Ⅰ. 서 론

최근 많은 연구들이 위치 기반 서비스를 위한 실내 측위를 고려하고 있다^[1]. 이는 자산 추적, 실내 내비게이션 시스템, 보안 등 다양한 분야에 활용 가능하다.

이 중 무선 통신을 이용하는 측위 기법들의 경우 와이파이와 블루투스 등을 이용해 1 미터 내외의 위치 추정 성능을 얻을 수 있다. 그러나, 초광대역(UWB) 통신의 경우 훨씬 넓은 대역폭을 이용하여 10 cm 정도의 오차를 보인다. 대역폭이 넓으면 다중경로 신호의 분해능이 향상되어 거리 추정 성능이 좋아지는 것으로 해석할 수 있다. 또한, UWB의 경우 전파를 활용하기 때문에 불투명한 물체로 LOS 경로가 가려진 경우에도 레이저 측정기 등과 달리 어느 정도 동작이 가능하다는 장점이 있다.

UWB를 활용하는 거리 측정 시스템의 핵심 부분 중 하나는 다중경로로 수신된 신호에서 첫 피크를 정확히 추정해야 한다는 점이다. 첫 피크를 놓쳐 5 ns 정도의 오차가 생긴다면 해당하는 거리 추정 오차는 1.5 m로 매우 큰 오차가 발생하게 된다. 본 논문에서 활용한 DW3000 UWB 모듈에서는 하드웨어 자체적으로 첫 피크를 추정하여 채널 임펄스 응답(CIR) 데이터와 함께 보고한다. 이 built-in 알고리즘은 LOS 상황에서는 잘 작동하지만, 심한 NLOS 환경에서는 첫 피크를 놓치는 등의 문제가 생긴다.

Raw CIR 데이터를 직접 활용할 수 있다는 점에 착안하여 많은 연구들이 CIR 데이터를 이용하여 UWB 거리 추정 성능을 향상시키려 하고 있다^[2,3]. 본 논문에서는 하나의 거리 추정 세션을 구성하는 세 CIR 데이터를 동시에 활용하여 첫 피크를 놓칠 확률을 낮추고 거리 추정 정확도를 향상시켰다.

2.1장과 2.2장에서는 각각 기존 기법과 제안 기법을 소개하였고, 3장에서는 실험 결과를 소개하였다.

Ⅱ. 본 론

2.1 기존 기법

가장 단순한 시스템에서는 장치 A가 신호를 송신하고, 장치 B가 이를 수신하는 경우를 생각할 수 있다. 전파 시간은 [TeX:] $$\hat{t_p}=T_{\mathrm{RX}}-T_{\mathrm{TX}}$$이고, 장치 간 거리는 [TeX:] $$\hat{r}=c \hat{t_p}$$로 계산 가능하다. (는 빛의 속도) 그러나 이 방식은 두 장치 A와 B의 시계가 동기화되어있어야 한다는 조건이 필요하다.

이 조건을 피하기 위해서는 양방향 통신을 생각해 볼 수 있다. 장치 A가 신호를 송신하고, 장치 B가 이 신호를 수신하고 나서 [TeX:] $$t_{\text {replyB }}$$시간 동안 기다린 후에 다시 신호를 송신하고, 이 신호를 장치 A에서 수신하는 방식이다. 장치 A는 신호가 오가는 전체 시간([TeX:] $$t_{\text {roundA }}$$)을 측정한다. [TeX:] $$t_{\text {replyB }}$$와 [TeX:] $$t_{\text {roundA }}$$ 둘 다 하나의 시계에서 측정한 값이므로 장치 A와 B의 시계가 동기화되어 있을 필요가 없다.

이 양방향 통신 기법에서는 시계의 주파수 오차에 의한 문제가 발생하게 된다. 모든 시계에는 주파수 오차가 있으며, RF 송수신기에서는 0.1-10 ppm(parts per million) 정도의 값이 일반적이다. 장치의 reply 시간이 대략 100 ms 정도의 값을 가지고 있고, 시계의 주파수 오차가 1 ppm이라면 측정값은 100 ns 정도의 오차를 보이게 된다. 빛의 속도를 곱해 거리로 환산하면 30m에 해당하는 매우 큰 오차이다.

