KR102145717B1 - 머신러닝을 이용한 실내 측위 방법 및 시스템 - Google Patents
머신러닝을 이용한 실내 측위 방법 및 시스템 Download PDFInfo
- Publication number
- KR102145717B1 KR102145717B1 KR1020180101388A KR20180101388A KR102145717B1 KR 102145717 B1 KR102145717 B1 KR 102145717B1 KR 1020180101388 A KR1020180101388 A KR 1020180101388A KR 20180101388 A KR20180101388 A KR 20180101388A KR 102145717 B1 KR102145717 B1 KR 102145717B1
- Authority
- KR
- South Korea
- Prior art keywords
- data
- positioning
- rssi
- machine learning
- value
- Prior art date
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
- G01S5/02—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves
- G01S5/0252—Radio frequency fingerprinting
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S11/00—Systems for determining distance or velocity not using reflection or reradiation
- G01S11/02—Systems for determining distance or velocity not using reflection or reradiation using radio waves
- G01S11/06—Systems for determining distance or velocity not using reflection or reradiation using radio waves using intensity measurements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W64/00—Locating users or terminals or network equipment for network management purposes, e.g. mobility management
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S2205/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
- G01S2205/001—Transmission of position information to remote stations
- G01S2205/008—Transmission of position information to remote stations using a mobile telephone network
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Theoretical Computer Science (AREA)
- Neurology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
본 발명은 머신러닝을 이용한 실내 측위 방법과 시스템을 개시한다. 본 발명에 따른 실내 측위 방법은, 실내에 정의된 다수의 구역마다 다수의 측위용 신호송출기 신호의 수신신호강도(RSSI)를 측정하는 단계; 전체 구역의 RSSI 측정데이터 중에서 제로(0)를 제외한 값을 절대값의 보수로 변환하는 데이터 전처리(preprocessing) 단계; 전처리를 거친 RSSI데이터를 학습데이터로 활용하여 머신러닝 알고리즘을 실행하여 학습하는 단계; 측위대상단말에서 측정한 다수의 측위용 신호송출기의 RSSI 정보를 머신러닝 알고리즘의 입력노드에 입력하여 측위대상단말의 위치를 결정하는 단계를 포함한다.
본 발명에 따르면, 측위대상영역의 각 구역에서 측정한 RSSI 측정데이터에 대해 절대값의 보수로 변환하는 1차 데이터 전처리와 제로(0)로 표시된 RSSI 값을 소정의 양수값으로 변환하는 2차 데이터 전처리를 수행한 이후에 머신러닝 학습데이터로 활용함으로써 머신러닝을 이용한 실내 측위의 정확도를 크게 개선하는 효과를 얻을 수 있다.
본 발명에 따르면, 측위대상영역의 각 구역에서 측정한 RSSI 측정데이터에 대해 절대값의 보수로 변환하는 1차 데이터 전처리와 제로(0)로 표시된 RSSI 값을 소정의 양수값으로 변환하는 2차 데이터 전처리를 수행한 이후에 머신러닝 학습데이터로 활용함으로써 머신러닝을 이용한 실내 측위의 정확도를 크게 개선하는 효과를 얻을 수 있다.
Description
본 발명은 머신러닝을 이용한 실내 측위 방법에 관한 것으로서, 구체적으로는 머신러닝을 위해 제공되는 데이터에 적절한 전처리(preprocessing)를 함으로써 측위 정확도를 크게 향상시킨 실내 측위 방법 및 시스템에 관한 것이다.
최근 스마트폰, 태블릿 등과 같은 모바일 단말이나 차량용 단말에는 GPS(Global Positioning System) 모듈이 탑재되어 있어 단말의 위치 확인이 가능하며, 이로 인해 사용자는 자신의 위치와 연계된 다양한 위치기반서비스를 제공받을 수 있다.
그런데 GPS 모듈은 GPS 위성의 신호를 수신하여 단말의 위치를 계산하는 것이므로 위성신호를 수신할 수 없는 실내에서는 측위에 사용될 수 없으며, 따라서 실내에서는 GPS가 아닌 다른 방법으로 측위를 수행해야만 한다.
현재까지 다양한 실내 측위 방법이 알려져 있는데, 이 중에서 실내에 설치된 Wi-Fi AP(Access Point)의 무선신호를 이용하는 Wi-Fi측위 방법이 가장 널리 알려져 있다.
Wi-Fi측위방법은 크게 셀ID 방식, 삼각측량 방식, 핑거프린팅(fingerprinting) 방식 등으로 구분된다.
셀ID 방식은 수신된 신호 중에서 가장 신호가 센 Wi-Fi AP의 위치를 단말의 위치로 결정하는 방식인데, 가장 간단한 방식이긴 하지만 대략 50m 정도의 측위 오차가 발생하므로 정확도가 매우 낮은 단점이 있다.
