Core Concepts
본 연구는 레이블링된 데이터 수집이 필요 없는 자기 지도 심층 강화 학습 기반의 UWB 거리 측정 오류 보정 기법을 제안한다.
Abstract
본 연구는 UWB 기술을 이용한 실내 위치 추정 시스템에서 발생하는 거리 측정 오류를 해결하기 위한 자기 지도 심층 강화 학습 기법을 제안한다.
기존 접근법은 레이블링된 대규모 데이터셋 수집에 의존하므로 실제 환경 적용에 어려움이 있었다.
제안하는 기법은 사람이나 차량의 예측 가능한 움직임을 활용하여 자기 지도 방식으로 거리 측정 오류를 보정한다.
강화 학습 에이전트는 채널 임펄스 응답(CIR)을 상태로 사용하여 예측된 거리와 실제 거리 간 오차를 최소화하는 보정값을 학습한다.
실제 UWB 측정 데이터를 이용한 실험 결과, 제안 기법이 기존 감독 학습 기반 방식 대비 최대 31.6% 오차를 개선하였으며, 특히 NLOS 환경에서 22.8% 개선 성능을 보였다.
또한 환경 변화에 빠르게 적응할 수 있어 실제 환경 적용에 유리할 것으로 기대된다.
Stats
UWB 거리 측정 오차는 최대 1000 mm 범위 내에 있다.
제안 기법은 기존 UWB 대비 31.6% 오차 개선, NLOS 환경에서 22.8% 오차 개선을 달성했다.