We propose a new indoor positioning algorithm named Cut-off algorithm. This algorithm cuts off candidates of beacons and reference points in advance, before looking for K neighbor reference points which are guessed to be closest to the user's actual location. The algorithm consists of two phases: off-line phase, and on-line phase. In the off-line phase, RSSI and UUID data from beacons are gathered at reference points placed in the indoor environment, and construct a fingerprint map of the data.

more »

... In the on-line phase, the map is reduced to a smaller one according to the RSSI data of beacons received from the user's device. The nearest K reference points are selected using the reduced map, which are used for estimating user's location. In both phases, relative ranks of the peak signals received from each beacon are used, which smoothen the fluctuations of the signals. The algorithm is shown to be more efficient in terms of accuracy and estimating time. 기존 연구 KNN 알고리즘은 오프라인에서 훈련과정을 거쳐 각 RP들의 핑거프린트 지도를 구한다. 맨하튼 거리 계산법 을 이용하여 사용자의 장비가 수신한 신호와 지도의 신 호간의 거리를 모두 구한다. 그 중 최단거리에 있는 K개 의 지점을 정하고, 그 지점을 토대로 위치를 추정한다. Cluster KNN[3] 알고리즘은 Wi-Fi 환경에서 실시간 RSSI를 통하여 AP의 숫자를 줄여 지도에서 거리를 구 하는 대상 AP의 수를 줄이는 과정을 KNN 알고리즘 이전에 수행한다. 그러나 계산 대상 AP의 숫자만을 줄 일 뿐 실제로 실내위치 추정을 위해 KNN 알고리즘을 수행할 때 모든 RP 지점에 대하여 거리를 계산한다. Rank Based Fingerprint[4] 알고리즘은 위에서 소개 된 알고리즘과 달리, 지도를 구성하는 방식을 새롭게 제 시하였다. 지도에 각 비콘으로부터 수신된 신호들의 RSSI와 함께, 그 RSSI의 평균값을 기준으로 신호가 수 신된 비콘들의 상대적인 순위가 저장되어 있다. 사용자 의 위치를 추정할 때, 위치를 찾는 장비가 수신한 RSSI 간의 상대적인 순위와 지도의 각 RP에서의 비콘 신호 간의 순위를 비교한다. 가장 유사한 순위를 가지는 인접 하는 K개의 이웃들을 정한다. 이 논문에서는 위의 방법들 중 KNN 방식, Cluster KNN 방식, 그리고 RBF의 지도 구성 방식에서 착안된 Cut-off 방식[5]을 제안함과 동시에 가상공간에서의 성 능평가 결과를 보인다. 이 방식은 전체적으로 장비와 환 경에 따라 변화의 폭이 상대적으로 크게 나기 때문에 RBF와 같이 상대적인 순위에 의해 지도를 구성하지만, RBF와 다르게 Cut-off 방식에서는 상대적인 순위를 구 할 때 RSSI의 평균값이 아닌 최대값을 기준으로 삼는 다. 그리고 사용자의 위치가 예상되는 지역을 Cluster KNN 방식보다 더 좁은 지역으로 축소시켜 추정위치의 정확성을 높인다. 3. Cut-off K-Nearest-Neighbor 3.1 오프라인 단계 오프라인 단계(훈련 단계)에서는 지도 Ω를 구성한다.