WiFi Fingerprinting Indoor Localization

프로젝트 개요

이 프로젝트는 WiFi 신호 강도를 기반으로 실내 위치를 추정하는 시스템입니다. CNN-Transformer 아키텍처를 사용하여 WiFi 신호의 패턴을 학습하고, 실내 위치를 정확하게 예측합니다.

주요 기능

• WiFi 신호 기반 실내 위치 추정
• FastAPI 기반 RESTful API 제공
• CNN-Transformer 딥러닝 모델 사용
• Kalman Filter, Log-distance, KNN Imputer 전처리
• 실시간 예측 API 제공
• 온라인 학습 지원
• 데이터 증강 및 전처리 도구
• Weights & Biases를 통한 하이퍼파라미터 튜닝

기술 스택

• FastAPI: REST API 서버
• PyTorch: 딥러닝 프레임워크
• Nginx: 리버스 프록시
• Docker & Docker Compose: 컨테이너화
• Weights & Biases: 실험 관리 및 하이퍼파라미터 튜닝

시스템 아키텍처

├── app/
│   ├── main.py              # FastAPI 서버
│   ├── predict.py           # 예측 로직
│   ├── model_CNNTransformer.py  # 모델 정의
│   └── online_trainer.py    # 온라인 학습
├── finger_printing/
│   ├── datasets_manager/    # 데이터셋 관리
│   │   ├── data_augmentation_*.py
│   │   ├── merge_datasets.py
│   │   └── ...
│   ├─ train/              # 모델 학습
│   │   ├── train_CNNTransformer.py
│   │   ├── train_CNNTransformer_sweep.py
│   │   └── ...
│   └── datasets/ # Wi-Fi RSSI 데이터셋
├── nginx/
│   └── nginx.conf         # Nginx 설정
├── docker-compose.yml     # Docker Compose 설정
├── Dockerfile             # Docker 이미지 설정
└── requirements.txt       # Python 의존성 패키지

설치 및 실행

1. 환경 설정

# 가상환경 생성 및 활성화
python -m venv venv
source venv/bin/activate  # Linux/Mac
# 또는
.\venv\Scripts\activate  # Windows

# 의존성 설치
pip install -r requirements.txt

2. Docker를 사용한 실행

# Docker Compose로 서비스 실행
docker-compose up -d

3. API 사용

# 위치 예측 API 호출
curl -X POST "http://localhost:8000/predict" \
     -H "Content-Type: application/json" \
     -d '{"mac_rssi": {"location1": {"mac1": -50, "mac2": -60}, "location2": {"mac1": -55, "mac2": -65}, "location3": {"mac1": -45, "mac2": -70}}}'

모델 학습

1. 데이터 전처리

# 데이터셋 병합
python finger_printing/datasets_manager/merge_datasets.py

# 데이터 증강
python finger_printing/datasets_manager/data_augmentation_selective.py
python finger_printing/datasets_manager/data_augmentation_all.py

2. 모델 학습

# 기본 학습
python finger_printing/train/train_CNNTransformer.py

# Weights & Biases를 사용한 하이퍼파라미터 튜닝
python finger_printing/train/train_CNNTransformer_sweep.py

모델 아키텍처

CNN-Transformer 모델 구조

• 입력 데이터:
  • RSSI 값 (정규화된 신호 강도)
  • MAC 주소 (임베딩된 AP 식별자)
• 모델 구성:
  1. MAC 주소 임베딩 레이어
  2. 1D CNN 레이어 (특징 추출)
  3. Transformer 인코더 (시퀀스 처리)
  4. 완전연결 레이어 (분류)
• 주요 하이퍼파라미터:
  • 임베딩 차원: 16
  • Transformer 헤드 수: 4
  • Transformer 레이어 수: 4
  • 드롭아웃 비율: 0.3

데이터 전처리 및 정규화

1. Kalman Filter:
   • RSSI 노이즈 제거
   • 신호 강도 안정화
2. Log-distance Path Loss:
   • 거리에 따른 신호 감쇠 모델링
   • RSSI 값 정규화
3. KNN Imputer:
   • 결측값 보간
   • 데이터 완전성 보장
4. 정규화:
   • 평균/표준편차 기반 RSSI 정규화
   • 배치 정규화 (BatchNorm) 적용

Weights & Biases 설정

1. Weights & Biases 계정 생성 및 로그인
2. API 키 설정

wandb login

3. 하이퍼파라미터 튜닝 실행

python finger_printing/train/train_CNNTransformer_sweep.py

Nginx 설정

• 리버스 프록시로 FastAPI 서버를 프록시
• SSL/TLS 종료
• 로드 밸런싱
• 정적 파일 서빙

Docker Compose 구성

• FastAPI 서비스
• Nginx 서비스
• 볼륨 마운트
• 네트워크 설정
• 환경 변수 관리

👥 팀 소개

팀명: 핑프 (Ping-FP)
WiFi 핑거프린팅 기술을 통해 정확한 실내 위치 추정을 목표로 개발하고 있습니다.

역할	담당자
데이터 수집	Team 핑프
모델 개발	박기찬
API 서버	박기찬
백엔드 서버	신민규
프론트엔드/대시보드	박성재
Android	김동욱