'사물인터넷(IoT)' 은 그 개념이 이미 알려져 있고, 이제는 일상으로 보급이 확산돼 가고 있다. 일상의 물체, 디바이스, 차량 등에 내장되거나 인간이나 동물이 착용하는 수십억 개의 상호 연결된 센서가 다양한 애플리케이션을 위해 데이터를 수집하고 공유하는 일이 보편화돼 가고 있는 것이다.

그럼 ‘물체의 위치화(Localization Of Things, LoT)’는 무엇인가?

한마디로 장치들이 자신의 현재 위치를 감지하고 소통할 수 있게 해준다는 새로운 개념이다. 이것은 공급망 모니터링, 자율 항법, 고도로 연결된 스마트 도시, 심지어 세계를 실시간으로 매핑하는 '살아있는 지도(living map)'를 형성하는 데 도움이 된다. 전문가들은 오는 2027년까지 관련 글로벌 시장이 1280억 달러(약 153조 9천억원)로 성장할 것으로 예상하고 있다.

이 개념은 정확한 현지화 기술에 달려 있다. 기존의 방법은 GPS 위성 또는 장치간에 공유되는 무선 신호를 활용하여 서로 상대적인 거리와 위치를 설정한다. 그러나 걸림돌이 있다. 반사 표면, 장애물 또는 건물 내부, 지하 터널 또는 고층 건물이 거리의 양쪽 측면에 있는 도시 협곡과 같은 기타 간섭 신호가 있는 장소에서는 정확도가 크게 저하된다는 과제를 안고 있는 것이다.

이에 MIT, 이탈리아 페라라 대학교(University of Ferrara), 스페인 바스크응용수학센터((BCAM-Center for Applied Mathematics), 남부 캘리포니아 대학교(University of Southern California)의 공동 연구팀은 GPS 거부 지역에서도 위치 정보를 포착하는 시스템을 개발해 많은 관심과 주목을 받고 있다.

최근 IEEE Proceedings에 발표된 자료를 통해 이 새로운 시스템을 소개한다.

일반적으로 '노드(nodes)'라고 하는 네트워크의 장치가 신호 방해 또는 열악한 환경에서 무선으로 통신할 때, 시스템은 노드간에 교환되는 복잡한 무선 신호뿐만 아니라 디지털 맵 및 관성에서 다양한 유형의 위치 정보를 통합한다. 그렇게하면 각 노드는 다른 모든 노드의 위치와 관련하여 가능한 모든 위치 (소프트 정보라고 함)와 관련된 정보를 고려한다.

이 시스템은 머신러닝 기술과 처리된 데이터의 크기를 줄여 측정 및 상황 데이터에서 가능한 위치를 결정하는 기술을 활용한다. 그런 다음 해당 정보를 사용하여 노드의 위치를 ​​정확하게 나타내는 것이다.

연구진은 열악한 시나리오 시뮬레이션에서도 시스템은 기존 방법보다 훨씬 잘 작동하며 특히, 현지화(위치화) 정확도에 대한 이론적 한계 근처에서 일관되게 수행되었으며, 특히 갈수록 악화되는 무선 환경 속에서 기존의 시스템 정확도는 급격히 떨어졌으며, 이 새로운 소프트 정보 기반 시스템은 꾸준히 유지되었다고 한다.

일반적으로 네트워크 지역화에서 노드는 앵커(Anchor) 또는 에이전트라고 한다. 앵커는 GPS 위성 또는 무선 기지국과 같은 알려진 위치의 노드를 말하며, 에이전트는 자율 주행 자동차, 스마트 폰 또는 웨어러블과 같이 위치를 알 수 없는 노드이다.

현지화하기 위해 상담원은 기준점으로 앵커를 사용하거나 다른 상담원과 정보를 공유하여 방향을 지정할 수 있다. 이는 위치 정보를 운반하는 수신기에 도달하는 무선 신호를 전송하는 것을 포함한다. 예를 들어, 수신된 파형의 전력, 각도 및 도착 시간은 노드 간의 거리 및 방향과 관련이 있다.

전통적인 지역화 방법은 신호의 특징을 추출하여 두 노드 사이의 거리 또는 각도에 대한 단일 값을 추정한다. 현지화 정확도는 전적으로 융통성이 없는 또는 '하드' 값의 정확도에 의존하며, 환경이 열악할수록 정확도가 크게 저하되는 것으로 나타났다.

만약 노드가 반사 표면이 많은 건물에서 10 미터 떨어진 다른 노드로 신호를 전송한다고 가정한다면 신호는 13 미터 떨어진 시간에 바운스(bounce)되어 수신 노드에 도달할 수 있다. 반면, 전통적인 방법은 그 잘못된 거리를 값으로 지정했을 것이다.

새로운 연구를 위해 연구원들은 현지화를 위해 소프트 정보를 사용했다. 이 방법은 많은 신호 기능과 상황 정보를 활용하여 가능한 모든 거리, 각도 및 기타 메트릭의 확률 분포를 만든다.

또한 값에 대해 어려운 선택을 하지 않기 때문에 '소프트 정보'라고 불리며 이 시스템은 전력, 각도 및 비행 시간을 포함하여 신호 기능의 많은 샘플 측정을 수행하며, 상황 별 데이터는 노드 이동 방식을 캡처하고 예측하는 디지털 맵 및 모델과 같은 외부 소스에서 가져온다.

그러나 신호에서 많은 기능을 추출하면 시스템에 너무 복잡하고 비효율적 인 큰 차원의 데이터가 생성된다. 이 효율성을 개선하기 위해 연구원들은 모든 신호 데이터를 감소된 크기와 쉽게 계산할 수 있는 공간으로 축소했다.

이를 위해 연구진은 다차원 데이터 세트에서 가장 유용한 측면을 유지하고 나머지는 버리고 감소된 데이터 세트를 생성하는 기술인 '주요 구성요소 분석(principal component analysis)'을 기반으로 위치를 정확히 찾아내는 데 가장 유용하고 가장 적게 수신된 파형의 측면을 식별했다. 수신된 파형에 각각 100 개의 샘플 측정값이 포함된 경우 이 기술을 사용하면 해당 수를 8 개로 줄일 수 있었다고 한다.

마지막 혁신은 머신러닝 기술을 사용하여 측정 및 상황 데이터에서 가능한 위치를 설명하는 통계 모델을 학습하는 것으로 이 모델은 백그라운드에서 실행되어 신호 수신 거부가 측정에 어떤 영향을 미칠 수 있는지 측정해 시스템 정확도를 더욱 세분화했다.

한편, 연구원들은 이제 필요한 모든 정보를 전송하거나 계산할 수 없는 리소스 포획 노드와 함께 작동하기 위해 적은 계산 성능을 사용하는 방법을 설계하고 있다. 또한 일부 노드가 정보를 공유할 수 없거나 공유 할 수 없는 장치가 없는 현지화로 시스템을 제공하기 위해 노력하고 있다.