실내 차량 측위를 위한 그래프기반 딥러닝 모델 분석 (Graph-based Deep Learning Model Analysis for Indoor Vehicle Localization)

서지정보

· 발행기관 : 한국정보통신학회
· 수록지 정보 : 한국정보통신학회논문지 / 28권 / 7호 / 879 ~ 886페이지
· 저자명 : 최영록, 나정효, 박판근

초록

데이터 품질과 양은 딥러닝 기반 측위 모델의 추정 정확도에 직접적인 영향을 미치지만, 대규모 실내 공간에서의 정밀 측위 데이터 수집은 많은 시간과 비용이 소모된다. 본 논문에서는 다방향 비콘을 사용하여 실내 차량 측위 서비스를 위한 딥러닝 기반 측위 모델을 구축하고, 새로운 데이터 수집 기법의 가능성을 분석한다. 이를 위하여 비콘별 다양한 딥러닝 기반 모델을 학습시키고, 개별 모델이 상이한 비콘에 적용 가능한지를 분석하기 위하여 방향 그래프를 정의한다. 성능 분석을 위하여 대규모 실내 주차 공간 내 다수의 다방향 비콘을 설치하여 정밀 측위 학습 데이터를 수집하였다. 이를 활용하여 다양한 비콘별 딥러닝 모델을 구축하였으며, 해당 모델이 높은 추정 정확도를 보장하는 것을 확인하였다. 또한, 방향 그래프 분석을 통하여 비콘별 딥러닝 측위 모델이 다른 비콘에도 적용될 수 있어 추가적인 학습 데이터 수집 비용을 최소화할 수 있음을 확인하였다.

영어초록

While the quality and quantity of data directly impact the estimation accuracy of deep learning-based localization technology, collecting empirical location data in large-scale indoor environments consumes significant time and resources. This paper proposes a novel training and data collection method for constructing a deep learning-based localization model for indoor vehicle localization using multi-directional beacons. We first develop different deep learning-based localization models and then define a directed graph to analyze the model applicability. We deploy the large number of multi-directional beacons to evaluate the proposed scheme and run extensive set of experiments to obtain the training data in the indoor testbed. The performance evaluation shows that the proposed deep learning-based localization model provides fairly good estimation accuracy. Furthermore, the directed graph demonstrates that the location labeling data of beacons can be significantly reduced while providing good estimation accuracy for the indoor scenario.

참고자료

· 없음