시계 주파수 오차의 효과를 보상하기 위하여 double-sided two-way ranging (DS-TWR)이 제안되었고, 2번의 송수신 대신 3번의 송수신을 활용하여 시계 주파수 오차를 계산하고 보정할 수 있다. 대칭 DS-TWR에서는 [TeX:] $$t_{\text {replyA }}$$와 [TeX:] $$t_{\text {replyB }}$$가 같을 것을 요구하며, 전파 시간은 아래 식에 의해 계산된다^[5.

AltDS-TWR^[4]에서는 replyA 와replyB에서로다른 값을 이용할 수 있으며, 전파시간은아래와같이계산된다.

2.2 제안 기법

송신 시간과 달리 수신 시간을 정확히 측정하는 것은 쉬운 문제가 아니다. 채널 임펄스 응답(CIR)에서 첫 번째 피크를 찾는 것이 핵심으로, 그림 1과 2에 이 문제가 나타나 있다.

그림 1의 경우는 line-of-sight (LOS) 피크가 크게 나타나 있어 상대적으로 첫 피크를 찾기가 쉬운 반면, 그림 2의 경우는 피크가 신호인지 잡음인지 구분하는 것이 쉽지 않다. LOS 피크를 놓치지 않는 것이 중요한데, 5 ns 시간 오차가 1.5 m의 큰 오차로 이어지기 때문이다.

제안 기법의 아이디어는 DS-TWR에서 세 번의 신호를 송수신한다는 것에서부터 나온다. 첫 피크를 찾는 데에 세 개의 CIR을 모두 활용할 수 있다면 잘못 추정된 경우를 판정해낼 수 있다. 그림 3, 4, 5에 이 아이디어가 나타나 있다.

Fig. 1.

Data acquisition from IoTs to MEC server using a UAV.

Fig. 2.

Data acquisition from IoTs to MEC server using a UAV.

첫 번째와 세 번째 CIR(그림 3, 5)에서는 하드웨어에서 보고된 첫 피크가 실제 피크를 놓친 것을 확인할 수 있다. 두 번째 CIR(그림 4)의 값을 첫 번째와 세 번째 송수신에서도 활용할 수 있다면 성능 향상을 기대할 수 있다.

그림 6에 신호의 전파 경로가 그려져 있다. 위에서부터 먼저 장치 A가 신호를 송신하고, [TeX:] $$t_p$$(전파 시간) 동안 신호가 이동한 뒤, 장치 B가 신호를 수신하게 된다. 이때, 수신 신호의 첫 피크를 놓쳐 발생하는 오차를 [TeX:] $$b_1$$으로 모델링하였다. 만약 첫 피크를 놓치지 않았다면 [TeX:] $$b_1 = 0$$이 되고, 놓쳤다면 [TeX:] $$b_1 \gt 0$$인 어떤 값이 될 것이다. 그 후, 장치 B는 (약속된) [TeX:] $$t_{\text {reply B }}$$시간 동안 기다린 후에, 신호를 송신하게 된다. 장치 A에서도 마찬가지로 [TeX:] $$b_2$$ 바이어스 값이 발생하고, [TeX:] $$t_{\text {reply A }}$$시간 동안 기다린 후에 마지막 신호가 송신된다.

Fig. 3.

Data acquisition from IoTs to MEC server using a UAV.

Fig. 4.

Data acquisition from IoTs to MEC server using a UAV.

Fig. 5.

Data acquisition from IoTs to MEC server using a UAV.

Fig. 6.

Data acquisition from IoTs to MEC server using a UAV.

이처럼 신호의 송수신이 3번 발생하므로 수신 시간을 3번 측정하게 되는데, 이때 발생하는 오차를 [TeX:] $$b_1, b_2, b_3$$로 놓으면 예를 들어 그림 3-5의 경우는 [TeX:] $$b_1 \approx 5 \mathrm{~ns}, b_2 = 0, b_3 \approx 5 \mathrm{~ns},$$가 된다.

그림 6에서 알 수 있듯 [TeX:] $$t_{\text {roundA }}$$는 [TeX:] $$b_1 + b_2$$만큼, [TeX:] $$t_{\text {roundB }}$$는 [TeX:] $$b_2 + b_3$$만큼 빼 주어야 실제 왕복 시간과 일치하게 된다.

