⚡ electrical engineering

Performance, Robustness, and Failure Analysis of Machine-Learning-Based Wi-Fi RSSI Indoor Positioning in Multi-Floor Environments

본 논문은 트리플렛 기반 메트릭 학습과 베이지안 가중 k-최근접 이웃 추론을 결합한 신뢰성 인식 하이브리드 프레임워크를 제안하며, 이러한 접근 방식이 기존의 정확도 중심 방법들과 비교하여 치명적인 위치 추정 오류와 층 오분류를 효과적으로 감소시킨다는 것을 종합적인 평가를 통해 입증함으로써 다층 Wi-Fi RSSI 실내 측위 시스템의 강건성과 고장 탄력성을 크게 향상시킨다.

원저자: Md. Sahidur Rahman, Mohammed Morshed Rana, Arifa Sultana

게시일 2026-06-26

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Md. Sahidur Rahman, Mohammed Morshed Rana, Arifa Sultana

원본 논문은 CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

당신이 거대한 다층 사무용 빌딩에서 특정 방을 찾으려고 노력 중이라고 상상해 보세요. 하지만 지도도 없고 GPS도 없습니다(실내에서는 GPS가 잘 작동하지 않기 때문입니다). 대신, 당신은 건물 곳곳에 흩어져 있는 라우터(액세스 포인트)에서 나오는 Wi-Fi 신호를 "탐지"하기 위해 휴대폰을 사용하고 있습니다. 이것을 **Wi-Fi RSSI 핑거프린팅(fingerprinting)**이라고 부릅니다.

문제는 Wi-Fi 신호가 매우 불규칙하다는 점입니다. 신호는 벽에 부딪히고, 사람들에 의해 차단되며, 때로는 라우터가 잠시 동안 휴대폰과 통신을 중단하기도 합니다. 다층 건물에서는 이 문제가 더 까다로워집니다. 당신의 휴대폰이 실제로는 2층에 있는데 3층에 있다고 착각하거나, 엘리베이터 바로 옆에 있는데도 위치를 50미터 떨어진 곳으로 추측할 수도 있기 때문입니다.

이전의 대부분의 연구는 어떻게 하면 "평균적인" 추측을 최대한 잘할 수 있을지에 집중했습니다. 하지만 현실 세계에서는 평균보다 최악의 시나리오가 훨씬 더 중요합니다. 시스템이 보통은 맞더라도 가끔씩 당신을 엉뚱한 층으로 보내거나 엉뚱한 도시 블록으로 보내버린다면, 그것은 치명적인 실패입니다.

이 논문은 단순히 "평균적으로 정확한" 것이 아니라 "신뢰할 수 있는" 시스템을 만들기 위해 설계된 새로운 "하이브리드" 시스템을 소개합니다. 이 시스템이 어떻게 작동하는지 쉬운 비유를 통해 설명하겠습니다.

1. 두 명의 탐정 팀

저자들은 위치 퍼즐을 풀기 위해 두 명의 탐정 팀처럼 작동하는 시스템을 구축했습니다.

탐정 A (층 전문가): 이 부분은 **트리플렛 메트릭 러닝(Triplet Metric Learning)**이라는 기술을 사용합니다. 사진첩의 사진들을 층별로 분류한다고 상상해 보세요. 이 탐정은 각 층의 "분위기"를 학습합니다. 설령 Wi-Fi 신호가 흐릿하더라도, 이 탐정은 "이 신호 패턴은 4층이 아니라 2층의 느낌이다"라고 구별해 낼 수 있습니다. 즉, 각 층이 마치 서로 떨어진 섬처럼 명확하게 구분되는 특별한 정신적 지도를 만들어냅니다.
탐정 B (수평 전문가): 층이 식별되면, 이 탐정은 해당 층 내에서 당신이 정확히 어디에 있는지 파악합니다. 이 탐정은 베이지안 가중 K-최근접 이웃(Bayesian Weighted K-Nearest Neighbor) 방식을 사용합니다. 이는 이웃들에게 "내가 어디에 있나요?"라고 묻는 것과 같습니다. 하지만 단순히 투표를 받는 것이 아니라, "얼마나 확신하나요?"라고 묻습니다. 만약 이웃의 신호가 약하거나 노이즈가 심하다면, 시스템은 그들의 말을 덜 신뢰합니다. 반대로 신호가 강하다면, 그들을 더 많이 신뢰합니다.