삼각측량 방식은 실내에 분산 설치된 3개 이상의 AP신호를 수신하여 각 AP신호의 수신신호강도(RSSI: Received Signal Strength Indication)를 거리로 환산한 후 단말의 위치를 계산하는 방식이다. 그런데 실내에서는 무선신호의 반사, 굴절, 흡수 등으로 인해 대략 20m 정도의 측위 오차가 발생하므로 여전히 정확도가 낮은 문제가 있다.
핑거프린팅 방식은 실내 공간에 다수의 구역(cell)을 설정하고, 사전에 각 구역에서 직접 측정한 각 AP신호의 수신신호강도(RSSI)를 DB화하여 일종의 맵(Map)을 구축하고, 단말에서 수신한 각 AP신호의 RSSI 값을 DB와 대비하여 가장 유사한 신호 패턴을 보이는 구역의 기준점을 단말의 위치로 추정하는 방식이다.
이러한 핑거프린팅 방식이 셀ID방식이나 삼각측량방식에 비하여 실내 측위 정확도가 훨씬 높은 것으로 알려져 있지만 아직까지는 80% 정확도를 기준으로 통상 5m 이상의 오차가 발생하기 때문에 측위 정확도를 보다 개선할 필요가 있다.
그러나 실내 Wi-Fi AP신호는 동일한 위치에서 측정하더라도 다양한 요인으로 인해 RSSI 변동폭이 크고 AP의 개수가 많아질수록 신호패턴의 유사도를 정확하게 판단하는 것이 어려워지므로 현재의 핑거프린팅 방식으로는 측위 정확도를 더 이상 높이는데 한계가 있는 실정이다.
본 발명은 이러한 배경에서 고안된 것으로서, 핑거프린팅 기반의 실내 측위 방식에서 측위 정확도를 보다 개선할 수 있는 방법을 제공하는데 그 목적이 있다.
이러한 목적을 달성하기 위하여, 본 발명의 일 양상은, 실내에 정의된 다수의 구역마다 다수의 측위용 신호송출기 신호의 수신신호강도(RSSI)를 측정하는 단계; 전체 구역의 RSSI 측정데이터 중에서 제로(0)를 제외한 값을 절대값의 보수로 변환하는 데이터 전처리(preprocessing) 단계; 전처리를 거친 RSSI데이터를 학습데이터로 활용하여 머신러닝 알고리즘을 실행하여 학습하는 단계; 측위대상단말에서 측정한 다수의 측위용 신호송출기의 RSSI 정보를 머신러닝 알고리즘의 입력노드에 입력하여 측위대상단말의 위치를 결정하는 단계를 포함하는 실내 측위 방법을 제공한다.
본 발명의 일 양상에 따른 실내 측위 방법에서, 상기 데이터 전처리 단계는, RSSI 측정데이터를 절대값의 보수로 변환한 이후에 변환되지 않은 값(0)을 변환된 값 중의 최소값 보다 작은 양수로 변환하는 과정을 포함할 수 있다.
또한 본 발명의 일 양상에 따른 실내 측위 방법에서, 상기 데이터 전처리 단계의 이후에는, 충분한 학습데이터를 제공하기 위하여 전처리된 RSSI 데이터에 대하여 데이터 확장(augmentation)을 수행할 수 있다.
본 발명의 다른 양상은, 실내에 설치된 다수의 측위용 신호송출기에서 송출된 무선신호의 수신신호강도(RSSI)를 이용하여 측위대상단말의 위치를 결정하는 측위 시스템으로서, 실내에 정의된 다수의 구역마다 측정한 다수의 측위용 신호송출기의 RSSI데이터 중에서 제로(0)를 제외한 값을 절대값의 보수로 변환하는 제1 데이터 전처리부; 데이터 전처리를 거친 RSSI데이터를 학습데이터로 활용하여 머신러닝을 수행하는 머신러닝 알고리즘; 측위대상단말에서 측정한 다수의 측위용 신호송출기의 RSSI 정보를 머신러닝 알고리즘에 입력하여 측위대상단말의 위치를 결정하는 위치결정부를 포함하는 실내 측위 시스템을 제공한다.
본 발명의 다른 양상에 따른 실내 측위 시스템은, 상기 제1 데이터 전처리부에서 절대값의 보수로 변환되지 않은 값(0)을 절대값의 보수로 변환된 값 중의 최소값 보다 작은 양수로 변환하는 제2 데이터 전처리부를 포함할 수 있다.
또한 본 발명의 다른 양상에 따른 실내 측위 시스템은, 충분한 학습데이터를 제공하기 위하여 전처리된 RSSI 데이터에 대하여 데이터 확장(augmentation)을 수행하는 데이터확장부를 포함할 수 있다.