식 2에 식 3, 4를 대입하여 아래의 식을 얻는다.

알고리즘 1에 제안하는 기법이 나타나 있다. 먼저 세 CIR값과 하드웨어에서 보고된 첫 피크 값을 모두 한 장치로 모으고(1번-2번 줄), 3, 4번 줄에서는 CIR 간의 correlation을 측정하여 CIR 간의 시간 오프셋을 구하였다. 그렇게 계산된 오프셋들([TeX:] $$c_{\text {offset } 1}, c_{\text {offset } 2}$$)을 첫 피크의 위치에서 빼주어 같은 위치로 동기화시켰다.(5-6번 줄) 제안 알고리즘의 주요한 contribution은 8번 라인으로, 세 leading edge(LDE)값 중 가장 앞에 오는 것을 진짜 첫 피크로 생각하여 나머지를 bias값으로 계산하는 것이다.

Ⅲ. 실 험

그림 7과 8에 실험 환경이 나타나 있다. 실험은 실내 환경에서 진행되었고, LOS 환경과 심한 NLOS 환경에서 각각 진행되었다. 그림 7에서는 두 UWB 모듈이 LOS 환경에 있음을 확인할 수 있다. 그림 8에서는 두 UWB 모듈은 같은 위치에 둔 채로 LOS 경로 상에 금속 의자나 물이 든 페트병 등을 배치하여 심한 NLOS 채널이 나오도록 구성하였다.

Fig. 7.

Data acquisition from IoTs to MEC server using a UAV.

Fig. 8.

Data acquisition from IoTs to MEC server using a UAV.

그림 9와 10에는 두 모듈 간의 추정된 거리가 나타나 있다. 검은 선은 두 모듈 간의 실제 거리로, 두 모듈이 정지해 있으므로 실험 내내 같은 값을 유지하고 있다. 빨간 선은 기존의 거리 추정 알고리즘 (AltDS-TWR)이고, 파란 선은 제안 기법의 거리 추정 결과이다. LOS케이스(그림 9)에서는 두 기법이 비슷하지만, NLOS케이스(그림 10)에서는 제안 기법이 기존 기법보다 나은 성능을 보인다.

LOS 케이스(그림 9)에서는 기존 기법에 비해 제안 기법이 편향(bias)는 적으나 잡음이 더 많은 것을 확인할 수 있다. NLOS 케이스에서는 기존 기법이 첫 피크를 놓칠 때마다 최대 1m 가량의 큰 거리 추정 오차가 나타났다. 제안 기법의 경우 bias가 나타나려면 세 번의 측정 모두가 첫 피크를 놓쳐야 하므로 심한 오차가 생길 확률이 훨씬 적은 것을 확인할 수 있다.

Fig. 9.

Data acquisition from IoTs to MEC server using a UAV.

Fig. 10.

Data acquisition from IoTs to MEC server using a UAV.

Fig. 11.

Data acquisition from IoTs to MEC server using a UAV.

그림 11에는 추정 오차의 경험적 CDF가 나타나 있다. x축이 오차, y축은 CDF를 나타낸다. 붉은 선(제안)은 푸른 선(기존)보다 왼쪽에 있으므로 더 적은 오차를 보임을 알 수 있다. 제안 기법은 중앙값 오차 0.48m, 기존 기법은 중앙값 오차 0.71 m를 보인다.

Ⅳ. 결 론

본 논문에서는 UWB 거리 추정 단계에서 활용 가능한 향상된 알고리즘을 제안하였다. 제안된 알고리즘은 심한 NLOS 환경에서 기존보다 훨씬 나은 성능을 보이는데, 신호 수신 시각의 편향을 보상하였기 때문이다.

제안 알고리즘의 단점으로는 CIR들을 한 장치에 모아야 한다는 점을 들 수 있다. CIR은 4 kB 정도로 꽤 큰 데이터라고 볼 수 있지만, 압축 기법을 통해 해결할 수 있을 것이다. 또, 그림 10에서 기존 기법보다 제안 기법의 잡음이 더 강한데, NLOS 환경을 탐지[6]하여 제안 알고리즘을 선택적으로 적용함으로써 LOS 상황에서 잡음이 증가하는 현상을 막을 수 있으리라 생각한다.