KR102169291B1

KR102169291B1 - 측위모델구성장치 및 단말측위장치, 그 장치의 동작 방법

Info

Publication number: KR102169291B1
Application number: KR1020180113309A
Authority: KR
Inventors: 정민우
Original assignee: 에스케이텔레콤 주식회사
Priority date: 2018-09-20
Filing date: 2018-09-20
Publication date: 2020-10-23
Also published as: KR20200033694A

Abstract

본 발명은, 대규모의 Crowd Sourcing 데이터 즉 수집 데이터를 이용한 학습을 통해 새로운 형태의 측위모델을 구성하고, 이러한 측위모델을 기반으로 단말의 위치를 측정(추정)하는 새로운 방식의 측위 기법을 실현함으로써, 존의 패턴 매칭 기법이 갖는 한계를 해소할 수 있고 보다 상세하고 신뢰도 높은 측위 결과를 얻을 수 있는 기술에 관한 것이다.

Description

측위모델구성장치 및 단말측위장치, 그 장치의 동작 방법{POSITIONING MODEL GENERATION DEVICE AND TERMINAL POSITIONING DEVICE, CONTROL METHOD THEREOF}

본 발명은, 단말의 위치를 측정하는 측위 기술에 관한 것으로, 더욱 상세하게는 기존 측위 기법이 갖는 한계에서 벗어나, 보다 상세하고 신뢰도 높은 측위 결과를 얻을 수 있는 새로운 방식의 측위 기법을 제공하기 위한 것이다.

단말의 위치를 측정(추정)하는 측위 기술 중, 단말에서 측정된 (전파)신호를 이용하여 위치를 추정하는 기술은, 삼각 측량 기법과 패턴 매칭(Pattern Matching) 기법이 대표적이다.

삼각 측량 기법의 경우, AP 설치위치를 명확히 알고 있어야 하며 신호세기 감쇄와 거리 차가 비례하여야 정확도가 보장되는 기술로서, 실제로는 모든 AP 설치 위치를 알기 어렵고 기기/환경에 따라 동일 위치에서도 측정 신호세기 편차가 존재하기 때문에, 현실적인 제약이 많은 기법이다.

패턴 매칭 기법의 경우, AP 위치가 아닌 지점 별로 다수의 신호 데이터를 종합한 신호패턴(패턴 DB)을 생성해 두고, 패턴 매칭 알고리즘으로 단말에서 측정된 신호와 패턴 DB 내 신호패턴 간 유사성을 비교하여 위치를 계산하는 기술로서, 삼각 측량 기법이 갖는 현실적 제약을 극복할 수 있기 때문에, 주요한 측위 기술로 사용되어 왔다.

이러한 기존의 패턴 매칭 기법은, 단말의 측위 결과를 제공하기 위하여, 크게는 지점(격자 셀 단위) 별 신호패턴을 DB로 생성하는 과정, 단말에서 측정된 신호와 패턴 DB 내 신호패턴 간 유사성을 비교하는 과정, 비교 결과를 기반으로 측위 결과를 생성하는 과정으로 구분할 수 있다.

헌데, 기존의 패턴 매칭 기법에 따를 경우, DB 생성 과정에서 대표정보 추출을 위해 수집된 데이터가 가지고 있는 AP 정보, 기준점 등의 정보 소실이 발생하여 패턴 DB에 반영되지 못하는 경우(이하, 패턴 DB의 한계)가 생기며, 이렇게 되면 결국 측위 결과의 신뢰도가 떨어지는 문제로 이어질 수 있다.

또한, 기존의 패턴 매칭 기법에 따를 경우, 유사성 비교 과정에서 DB 내 신호패턴이라는 한정된 정보에만 의존하여 비교해야 하기 때문에 측위 결과의 신뢰도에 한계가 있으며, 또한 측위 결과 과정에서는 지점(격자 셀) 단위의 측위 결과를 생성하기 때문에 상세한 측위 결과를 얻기 어려운 한계가 있다.

이에, 본 발명에서는, 기존 측위 기법 대표적으로는 패턴 매칭 기법이 갖는 한계에서 벗어나, 보다 상세하고 신뢰도 높은 측위 결과를 얻을 수 있는 새로운 방식의 측위 기법을 실현하는 방안(기술)을 제안하고자 한다.

본 발명은 상기한 사정을 감안하여 창출된 것으로서, 본 발명에서 도달하고자 하는 목적은, 기존의 패턴 매칭 기법이 갖는 한계에서 벗어나, 보다 상세하고 신뢰도 높은 측위 결과를 얻을 수 있는 새로운 방식의 측위 기법을 실현하는 방안(기술)을 제공하는데 있다.

상기 목적을 달성하기 위한 본 발명의 제 1 관점에 따른 측위모델구성장치는, 다수의 단말로부터, 단말이 측정한 통신장치의 신호세기가 포함된 데이터를 수집하는 데이터수집부; 상기 수집된 다수의 수집 데이터를 이용하여 다수의 학습 데이터를 생성하는 학습데이터생성부; 및 상기 다수의 학습 데이터를 이용하여, 통신장치의 신호세기를 근거로 위치를 추정하기 위한 측위모델을 구성하는 측위모델구성부를 포함한다.

구체적으로, 상기 수집 데이터는, 상기 수집 데이터를 제공한 단말이 측정한 각 통신장치의 신호세기, 상기 단말의 위치 정보, 상기 위치 정보가 획득된 방식을 나타내는 획득방식 정보를 포함할 수 있다.

구체적으로, 상기 학습데이터생성부는, 상기 다수의 수집 데이터 중 기 정의된 필터링 정책에 따라 특정 수집 데이터를 필터링하고, 상기 필터링한 수집 데이터를 이용하여 다수의 학습 데이터를 생성할 수 있다.

구체적으로, 상기 필터링 정책은, 수집 데이터 내 포함된 이동형 통신장치와 관련된 정보를 제거하는 정책, 다수의 수집 데이터 중 이상 수집 건으로 판단되는 수집 데이터를 제거하는 정책, 다수의 수집 데이터 중 특정 방식으로 위치 정보가 획득된 단말로부터의 수집 데이터를 선별하는 정책 중 적어도 하나 또는 조합으로 정의될 수 있다.

구체적으로, 상기 학습데이터생성부는, 정의된 학습영역에 속하는 수집 데이터를 근거로 상기 학습영역 내 적어도 하나의 대표 통신장치를 선정하고, 상기 학습영역에 선정한 각 대표 통신장치에 인덱스(Index)를 정의하며, 상기 학습영역에 정의되는 학습 데이터의 포맷은, 위치 정보를 라벨(Label)로서 포함하고, 상기 각 대표 통신장치의 인덱스에 따른 순서대로 상기 각 대표 통신장치의 신호세기가 특성값으로서 나열되는 벡터(Vector)를 포함할 수 있다.

구체적으로, 상기 학습데이터생성부는, 상기 다수의 수집 데이터 각각에 대하여, 수집 데이터에 포함되어 있는 위치 정보 및 각 통신장치의 신호세기를 이용하여 수집 데이터가 속하는 학습영역에 정의된 포맷에 따른 학습 데이터를 생성할 수 있다.

구체적으로, 상기 측위모델구성부는, 위치의 위도 및 경도가 분리된 수식관계로 정의되거나 또는 학습 데이터 생성에 이용된 수집 데이터의 위치 정보 획득 방식에 따른 신뢰성가중치가 반영되는 수식으로 정의되는 특정 학습손실함수(Loss function) 및 상기 다수의 학습데이터를 이용하여, 지도 학습(Supervised learning)을 통해 상기 측위모델을 구성할 수 있다.

상기 목적을 달성하기 위한 본 발명의 제 2 관점에 따른 단말측위장치는, 단말로부터의 측위 요청 수신 시, 상기 측위 요청에 포함된 특정 통신장치의 신호세기를 이용하여 입력값을 생성하는 요청변환부; 및 다수의 학습 데이터를 이용하여 위치 추정을 위해 구성된 측위모델을 기반으로, 상기 입력값에 대하여 추정되는 결과값을 상기 단말에 대한 측위 결과로 제공하는 측위수행부를 포함한다.

