A Deep Learning Model for Beacon-Based Indoor Localization Robust to Missing Signals

Bluetooth Low Energy(BLE) 비컨 기반 실내 위치 추정에서 비컨 신호 결측은 정확도를 저하시킨다. 기존의 결측치 보간 및 제거 방식은 결측률이 높은 환경에서 적용이 제한적이다. 본 논문은 신호의 결측이 높은 환경에 강건한 딥러닝 실내 위치 추정 모델 ConfMaskFormer를 제안한다. 트랜스포머 기반의 이 모델은 비컨의 결측률에 따라 입력 데이터의 신뢰도 가중치를 조절하여 결측률이 높은 비컨의 영향을 억제해 추정의 안정성을 높인다. 제안 모델의 주요 특징은 다음과 같다: (1) 입력 데이터의 결측률에 따라 신뢰도를 조절하는 Confidence Gate, (2) 학습 시 유효값 일부를 누락시켜 이를 복원하도록 하는 보조 학습의 특징 표현 학습 강화, (3) 특정 비컨에 대한 의존성을 줄이는 비컨-드롭아웃 학습, (4) Received Signal Strength Indicator(RSSI)와 결측 위치를 나타내는 마스크의 결합 입력. 성능 검증을 위해 결측률이 높은 환경에서 비컨 다섯 개로 데이터를 수집하였다. 평균 결측률이 74% 이상인 수집 데이터에서 제안 모델은 기존 방법들 대비 정확도를 2.17%p 향상시켰다. 본 연구의 구현 결과는 https://github.com/dlekdms2021/ConfMaskFormer에서 확인할 수 있다.