2. "안전망" (소프트 플로어 퓨전 - Soft Floor Fusion)

여기에는 아주 영리한 부분이 있습니다. 때때로 탐정 A조차도 당신이 몇 층에 있는지 100% 확신하지 못할 때가 있습니다.

기존 방식: 시스템은 단순히 "가장 가능성 높은" 층을 선택하고 그곳에 고정해 버립니다. 만약 틀렸다면, 사용자는 길을 잃게 됩니다.
이 논문의 방식: 시스템은 확신이 없을 때 당황하지 않습니다. 대신 가능한 상위 3~4개의 층을 염두에 둡니다. 그리고 각 층에 대해 당신의 위치를 계산한 다음, 각 층이 얼마나 가능성 있는지에 따라 이들을 하나로 결합합니다. 이는 "나는 2층일 확률이 60%, 3층일 확률이 30%, 1층일 확률이 10%라고 생각한다"라고 말하는 것과 같습니다. 이 방식은 시스템이 잘못된 층을 예측하여 발생하는 거대한 치명적 실수를 방지합니다.

3. "재난 시나리오" 테스트

저자들은 단순히 완벽한 날에만 시스템이 얼마나 잘 작동하는지를 테스트하지 않았습니다. 그들은 시스템이 얼마나 견고한지 확인하기 위해 "재난 시나리오"를 시뮬레이션했습니다.

"노이즈가 심한 방" 테스트: 혼잡하고 무질서한 환경을 모사하기 위해 Wi-Fi 신호에 가짜 정적 노이즈를 추가했습니다.
"고장 난 라우터" 테스트: 건물의 Wi-Fi 라우터 절반이 갑자기 작동을 멈춘 상황을 가정했습니다. 이는 현실 세계에서 흔히 발생하는 문제입니다.

결과:

기존 시스템들: 라우터가 사라지거나 신호가 노이즈로 가득 차면, 기존 시스템들(Random Forest나 표준 KNN 등)은 종종 위치를 50~200미터나 떨어져 있다고 추측하는 등 제멋대로 작동했습니다. 이들은 "헤비 테일(heavy tails)" 현상을 보였는데, 이는 평소에는 괜찮지만 가끔 치명적인 오류를 범한다는 뜻입니다.
새로운 하이브리드 시스템: 라우터의 절반이 "고장" 난 상태에서도, 이 새로운 시스템은 최악의 오차 범위를 약 33미터 정도로 매우 낮게 유지했습니다. 이 시스템은 단순히 평균을 맞춘 것이 아니라, 재난적인 상황을 억제했습니다.

4. 이것이 왜 중요한가

이 논문은 안전이 중요한 작업(예: 응급 구조 또는 건물 내 안내)을 수행할 때, 단순히 "보통은" 맞는 시스템을 원하는 것이 아니라는 점을 강조합니다. 당신은 거대한 실수를 거의 하지 않는 시스템을 원합니다.

치명적 실패율: 이 새로운 시스템은 기존 방식들에 비해 거대한 오류(예: 층을 크게 잘못 예측하는 것)가 발생할 확률을 약 95% 감소시켰습니다.
신뢰도: 시스템은 자신이 확신이 없는지 알고 있습니다. 확신이 없을 때는 "소프트 퓨전"이라는 안전망을 사용하여, 맹목적으로 추측하는 대신 안전하게 위치를 계산합니다.

요약

이 논문을 실내용 GPS를 업그레이드하는 과정이라고 생각하세요. 기존의 GPS는 보통은 맞는 길을 알려주지만 가끔은 당신을 엉뚱한 도시로 보내버리는 친구와 같습니다. 이 새로운 시스템은 "우리는 2층에 있는 것 같지만, 만약 제가 틀리더라도 우리가 절벽 아래로 떨어지지 않도록 대비책을 가지고 있습니다"라고 말하는 신중하고 경험 많은 가이드와 같습니다. 이 시스템은 단순히 "빠르거나" "평균적인" 것보다 안전성과 신뢰성을 우선시합니다.

