대 딥러닝 프레임워크와 결합한 점이 가장 큰 혁신이다. 기존의 DLoc·RLoc 계열 모델은 AoA‑ToF 히트맵을 다중 AP로부터 받아 이미지‑투‑이미지 변환 방식으로 클라이언트 위치를 예측한다. 그러나 이러한 구조는 AP마다 신호 품질이 크게 다름에도 불구하고 모든 채널을 동일하게 처리한다는 근본적인 한계를 가진다. 저자는 이 문제를 해결하기 위해 인코더‑디코더 사이에 경량화된 채널‑와이즈 어텐션 모듈을 삽입한다.

어텐션 모듈은 각 AP의 임베딩 ˆh_r을 평균 풀링해 스칼라 요약 s_r을 만든 뒤, 두 층의 MLP(g)와 ReLU 활성화를 거쳐 비정규화된 점수 u_r을 산출한다. Softmax을 적용해 α_r∈