초광대역(UWB)은 500 MHz를 초과하는 대역폭에 의하여 고정밀 거리 측정을 가능하게 한다. 펄스와 같은 신호는 채널 임펄스 응답(Channel Impulse Response, CIR)으로 변환될 수 있으며, 이를 통해 채널의 상세한 특성을 드러낸다. 그러나 비가시선(Non-Line-of-Sight, NLOS) 경로, 다중경로, 하드웨어 잡음과 같은 실제 환경 조건은 측정 정확도를 저하시킨다. 이러한 문제를 해결하기 위해 본 연구에서는 CIR 기반 특징을 활용한 기계학습 기반 거리 보정 방법을 제안한다. 실내 주차장에서 4개의 UWB 앵커와 24개의 기준(ground-truth) 지점을 사용하여 실험을 수행하였다. 위치 추정 오차는 추정 위치와 실제 위치 간의 유클리드 거리로 계산하였다. 측정된 채널 임펄스 응답에서 평균 제곱 지연 확산(Root Mean Square delay spread)과 같은 7개의 CIR 기반 특징을 추출하였다. 이러한 특징들은 3개의 회귀 모델인 랜덤 포레스트(Random Forest), 그래디언트 부스팅 회귀(Gradient Boosting Regression), 서포트 벡터 회귀(Support Vector Regression)에 입력으로 사용되었다. 전수 특성 선택을 통해 4개의 최적 입력을 식별하였으며, 제안 방법은 평균 위치 추정 오차를 보정 없이 0.227 m에서 0.127 m로 감소시켜 44.1%의 개선을 보였다. 회귀 모델의 성능을 조사하기 위해, 각 특징의 가시선(Line-of-Sight, LOS)과 비가시선(NLOS)을 구분하는 능력을 효과 크기(Effect Size)로 정량화하고, 순열 기반 특성 중요도(Permutation Feature Importance)와 비교하였다. 강한 상관관계(r = 0.863)가 관찰되어, LOS/NLOS 분리가 잘 되는 특징이 모델 학습에서 더 중요함이 확인되었다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.