구체적으로, 상기 입력값은, 상기 특정 통신장치 각각에 정의된 인덱스에 따른 순서대로, 상기 특정 통신장치 각각의 신호세기가 특성값으로서 나열되는 벡터(Vector)일 수 있다.

구체적으로, 상기 측위수행부는, 상기 측위 요청 및 상기 결과값 중 적어도 하나를 이용하여 기 정의된 신뢰조건을 만족하지는 여부를 판단하고, 상기 신뢰조건을 만족하는 경우 상기 결과값을 상기 단말에 대한 측위 결과로 제공하며, 상기 신뢰조건을 불 만족하는 경우, 상기 측위 요청에 대하여 별도의 측위 기법을 통해 추정된 결과값을 상기 단말에 대한 측위 결과로 제공할 수 있다.

구체적으로, 상기 신뢰조건은, 상기 결과값에 따른 위치가 상기 측위모델 구성 시 정의된 학습영역의 경계면으로부터 일정 범위 이내에 속하는 경우 만족되는 조건, 상기 측위 요청에 포함된 전체 통신장치 중 상기 결과값에 따른 위치의 학습영역에서 상기 측위모델 구성 시 이용한 통신장치와 일치하는 개수 또는 비율이 일정 개수 또는 비율 이상인 경우 만족되는 조건 중 적어도 하나를 포함할 수 있다.

상기 목적을 달성하기 위한 본 발명의 제 3 관점에 따른 측위모델구성장치의 동작 방법은, 다수의 단말로부터, 단말이 측정한 통신장치의 신호세기가 포함된 데이터를 수집하는 데이터수집단계; 상기 수집된 다수의 수집 데이터를 이용하여 다수의 학습 데이터를 생성하는 학습데이터생성단계; 및 상기 다수의 학습 데이터를 이용하여, 통신장치의 신호세기를 근거로 위치를 추정하기 위한 측위모델을 구성하는 측위모델구성단계를 포함한다.

구체적으로, 상기 학습데이터생성단계는, 상기 다수의 수집 데이터 중 기 정의된 필터링 정책에 따라 특정 수집 데이터를 필터링하고, 상기 필터링한 수집 데이터를 이용하여 다수의 학습 데이터를 생성할 수 있다.

구체적으로, 상기 학습데이터생성단계는, 정의된 학습영역에 속하는 수집 데이터를 근거로 상기 학습영역 내 적어도 하나의 대표 통신장치를 선정하고, 상기 학습영역에 선정한 각 대표 통신장치에 인덱스(Index)를 정의하며, 상기 학습영역에 정의되는 학습 데이터의 포맷은, 위치 정보를 라벨(Label)로서 포함하고, 상기 각 대표 통신장치의 인덱스에 따른 순서대로 상기 각 대표 통신장치의 신호세기가 특성값으로서 나열되는 벡터(Vector)를 포함할 수 있다.

구체적으로, 상기 학습데이터생성단계는, 상기 다수의 수집 데이터 각각에 대하여, 수집 데이터에 포함되어 있는 위치 정보 및 각 통신장치의 신호세기를 이용하여 수집 데이터가 속하는 학습영역에 정의된 포맷에 따른 학습 데이터를 생성할 수 있다.

구체적으로, 상기 측위모델구성단계는, 위치의 위도 및 경도가 분리된 수식관계로 정의되거나 또는 학습 데이터 생성에 이용된 수집 데이터의 위치 정보 획득 방식에 따른 신뢰성가중치가 반영되는 수식으로 정의되는 특정 학습손실함수(Loss function) 및 상기 다수의 학습데이터를 이용하여, 지도 학습(Supervised learning)을 통해 상기 측위모델을 구성할 수 있다.

상기 목적을 달성하기 위한 본 발명의 제 4 관점에 따른 단말측위장치의 동작 방법은, 단말로부터의 측위 요청 수신 시, 상기 측위 요청에 포함된 특정 통신장치의 신호세기를 이용하여 입력값을 생성하는 요청변환단계; 및 다수의 학습 데이터를 이용하여 위치 추정을 위해 구성된 측위모델을 기반으로, 상기 입력값에 대하여 추정되는 결과값을 상기 단말에 대한 측위 결과로 제공하는 측위수행단계를 포함한다.

구체적으로, 상기 측위수행단계는, 상기 측위 요청 및 상기 결과값 중 적어도 하나를 이용하여 기 정의된 신뢰조건을 만족하지는 여부를 판단하고, 상기 신뢰조건을 만족하는 경우 상기 결과값을 상기 단말에 대한 측위 결과로 제공하며, 상기 신뢰조건을 불 만족하는 경우, 상기 측위 요청에 대하여 별도의 측위 기법을 통해 추정된 결과값을 상기 단말에 대한 측위 결과로 제공할 수 있다.

이에, 본 발명에 따른 측위모델구성장치 및 단말측위장치, 그 장치의 동작 방법에 의하면, 수집 데이터를 이용한 학습을 통해 측위모델을 구성 및 측위모델을 기반으로 단말의 위치를 측정(추정)하는 새로운 방식의 측위 기법을 실현할 수 있다.

이로 인해, 본 발명에 따르면, 기존의 패턴 매칭 기법이 갖는 한계를 해소할 수 있고 더 나아가 상시 변하는 전파환경을 측위모델에 반영할 수 있기 때문에, 보다 상세하고 신뢰도 높은 측위 결과를 얻을 수 있는 효과를 도출한다.

도 1은 기존의 측위 기법 및 본 발명의 신규 측위 기법을 비교하는 개념도이다.
도 2는 본 발명의 실시예에 따른 신규 측위 기법이 실현되는 환경을 보여주는 예시도이다.
도 3은 본 발명의 실시예에 따른 측위모델구성장치의 구성을 보여주는 예시도이다.
도 4는 본 발명의 실시예에 따른 단말측위장치의 구성을 보여주는 예시도이다.
도 5는 본 발명의 실시예에 따른 측위모델구성장치의 동작 방법을 보여주는 흐름도이다.
도 6은 본 발명의 실시예에 따른 단말측위장치의 동작 방법을 보여주는 흐름도이다.

이하, 첨부된 도면을 참조하여 본 발명의 실시예에 대하여 설명한다.

도 1에는 기존의 패턴 매칭 기법(좌측)에 따라 단말의 측위 결과를 개념적으로 도시하고 있다.

패턴 매칭 기법의 경우, AP 위치가 아닌 지점(격자 셀) 별로 다수의 신호 데이터를 종합한 신호패턴(패턴 DB)을 생성해 두는 것을 기본으로 한다.

이에, 패턴 매칭 기법의 경우, 단말로부터의 측위 요청 시, 패턴 매칭 알고리즘으로 단말에서 측정된 신호와 패턴 DB 내 신호패턴 간 유사성을 비교하여 Best 격자 셀이 선정되면, Best 격자 셀에 대한 가중치 계산을 통해 단말의 위치치를 계산하는 기술이다.

이처럼, 패턴 매칭 기법의 경우, 기존의 삼각 측량 기법이 갖는 현실적 제약을 극복할 수 있기 때문에, 주요한 측위 기술로 사용되어 왔다.

기존의 패턴 매칭 기법은, 단말의 측위 결과를 제공하기 위하여, 크게는 지점(격자 셀 단위) 별 신호패턴을 DB로 생성하는 과정, 단말에서 측정된 신호와 패턴 DB 내 신호패턴 간 유사성을 비교하는 과정, 비교 결과를 기반으로 측위 결과를 생성하는 과정으로 구분할 수 있다.

또한, 기존의 패턴 매칭 기법에 따를 경우, 유사성 비교 과정에서 DB 내 신호패턴이라는 한정된 정보에만 의존하여 비교해야 하기 때문에 측위 결과의 신뢰도에 한계가 있으며, 또한 측위 결과 과정에서는 지점(격자) 단위의 측위 결과를 생성하기 때문에 상세한 측위 결과를 얻기 어려운 한계가 있다.

