정밀 측위를 위한 시간-주파수 분석 및 신경망 기반 다중경로 완화 방법 = Time?Frequency Analysis and Neural Network-Based Multipath Mitigation Method for Precise Positioning

국문 초록 (Abstract)

다중경로 오차는 무선 항법 시스템에서 위치 결정 정확도를 저하시키는 대표적인 원인으로, 송신기에서 방출된 신호가 주변의 벽면, 건물, 지면 등 에서 반사되어 수신기에 도달할 때 발생한다. 직접 경로(LOS) 신호와 반사 경로(NLOS) 신호가 혼합되면 측정치에 바이어스가 발생하여 위치 결정 오 차가 증가한다. 이러한 문제는 복잡한 실내 환경과 고층 빌딩이 밀집한 도 심 협곡 환경에서 특히 심각하게 나타나며, 수십에서 수백 미터에 달하는 위치 오차를 유발할 수 있다. 다중경로 완화를 위한 연구는 하드웨어 기반 접근법, 수신기 내부 처리 기법, 3D 건물 모델 기반 방법, 인공지능 기반 방법 등 다양하게 진행되어 왔다. 특히 최근에는 인공지능 기반 접근법이 복잡하고 비선형적인 다중경 로 패턴을 효과적으로 학습할 수 있어 주목받고 있으며, Correlator 출력 분 석, 다중 특징 조합, 시간-주파수 변환 등 다양한 입력 데이터와 특징 추출 방식이 연구되고 있다. 본 연구에서는 Short-Time Fourier Transform(STFT)과 신경망(Neural Network)을 결합한 다중경로 완화 기법을 제안한다. 제안된 방법은 실내 환경과 실외 도심 환경 모두에 적용 가능하며, 반송파 위상 측정치와 의사 거리 측정치 모두를 입력 데이터로 활용할 수 있는 범용적인 프레임워크이 다. 제안된 방법은 네 가지 특징을 가진다. 첫째, STFT를 사용하여 고정 크기 윈도우 기반 슬라이딩 분석을 수행함으로써 실시간 처리가 가능하다. 둘째, 신경망이 여러 위성 신호의 STFT 패턴을 동시에 분석하여 가장 심 하게 오염된 신호를 직접 식별하는 방식을 제안하였다. 셋째, 신호 재합성 과정 없이 분류 후 배제 혹은 가중치를 부여하는 단순화된 파이프라인을 채택하여 계산 효율성을 확보하였다. 넷째, 범용 수신기의 표준 측정치를 입력으로 사용하고 STFT가 주파수 성분을 자동 추출함으로써 다양한 환경 에서의 적용 가능성을 높였다. 신경망은 Fully-Connected 구조이며 출력 계층에 Softmax 활성화 함수가 적용된다. 학습 데이터의 라벨링은 각 환경의 특성에 맞게 설계되었다. 실 내 환경에서는 각 에포크에서 측정치 조합별 위치 결정 오차를 비교하여 가장 오염된 신호의 라벨을 생성하며, 실외 도심 환경에서는 3D 건물 모델 기반의 ray-tracing 시뮬레이션을 통해 각 위성 신호의 LOS/NLOS 여부를 판별하여 라벨을 생성한다. 이러한 환경 적응형 라벨링 방식은 각 환경의 다중경로 특성을 효과적으로 반영한다. 제안된 기법을 두 가지 환경에서 검증하였다. 첫째, 단일 송신기 기반 실 내 측위 시스템에서 반송파 위상 측정치를 사용한 실험 결과, 위치 결정 오차가 32.47% 감소하였다. 둘째, 서울 테헤란로 도심 협곡 환경에서 GPS, BeiDou, Galileo, QZSS의 의사거리 측정치를 사용한 실험 결과, 위치 결정 오차가 54.01% 감소하였다. 실험 결과는 제안된 STFT와 신경망 기반 접근 법이 서로 다른 측정치 유형과 라벨링 방식에도 불구하고 실내 및 도심 환 경 모두에서 다중경로 오차를 효과적으로 완화할 수 있음을 입증하며, 실 시간 처리 가능성과 범용 수신기 적용 가능성을 갖춘 통합 프레임워크로서 의 의의를 보여준다. 주요어 : 다중경로 완화, 시간-주파수 분석, STFT, 신경망, 실내 측위, 도 심 협곡

목차 (Table of Contents)

• 제1장 서론 10
• 1.1. 연구 배경 10
• 1.2. 연구 동향 11
• 1.3. 연구 목적 13
• 제2장 이론적 배경 14
• 2.1. 다중경로 오류 14
• 2.1.1. 다중경로 오류 특성 15
• 2.2. 측정치 유형 16
• 2.2.1. Pseudorange Measurement 16
• 2.2.2. Carrier-Phase Measurement 17
• 2.3. Time-Frequency Analysis 18
• 2.3.1. Short-Time Fourier Transform (STFT) 19
• 2.4. 신경망 21
• 2.4.1. Fully-Connected 신경망 21
• 2.4.2. Softmax 활성화 함수와 Cross-entropy 21
• 2.4.3. 최적화 알고리즘과 정규화 22
• 제3장 다중경로 오류 완화 방법 23
• 3.1. 시스템 개요 23
• 3.1.1. 실내 및 도심 환경에서의 연구 수행 23
• 3.1.2. 전체 프레임워크 25
• 3.2. 데이터 전처리 26
• 3.2.1. 의사거리 측정치 모델링 26
• 3.2.2. 반송파 위상 측정치 모델링 26
• 3.2.3. STFT 적용 27
• 3.3. 라벨링 방법 28
• 3.3.1. 도심 환경: Ray-tracing 기반 LOS/NLOS 라벨링 29
• 3.3.2. 실내 환경: 측정치 조합 기반 라벨링 31
• 3.4. 신경망 구조 설계 32
• 3.4.1. 입력층 구성 32
• 3.4.2. 은닉층 구성 33
• 3.4.3. 출력층 구성 34
• 3.4.4. 하이퍼파라미터 선정 방법 35
• 3.5. 위치결정 방법 39
• 3.5.1. 도심 환경: Weighted Least Square 40
• 3.5.2. 실내 환경: 신호 제외 후 Least Square 40
• 제4장 실험 및 결과 41
• 4.1. 도심 환경 실험 42
• 4.1.1. 실험 환경 및 장비 구성 42
• 4.1.2. 분석 항목 43
• 4.1.3. 신경망 학습 정확도 및 위치 결정 성능 45
• 4.2. 실내 환경 실험 52
• 4.2.1. 단일 송신기 기반 측위 시스템 52
• 4.2.2. 실험 환경 및 장비 구성 54
• 4.2.3. 신경망 학습 정확도 및 위치 결정 성능 55
• 4.3. 결과 비교 및 분석 59
• 제5장 결론 60
• 5.1. 연구 요약 60
• 5.2. 연구의 기여 60
• 5.3. 한계점 및 향후 연구 61
• 참고문헌 62
• Abstract 65