전산학부 한동수 교수 연구팀이 글로벌 실내 위치인식 시스템(Global Indoor Positioning System, GIPS) 구축을 위해 실내 와이파이 신호의 수집위치정보파악기술을개발했 다. 이번 연구는 지난달 4일, <IEEE 트랜잭션 온 인텔리전트 트랜스포 테이션 시스템(IEEE Transactions on Intelligent Transportation Systems)>에 게재되었다.

핑거프린트를 이용한 신호 지도 구축
구글, 마이크로소프트 등을 포함한 다양한 글로벌기업들은 실내 GPS를 구축하기 위해 수만건의 실내지도를 수집했다. 이에더해 특정 위치에서의 신호 정보를 지도에 표시한 신호 지도(radio map) 수집도 시도했지만 정확도가 떨어지고 수집에 어려움을 겪어 실내에서의 위치 인식 서비스의 질이 떨어졌다. 연구팀은 특정위치에서 실내무선 공유기들의 신호 세기들의 모음인 핑거프린트를 이용해 실내위치인식을 시도했다. 우선실내를 돌아다니며 각위 치별로 핑거프린트를 모으고 이를 이용해 표를 만든다. 이후 누군가가 실내에 들어와 무선 신호를 잡으면 기존의 표에서 가장 비슷한 핑거프린트를 찾아 위치를 인식하는 것이다. 이 방법은 현재까지 가장 정확한 것으로 알려져 있다.

스마트폰에서 얻은 무선 신호 이용해
하지만 이 방식은 수집해야하는 신호량이 너무 많아 상용화에 어려움이 있었다. 이에 연구팀은 전세계 12억 명의 스마트폰사용자의 크라우드소싱*(crowdsourcing)을 통해 핑거프린트를 수집했다. 하지만 이 방식은 수집은 쉽지만, 신호가 얻어진위치를 알 수 없어 직접적인 표 생성 및 대입이 불가능했다. 이를 해결하기 위해 연구팀은 스마트폰에서 모아진 신호로 위치를 추정하는 기계학습 방법을 개발했다.

위치인식의 기준점이 되는 참조 위치
연구팀의 핵심 기술은 바로 참조 위치에 있다. 참조위치란 무선신호의 세기와 신호의 위치를 정확히 알고 있는 지점을 말한다. 참조 위치는 모바일 페이 등을 이용하거나 스마트 가스 검침기 등을 이용한 가스검침을 하는 순간 얻어지는 핑거프린트를 이용해 만들어진다. 이렇게 얻어진 참조위치는 위치인식을 위한 기준점으로 사용된다. 기계학습으로 신호를 다양하게 분석해 참조위치를 구한 후에는 그 주변의 스마트폰으로부터 신호를 얻는다. 이때 이 신호는 정확히 어떤 위치에서 얻어졌는지 알지 못하므로 실내 공간을 여러 구역으로 구분한 후, 모델링된 신호를 다양하게 배치하면서 가장 적절한 배열을 찾는다. 연구팀은 이때 사용되는 계산량을 줄이기 위해 유전 알고리즘과 K-NN 알고리즘**을 결합해 기계학습기법을 개발해 사용했다. 이처럼 신호지도를 구축하면 데이터가 쌓일수록 사람이 직접 돌아다니며 수집한 것과 비슷한 정확도를 가진다.

다양한 방식으로 수집되는 참조 위치
연구팀은 보다 많은 참조위치 수집을 위해 도시가스와 모바일 결제사 이외에도 통신사와 포탈, 게임, 각종 글로벌 기업과의 연계를 통해 참조 위치를 수집해나갈 예정이다. 실제로 연구팀은 충남도시가스와 함 께이틀동안가스검침원을통해참 조 위치를 수집했다. 이렇게 구축된 실내 위치인식 시스템은 스마트 홈, O2O 서비스, 위치정보 서비스 등에 폭넓게 사용될 수 있다. 한 교수는 “참조 위치를 전국에서 수집해서 실내위치 인식서비스를 제공할 예정이다”라며 “와이파이 신호뿐 아니라 지자기나 관성 센서를 혼합해 정확도를 높일 수 있을 것이다”라고 전망을 밝혔다.

크라우드소싱*
기업활동의 전과정에 대중이 참여하고 그 수익 역시 참여자와 공유하는 방식.
K-NN 알고리즘**
근접한 K개의 데이터를 이용해 범주를 지정해주는 기계학습 알고리즘.