보다 구체적으로, 도 1에 우측에 도시된 바와 같이, 본 발명에서는 대규모의 수집 데이터를 이용한 기계학습(예: Deep Learning) 기반의 새로운 측위 기법(도 1의 우측)을 실현하고자 한다.

도 2는, 본 발명의 실시예에 따른 신규 측위 기법이 실현되는 환경(이하, 측위시스템)을 여주고 있다.

도 2에 도시된 바와 같이, 본 발명의 측위 시스템에서는, 다수의 단말로부터 수집되는 대규모의 데이터(이하, 수집 데이터)를 학습 데이터화 하여 측위모델을 구성하는 측위모델구성장치(100)와, 단말로부터의 측위 요청 시 측위모델을 기반으로 단말의 위치를 추정/제공하는 단말측위장치(200)를 포함할 수 있다.

이하에서는 도 3 및 도 4를 참조하여, 본 발명의 새로운 측위 기법을 실현하기 위한 측위모델구성장치(100) 및 단말측위장치(200)를 구체적으로 설명하겠다.

먼저, 도 3을 참조하여, 본 발명의 실시예에 따른 측위모델구성장치(100)는, 데이터수집부(110), 학습데이터생성부(120), 측위모델구성부(130)을 포함할 수 있다.

더 나아가 본 발명의 실시예에 따른 측위모델구성장치(100)는, 전술한 구성 이외에, 데이터를 제공하는 단말 및 단말 측위를 수행하는 단말측위장치(200)와의 실질적인 통신 기능을 담당하는 통신부(140)의 구성을 더 포함할 수 있다.

여기서, 통신부(140)는 예컨대, 안테나 시스템, RF 송수신기, 하나 이상의 증폭기, 튜너, 하나 이상의 발진기, 디지털 신호 처리기, 코덱(CODEC) 칩셋, 및 메모리 등을 포함하지만 이에 제한되지는 않으며, 이 기능을 수행하는 공지의 회로는 모두 포함할 수 있다.

이러한 측위모델구성장치(100)의 구성 전체 내지는 적어도 일부는 하드웨어 모듈 형태 또는 소프트웨어 모듈 형태로 구현되거나, 하드웨어 모듈과 소프트웨어 모듈이 조합된 형태로도 구현될 수 있다.

여기서, 소프트웨어 모듈이란, 예컨대, 측위모델구성장치(100) 내에서 연산을 제어하는 프로세서에 의해 실행되는 명령어로 이해될 수 있으며, 이러한 명령어는 측위모델구성장치(100) 내 메모리에 탑재된 형태를 가질 수 있을 것이다.

결국, 본 발명의 실시예에 따른 측위모델구성장치(100)는 전술한 구성을 통해, 본 발명에서 제안하는 신규 측위 기법을 실현하며, 이하에서는 이를 실현하기 위한 측위모델구성장치(100) 내 각 구성에 대해 보다 구체적으로 설명하기로 한다.

데이터수집부(110)는, 다수의 단말로부터, 단말이 측정한 통신장치의 신호세기가 포함된 데이터를 수집한다.

즉, 데이터수집부(110)는, 측위모델 구성에 학습/이용될 수집 데이터를 제공하는 다수의 단말로부터, 단말이 측정한 통신장치(이하, Access Point(AP))의 신호세기(예: WiFi 신호세기)가 포함된 데이터를 수집함으로써, 대규모의 수집 데이터를 수집할 수 있다.

여기서, 단말로부터 수집되는 데이터 즉 수집 데이터는, 학습에 필요한 최소한의 정보를 포함해야 할 것이다.

구체적으로, 수집 데이터는, 수집 데이터를 제공한 단말이 측정한 각 통신장치의 신호세기, 단말의 위치 정보, 위치 정보가 획득된 방식을 나타내는 획득방식 정보를 포함할 수 있다.

예를 들면, 단말1로부터 수집되는 수집 데이터는, 단말1이 측정한 각 AP의 식별자(예: AP Mac, SSID 등) 및 이와 맵핑된 신호세기(예: WiFi RSSI), 단말1이 신호세기를 측정한 시점의 위치 정보(예: 위경도), 위치 정보가 획득된 방식을 나타내는 획득방식 정보(예: GPS 방식, 자동 Scan장치 방식 등)를 포함할 수 있다.

그리고, 전술과 같은 수집 데이터를 제공하는 다수의 단말은, 불특정의 단말로서, 각 단말 별로 주기마다 통신장치 즉 AP의 신호세기를 측정 및 수집 데이터를 제공할 수 있고, 또는 별도의 서버장치(예: 측위모델구성장치(100))의 제어에 따라 AP의 신호세기를 측정 및 수집 데이터를 제공할 수도 있다.

학습데이터생성부(120)는, 데이터수집부(110)에서 수집된 다수의 수집 데이터를 이용하여 다수의 학습 데이터를 생성한다.

달리 말하면, 학습데이터생성부(120)는, 데이터수집부(110)에서 수집된 대규모의 수집 데이터를 이용하여, 측위모델 구성에 학습/이용할 수 있는 형태의 학습 데이터를 생성하는 것이다.

보다 구체적으로 설명하면, 학습데이터생성부(120)는, 데이터수집부(110)에서 수집된 다수(대규모)의 수집 데이터 중, 기 정의된 필터링 정책에 따라 신뢰도 높은 수집 데이터를 필터링할 수 있다.

본 발명의 경우, 대규모의 수집 데이터를 이용하여 측위모델을 구성하게 되는데, 수집 데이터에 포함되는 AP의 신호세기(예: WiFi 신호세기)는 AP의 신규 설치, 설치 이전, 제거 등에 따른 변동성이 존재하는 정보이기 때문에, 지속적으로 새로운 데이터 수집 및 이를 이용한 측위모델 구성이 이루어져야 하므로 수동 수집에 의존한다면 천문학적인 유지비용으로 인하여 지속 가능한 방법이 되기 어렵다.

따라서, 본 발명의 경우, 불특정의 다수 단말로부터 수집되는 수집 데이터 즉 Crowd Sourcing 데이터를 사용하고 있다.

헌데, Crowd Sourcing 데이터를 기계학습에 이용하게 되는 경우, 참 값에 오차분을 포함하게 되어 학습결과에 영향을 주게 된다.

이 점을 감안하여, 본 발명에서는, 불특정의 다수 단말로부터 수집한 대규모의 수집 데이터 중 신뢰도가 높은 수집 데이터를 필터링하는 구성을 선행함으로써, 측위모델 구성에 학습/이용할 수집 데이터를 정제하여 학습결과에 미치는 오차를 최소화하는 것이다.

구체적으로, 대규모의 수집 데이터 중 신뢰도가 높은 수집 데이터를 필터링하기 위한 필터링 정책은, 수집 데이터 내 포함된 이동형 통신장치와 관련된 정보를 제거하는 정책1, 다수의 수집 데이터 중 이상 수집 건으로 판단되는 수집 데이터를 제거하는 정책2, 다수의 수집 데이터 중 특정 방식으로 위치 정보가 획득된 단말로부터의 수집 데이터를 선별하는 정책3 중 적어도 하나 또는 조합으로 정의될 수 있다.

일 예에 따르면, 학습데이터생성부(120)는, 데이터수집부(110)에서 수집된 다수(대규모)의 수집 데이터 중, 필터링 정책1에 따라 이동형 통신장치 즉 이동형 AP와 관련된 정보를 제거하는 필터링을 수행할 수 있다. 즉, 이동형 AP으로 인한 오차분을 최소화하기 위한 필터링을 수행하는 것이다.

예를 들면, 단말1로부터 수집되는 수집 데이터에는, 단말1이 측정한 각 AP1,2,3의 식별자 및 이와 맵핑된 신호세기, 위치 정보, 획득방식 정보가 포함된 상황을 가정하고, AP1,2,3 중 AP1이 이동형 AP라고 가정할 수 있다.

