VLC를 활용한 효율적이고 지속 가능한 실내 위치 추정을 위한 전이 학습 기반 방법론

사물 인터넷(IoT)의 급속한 확장은 연결된 장치 간의 원활한 협업을 가능하게 하여, 실내 위치 추정(indoor localization)을 산업 자동화의 핵심 구성 요소로 만들고 있습니다. 하지만 기존의 위치 추정 기술들은 역동적인 환경에서 어려움을 겪습니다. 이러한 방법들은 광범위하고 빈번한 데이터 수집과 환경별 보정이 필요하며, 이는 확장성, 상호 운용성을 제한하고 이전 연구의 효과적인 활용을 어렵게 할 뿐만 아니라 실질적인 배치를 방해하는 상당한 에너지 페널티를 부과합니다. 이러한 문제들을 해결하기 위해, 우리는 가시광 통신(VLC) 기반 실내 위치 추정을 위한 에너지 효율적인 전이 학습(Transfer Learning, TL) 기반 접근 방식을 제안합니다. 우리의 방법은 TL을 활용하여 조명 변화나 물리적 장애물 등 일반적으로 위치 추정 성능을 저하시키는 환경적 가변성을 다루는 동시에, 기존 방식 대비 계산 오버헤드와 에너지 소비를 줄입니다. 또한, 우리는 위치 정확도, 에너지 효율성, 데이터 효율성, 그리고 전이 이득(transfer gain)을 단일 평가 측정 지표로 통합하여 포괄적인 최적화를 위해 설계된 새로운 모델 효율성(Model Efficiency, ME) 지표를 도입합니다. BOSCH 공장에서 수집한 실제 데이터셋에 대한 평가는 우리의 모델이 TL을 사용하지 않는 기존 모델 대비 위치 정확도에서 47%의 개선을 달성했으며, 고잡음 조건에서 기존 모델이 10.4%였던 것에 비해 TL 모델로 최대 67.5%의 ME를 달성함을 보여줍니다. 이러한 결과들은 우리의 접근 방식이 에너지 제약적인 산업 응용 분야에 적합한 매우 효율적이고 확장 가능한 실내 위치 추정 시스템을 제공할 잠재력을 강조합니다.