Wi-Fi로 사람 위치 파악하는 법: BIM과 의미론이 정확도를 높인다

이 프로젝트의 목표는 UWB와 같은 값비싼 인프라 없이 실내 점유 및 이동 통계를 수집하는 것이었습니다. 팀은 액세스 포인트로부터 RSSI 측정값을 수집하는 Android 앱과 커버리지 맵을 구축하고 RMSE로 좌표를 계산하는 데스크톱 앱을 개발했습니다. 현장 실험은 두 가지 유형의 공간에서 수행되었습니다. 각 방에 자체 액세스 포인트가 있는 복도와 연결된 사무실과, 중앙 액세스 포인트와 벽을 따라 회의실이 있는 오픈스페이스였습니다. 두 가지 측위 접근 방식이 구현되었습니다: 고전적인 kNN과 Keras를 사용한 하나의 은닉층을 가진 컴팩트한 신경망입니다. 추가 개선 사항으로는 휴대전화의 관성 센서, 전파 전파에 대한 두 가지 교정 방법(무차별 대입 및 광선 추적), 그리고 핵심 기능인 BIM 데이터(평면도, 벽 재료)와 일정에 기반한 사람의 위치에 대한 의미론적 확률을 사용하는 것이었습니다. 두 가지 의미론적 접근 방식이 테스트되었습니다: 확률 가중치를 사용한 측위와 최대 교정 오류에 따라 크기가 달라지는 방별 폴리곤입니다. 결과는 단순한 kNN 방법이 작동하지만 교정을 통해 상당한 이점을 얻는다는 것을 보여주었습니다. BIM과 의미론적 확률을 추가하면 경계 RSSI 값에서 인접 방으로의 잘못된 측위가 줄어듭니다. 접근 방식의 조합은 단일 방법보다 더 나은 안정성을 제공합니다. 정확도는 Wi-Fi 밀도와 레이아웃에 크게 의존합니다: 각각 하나의 액세스 포인트가 있는 방은 여러 개의 중앙 액세스 포인트가 있는 오픈스페이스보다 더 나은 성능을 보였습니다. 개념 증명은 점유 분석(통계, 히트맵)의 경우 Wi-Fi와 BIM이 일반적으로 충분하지만, 초정밀 측위(0.5m 정확도)에는 여전히 특수 장비가 필요하다는 것을 확인했습니다. 잠재적인 비즈니스 응용 분야로는 과중한 투자 없이 건물 사용을 빠르게 평가하고, 레이아웃과 일정을 최적화하며, 에너지 효율을 개선하는 것이 포함됩니다. 개인정보 보호 고려 사항은 개인을 식별하는 대신 익명화된 집계 통계를 수집하고, 직원 동의를 받고 현지 데이터 보호 법률을 준수함으로써 해결됩니다. 향후 작업에는 PoC를 더 큰 층으로 확장하고, 예약 시스템 및 HVAC 자동화와 통합하고, 고밀도 영역에 BLE 및 UWB를 추가하고, 적응형 학습으로 교정을 자동화하는 것이 포함됩니다.