이 경우, 학습데이터생성부(120)는, 다수(대규모)의 수집 데이터에 속하는 단말1의 수집 데이터에서, 필터링 정책1에 따라 이동형 AP로 식별되는 AP1과 관련된 정보(예: AP1의 식별자 및 신호세기)를 제거할 수 있다.

이렇게 되면, 필터링된 단말1의 수집 데이터에는, 단말1이 측정한 각 AP2,3의 식별자 및 이와 맵핑된 신호세기, 위치 정보, 획득방식 정보가 포함될 것이다.

이때, 이동형 AP를 식별하는 방식은, 다양하게 실현 가능하며, 다만 일 예를 들면 AP 별로 분석되는 이동성을 근거로 식별할 수 있고 또는 고정형 또는 이동형으로 사전 구분된 AP 식별자를 근거로 식별할 수도 있다.

또 다른 예에 따르면, 학습데이터생성부(120)는, 데이터수집부(110)에서 수집된 다수(대규모)의 수집 데이터 중, 필터링 정책2에 따라 이상 수집 건으로 판단되는 수집 데이터를 제거하는 필터링을 수행할 수 있다. 즉, 이상 수집 건으로 인한 오차분을 최소화하기 위한 필터링을 수행하는 것이다.

예를 들면, 단말1로부터 수집되는 수집 데이터에는, 단말1이 측정한 각 AP1,2,3의 식별자 및 이와 맵핑된 신호세기, 위치 정보, 획득방식 정보가 포함된 상황을 가정하고, 단말 단위의 수집 데이터를 수집 건으로 이해할 수 있다.

이 경우, 학습데이터생성부(120)는, 다수(대규모)의 수집 데이터에 대하여, 수집 건 별로 수집 데이터 내 AP 식별자 및 위치 정보를 비교하여 이상 수집 건을 판단할 수 있다.

이때 이상 수집 건의 판단 기준은, 위치 정보 기반으로 클러스터링(Clustering)되는 수집 건 중 (전파)신호 측정이 불가능한 AP의 식별자가 포함되거나 반드시 포함되어야 하는 AP의 식별자가 미 포함되는 경우로 정의될 수 있고, 이 외에도 수집 데이터 내 AP 식별자 및 위치 정보를 비교하여 이상 수집 건을 판단할 수 있는 기준이라면 어떠한 형태로도 정의될 수 있을 것이다.

또는, 학습데이터생성부(120)는, 다수(대규모)의 수집 데이터에 대하여, 사전 구분된 비정상 AP 식별자를 근거로 수집 데이터 내 AP 식별자가 비정상 AP 식별자인 이상 수집 건을 판단할 수 있다.

이에, 학습데이터생성부(120)는, 필터링 정책2에 따라, 다수(대규모)의 수집 데이터 중 단말1의 수집 데이터가 이상 수집 건으로 판단되는 경우, 이상 수집 건으로 판단된 단말1의 수집 데이터를 제거할 수 있다.

또 다른 예에 따르면, 학습데이터생성부(120)는, 데이터수집부(110)에서 수집된 다수(대규모)의 수집 데이터 중, 필터링 정책3에 따라 특정 방식으로 위치 정보가 획득된 단말로부터의 수집 데이터를 선별하는 필터링을 수행할 수 있다.

즉, 측정 시점 위치(수집점)의 정확도를 근거로 참 값일 가능성이 높은 수집 건만을 선별함으로써 오차분을 최소화하기 위한 필터링을 수행하는 것이다.

예를 들어, 수집 데이터를 제공하는 다수의 단말은, GPS 방식, 자동 Scan장치 방식 등을 비롯한 다양한 방식으로 위치 정보를 획득할 수 있다고 가정한다. 그리고, 다양한 위치 정보 획득방식 중, GPS 방식, 자동 Scan장치 방식을 수집점의 정확도가 높은 특정 방식으로 기 설정된다고 가정할 수 있다.

이 경우, 학습데이터생성부(120)는, 다수(대규모)의 수집 데이터 중, 수집 데이터 내 획득방식 정보가 특정 방식으로 설정된 GPS 방식 또는 자동 Scan장치 방식인 수집 데이터를 선별할 수 있다.

학습데이터생성부(120)는, 전술과 같이 필터링 정책에 따라 필터링한 수집 데이터를 이용하여, 다수의 학습 데이터를 생성할 수 있다.

이하에서는, 수집 데이터를 이용하여 학습 데이터를 생성하는 구성에 대하여 구체적으로 설명하겠다.

학습데이터생성부(120)는, 정의된 학습영역에 속하는 수집 데이터를 근거로 학습영역 내 적어도 하나의 대표 통신장치(이하, 대표 AP)를 선정하고, 학습영역에 선정한 각 대표 AP에 인덱스(Index)를 정의할 수 있다.

구체적으로, 본 발명에서는, 수집 데이터를 이용하여 기계학습이 이루어질 영역을 정의할 수 있고, 학습영역으로 정의한다.

여기서, 각 학습영역은, 수집 데이터를 수집할 수 있는 영역, 서비스 제공 범위, 기계학습 시 HW 성능 등을 고려한 크기로 각기 정의될 수 있으며, 추후 설명할 각 측위영역과 대응된다.

그리고, 각 학습영역은, 경계영역 정보의 형태로 표현될 수 있으며, 예를 들면 도 1의 우측에 도시된 바와 같이 사각형 형태의 격자 셀(예: 00km * 00km)로 정의될 수 있고 또는 서울, OO구 등 특정지역의 경계로 정의될 수 있다.

이하에서는, 설명의 편의 상, 각 학습영역은 격자 셀로 정의되는 것으로 가정하고, 각 학습영역 중 하나의 학습영역(이하, 학습영역15 _ 00km * 00km)을 언급하여 설명하겠다.

학습데이터생성부(120)는, 정의된 학습영역 즉 학습영역15에 속하는 수집 데이터를 근거로, 학습영역15 내 적어도 하나의 대표 AP를 선정한다.

즉, 학습데이터생성부(120)는, 필터링한 수집 데이터 중, 위치정보가 학습영역15에 속하는 수집 데이터를 근거로, 학습영역15 내 대표 AP를 선정하는 것이다.

대표 AP 선정 방식은, 학습영역15 내에서의 수집 일자, 수집 빈도, 신호세기 등을 기준으로 정의된 선정 방식에 따라 선정 가능하며, 이러한 선정 방식은 대표성을 판단할 수 있다면 어떠한 형태로도 정의될 수 있을 것이다.

학습데이터생성부(120)는, 학습영역15 내 대표 AP를 선정하면, 학습영역 15에 선정한 각 대표 AP에 인덱스(Index)를 정의할 수 있다.

만약, 학습영역15 내 대표 AP를 9개 선정한 경우라면, 학습데이터생성부(120)는, 9개의 대표 AP 각각의 식별자(예: AP Mac, SSID 등)와는 별개로 학습영역15에서만 유효한 각 인덱스(Index)를 정의하는 것이다.

이렇게 학습데이터생성부(120)에 의해 학습영역15의 대표 AP 및 대표 AP의 인덱스가 정의되면, 학습영역15에는 이에 따른 학습 데이터의 포맷이 정의된다.

즉, 학습영역15에 정의되는 학습 데이터의 포맷은, 위치 정보를 라벨(Label)로서 포함하고, 각 대표 AP의 인덱스에 따른 순서대로 각 대표 AP의 신호세기가 특성값으로서 나열되는 벡터(Vector)를 포함하도록 정의될 수 있다.

따라서, 학습영역15에 정의되는 학습 데이터는, 위치 정보(예: 위경도)가 포함될 라벨과 9개의 대표 AP 각각의 신호세기가 AP의 인덱스 순서 위치에 특성값으로 나열(포함)되는 벡터의 형태를 가질 것이다.

이렇게, 학습데이터생성부(120)는, 학습영역15를 비롯한 각 학습영역 별로 대표 AP 및 대표 AP의 인덱스를 정의하여, 각 학습영역 별로 학습 데이터의 포맷을 정의할 수 있다.