또한 본 발명의 다른 양상에 따른 실내 측위 시스템에서 상기 측위용 신호송출기는 Wi-Fi AP(Access Point)일 수 있다.
본 발명에 따르면, 측위대상영역의 각 구역에서 측정한 RSSI 측정데이터에 대해 절대값의 보수로 변환하는 1차 데이터 전처리와 제로(0)로 표시된 RSSI 값을 소정의 양수값으로 변환하는 2차 데이터 전처리를 수행한 이후에 머신러닝 학습데이터로 활용함으로써 머신러닝을 이용한 실내 측위의 정확도를 크게 개선하는 효과를 얻을 수 있다.
도 1은 본 발명의 일 실시예에 따른 실내 측위 시스템의 개략 구성도
도 2는 실내의 측위대상영역을 다수의 구역으로 구분한 모습을 예시한 도면
도 3은 머신러닝부의 블록도
도 4는 딥러닝 알고리즘의 인공신경망 구성을 예시한 도면
도 5는 학습데이터의 전처리 과정을 예시한 도면
도 6은 본 발명의 일 실시예에 따른 실내 측위 방법을 나타낸 순서도
도 2는 실내의 측위대상영역을 다수의 구역으로 구분한 모습을 예시한 도면
도 3은 머신러닝부의 블록도
도 4는 딥러닝 알고리즘의 인공신경망 구성을 예시한 도면
도 5는 학습데이터의 전처리 과정을 예시한 도면
도 6은 본 발명의 일 실시예에 따른 실내 측위 방법을 나타낸 순서도
이하에서는 도면을 참조하여 본 발명의 바람직한 실시예를 상세히 설명한다.
참고로 본 명세서에서 어떤 부분이 어떤 구성요소를 포함 또는 구비하는 것은, 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함하거나 구비할 수 있는 것을 의미한다. 또한 하나의 구성요소(element)가 다른 구성요소와 연결, 결합, 또는 통신하는 경우는, 다른 구성요소와 직접적으로 연결, 결합, 또는 통신하는 경우뿐만 아니라 중간에 다른 요소를 사이에 두고 간접적으로 연결, 결합, 또는 통신하는 경우도 포함한다. 또한 하나의 구성요소가 다른 구성요소와 직접 연결 또는 직접 결합되는 경우는 중간에 다른 요소가 개재되지 않는 것을 의미한다. 또한 본 명세서에 첨부된 도면은 발명의 요지를 이해하기 쉽도록 예시한 것에 불과하므로 이로 인해 본 발명의 권리범위가 제한되어서는 아니 됨을 미리 밝혀 둔다.
본 발명의 일 실시예에 따른 실내 측위 시스템은, 도 1의 개략 구성도에 나타낸 바와 같이, 다수의 측위용 신호송출기(AP1,AP2,AP3,AP4)와, 측위용 신호송출기(AP1,AP2,AP3,AP4)에서 송출된 무선 신호를 수신할 수 있는 측위대상단말(100)과, 통신망(200)을 통해 측위대상단말(100)과 통신하는 측위장치(300)를 포함할 수 있다.
측위용 신호송출기(AP1,AP2,AP3,AP4)는 측위용 무선신호를 주기적으로 송출하는 장치로서, 무선인터넷 서비스를 위해 설치된 Wi-Fi AP일 수 있다. 다만 측위용 신호송출기(AP1,AP2,AP3,AP4)가 반드시 Wi-Fi AP에 한정되는 것은 아니며, 다른 종류의 무선통신을 지원하는 AP, 중계기 등도 측위용 신호송출기로 활용될 수 있다.
Wi-Fi AP를 측위용 신호송출기(AP1,AP2,AP3,AP4)로 사용하는 경우에는 Wi-Fi AP에서 주기적으로 송출되는 비콘(beacon) 신호가 측위용 무선신호로 사용될 수 있다.
측위대상단말(100)은 사람이 휴대하거나 이동수단에 탑재된 전자기기로서, 무선신호 송수신모듈, 데이터의 송수신 및 처리를 위한 프로그램 및 프로토콜을 저장하는 메모리, 각종 프로그램을 실행하여 연산 및 제어하기 위한 프로세서 등을 구비할 수 있다.
예를 들어 측위대상단말(100)은 스마트폰, 태블릿(tablet) PC, 핸드헬드(handheld) PC, PDA, PMP, 노트북컴퓨터 등과 같은 전자기기일 수 있다. 다만 측위대상단말(100)이 반드시 소형 휴대용 단말로 한정되지는 않으므로 측위대상영역 내에 고정적으로 설치된 디지털TV, 노트북 컴퓨터, 데스크톱 컴퓨터, CCTV, 사무기기, 가전기기, 산업용 장비 등도 측위대상단말(100)에 포함될 수 있다.