기술 요약: 다층 환경에서의 머신러닝 기반 Wi-Fi RSSI 실내 측위를 위한 성능, 강건성 및 실패 분석

1. 문제 정의

Wi-Fi 수신 신호 강도 지표(RSSI) 핑거프린팅에 기반한 실내 측위 시스템(IPS)은 저렴한 비용과 기존 인프라의 재사용 가능성 덕분에 널리 사용되고 있습니다. 그러나 실제 다층 환경에서 이러한 시스템은 다음과 같은 중대한 문제에 직면합니다:

신호 불안정성: RSSI 값은 환경적 역동성, 다중 경로 전파, 기기 다양성으로 인해 변동합니다.
인프라 저하: 실제 배포 환경에서는 액세스 포인트(AP) 탈락, 희소한 신호 가시성, 층간 신호 감쇄 등의 문제가 발생합니다.
층 모호성: 수직 신호 감쇄는 종종 층 오분류를 초래합니다. 다층 시나리오에서 잘못된 층 추정은, 설령 2D 수평 오차가 허용 가능한 수준이라 할지라도, 치명적인 3D 위치 결정 오류를 전파시킵니다.
평가 격차: 기존 문헌은 주로 중앙값(median) 또는 평균(mean) 위치 결정 정확도를 최적화하는 데 집중합니다. 이러한 지표들은 "꼬리 행동(tail behavior)"(극단적 오차), 치명적 실패율, 또는 저하된 신호 조건에서의 시스템 강건성을 포착하지 못합니다. 결과적으로, 명목상 정확도가 높은 시스템이라 하더라도 헤비 테일(heavy-tailed) 오차 분포와 신뢰할 수 없는 신뢰도 추정치를 보일 수 있으며, 이는 안전이 중요한 애플리케이션에 부적합하게 만듭니다.

2. 방법론

저자들은 층 분류와 수평 위치 결정을 분리하면서 불확정성 모델링을 통합한 신뢰성 인식 하이브리드 실내 Wi-Fi RSSI 측위 프레임워크를 제안합니다. 이 시스템은 오프라인 학습과 온라인 추론의 두 단계로 작동하며, 배포 중에는 재학습을 수행하지 않습니다.

A. 핵심 구성 요소:

층 분류를 위한 트리플릿 기반 메트릭 학습 (Triplet-Based Metric Learning):
- 신경망이 트리플릿 손실(triplet loss)을 사용하여 판별력 있는 임베딩 공간을 학습합니다.
- 목표는 동일한 층의 핑거프린트 간 거리는 최소화하고, 서로 다른 층의 핑거프린트 간 거리는 최대화하는 것입니다.
- 이를 통해 수직 신호 감쇄로 인한 모호성을 해결하는 강건한 층 추론용 표현을 생성합니다.
- 층 예측은 임베딩 공간 내에서 베이지안 K-최근접 이웃(BWKNN)을 사용하여 사후 확률과 신뢰 점수를 생성합니다.
수평 위치 결정을 위한 베이지안 가중 K-최근접 이웃 (BWKNN):
- 수평 위치( $x, y$ )는 코사인 유사도를 사용하여 원래의 RSSI 공간에서 수행됩니다.
- 결정론적인 KNN과 달리, 이 방식은 노이즈가 많거나 희소한 측정값을 처리하기 위해 가능도(likelihood) 정식화에 기반한 확률적 가중치를 사용합니다.
- AP 탈락의 영향을 완화하기 위해 가시적인 AP의 수에 따라 이웃 수( $K_{xy}$ )와 가중치 매끄러움(smoothness)을 적응적으로 조정합니다.
신뢰도 기반 소프트 층 융합 (Confidence-Driven Soft Floor Fusion):
- 게이팅 메커니즘이 층 예측의 신뢰도를 평가합니다.
- 높은 신뢰도: 기본 수평 추정치를 수용합니다.
- 낮은 신뢰도: "소프트 층 융합"을 수행합니다. 상위 $K$ 개의 후보 층에 대한 수평 추정치를 계산하고, 이를 사후 확률 가중 평균을 사용하여 융합합니다. 이는 단일 층 오분류로 인한 치명적 실패를 방지합니다.

B. 전처리:

누락된 RSSI 값은 수신기 노이즈 플로어(-110 dBm)로 대체(impute)됩니다.
기기 편향을 줄이기 위해 샘플별 Z-점수 정규화가 적용됩니다.
약한 신호와 누락된 AP를 구분하기 위해 가시성 마스크(visibility mask)가 구축됩니다.

3. 주요 기여

본 논문은 다음 네 가지 기여를 통해 정확도 중심의 패러다임에서 신뢰성 중심의 프레임워크로 분야를 진전시킵니다:

하이브리드 프레임워크: 판별력 있는 층 임베딩을 위한 딥 메트릭 학습과 불확정성 인식을 위한 베이지안 WKNN의 통합.
신뢰성 인식 추론: 잘못된 층 오류의 전파를 완화하기 위해 신뢰도 민감형 층 추정과 소프트 층 융합을 활용하는 전략.
제어된 강건성 평가: 가법 가우시안 RSSI 노이즈 및 다양한 수준의 AP 탈락을 포함하여 실제적인 스트레스 조건을 시뮬레이션한 실험.
실패 인식 성능 분석: 중앙값 오차를 넘어 꼬리 통계량(P90, P95), 치명적 실패율(CFR), 잘못된 층 페널티, 그리고 리스크-커버리지(RC) 곡을 포함하는 평가 프로토콜.