학습데이터생성부(120)는, 수집 데이터(필터링된 수집 데이터) 각각에 대하여, 수집 데이터에 포함되어 있는 위치 정보 및 각 AP의 신호세기를 이용하여 수집 데이터가 속하는 학습영역에 정의된 포맷에 따른 학습 데이터를 생성할 수 있다.

예를 들어, 수집 데이터(필터링된 수집 데이터) 중, 위치정보(예: 위경도)가 학습영역15에 속하는 하나의 수집 데이터를 가정하고, 이 수집 데이터에는 총 10개의 AP에 대한 신호세기가 포함되며, 10개의 AP 중 7개의 AP만 학습영역15의 대표 AP에 해당되고 이들 7개의 AP(대표 AP)에 기 정의된 인덱스가 AP1,2,3,5,6,7,8이라고 가정하겠다.

이 경우, 학습데이터생성부(120)는, 위 하나의 수집 데이터를 이용하여, 수집 데이터의 위치정보(예: 위경도)를 라벨로 포함하고, 수집 데이터 내 10개의 AP 중 7개의 각 대표 AP에 대한 신호세기를 각 대표 AP의 인덱스 순서 위치(1,2,3,5,6,7,8)에 특성값으로 나열하고 수집 데이터 내 포함되지 않은 2개의 대표 AP의 인덱스 순서 위치(4,9)는 "0"값으로 나열한 벡터를 포함하는 포맷의 학습 데이터를 생성할 수 있다.

이렇게, 학습데이터생성부(120)는, 학습영역15를 비롯한 각 학습영역 별로, 학습영역에 속하는 다수의 수집 데이터(필터링된 수집 데이터)를 이용하여 학습영역에 정의된 포맷의 학습 데이터들을 생성할 수 있다.

더 나아가, 학습데이터생성부(120)는, 다수의 수집 데이터(필터링된 수집 데이터)를 이용하여 각 학습 데이터를 생성할 때, 후술에서 이용할 신뢰성가중치(w)를 각 학습 데이터에 맵핑해 둘 수 있다.

예를 들면, 앞서 설명과 같이 수집 데이터에는 위치 정보 획득방식이 포함되므로, 수집 데이터를 이용하여 학습 데이터를 생성하는 과정에서 학습데이터생성부(120)는, 수집 데이터 내 위치 정보 획득방식을 근거로 정확도가 높은 방식일수록 큰 값의 신뢰성가중치(w)를 부여하도록 정의된 가중치정책에 따라 신뢰성가중치(w)를 부여/맵핑시킬 수 있다.

학습 데이터에 생성 시 이용된 수집 데이터를 근거로 신뢰성가중치(w)를 부여/맵핑시키는 시점은, 학습 데이터를 생성하는 과정으로 한정되지는 않을 것이다.

한편, 더 나아가, 학습데이터생성부(120)는, 전술과 같이 필터링한 수집 데이터 외에도 기존의 패턴 매칭 기법에서 생성/이용되는 패턴 DB 내 정보 역시 수집 데이터로서 이용하여, 전술과 같은 과정을 거쳐 다수의 학습 데이터를 생성할 수 있다.

이 경우, 학습데이터생성부(120)는, 패턴 DB 내 정보를 근거로 한 수집 데이터로부터 생성한 학습 데이터에는, 가중치정책에 따라 부여하도록 정의된 신뢰성가중치(w)를 부여/맵핑할 수 있을 것이다.

측위모델구성부(130)는, 학습데이터생성부(120)에서 생성되는 다수의 학습 데이터를 이용하여, 통신장치 즉 AP의 신호세기를 근거로 위치를 추정하기 위한 측위모델을 구성한다.

즉, 측위모델구성부(130)는, 학습데이터생성부(120)에서 생성되는 다수의 학습 데이터를 이용한 기계학습(예: Deep Learning)을 통해, AP의 신호세기를 입력값으로 사용하여 위치를 추정하기 위한 측위모델을 구성하는 것이다.

보다 구체적으로 설명하면, 본 발명에서는, 기계학습 과정에서, 위도 및 경도가 분리된 수식관계로 정의되거나 또는 학습 데이터 생성에 이용된 수집 데이터의 위치 정보 획득 방식에 따른 신뢰성가중치가 반영되는 수식으로 정의되는 특정 학습손실함수(Loss function)를 이용할 수 있다.

학습손실함수(Loss function)은, Backward Propagation(오차역전파법) 계산 기반의 기계학습 기술에서 이용되는 함수로서, 모델을 통해 예측되는 결과값과 실제 결과값 간의 편차를 나타낸다.

이에, 본 발명에서 정의하는 학습 데이터 즉 벡터를 입력값, 라벨로 표현된 위치정보(예: 위경도)를 실제 결과값으로 이용하는 기계학습(예: Deep Learning)을 통해, 학습손실함수(Loss function)의 편차가 0이 되는 측위모델을 구성할 수 있다.

본 발명에서는 AP의 신호세기를 입력값으로 사용하는 측위모델을 구성하게 되는데, 이를 위한 일반적인 학습손실함수(Loss function)는 다음의 수학식1로 정의할 수 있다.

여기서 X,

는 위도에 해당되는 값(예측 결과값, 라벨로 표현된 위치정보 내 위도값)을 의미하고 Y,

는 경도에 해당되는 값(예측 결과값, 라벨로 표현된 위치정보 내 경도값)을 의미한다.

헌데, 일반적인 수학식 1의 학습손실함수(L)의 경우, 위도(혹은 경도)에 편차(오차)가 없는 경우라도, 경도의 편차가 크다면 위도에만 영향을 주는 값들도 경도의 편차 분이 반영/학습되는 문제가 발생할 수 있다.

이러한 문제를 해결하기 위해, 본 발명의 일 실시예에 따르면, 위도 및 경도를 분리된 수식관계로 갖는 학습손실함수(Loss function)를 정의할 수 있고, 수학식 2는 이와 같이 정의한 학습손실함수(L)를 나타낸다.

위 수학식 2에 따른 학습손실함수(L)는, 위경도 각각을 산출하는 수식관계를 분리하여 각 축의 값이 상이한 경우 받지 않아도 될 영향(편차 분)을 제외시키도록 정의되는 것을 알 수 있다.

또는 위 문제를 해결하기 위해, 본 발명의 다른 실시예에 따르면, 학습 데이터 생성에 이용된 수집 데이터의 위치 정보 획득 방식에 따른 신뢰성가중치가 반영되는 학습손실함수(Loss function)를 정의할 수 있고, 수학식 3은 이와 같이 정의한 학습손실함수(L)를 나타낸다.

위 수학식 3에 따른 학습손실함수(L)는, 신뢰성가중치(weight, w)를 수식에 결합하여 위치 정보가 획득된 방식에 따라 정확도가 높은 방식일수록 큰 값의 신뢰성가중치(w)를 반영함으로써, 신뢰성 있는 수집 건의 결과가 가지는 가지는 Loss에서의 비중을 조절할 수 있도록 정의되는 것을 알 수 있다.

이에, 측위모델구성부(130)는, 위와 같이 정의한 학습손실함수(L) 및 학습데이터생성부(120)에서 생성되는 다수의 학습 데이터를 이용한 기계학습(예: Deep Learning)을 통해, AP의 신호세기를 입력값으로 사용하여 위치를 추정하기 위한 측위모델을 구성한다.

일 예에 따르면, 측위모델구성부(130)는, 위와 같이 정의한 학습손실함수(L) 및 학습데이터생성부(120)에서 생성되는 다수의 학습 데이터를 이용하여, 지도 학습(Supervised learning)을 통해 측위모델을 구성할 수 있다.

물론, 측위모델구성부(130)는, 지도 학습(Supervised learning) 외에도, 학습 수렴을 위한 기계학습의 알려진 다양한 기법을 활용하여, AP의 신호세기를 입력값으로 사용하여 위치를 추정하기 위한 측위모델을 구성할 수 있다.