측위대상단말(100)은 측위대상영역의 주변 또는 내부에 설치된 다수의 측위용 신호송출기(AP1,AP2,AP3,AP4)에서 송출된 측위용 무선신호를 수신하고, 신호송출기별 수신신호강도(RSSI) 정보를 측위장치(300)로 전송한다.
측위대상단말(100)과 측위장치(300) 간의 통신방식은 한정되지 않는다. 예를 들어 측위용 신호송출기(AP1,AP2,AP3,AP4)가 Wi-Fi AP인 경우에는 이를 통해 측위장치(300)와 통신할 수 있다. 측위용 신호송출기(AP1,AP2,AP3,AP4)를 대신하여 다른 통신기기를 통해 측위장치(300)와 통신할 수도 있음은 물론이다.
통신망(200)은 측위대상단말(100)과 측위장치(300) 간의 통신을 중계하는 것으로서, 이미 알려져 있거나 이후에 개발되는 유선망, 무선망, 또는 이들의 적절한 조합으로 구성될 수 있다.
측위장치(300)는 측위대상단말(100)에서 측정한 측위용 신호송출기(AP1,AP2,AP3,AP4)의 RSSI 정보를 획득하여 해당 단말의 위치를 측위하고, 측위결과를 측위대상단말(100)로 전송하거나 사전에 설정된 위치기반서비스 제공서버로 전송한다.
본 발명의 실시예에 따른 실내측위 방법은 핑거프린팅 방식을 기반으로 하는 것이므로 측위대상영역은 도 2에 예시한 바와 같이 다수 구역(C11, C12, ... , C43, C44) 으로 구획되고, 측위장치(300)는 각 구역(C11, C12, ... , C43, C44)마다 측정한 측위용 신호송출기(AP1,AP2,AP3,AP4)의 수신신호강도(RSSI) 데이터를 이용하여 측위대상단말(100)의 위치를 결정한다.
본 발명의 실시예에 따른 측위장치(300)는 머신러닝부(310), 위치결정부(330), 저장부(350) 및 통신부(370)를 포함할 수 있다.
머신러닝부(310)는 머신러닝 알고리즘과 학습데이터를 이용하여 위치측위를 위한 머신러닝(machine learning)을 수행하며, 본 발명의 실시예에서는 도 3의 블록도에 나타낸 바와 같이, 제1 데이터 전처리부(311), 제2 데이터 전처리부(312), 데이터확장부(313), 머신러닝 알고리즘(314)을 포함할 수 있다.
머신러닝 알고리즘(314)은 학습데이터를 활용하여 머신러닝을 수행하며 이를 통해 출력값의 정확도를 높인다.
머신러닝 알고리즘(314)의 종류는 특별히 한정되지 않는다. 일 예로서, SVM(Support Vector machine), KNN(K-Nearest Neighbor), Random Forest 등의 알고리즘을 이용하여 실내 측위를 위한 머신러닝을 수행할 수 있다. 다른 예로서, DNN(Deep Neural Network), CNN(Convolutional Neural Network), RNN(Recurrent Neural Network) 등의 인공신경망(ANN, Artificial Neural Network)을 기반으로 하는 딥러닝 알고리즘을 이용하여 실내 측위를 위한 머신러닝을 수행할 수도 있다.
딥러닝 알고리즘의 인공신경망(ANN)은 도 4에 예시한 바와 같이 입력레이어와 출력레이어의 사이에 하나 이상의 히든레이어(hidden layer)를 가지며, 딥러닝 알고리즘을 통한 학습은 임의의 제1 레이어의 노드(뉴런)와 제2 레이어의 노드(뉴런) 사이에 부여된 가중치([W]1, ..., [W]n)를 최적화하는 과정이다.
딥러닝 알고리즘은 학습주기마다 또는 설정된 주기마다 출력노드의 출력값과 목표값 사이의 오차를 기초로 경사감소법(Gradient Descent Method) 등을 적용하여 각 가중치([W]1, ... ,[W]n)를 갱신함으로써 출력값의 정확도를 지속적으로 향상시킬 수 있다.
본 발명의 실시예에서는 입력레이어의 각 입력노드에는 측위대상단말(100)이 임의의 위치에서 수신한 각 신호송출기(AP1, AP2, AP3, AP4, ... , APn)의 수신신호강도(RSSI)가 입력되고, 출력레이어의 출력노드는 입력된 RSSI 정보에 대응하는 측위대상단말(100)의 위치(Cxy)를 출력할 수 있다.
머신러닝을 이용한 실내 측위의 정확도를 높이기 위해서는 학습을 통해 머신러닝 알고리즘(314)에 적용되는 최적의 가중치를 결정해야 하며, 이를 위해서는 적절하고 충분한 학습데이터가 제공되어야 한다.
