Existing localization algorithms which use Kalman filter for indoor environment set Gaussian distributed noise covariance, or change a noise covariance by complicated filters. If noise covariance is considered as Gaussian distribution, the localization system can not reflect real environment, so the Gaussian distributed noise covariance makes localization system unpractical. Also complicated filters limit the applications which localization algorithms can apply. In this thesis, we propose a method that adaptively changes noise covariance. The proposed method recognizes changes of moving pattern based on results of localization and previous state, and then adjusts the noise covariance. In addition, the method varies localization period to catch up rapidly with mobile nodes's movement and reduce overhead caused by calculation of location when mobile node moves constant pattern. To verify the performance of proposed algorithm, we simulated in various situations. Simulation result from MATLAB shows the proposed method outperformed an algorithm which has constant localization period and Gaussian distributed noise covariance of Kalman filter by 8%.
위치 인식 기술이 다양한 곳에서 필요로 함에 따라 최근 많은 연구가 되어지고 있다. 이미 GPS, 셀룰러망을 이용한 위치인식 기술은 상용화 되어 있으며, 실내에서의 위치 인식을 위해서 RFID, Sensor network, WLAN 등을 이용한 기술들이 제안되고 있다. 이러한 기술 들 중 Kalman filter를 이용하여 위치 인식 알고리즘의 성능을 향상시키는 방법들이 많은데, 대부분의 Kalman filter를 이용한 실내 측위 알고리즘에서 Kalman filter의 Kalman Gain을 계산하는데 중요한 요소가 되는 Noise covariance를 가우시안 분포로 두거나 복잡한 필터를 사용하여 Noise covariance를 계산하여 적용하고 있다.
본 논문에서는 측정된 거리 정보를 이용하여 간단하면서 효과적으로 Noise covariance를 변화시키는 방법을 제안한다. 제안한 방법은 측위 결과로 노드의 움직임을 인지하여 이를 바탕으로 Noise covariance를 조절한다. 또한 위치 측정으로 인한 오버헤드를 줄이기 위하여 위치측정주기를 변화시킨다. MATLAB을 사용한 시뮬레이션 결과, 측정주기가 일정하고 Kalman fileter의 Noise covariance가 가우시안 분포를 가지는 알고리즘보다 제안한 방법의 평균오차가 약 8% 감소하는 것을 확인하였다. 또한 위치측정에 사용된 샘플의 수도 제안한 방법이 약 10% 적게 사용하는 것을 확인 할 수 있었다.