이상 설명한 바와 같이, 본 발명의 측위모델구성장치에 의하면, 대규모의 Crowd Sourcing 데이터 즉 수집 데이터를 학습영역 별로 학습 데이터화할 수 있는 새로운 학습 데이터 포맷(라벨/인덱스 기반 벡터)을 정의하고, 이를 기반으로 AP의 신호세기를 입력값으로 하여 위치 추정이 가능한 새로운 형태의 측위모델을 구성할 수 있다.

그리고, 본 발명의 측위모델구성장치(100)은, 전술과 같이 구성한 측위모델을 측위수행장치(200)에 배포하거나 측위수행장치(200)과 연동하여 측위모델을 사용할 수 있도록 한다.

본 발명의 측위모델구성장치(100)은, 전술의 데이터 수집, 학습 데이터화 및 측위모델 구성의 동작을, 주기적으로 또는 신규 수집 데이터(수집 건)을 기반으로 한 업데이트 조건이 만족되는 경우, 반복하여 새로운 측위모델을 구성할 수 있다.

이하에서는, 도 4를 참조하여, 본 발명의 실시예에 따른 단말측위장치(200)를 구체적으로 설명하겠다.

본 발명의 실시예에 따른 단말측위장치(200)는, 요청변환부(210), 측위수행부(220)를 포함할 수 있다.

더 나아가 본 발명의 실시예에 따른 단말측위장치(200)는, 전술한 구성 이외에, 측위 요청하는 단말 및 본 발명의 측위모델을 구성한 측위모델구성장치(100)와의 실질적인 통신 기능을 담당하는 통신부(230)의 구성을 더 포함할 수 있다.

여기서, 통신부(230)는 예컨대, 안테나 시스템, RF 송수신기, 하나 이상의 증폭기, 튜너, 하나 이상의 발진기, 디지털 신호 처리기, 코덱(CODEC) 칩셋, 및 메모리 등을 포함하지만 이에 제한되지는 않으며, 이 기능을 수행하는 공지의 회로는 모두 포함할 수 있다.

이러한 단말측위장치(200)의 구성 전체 내지는 적어도 일부는 하드웨어 모듈 형태 또는 소프트웨어 모듈 형태로 구현되거나, 하드웨어 모듈과 소프트웨어 모듈이 조합된 형태로도 구현될 수 있다.

결국, 본 발명의 실시예에 따른 단말측위장치(200)는 전술한 구성을 통해, 본 발명에서 제안하는 신규 측위 기법을 실현하며, 이하에서는 이를 실현하기 위한 단말측위장치(200) 내 각 구성에 대해 보다 구체적으로 설명하기로 한다.

먼저, 본 발명의 실시예에 따른 단말측위장치(200)는, 측위모델구성장치(100)에 의해 구성된 본 발명의 측위모델을 기 배포받아 사용할 수 있고, 측위모델구성장치(100)와의 연동을 기반으로 측위모델을 사용할 수 있다.

아울러, 본 발명에서는, 측위모델을 기반으로 하는 측위 수행을 위한 측위영역을 정의할 수 있고, 이러한 각 측위영역은 측위모델 시 정의한 학습영역과 동일하게 대응될 수 있다.

요청변환부(210)는, 단말로부터의 측위 요청 수신 시, 측위 요청에 포함된 특정 통신장치(이하, Access Point(AP))의 신호세기(예: WiFi 신호세기)를 이용하여 입력값을 생성한다.

여기서, 입력값은 후술의 측위수행부(220)에서 위치 추정을 위해 사용하는 측위모델에 입력하기 위한 값을 의미한다.

이러한 입력값은, 특정 통신장치 각각에 정의된 인덱스에 따른 순서대로, 상기 특정 통신장치 각각의 신호세기가 특성값으로서 나열되는 벡터(Vector)인 것이 바람직하다.

구체적으로, 단말로부터의 측위 요청에는, 단말이 측정한 통신장치 즉 각 AP의 식별자(예: AP Mac, SSID 등) 및 이와 맵핑된 신호세기(예: WiFi RSSI)가 포함되어 있을 것이다.

이에, 요청변환부(210)는, 측위 요청에 포함된 각 AP의 식별자(예: AP Mac, SSID 등)를 근거로, 측위모델의 각 측위영역(각 학습영역) 중 어떤 측위영역에 해당되는 측위 요청인지 확인할 수 있다.

예를 들면, 측위모델의 각 측위영역(각 학습영역) 별로 선정되어 있는 대표 AP를 기반으로, 금번 측위 요청에 포함된 각 AP와 대표 AP가 일치하는 개수가 가장 많은 측위영역을 확인할 수 있고, 또는 금번 측위 요청에 포함된 각 AP와 대표 AP가 일치하는 비율이 기 정해진 확인비율 이상인 측위영역을 확인할 수 있다.

이하에서는, 설명의 편의 상, 금번 측위 요청에 대하여 확인한 측위영역으로서 측위모델 생성 시의 학습영역15를 언급하여 설명하겠다.

이 경우, 입력값 생성 시 이용하는 특정 통신장치는, 확인한 측위영역(학습영역15와 동일)에 대해 선정되어 있는 대표 AP를 의미한다.

요청변환부(210)는, 금번 측위 요청에 대하여 확인한 측위영역(학습영역15와 동일)에 정의된 포맷의 벡터, 즉 측위영역(학습영역15와 동일)의 대표 AP의 각각에 정의된 인덱스에 따른 순서대로 금번 측위 요청에 포함된 대표 AP 각각의 신호세기가 특성값으로서 나열되는 벡터를, 입력값으로서 생성할 수 있다.

예를 들어, 금번 측위 요청에는 총 10개의 AP에 대한 신호세기가 포함되며, 10개의 AP 중 7개의 AP만 측위영역(학습영역15와 동일)의 대표 AP에 해당되고 이들 7개의 AP(대표 AP)에 기 정의된 인덱스가 AP1,2,3,5,6,7,8이라고 가정하겠다.

이 경우, 요청변환부(210)는, 측위 요청 내 10개의 AP 중 7개의 각 대표 AP에 대한 신호세기를 각 대표 AP의 인덱스 순서 위치(1,2,3,5,6,7,8)에 특성값으로 나열하고 측위 요청 내 포함되지 않은 2개의 대표 AP의 인덱스 순서 위치(4,9)는 "0"값으로 나열한 벡터를, 입력값으로서 생성할 수 있다.

측위수행부(220)는, 요청변환부(210)에서 생성한 입력값에 대하여, 기 구성된 측위모델을 기반으로 추정되는 결과값을 금번 측위 요청된 단말에 대한 측위 결과로 제공할 수 있다.

구체적으로, 일 실시예에 따르면 측위수행부(220)는, 금번 측위 요청 및 측위모델을 기반으로 추정되는 결과값 중 적어도 하나를 이용하여 기 정의된 신뢰조건을 만족하지는 여부를 판단할 수 있다.

여기서, 신뢰조건은, 결과값에 따른 위치가 측위모델 구성 시 정의된 학습영역의 경계면으로부터 일정 범위 이내에 속하는 경우, 만족되는 조건일 수 있다.

즉, 측위수행부(220)는, 금번 측위모델을 기반으로 추정되는 결과값에 따른 위치 즉 위경도가, 측위모델 구성 시 정의된 학습영역(예: 학습영역15)의 경계면으로부터 일정 범위(예: 1km) 이내에 속하는 경우, 신뢰조건을 만족하는 것으로 판단할 수 있다.

학습영역의 경계면 위치에 있는 단말로부터의 측위 요청이 수신되는 경우, 측위모델 구성 시 학습에 충분히 반영되지 않은 AP의 정보가 포함된 상태일 가능성이 존재한다.

이러한 점을 감안하여, 본 발명에서는, 금번 측위모델을 기반으로 추정되는 결과값에 따른 위치 즉 위경도가 학습영역(예: 학습영역15)의 경계면으로부터 일정 범위(예: 1km) 이내에 속하는 경우 달리 말하면 경계면 위치(단말)로부터의 측위 요청이 아닌 경우에만, 측위모델 기반의 측위 결과를 제공함으로써, 측위 결과의 불확실성을 제거하고자 한다.