4. 실험 결과

프레임워크는 3개 층과 446개의 참조점을 포함하는 공개 다층 데이터셋(Tampere University)에서 평가되었습니다. 이는 고전적 KNN, 계층적 KNN, 트리 기반 모델(Random Forest, XGBoost, CatBoost), MLP, 그리고 단독 메트릭 학습 또는 베이지안 접근 방식과 비교되었습니다.

명목상 정확도: 제안된 하이브리드 모델은 6.64 m의 3D 중앙값 오차와 **93.38%**의 층 분류 정확도(Macro-F1: 0.927)를 달성하였으며, 이는 최신 기술(SOTA) 방법들과 경쟁할 만한 수준입니다.
꼬리 행동 및 치명적 실패:
- 하이브리드 모델은 극단적인 오차를 유의미하게 억제했습니다. 이 모델의 3D P90 오차는 12.53 m였으며, 이는 Random Forest의 50.89 m 및 Metric-WKNN 단독 모델의 14.88 m와 비교됩니다.
- 치명적 실패율 (CFR): 15 m 오차 임계값에서 하이브리드 모델은 **2.44%**의 CFR을 달 기록했으며, 이는 Random Forest(47.05%) 대비 94.8%, Bayesian WKNN 대비 22.8% 감소한 수치입니다. 20 m 임계값에서 CFR은 **0.10%**로 떨어졌습니다.
신호 저하에 대한 강건성:
- AP 탈락: 극심한 희소성(가시적 AP 50개) 상황에서도 하이브리드 모델은 최악의 경우 P90 32.85 m를 유지했습니다. 반면, Bayesian WKNN은 266.79 m의 P90을 기록하며 치명적으로 실패했고, 트리 기반 모델들은 95 m를 초과했습니다.
- RSSI 노이즈: 하이브리드 모델은 최대 8 dB의 노이즈 섭동 하에서도 안정적(P90 ~12–13 m)이었으나, 트리 기반 모델과 MLP는 상당한 오차 팽창을 보였습니다.
리스크-커버리지 분석: 모델은 6.06의 RC-AUC를 달와, 결정론적 베이스라인들에 비해 우수한 불확정성 교정(uncertainty calibration)과 예측 커버리지 및 꼬리 오차 사이의 매끄러운 트레이드오프를 입증했습니다.
계산 효율성: 추론 시간은 샘플당 약 1.16 ms이며 메모리 점유율은 0.94 MB로, 실시간 배포에 적합함을 확인했습니다.

5. 의의 및 주장

본 논문은 평균 위치 결정 정확도만으로는 실제 세계의 안전이 중요한 배포를 위한 실내 측위 시스템을 평가하기에 불충분하다고 주장합니다. 본 연구의 주요 의의는 다음을 입증하는 데 있습니다:

강건성은 정확도와 구별된다: 시스템은 경쟁력 있는 중앙값 정확도를 가질 수 있지만, 신호 저하 시 치명적으로 실패할 수 있습니다. 제안된 하이브리드 접근 방식은 이러한 꼬리 오차를 억제하는 것을 명시적인 목표로 합니다.
불확정성 모델링은 필수적이다: 확률적 추론과 신뢰도 기반 게이팅을 통합함으로써, 시스템은 모호한 상황(예: 층 혼동)을 감지하고, 단순히 큰 무제한적 오차를 내뱉는 대신 우아하게 성능을 저하시킬(degrade gracefully) 수 있습니다.
실패 인식 벤치마킹이 필요하다: 저자들은 복잡한 다층 환경에서 IPS의 신뢰성을 보장하기 위해 향후 연구가 CFR, P90, 잘못된 층 페널티와 같은 지표를 채택해야 한다고 주장합니다.

본 연구는 딥러닝과 메트릭 학습이 특징 표현을 개선하지만, 이를 확률적 추론(Bayesian WKNN) 및 특정 실패 완화 전략(soft fusion)과 결리하는 것이 추가적인 하드웨어 없이도 신뢰할 수 있는 실제 세계의 실내 측위 시스템을 만드는 데 필수적이라는 결론을 내립니다.