적절한 학습데이터 제공을 위하여 본 발명의 실시예에서는 각 구역(C11, C12, ... , C43, C44) 마다 측정한 각 신호송출기(AP1, AP2, AP3, AP4, ... , APn)의 RSSI 측정데이터를 그대로 사용하지 않고 측정데이터에 소정의 전처리(preprocessing)를 수행한 이후에 머신러닝을 위한 학습데이터로 사용한다.
먼저 머신러닝부(310)의 제1 데이터 전처리부(311)에서는, 도 5에 예시한 바와 같이, RSSI 측정데이터를 절대값의 보수(짝꿍수)로 변환하는 1차 데이터 전처리를 수행한다.
일반적으로 무선신호의 수신신호강도(RSSI)는 예를 들어 -30dBm, -50dBm 등과 같이 음수로 표시되고 절대값이 작을수록 신호세기가 크다. 그런데 실험에 의하면 이런 형식의 측정데이터를 그대로 사용하는 것보다 절대값의 보수(짝꿍수)로 변환된 데이터를 학습데이터로 사용하면 측위 정확도가 10% 이상 향상되는 것으로 나타났기 때문이다.
보수(짝꿍수)는 서로의 합이 일정한 관계에 있는 숫자를 의미하며, 본 발명의 실시예에는 합이 100 인 관계에 있는 숫자를 서로 보수 관계에 있는 것으로 하였으나 보수관계에 있는 두수의 합은 100 대신 다른 값으로 대체될 수도 있다.
본 발명의 실시예에서는 예를 들어 측정데이터가 -30dBm 이면, 절대값은 30이므로 제1 데이터 전처리부(311)에서는 이를 절대값의 보수 70으로 변환한다. 측정데이터가 -70dBm 이면, 절대값은 70이므로 절대값의 보수 30으로 변환한다.
다만 1차 데이터 전처리를 수행할 때는 측정데이터가 0인 경우에 이에 대해서는 1차 데이터 전처리를 수행하지 않아야 되는 점을 주의해야 한다.
측정데이터가 0으로 표시되는 경우는 AP신호가 수신되지 않거나 단말의 프로세서 효율을 위하여 RSSI가 문턱값 미만인 AP신호를 무시하는 경우인데, 만일 측정데이터 0을 절대값 보수인 100으로 변환하면 가장 약한 신호가 가장 센 신호로 변환되는 결과가 초래되기 때문이다.
도 5(b)는 이러한 기준에 따라 1차 전처리한 데이터를 나타낸 것이다.
다음으로 머신러닝부(310)의 제2 데이터 전처리부(312)에서는, 1차 전처리를 거친 데이터에서 변환되지 않은 값(0)을 임의의 양수로 변환한다.
측위대상영역의 각 구역(C11, C12, ... , C43, C44) 에서 측정된 각 신호송출기(AP1, AP2, AP3, AP4, ... , APn)의 RSSI 정보는 머신러닝 알고리즘의 학습데이터로 활용되는데, RSSI 값이 0 이면 해당 구역에서는 특정 AP 의 신호가 약한 것이 아니라 특정 AP가 아예 없는 것으로 인식하고 학습이 진행된다.
그런데 특정 구역에 특정 AP가 없는 것으로 인식하여 학습이 진행되면 지나친 조건 한정인 오버피팅(overfitting)으로 인해 오히려 측위 정확도가 저하되는 결과가 초래될 수 있다.
본 발명의 실시예에서는 이러한 오버피팅 문제를 방지하기 위하여 1차 전처리 과정에서 변환되지 않은 값(0)을 소정의 양수로 변환하며, 이를 통해 측위 정확도의 저하를 방지할 수 있다.
본 발명의 실시예에서는 도 5(c)에 나타낸 바와 같이 0을 모두 10으로 변환하였는데 반드시 이에 한정되는 것은 아니다. 다만 RSSI 값이 제로(0)인 것은 수신신호가 매우 미약하다는 것을 의미하므로 변환된 숫자는 전체 RSSI값 중에서 가장 낮은 값인 것이 바람직하다.
도 5(b)에는 1차 전처리된 전체 RSSI 데이터 중에서 0 이외의 가장 낮은 값은 30 (C23/AP4, C24/AP4)인 것으로 나타나 있으므로 RSSI값 제로(0)는 당연히 30 보다 충분히 작은 값으로 변환되어야 하며, 본 발명의 실시예에서는 이런 이유로 10으로 변환하였다. 이에 한정되지 않고 10 이외의 다른 양수로 변환될 수도 있음은 물론이다.
한편 머신러닝을 위해서는 충분한 양의 학습데이터가 제공되어야 하며, 이를 위해서는 도 5에 예시한 데이터가 적어도 수천 세트 이상 준비되어야 한다.