또는, 신뢰조건은, 측위 요청에 포함된 전체 통신장치 중 결과값에 따른 위치의 학습영역에서 측위모델 구성 시 이용한 통신장치와 일치하는 개수 또는 비율이 일정 개수 또는 비율 이상인 경우, 만족되는 조건일 수 있다.

즉, 측위수행부(220)는, 금번 측위 요청에 포함된 전체 AP(예: 10개) 중, 측위모델을 기반으로 추정되는 결과값에 따른 위치의 학습영역(예: 학습영역15)에서 측위모델 구성 시 이용한 통신장치 즉 대표 AP(예: 9개)와 일치하는 개수 또는 비율이, 기 정해진 일정 개수(예: 7개) 또는 기 정해지 일정 비율(예: 80%) 이상인 경우, 신뢰조건을 만족하는 것으로 판단할 수 있다.

기계학습(예: Deep Learning) 기반의 측위 기법은 평균적으로 기존의 패턴 매칭 기법 대비 측위 결과의 정확도가 높을 것이나, 모든 측위 결과가 우수하다고 단언할 수는 없을 것이다.

이러한 점을 감안하여, 본 발명에서는, 금번 측위 요청에서 확인되는 AP와 측위모델을 기반으로 추정되는 결과값에 따른 위치가 속하는 학습영역(예: 학습영역15)의 대표 AP 간 일치 정도를 확인하여, 결과값의 정확도가 높다고 판단할 수 있는 경우에만 측위모델 기반의 측위 결과를 제공함으로써, 측위 결과의 신뢰도를 보장하고자 한다.

이에, 측위수행부(220)는, 전술의 판단 결과 신뢰조건을 만족하는 경우, 측위모델을 기반으로 추정되는 결과값을 단말에 대한 측위 결과로 최종 제공할 수 있다.

한편, 측위수행부(220)는, 전술의 판단 결과 신뢰조건을 불 만족하는 경우, 금번 측위 요청에 대하여 별도의 측위 기법 예컨대 기존의 패턴 매칭 기법을 통해 추정된 결과값을 단말에 대한 측위 결과로 최종 제공할 수 있다.

이 외에도, 측위수행부(220)는, 측위모델 기반으로 추정되는 결과값에 대해 정해진 별도의 평가기준에 따른 평가 결과 및 별도의 측위 기법 예컨대 기존의 패턴 매칭 기법을 통해 추정되는 결과값에 대해 정해진 별도의 평가기준에 따른 평가 결과 각기 비교하여, 평가 결과가 더 우수한 결과값을 선택 및 단말에 대한 측위 결과로 최종 제공할 수도 있다.

이상 설명한 바와 같이, 본 발명의 측위수행장치에 의하면, 수집 데이터를 이용한 학습을 통해 구성된 측위모델을 기반으로, 단말의 위치를 측정(추정)하는 새로운 방식의 측위 기법을 실현할 수 있다.

전술의 본 발명에 따르면, 수집 데이터를 이용한 학습을 통해 새로운 형태의 측위모델을 구성 및 측위모델을 기반으로 단말의 위치를 측정(추정)하는 새로운 방식의 측위 기법을 실현하는 효과를 도출한다.

이로 인해, 본 발명에 따르면, 기존의 패턴 매칭 기법이 갖는 한계를 해소할 수 있고 더 나아가 상시 변하는 전파환경을 측위모델에 반영할 수 있기 때문에, 보다 상세하고 신뢰도 높은 측위 결과를 얻을 수 있는 효과를 도출한다

이하에서는, 도 5를 참조하여, 본 발명의 실시예에 따른 측위모델구성장치의 동작 방법을 설명하겠다.

설명의 편의 상, 이하에서는 측위모델구성장치(100)의 참조번호를 언급하여 설명하겠다.

본 발명의 측위모델구성장치의 동작 방법에 따르면 측위모델구성장치(100)는, 다수의 단말로부터, 단말이 측정한 통신장치의 신호세기가 포함된 데이터를 수집한다(S110).

보다 구체적으로, 측위모델구성장치(100)는, 불특정의 다수 단말로부터, 각 AP의 식별자(예: AP Mac, SSID 등) 및 이와 맵핑된 신호세기(예: WiFi RSSI), 단말1이 신호세기를 측정한 시점의 위치 정보(예: 위경도), 위치 정보가 획득된 방식을 나타내는 획득방식 정보(예: GPS 방식, 자동 Scan장치 방식 등)를 포함하는 수집 데이터 즉 Crowd Sourcing 데이터를 수집할 수 있다.

본 발명의 측위모델구성장치의 동작 방법에 따르면 측위모델구성장치(100)는, 수집된 다수(대규모)의 수집 데이터 중, 기 정의된 필터링 정책에 따라 신뢰도 높은 수집 데이터를 필터링할 수 있다(S120).

일 예에 따르면, 측위모델구성장치(100)는, 수집된 다수(대규모)의 수집 데이터 중, 필터링 정책1에 따라 이동형 AP와 관련된 정보를 제거하는 필터링을 수행할 수 있다. 즉, 이동형 AP으로 인한 오차분을 최소화하기 위한 필터링을 수행하는 것이다.

또 다른 예에 따르면, 측위모델구성장치(100)는, 수집된 다수(대규모)의 수집 데이터 중, 필터링 정책2에 따라 이상 수집 건으로 판단되는 수집 데이터를 제거하는 필터링을 수행할 수 있다. 즉, 이상 수집 건으로 인한 오차분을 최소화하기 위한 필터링을 수행하는 것이다.

또 다른 예에 따르면, 측위모델구성장치(100)는, 수집된 다수(대규모)의 수집 데이터 중, 필터링 정책3에 따라 특정 방식으로 위치 정보가 획득된 단말로부터의 수집 데이터를 선별하는 필터링을 수행할 수 있다.

본 발명의 측위모델구성장치의 동작 방법에 따르면 측위모델구성장치(100)는, S120단계에서 필터링 정책에 따라 필터링한 수집 데이터를 이용하여, 다수의 학습 데이터를 생성할 수 있다(S130,S140).

구체적으로, 본 발명의 측위모델구성장치의 동작 방법에 따르면 측위모델구성장치(100)는, 각 학습영역 별로 대표 AP를 선정하고 선정한 각 대표 AP의 인덱스를 정의하여, 각 학습영역 별로 학습 데이터의 포맷을 정의할 수 있다(S130).

만약, 학습영역15 내 대표 AP를 9개 선정한 경우라면, 측위모델구성장치(100)는, 9개의 대표 AP 각에 학습영역15에서만 유효한 각 인덱스(Index)를 정의할 수 있다.

이렇게 학습영역15의 대표 AP 및 대표 AP의 인덱스가 정의되면, 학습영역15에는 이에 따른 학습 데이터의 포맷이 정의된다.

그리고, 본 발명의 측위모델구성장치의 동작 방법에 따르면 측위모델구성장치(100)는, 각 학습영역 별로, 학습영역에 속하는 다수의 수집 데이터(필터링된 수집 데이터)를 이용하여 학습영역에 정의된 포맷의 학습 데이터들을 생성할 수 있다(S140).

이 경우, 측위모델구성장치(100)는, 위 하나의 수집 데이터를 이용하여, 수집 데이터의 위치정보(예: 위경도)를 라벨로 포함하고, 수집 데이터 내 10개의 AP 중 7개의 각 대표 AP에 대한 신호세기를 각 대표 AP의 인덱스 순서 위치(1,2,3,5,6,7,8)에 특성값으로 나열하고 수집 데이터 내 포함되지 않은 2개의 대표 AP의 인덱스 순서 위치(4,9)는 "0"값으로 나열한 벡터를 포함하는 포맷의 학습 데이터를 생성할 수 있다.

