AI-Applied UWB Positioning System with Mitigated NLOS Effects

Abstract

The ultra-wideband-based (UWB) indoor positioning system (IPS) has high positioning precision and accuracy and can meet the requirements of location-based services (LBSs) for Internet of Things (IoT) applications. However, there are usually a limited number of line-of-sight (LOS) channels in indoor environments. This thesis introduces the artificial intelligence (AI) applied UWB positioning system that can enhance the positioning performance of an IPS in a common indoor environment by classifying channel conditions based on ranging errors using the long short-term memory (LSTM) based deep learning (DL) model. The proposed system mitigates the positioning degradation caused by the NLOS effects by performing extended Kalman filter (EKF) localization based on the detected channel conditions. This study provides a detailed experimental setup and rigorous performance evaluation of the proposed system. The AI model is trained by the dataset collected from the testbed. Then, the testbed of the proposed positioning system is evaluated by conducting experiments consisting of a known scenario and an unknown scenario. The evaluation results showed that the AI-EKF localization method of the proposed system significantly improved the positioning performance compared with the three existing positioning methods.|초광대역(UWB) 기반의 실내 측위 시스템은 사물 인터넷 응용기술로서 위치 기반 서비스의 요구 사항을 충족할 수 있는 높은 측위 정밀도와 정확도를 갖고 있다. 그러나, 일반적으로 실내 환경에서 UWB 기기간의 깨끗한 가시선 채널 조건을 찾는 것은 어렵다. 본 논문에서는 장단기 기억 셀(LSTM) 신경망 기반 심층 학습을 이용하여 UWB 거리 측정의 오차를 기반으로 채널 조건을 분류하고, 일반적인 실내 환경에서 측위 성능을 향상하기 위한 인공지능이 적용된 UWB 측위 시스템을 제안한다. 그리고, 감지된 채널 조건을 통해 확장 칼만 필터 측위 알고리즘을 수행하여 비 가시선 효과로 인한 측위 성능 저하를 완화한다. 또한, 이 논문은 제안된 시스템에 대해 상세한 실험 설정과 엄격한 성능 평가를 제공한다. 실험과 성능 평가를 위한 테스트베드 장치로부터 수집된 데이터 세트를 이용하여 LSTM 기반의 인공지능 모델을 훈련한 후, 인공지능 모델이 아는 시나리오와 알지 못한 시나리오로 구성된 실험에서 제안한 인공지능이 적용된 UWB 측위 시스템을 평가하였다. 평가 결과, 제안한 시스템의 인공지능이 적용된 확장 칼만 필터 측위 방법은 기존 3가지 측위 방식과 비교해 그 성능이 크게 향상되는 것으로 나타났다.