Heterogeneous Graph Neural Networks for WiFi RSSI-Based Indoor Floor Classification

국문 초록 (Abstract)

정확한 층 분류와 신뢰성 있는 Wi-Fi 핑거프린팅은 대규모 다동·다층 실내 환경에서 내비게이션, 비상 대응, 위치 기반 서비스 등을 지원하는 현대 실내 위치추정 시스템의 핵심 요소이다. 그러나 기존 Wi-Fi RSSI 기반 핑거프린팅 방식은 심각한 신호 변동, 불규칙한 측정 조건, 스마트폰 기반의 수작업 데이터 수집에 따른 높은 비용 등으로 인해 다양한 한계를 지닌다. 또한 대다수 CNN 기반 학습 모델은 RSSI 값을 격자 구조로 취급하므로 참조점(RP)과 무선 신호원 간의 본질적 관계 구조를 충분히 반영하지 못한다. 이러한 한계는 높은 정확도를 확보하기 위해 방대한 학습 데이터가 필요하다는 문제를 초래하며, 복잡한 건물 구조와 이기종 단말이 혼재하는 대규모 실환경에서 모델의 확장성과 신뢰성을 저하시킨다.
이러한 문제를 해결하기 위해 본 논문은 두 가지 상호 보완적인 연구 방향을 제시한다. 첫째, 효율적인 로봇 기반 Wi-Fi RSSI 핑거프린팅 수집 기법을 설계하여 실내 위치추정의 정확성과 효율성을 향상시키고자 하였으며, 둘째, 강인한 층 분류를 위해 이질 그래프 신경망(Heterogeneous Graph Neural Network, HeteroGNN) 기반의 학습 프레임워크를 개발하였다. 본 연구의 궁극적 목표는 자동화된 데이터 수집과 그래프 기반 학습을 결합하여 높은 정확도, 강인성, 실환경 적용 가능성을 동시에 달성하는 Wi-Fi RSSI 기반 실내 위치추정 시스템을 구축하는 것이다.
핑거프린팅 측면에서는, 사람에 의해 발생하는 변동 요인을 제거하고 수집 과정을 자동화하기 위해 자율주행 로봇 기반 데이터 수집 플랫폼을 구축하였다. 신공학관 7층의 74개 참조점을 대상으로 한 단층 실험에서, 로봇으로 수집한 RSSI 데이터를 이용해 학습한 CNN 모델은 동일한 조건에서 수집한 스마트폰 기반 방식보다 우수한 성능을 보였다. 로봇 기반 방식은 데이터 파일당 수집 시간을 약 59% 단축하였고, 4m 오차 범위(Margin-2)에서 91.92%의 위치 정확도를 달성하여 스마트폰 기반 대비 약 1.8% 향상된 결과를 보였다. 이는 단층 실험 환경에서도 로봇 기반 Wi-Fi RSSI 수집이 보다 효율적이고 정확한 실내 위치추정 기반을 제공함을 입증한다.
이러한 수집 방식을 기반으로, 로봇 플랫폼을 활용하여 다동·다층 환경의 새로운 CRL 데이터베이스를 구축하였으며, 층 분류를 위해 HeteroGNN 모델을 제안하였다. 제안한 모델은 Wi-Fi 핑거프린트를 참조점(RP)과 MAC 주소 노드로 구성된 이질 그래프 구조로 표현하고, 정규화된 RSSI 값을 가중치로 사용하여 관계 기반 메시지 전달을 수행한다. CRL 데이터셋 실험 결과, HeteroGNN은 모든 데이터 규모에서 CNN 및 동질 그래프 기반 HomoGNN보다 우수한 정확도를 보였으며, 특히 소량 데이터 환경에서 탁월한 성능을 나타냈다. 또한 샘플 복잡도, 학습 시간, 피크 메모리 사용량 분석을 통해, 제안 모델이 가장 적은 매개변수와 최소 메모리로 목표 정확도에 도달함을 확인하였다.
공개 데이터셋인 UJIIndoorLoc을 활용한 교차 검증에서도 제안 기법의 일반화 능력이 입증되었다. HeteroGNN은 95.1%의 최고 층 분류 정확도를 달성하였으며, CNN, HomoGNN, 다섯 가지 앙상블 학습 모델(Random Forest, AdaBoost, XGBoost, LightGBM, CatBoost), 그리고 재구현한 이질 전이학습(HetTL) 모델보다 우수한 성능을 보였다. 이는 Wi-Fi RSSI 데이터의 구조적 상관관계를 효과적으로 학습하는 이질 그래프 모델링의 우수성을 보여준다.
종합적으로, 본 논문은 자동화된 로봇 기반 Wi-Fi RSSI 데이터 수집과 HeteroGNN 기반 층 분류 프레임워크의 결합이 높은 정확도, 데이터 효율성, 경량 계산 구조를 동시에 갖춘 실내 위치추정 솔루션을 제공함을 보여준다. 제안된 기법은 복잡한 다층 실내 환경에서 실시간으로 활용 가능한 확장성과 실용성을 갖추고 있으며, 향후 실내 위치기반 서비스, 사물인터넷(IoT), 자율 로봇 응용 등 다양한 분야의 핵심 기술 기반으로 활용될 수 있다.

