[논문 리뷰] A Review of Localization and Tracking Algorithms in Wireless Sensor Networks

Sudhir Kumar, Rajesh M. Hegde|arXiv (Cornell University)|2017. 01. 09.

Indoor and Outdoor Localization Technologies참고 문헌 88인용 수 13

한 줄 요약

이 논문은 무선 센서 네트워크에서의 국소화 및 추적 알고리즘에 대한 종합적인 리뷰를 제시하며, 방법을 거리 기반 및 거리 기반 외 방식으로 분류하고, 실내 환경에서 정확도를 향상시키기 위해 다중 센서 융합(예: 관성, 자기, 초음파)을 강조한다. NI 및 Crossbow 모듈을 사용한 실제 실험 설정을 통해 측정 노이즈가 존재하는 상황에서도 경로의 매끄러움과 강인성을 입증한다.

ABSTRACT

In this paper, a comprehensive survey of the pioneer as well as the state of-the-art localization and tracking methods in the wireless sensor networks is presented. Localization is mostly applicable for the static sensor nodes, whereas, tracking for the mobile sensor nodes. The localization algorithms are broadly classified as range-based and range-free methods. The estimated range (distance) between an anchor and an unknown node is highly erroneous in an indoor scenario. This limitation can be handled up to a large extent by employing a large number of existing access points (APs) in the range free localization method. Recent works emphasize on the use multi-sensor data like magnetic, inertial, compass, gyroscope, ultrasound, infrared, visual and/or odometer to improve the localization accuracy further. Additionally, tracking method does the future prediction of location based on the past location history. A smooth trajectory is noted even if some of the received measurements are erroneous. Real experimental set-ups such as National Instruments (NI) wireless sensor nodes, Crossbow motes and hand-held devices for carrying out the localization and tracking are also highlighted herein.

연구 동기 및 목표

• 무선 센서 네트워크에서의 기초적이고 최신의 국소화 및 추적 알고리즘에 대한 체계적인 조사를 제공하기 위해.
• 특히 거리 추정의 부정확성으로 인해 실내 환경에서 거리 기반 방법의 한계를 분석하기 위해.
• 다양한 센서 데이터(예: 관성, 자기, 초음파) 융합이 국소화 정확도와 강인성을 어떻게 향상시키는지 탐구하기 위해.
• 과거 위치 기록을 활용해 향후 위치를 예측하는 추적 알고리즘을 검토하여, 노이즈가 있는 측정값이 존재하는 상황에서도 매끄러운 경로 유지 가능성을 확보하기 위해.
• National Instruments 및 Crossbow 모듈과 같은 실물 하드웨어 플랫폼을 활용한 실현 가능성을 평가하기 위해.

제안 방법

• 국소화 알고리즘을 측정된 거리를 사용하는 거리 기반(예: 거리 측정 기반) 및 연결성 또는 홉 수를 사용하는 거리 기반 외(예: 연결성 기반) 방법으로 분류한다.
• 실내 환경에서 다중 경로 및 시야 차단 효과가 거리 추정에 미치는 영향을 분석하며, 특히 초광대역 및 RSSI 기반 방법에 초점을 맞춘다.
• 가속도계, 자이로스코프, 콈프, 초음파, 적외선 및 오도메트리 데이터를 융합하여 국소화 정밀도를 향상시키는 다중 센서 융합 기법을 검토한다.
• 과거 위치 데이터를 활용해 미래 위치를 추정하고 오류 측정 영향을 줄이기 위해 예측 모델을 적용하는 추적 알고리즘을 분석한다.
• National Instruments 무선 센서 노드 및 Crossbow 모듈을 사용한 실험 설정을 평가하여 실세계 조건에서 알고리즘 성능을 검증한다.
• 접근점이 거리 기반 외 방법에서 연결성 향상과 삼각측량 정확도 향상을 통해 국소화 정확도 향상에 기여하는 역할을 강조한다.

실험 결과

연구 질문

• RQ1 실내 환경에서 거리 기반 및 거리 기반 외 국소화 방법은 정확도와 구현 복잡성 측면에서 어떻게 비교되는가?
• RQ2 실내 WSN에서 환경 간섭으로 인한 국소화 오차를 다중 센서 융합이 얼마나 줄일 수 있는가?
• RQ3 일부 센서 측정값이 손상되거나 누락되었을 경우 추적 알고리즘이 어떻게 경로의 매끄러움을 유지하는가?
• RQ4 NI 및 Crossbow 모듈과 같은 실물 하드웨어 플랫폼에 구현되었을 때 기존 국소화 및 추적 방법의 실용적 한계는 무엇인가?
• RQ5 밀도가 높은 실내 환경에서 접근점의 수를 늘일 경우 거리 기반 외 국소화 성능에 어떤 영향을 미치는가?

주요 결과

• 실내 환경에서 다중 경로 및 시야 차단 효과로 인해 거리 기반 국소화 방법은 심각한 거리 추정 오차를 겪는다.
• 관성, 자기, 초음파 등 다양한 센서 데이터 융합은 도전적인 실내 환경에서 국소화 정확도와 강인성을 크게 향상시킨다.
• 접근점 밀도가 높을수록 거리 기반 외 국소화 방법의 성능이 향상되며, 연결성 향상과 삼각측량 정확도 향상에 기여한다.
• 과거 위치 기록을 활용한 추적 알고리즘은 노이즈가 있거나 손상된 개별 측정값이 존재하는 상황에서도 매끄러운 경로 예측이 효과적으로 이루어진다.
• National Instruments 및 Crossbow 모듈을 사용한 실세계 실험을 통해 제안된 국소화 및 추적 기법의 실현 가능성과 성능이 실증되었다.
• 다중 센서 융합은 단일 거리 측정에 대한 의존도를 줄여 환경적 요동과 하드웨어 제약에 더 강건한 시스템을 만든다.