그러나 현실적으로 측위대상영역의 각 구역(C11, C12, ... C43, C44)에서 수천 번 RSSI 측정을 수행하는 것은 거의 불가능하다. 이러한 문제를 해결하기 위해서는 수십 번 정도의 실측을 수행한 이후에 데이터확장부(313)를 통해 측정데이터를 확장(augmentation)하고, 확장된 데이터를 학습데이터로 활용하는 것이 바람직하다.
데이터확장부(313)에서의 데이터 확장 방법은 특별히 한정되지 않는다. 예를 들어 동일 조건에서도 측정할 때마다 RSSI 값이 달라지는 점을 감안하여 측정데이터의 전부 또는 일부를 소정 범위 내에서 증감시키거나, 일부 AP의 값을 최소값으로 변경하는 등 다양한 방식으로 데이터를 확장할 수 있다.
데이터확장부(313)의 데이터확장은 2차 전처리된 데이터를 대상으로 수행하는 것이 바람직하지만 반드시 이에 한정되는 것은 아니다. 따라서 측정데이터 또는 1차 전처리된 데이터에 대해 데이터확장을 수행할 수도 있다.
한편 측위장치(300)의 위치결정부(330)는 측위대상단말(100)에 대한 측위 요청을 수신하면, 측위대상단말(100)에서 측정한 각 신호송출기(AP1, AP2, AP3, AP4, ..., APn)의 RSSI 데이터를 학습을 마친 머신러닝 알고리즘에 입력하고 출력값을 측위대상단말(100)의 위치(Cxy)로 결정한다.
저장부(350)는 측위장치(300)의 동작을 위한 OS프로그램, 머신러닝 프로그램, 각종 파라미터, 데이터 등을 저장한다.
통신부(370)는 통신망(200)과의 연결을 위한 유선 및/또는 무선 통신 인터페이스를 포함한다.
이하에서는 도 6의 순서도를 참조하여 본 발명의 일 실시예에 따른 실내 측위 방법을 설명한다.
먼저 도 2에 예시한 바와 같이 측위대상영역에 다수의 구역(C11, C12, ... , C43, C44)을 설정하고, 측위장치(300)는 각 구역에서 측정된 각 신호송출기(AP1, AP2, AP3, AP4, ... , APn)의 RSSI 값을 수신하여 저장한다. RSSI 측정위치는 가급적 각 구역(C11, C12, ... , C43, C44)의 중앙인 것이 바람직하다. (ST11)
이어서 측위장치(300)의 머신러닝부(310)는 RSSI 측정데이터에 대하여 1차 데이터 전처리를 수행한다. 1차 데이터 전처리는 음수로 표시된 RSSI 값을 양수로 변환하는 것으로서, 구체적으로는 절대값의 보수로 변환한다. 다만 0으로 표시된 측정값은 변환을 하지 않고 그대로 둔다. 이와 같이 1차 전처리를 수행하면 측위 정확도를 크게 높일 수 있다. (ST12)
이어서 머신러닝부(310)는 1차 전처리 과정에서 변환되지 않은 값(0)을 임의의 양수로 변환하는 2차 전처리를 수행한다. 이때 해당 RSSI데이터 세트의 최소값보다 충분히 작은 값으로 변환한다. 이러한 2차 전처리를 수행하면 머신러닝의 오버피팅 문제를 방지할 수 있다. (ST13)
머신러닝부(310)는 이와 같은 데이터 전처리 과정을 수행한 이후에 보다 충분한 양의 학습데이터를 확보하기 위하여 데이터확장을 수행하고, 이를 학습데이터 DB에 저장할 수 있다. (ST14)
머신러닝부(310)는 이상의 과정을 거쳐 적절하고 충분한 양의 학습데이터가 확보되면, 머신러닝 알고리즘(314)을 실행하여 학습을 수행한다. 이때 머신러닝 알고리즘에 부여된 가중치([W]1, ... , [W]n)를 지속적으로 갱신할 수 있다. (ST15)
머신러닝을 충분히 수행한 상태에서 측위요청을 수신하면, 위치결정부(310)는 측위대상단말(100)이 임의의 위치에서 측정한 각 신호송출기(AP1, AP2, AP3, AP4, ..., APn)의 RSSI 데이터를 획득하여 학습을 마친 머신러닝 알고리즘에 입력하고 출력값을 측위대상단말(100)의 위치(Cxy)로 결정한다. (ST16, ST17)
측위장치(300)는 이상의 과정을 통해 결정된 측위대상단말(100)의 위치(Cxy) 정보를 측위대상단말(100) 또는 사전에 설정된 위치기반서비스 제공서버로 전송한다. (ST18)
한편 측위장치(300)를 구성하는 제1 데이터 전처리부(311), 제2 데이터 전처리부(312), 데이터 확장부(313), 위치결정부(330) 등은 소프트웨어, 하드웨어, 또는 소프트웨어와 하드웨어의 조합을 통해 구현될 수 있다. 또한 이들 중 적어도 2개의 구성요소는 하나의 소프트웨어 또는 하나의 하드웨어로 통합되어 제공될 수 있다.
