UWB 활용 DNN 기반 차량용 키 측위 알고리즘

Ⅰ. 서 론

최근 고정밀 측위 서비스 제공을 위하여 스마트폰, 차량용 키 등에 UWB(ultra-wideband) 칩을 탑재하여 출시되고 있다^[1]. UWB 기술은 IEEE 802.15.4a 표준에서 정의되었으며 기존 무선 통신 기술 대비 500 MHz 이상의 큰 대역폭을 사용한다. 국내에서는 4.2~4.8 GHz와 6.0~10.2 GHz 대역이 할당되었으며 주로 9번 채널(약 7.737~8.236 GHz)를 사용한다^[2]. 초반에는 Wi-Fi, Bluetooth 등의 경쟁 기술에 밀려 각광받지 못 하였지만, 근거리 무선 기기 간의 짧은 시간 펄스를 사용하여 정확도 높은 통신이 가능하고 기기 간 거리 측정이 가능하다는 장점으로 인하여 재조명받고 있다.

UWB 기반 ToF(time of flight) 측정 방식은 TWR(two-way ranging) 방법을 사용하여 기기 간의 거리를 계산하고 이를 바탕으로 위치를 추정한다^[3],[4]. 그러나 NLOS (non-line of sight) 환경에서는 물리적 장애물로 인하여 신호가 간섭을 받아 측정 오차가 발생하는 문제가 여전히 존재한다. 이로 인해 건물 외벽, 철제 구조물 뒤에 있는 기기 간의 거리 측정 시 부정확한 값을 얻는다. 이를 해결하기 위하여 칼만 필터 기반 NLOS 보정 알고리즘 등이 연구되고 있지만^[5]. 이 기법은 처리해야하는 데이터양이 많고 계산량이 높다는 단점이 있다.

본 논문에서는 기존 TWR 기반 측위 기법의 문제를 해결하기 위해 딥러닝 기법을 적용하여 차량용 키 측위 성능을 향상시키고자 한다. 딥러닝 모델은 신호 데이터에서 복잡한 패턴을 학습하여 NLOS 조건에서 발생하는 오차를 보정할 수 있다^[6]. 이를 통해 복잡한 실내 환경 내 차량용 키 측위 성능을 개선하고, NLOS 조건에서도 낮은 계산 복잡도와 높은 정확도를 제공하는 측위 알고리즘을 개발한다. 또한, CAN(controller area network) 통신 기반 실험을 진행하여 제안하는 알고리즘의 성능을 RMSE(root mean squared error) 지표를 통해 비교 분석함으로써 적합성을 검토한다.

Ⅱ. DNN 기반 차량용 키 측위 알고리즘

2-1 데이터 수집 및 전처리

본 논문에서 제안하는 DNN 기반 차량용 키 측위 알고리즘은 그림 1과 같다. 이는 딥러닝 학습을 위해 가정된 차량 환경 내에서 UWB 앵커와 UWB 차량용 키를 활용하여 데이터를 수집하고, 이를 DNN에 입력하여 위치를 추정하는 과정을 나타낸다. CAN line 통신을 통해 차량용 키 위치에 따라 UWB 앵커로부터 수신된 신호의 RSSI (received signal strength indicator) 값인 max path power, first path power, 평균 수신 power 및 ToF를 측정한다. 훈련용 데이터는 61개의 RP(reference point)에서 각각 100회씩 수집한다. 테스트용 데이터는 차량용 키를 소지한 사용자가 특정 동선을 따라 움직이며 수집한다. 테스트 데이터는 1초에 1~2회 주기로 측정된다. RP 및 테스트 동선은 그림 2와 같다.

그림 1. | Fig. 1. DNN 기반 차량용 키 측위 알고리즘 구조 | Structure of DNN-based car key localization algorithms.

Download Original Figure

그림 2. | Fig. 2. 학습을 위한 데이터 수집 환경 예시 | Example of data collection enviornment for training.