목차 (Table of Contents)

• 1. Introduction 1
• 1.1 Indoor Positioning System and Floor Classification 1
• 1.2 Applications of ML-based IPS 4
• 1.3 Related Work on ML-based IPS 11
• 1.3.1 Indoor Localization Systems Incorporating Floor Classification 12
• 1.3.2 Dedicated Indoor Floor Classification Approaches 16
• 1.4 Research Scope and Contributions 19
• 2 IPS and ML: Technical Background 21
• 2.1 Overview of IPS 21
• 2.1.1 IPS-Related Techniques 21
• 2.1.2 Fingerprint Positioning 26
• 2.1.3 IPS-Related Technologies 28
• 2.2 Supervised Learning in ML 31
• 2.2.1 Supervised Learning 32
• 2.3 Graph Neural Networks 40
• 2.3.1 Fundamentals of GNNs 40
• 2.3.2 Representative GNN Architectures 45
• 2.3.3 Advantages and Disadvantages of Heterogeneous GNNs 49
• 3. System Design 51
• 3.1 Floor Classification System 51
• 3.1.1 Hardware and Software Environment 52
• 3.1.2 Data Collection Procedure 56
• 3.1.3 Classification Workflow 58
• 3.2 Location Prediction System 60
• 3.2.1 Hardware and Software Environment 61
• 3.2.2 Location Prediction Workflow 62
• 4. Proposed Schemes 64
• 4.1 Robot-Assisted RSSI Data Collection Scheme 64
• 4.1.1 Software Framework 64
• 4.1.2 Data Collection Method 66
• 4.1.3 Feature Visualization and Analysis 69
• 4.2 Overview of the Proposed Heterogeneous Graph-Based Method 70
• 4.2.1 Graph-Based Modeling of RSSI Data 70
• 4.2.2 Heterogeneous Graph Neural Network 73
• 4.2.3 Training and Evaluation 76
• 5. Simulation and Experimental Results 78
• 5.1 Environment Setup 79
• 5.2 Performance Evaluation of Robot-Assisted IPS 82
• 5.2.1 Experimental Setup and Parameter Comparison 82
• 5.2.2 Simulation Results 85
• 5.2.3 Experiment Results 86
• 5.3 Performance Evaluation for Floor Classification 88
• 5.3.1 Dataset and Model Description 88
• 5.3.2 Results from Simulation and Experiments on the CRL Dataset 92
• 5.3.2.1 Performance Evaluation across Different Dataset Scales 92
• 5.3.2.2 Sample Complexity and Network Size 95
• 5.3.2.3 Model Size and Parameter Comparison 97
• 5.3.2.4 Robustness to Noise 98
• 5.3.3 Cross-Dataset Evaluation (UJIIndoorLoc Dataset) 100
• 5.3.3.1 Comparative Accuracy of ML Models 100
• 5.3.3.2 Comparative Recall and F1-Score of ML Models 105
• 5.3.3.3 Comparison with the Heterogeneous Transfer Learning Model 108
• 6. Conclusion and Future work 110
• 6.1 Conclusion 110
• 6.2 Future Work 112
• References 114
• 초록 125
• Acknowledgements 128