이상에서는 본 발명의 바람직한 실시예를 설명하였으나, 본 발명은 전술한 실시예에 한정되지 않고 다양한 형태로 변형 또는 수정되어 실시될 수 있다.
예를 들어 본 발명의 실시예에서는 측위대상단말(100)과 측위장치(300)가 서로 이격되어 있는 것으로 설명하였으나, 이에 한정되는 것은 아니므로 측위장치(300)의 구성요소 중에서 일부 또는 전부를 측위대상단말(100)의 내부에 설치할 수도 있다.
이와 같이 본 발명은 구체적인 적용 과정에서 다양하게 변형 또는 수정되어 실시될 수 있으며, 변형 또는 수정된 실시예도 후술하는 특허청구범위에 개시된 본 발명의 기술적 사상을 포함한다면 본 발명의 권리범위에 속함은 당연하다 할 것이다.
100: 측위대상단말 200: 통신망
300: 측위장치 310: 머신러닝부
311: 제1 데이터 전처리부 312: 제2 데이터 전처리부
313: 데이터 확장부 314: 머신러닝 알고리즘
330: 위치결정부 350: 저장부
370: 통신부
300: 측위장치 310: 머신러닝부
311: 제1 데이터 전처리부 312: 제2 데이터 전처리부
313: 데이터 확장부 314: 머신러닝 알고리즘
330: 위치결정부 350: 저장부
370: 통신부
Claims (7)
- 실내에 정의된 다수의 구역마다 다수의 측위용 신호송출기 신호의 수신신호강도(RSSI)를 측정하는 단계;
전체 구역의 RSSI 측정데이터 중에서 제로(0)를 제외한 값을 절대값의 보수로 변환하는 데이터 전처리(preprocessing) 단계;
전처리를 거친 RSSI데이터를 학습데이터로 활용하여 머신러닝 알고리즘을 실행하여 학습하는 단계;
측위대상단말에서 측정한 다수의 측위용 신호송출기의 RSSI 정보를 머신러닝 알고리즘의 입력노드에 입력하여 측위대상단말의 위치를 결정하는 단계
를 포함하며,
상기 데이터 전처리 단계는, RSSI 측정데이터를 절대값의 보수로 변환한 이후에 변환되지 않은 값(0)을 변환된 값 중의 최소값 보다 작은 양수로 변환하는 과정을 포함하는 것을 특징으로 하는 실내 측위 방법 - 삭제
- 제1항에 있어서,
상기 데이터 전처리 단계의 이후에는, 충분한 학습데이터를 제공하기 위하여 전처리된 RSSI 데이터에 대하여 데이터 확장(augmentation)을 수행하는 것을 특징으로 하는 실내 측위 방법 - 실내에 설치된 다수의 측위용 신호송출기에서 송출된 무선신호의 수신신호강도(RSSI)를 이용하여 측위대상단말의 위치를 결정하는 측위 시스템으로서,
실내에 정의된 다수의 구역마다 측정한 다수의 측위용 신호송출기의 RSSI데이터 중에서 제로(0)를 제외한 값을 절대값의 보수로 변환하는 제1 데이터 전처리부;
상기 제1 데이터 전처리부에서 절대값의 보수로 변환되지 않은 값(0)을 절대값의 보수로 변환된 값 중의 최소값 보다 작은 양수로 변환하는 제2 데이터 전처리부;
데이터 전처리를 거친 RSSI데이터를 학습데이터로 활용하여 머신러닝을 수행하는 머신러닝 알고리즘;
측위대상단말에서 측정한 다수의 측위용 신호송출기의 RSSI 정보를 머신러닝 알고리즘에 입력하여 측위대상단말의 위치를 결정하는 위치결정부
를 포함하는 실내 측위 시스템 - 삭제
- 제4항에 있어서,
충분한 학습데이터를 제공하기 위하여 전처리된 RSSI 데이터에 대하여 데이터 확장(augmentation)을 수행하는 데이터확장부를 포함하는 것을 특징으로 하는 실내 측위 시스템 - 제4항에 있어서,
상기 측위용 신호송출기는 Wi-Fi AP(Access Point)인 것을 특징으로 하는 실내 측위 시스템
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020180101388A KR102145717B1 (ko) | 2018-08-28 | 2018-08-28 | 머신러닝을 이용한 실내 측위 방법 및 시스템 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020180101388A KR102145717B1 (ko) | 2018-08-28 | 2018-08-28 | 머신러닝을 이용한 실내 측위 방법 및 시스템 |
Publications (2)
Publication Number | Publication Date |
---|---|
KR20200024556A KR20200024556A (ko) | 2020-03-09 |
KR102145717B1 true KR102145717B1 (ko) | 2020-08-19 |
Family
ID=69801903
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020180101388A KR102145717B1 (ko) | 2018-08-28 | 2018-08-28 | 머신러닝을 이용한 실내 측위 방법 및 시스템 |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR102145717B1 (ko) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102474627B1 (ko) * | 2020-07-21 | 2022-12-05 | 국민대학교산학협력단 | 사용자 위치 탐지 장치 및 방법 |
KR102270808B1 (ko) * | 2020-09-15 | 2021-06-29 | 국민대학교산학협력단 | 무선 인공지능을 이용한 보이는 네트워크 제공 장치 및 방법 |
KR102453247B1 (ko) * | 2022-02-21 | 2022-10-12 | (주)에이텍티앤 | 모바일의 수신신호를 이용한 게이트 진입 판단장치 및 방법 |
KR102503444B1 (ko) * | 2022-05-20 | 2023-02-27 | (주)플루토솔루션 | Wi-Fi 신호를 이용한 위치 정보 제공 장치 및 방법 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2018521311A (ja) * | 2015-05-22 | 2018-08-02 | 華為技術有限公司Huawei Technologies Co.,Ltd. | 人工ニューラルネットワークの測位性能を改善するための方法および装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102174530B1 (ko) | 2014-01-28 | 2020-11-05 | 현대엠엔소프트 주식회사 | 와이파이 핑거프린트 기반 실내측위 장치 및 방법 |