Download Original Figure

측정한 ToF는 TWR 방식에 의해 앵커와 차량용 키 간의 거리를 계산한다. TWR은 한번의 신호 송수신으로 거리를 계산하는 SS-TWR(single-sided two-way ranging) 방법과 단말 간 두 번의 신호 송수신을 통해 거리를 측정하는 DS-TWR(double-sided two-way ranging) 방법이 있다. 본 논문에서는 수신기의 응답 지연 시간도 고려한 DS-TWR 방식으로 거리를 측정한다. DS-TWR 거리 측정 모델은 식 (1)과 같다^[1].

$$\text{Distance}=c\times \frac{t_2-t_1-t_{\text{reply}}}{2}$$

(1)

여기서, t₁은 앵커가 차량용 키로 신호를 송신한 시작 시간, t₂는 앵커가 메시지를 수신 받은 시간, t_reply는 차량용 키가 신호를 수신 받은 후 응답 신호를 보내는 시간을 나타낸다. 송수신기 간 통신이 종료되면 계산된 거리 값은 RSSI, 위치 좌표 값과 함께 데이터베이스에 *.csv 형식으로 저장된다.

Ⅲ. 차량용 키 측위 실험 및 성능 분석

딥러닝 기반 차량용 키 측위 실험을 위해 13 m² 크기의 실내에서 3 m² 크기의 차량 환경을 가정하여 실험을 진행한다. 그림 3과 같이 차량 환경 내 6개의 앵커를 설치하고 1개의 UWB 태그를 차량용 키로 사용한다. 측정을 위한 신호로는 중심 주파수 7.4 GHz의 UWB 신호를 사용하며, 200 Hz의 샘플링 주기로 수신된 신호를 측정한다. 환경에 따른 측위 성능을 검증하기 위해, 장애물이 없는 LOS(line of sight) 환경 시나리오 예시는 그림 3, 장애물이 존재하는 NLOS 환경의 시나리오 예시는 그림 4와 같다. 그림 4는 차량용 키와 앵커 간의 경로에 사람들이 서있거나 앉아있는 상황으로, 사람과 가구 등의 장애물에 의해 직접적인 시야가 차단된 NLOS 환경을 구성한다. 제안하는 알고리즘의 측위 성능 평가는 참고문헌 [4]와 같이 칼만 필터 기반 오차 보정 방법을 적용한 삼변 측량 기법의 성능과 비교한다.

그림 3. | Fig. 3. LOS 실험 환경 시나리오 예시 | Example of an LOS environment experimental scenario.

Download Original Figure

그림 4. | Fig. 4. NLOS 실험 환경 시나리오 예시 | Example of an NLOS environment experimental scenario.

Download Original Figure

실험 결과, 차량용 키 측위 알고리즘으로 추정된 위치와 실제 위치에 대한 RMSE 오차 성능은 표 2와 같다. 삼변 측량 기법은 LOS 환경에서 0.27 m, NLOS 환경에서 0.3 m, 제안하는 알고리즘은 LOS 환경에서 0.13 m, NLOS 환경에서 0.25 m의 RMSE 오차를 확인하였다. 제안하는 알고리즘이 위치에 따른 복잡한 신호 패턴을 학습하여 위치를 추정하기에 기존 기법 대비 측위 성능이 더 좋은 것을 확인하였다. 따라서, 본 실험 결과는 딥러닝 기법이 신호의 변동성, 잡음, 신호 감쇠 등을 분석할 수 있어 복잡한 실내 환경에 강인함을 의미한다.

Ⅳ. 결 론

본 논문에서는 복잡한 실내 환경에서 고정밀 측위 기술을 실현시키기 위해 DNN 기반 차량용 키 측위 알고리즘을 제안한다. 성능 검증을 위하여 실내 환경 내 차량 환경을 가정하여 실험을 진행하였다. 실험 결과, 기존 측위 기법 대비 오차 정확도가 LOS 환경에서 0.13 m, NLOS 환경에서 0.05 m 향상된 것을 확인하였다. 기존 측위 기법과 다르게 딥러닝은 환경에 따른 신호 패턴을 분석하여 학습할 수 있어 복잡한 실내 환경 내 고정밀 측위 기술 구현이 가능함을 확인하였다. 하지만, 본 연구는 차량 환경을 가정하여 진행하였기 때문에 실제 차량 환경에서의 성능 검증이 필요하다. 향후 연구에서는 다양한 실내 조건과 차량 구조물 환경을 반영하여 측위 모델을 개발할 예정이다.