-
2018
- 2018-08-28 KR KR1020180101388A patent/KR102145717B1/ko active IP Right Grant
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2018521311A (ja) * | 2015-05-22 | 2018-08-02 | 華為技術有限公司Huawei Technologies Co.,Ltd. | 人工ニューラルネットワークの測位性能を改善するための方法および装置 |
Also Published As
Publication number | Publication date |
---|---|
KR20200024556A (ko) | 2020-03-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102145717B1 (ko) | 머신러닝을 이용한 실내 측위 방법 및 시스템 | |
Subedi et al. | Practical fingerprinting localization for indoor positioning system by using beacons | |
Elbakly et al. | A robust zero-calibration RF-based localization system for realistic environments | |
US10466348B2 (en) | Position acquisition method and apparatus | |
US20180089566A1 (en) | Method and apparatus for positioning of artificial neural network | |
US20170134899A1 (en) | Mitigating signal noise for fingerprint-based indoor localization | |
Hu et al. | A Zigbee-based localization algorithm for indoor environments | |
Adege et al. | Applying Deep Neural Network (DNN) for large-scale indoor localization using feed-forward neural network (FFNN) algorithm | |
KR102304466B1 (ko) | 실내 측위용 데이터베이스 구축, 실내 측위 방법 및 시스템 | |
CN104066175A (zh) | 基于WiFi的室内定位***及方法 | |
Marques et al. | A cost-effective trilateration-based radio localization algorithm using machine learning and sequential least-square programming optimization | |
JP6803412B2 (ja) | 位置検出システム、算出装置、プログラムおよび位置検出方法 | |
KR102207584B1 (ko) | 통합 측위 방법 및 장치 | |
Lee et al. | Automatic self-reconstruction model for radio map in Wi-Fi fingerprinting | |
Long et al. | The adaptive fingerprint localization in dynamic environment | |
Ghozali et al. | Indoor positioning system using regression-based fingerprint method | |
US12015966B2 (en) | Method and apparatus for sensor selection for localization and tracking | |
CN110636439B (zh) | 位置获取方法及装置 | |
US20220360940A1 (en) | Electronic device and operation method of electronic device determining location of electronic device | |
Xu et al. | Variance-based fingerprint distance adjustment algorithm for indoor localization | |
Ng et al. | Efficiency of applying virtual reference tag to neural network based RFID indoor positioning method | |
Zhao et al. | Robust Wi-Fi indoor localization with KPCA feature extraction of dual band signals | |
Firdaus et al. | Fingerprint indoor positioning based on user orientations and minimum computation time | |
KR20180083570A (ko) | 모바일 단말의 레인징 주기를 조절할 수 있는 실내 측위 방법 및 시스템 | |
Zhang et al. | Efficient BLE fingerprinting through UWB sensors for indoor localization |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A201 | Request for examination | ||
E902 | Notification of reason for refusal | ||
E701 | Decision to grant or registration of patent right | ||
GRNT | Written decision to grant |