아울러, 본 발명의 측위모델구성장치의 동작 방법에 따르면 측위모델구성장치(100)는, 위도 및 경도를 분리된 수식관계로 갖는 수학식 2와 같은 학습손실함수(Loss function) 또는 학습 데이터 생성에 이용된 수집 데이터의 위치 정보 획득 방식에 따른 신뢰성가중치가 반영되는 수학식 3과 같은 학습손실함수(Loss function)를 기 정의한다(S150).

이에, 본 발명의 측위모델구성장치의 동작 방법에 따르면 측위모델구성장치(100)는, S150단계의 정의한 학습손실함수(L) 및 S140단계에서 생성되는 다수의 학습 데이터를 이용한 기계학습(예: Deep Learning)을 통해, AP의 신호세기를 입력값으로 사용하여 위치를 추정하기 위한 측위모델을 구성한다(S160).

일 예에 따르면, 측위모델구성장치(100)는, S150단계의 정의한 학습손실함수(L) 및 S140단계에서 생성되는 다수의 학습 데이터를 이용하여, 지도 학습(Supervised learning)을 통해 측위모델을 구성할 수 있다.

물론, 측위모델구성장치(100)는, 지도 학습(Supervised learning) 외에도, 학습 수렴을 위한 기계학습의 알려진 다양한 기법을 활용하여, AP의 신호세기를 입력값으로 사용하여 위치를 추정하기 위한 측위모델을 구성할 수 있다.

그리고, 측위모델구성장치(100)은, 전술과 같이 구성한 측위모델을 측위수행장치(200)에 배포하거나 측위수행장치(200)과 연동하여 측위모델을 사용할 수 있도록 한다(S170).

이하에서는, 도 6을 참조하여, 본 발명의 실시예에 따른 측위수행장치의 동작 방법을 설명하겠다.

설명의 편의 상, 이하에서는 측위수행장치(200)의 참조번호를 언급하여 설명하겠다.

본 발명의 측위수행장치의 동작 방법에 따르면 측위수행장치(200)는, 측위모델구성장치(100)에 의해 구성된 본 발명의 측위모델을 기 배포받아 사용할 수 있고, 측위모델구성장치(100)와의 연동을 기반으로 측위모델을 사용할 수 있다.

본 발명의 측위수행장치의 동작 방법에 따르면 측위수행장치(200)는, 단말로부터의 측위 요청을 수신할 수 있다(S200).

단말로부터의 측위 요청에는, 단말이 측정한 통신장치 즉 각 AP의 식별자(예: AP Mac, SSID 등) 및 이와 맵핑된 신호세기(예: WiFi RSSI)가 포함되어 있을 것이다.

본 발명의 측위수행장치의 동작 방법에 따르면 측위수행장치(200)는, 측위 요청에 포함된 각 AP의 식별자(예: AP Mac, SSID 등)를 근거로, 측위모델에 입력하기 위한 입력값을 생성한다(S210).

구체적으로, 측위수행장치(200)는, 측위 요청에 포함된 각 AP의 식별자(예: AP Mac, SSID 등)를 근거로, 측위모델의 각 측위영역(각 학습영역) 중 어떤 측위영역에 해당되는 측위 요청인지 확인할 수 있다.

측위수행장치(200)는, 금번 측위 요청에 대하여 확인한 측위영역(학습영역15와 동일)에 정의된 포맷의 벡터, 즉 측위영역(학습영역15와 동일)의 대표 AP의 각각에 정의된 인덱스에 따른 순서대로 금번 측위 요청에 포함된 대표 AP 각각의 신호세기가 특성값으로서 나열되는 벡터를, 입력값으로서 생성할 수 있다.

이 경우, 측위수행장치(200)는, 측위 요청 내 10개의 AP 중 7개의 각 대표 AP에 대한 신호세기를 각 대표 AP의 인덱스 순서 위치(1,2,3,5,6,7,8)에 특성값으로 나열하고 측위 요청 내 포함되지 않은 2개의 대표 AP의 인덱스 순서 위치(4,9)는 "0"값으로 나열한 벡터를, 입력값으로서 생성할 수 있다.

그리고 본 발명의 측위수행장치의 동작 방법에 따르면 측위수행장치(200)는, S210단계에서 생성한 입력값에 대하여, 기 구성된 측위모델을 기반으로 결과값을 추정한다(S220).

그리고 본 발명의 측위수행장치의 동작 방법에 따르면 측위수행장치(200)는, 금번 측위 요청 및 측위모델을 기반으로 추정되는 결과값 중 적어도 하나를 이용하여 기 정의된 신뢰조건을 만족하지는 여부를 판단할 수 있다(S230).

즉, 측위수행장치(200)는, 금번 측위모델을 기반으로 추정되는 결과값에 따른 위치 즉 위경도가, 측위모델 구성 시 정의된 학습영역(예: 학습영역15)의 경계면으로부터 일정 범위(예: 1km) 이내에 속하는 경우, 신뢰조건을 만족하는 것으로 판단할 수 있다.

즉, 측위수행장치(200)는, 금번 측위 요청에 포함된 전체 AP(예: 10개) 중, 측위모델을 기반으로 추정되는 결과값에 따른 위치의 학습영역(예: 학습영역15)에서 측위모델 구성 시 이용한 통신장치 즉 대표 AP(예: 9개)와 일치하는 개수 또는 비율이, 기 정해진 일정 개수(예: 7개) 또는 기 정해지 일정 비율(예: 80%) 이상인 경우, 신뢰조건을 만족하는 것으로 판단할 수 있다.

이에, 본 발명의 측위수행장치의 동작 방법에 따르면 측위수행장치(200)는, 전술의 판단 결과 신뢰조건을 만족하는 경우(S230 Yes), 측위모델을 기반으로 추정되는 결과값을 단말에 대한 측위 결과로 최종 제공할 수 있다(S240).

한편, 본 발명의 측위수행장치의 동작 방법에 따르면 측위수행장치(200)는, 전술의 판단 결과 신뢰조건을 불 만족하는 경우(S230 No), 금번 측위 요청에 대하여 별도의 측위 기법 예컨대 기존의 패턴 매칭 기법을 통해 추정된 결과값을 단말에 대한 측위 결과로 최종 제공할 수 있다(S250).

이상에서 설명한 바와 같이, 본 발명에 따르면, 대규모의 Crowd Sourcing 데이터 즉 수집 데이터를 이용한 학습을 통해 새로운 형태의 측위모델을 구성하고, 이러한 측위모델을 기반으로 단말의 위치를 측정(추정)하는 새로운 방식의 측위 기법을 실현할 수 있다.

위 설명한 본 발명의 일 실시예에 따른 측위모델구성장치의 동작 방법 및 측위수행장치의 동작 방법은, 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 본 발명의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.

지금까지 본 발명을 바람직한 실시 예를 참조하여 상세히 설명하였지만, 본 발명이 상기한 실시 예에 한정되는 것은 아니며, 이하의 특허청구범위에서 청구하는 본 발명의 요지를 벗어남이 없이 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 누구든지 다양한 변형 또는 수정이 가능한 범위까지 본 발명의 기술적 사상이 미친다 할 것이다.

본 발명의 측위모델구성장치 및 단말측위장치, 그 장치의 동작 방법에 따르면, 대규모의 수집 데이터를 이용한 기계학습(예: Deep Learning) 기반의 새로운 측위 기법을 실현할 수 있는 점에서, 기존 기술의 한계를 뛰어 넘음에 따라 관련 기술에 대한 이용만이 아닌 적용되는 장치의 시판 또는 영업의 가능성이 충분할 뿐만 아니라 현실적으로 명백하게 실시할 수 있는 정도이므로 산업상 이용가능성이 있는 발명이다.

100 : 측위모델구성장치
110 : 데이터수집부 120 : 학습데이터생성부
130 : 측위모델구성부
200 : 측위수행장치
210 : 요청변환부 220 : 측위수행부

Claims

다수의 단말로부터, 단말이 측정한 통신장치의 신호세기가 포함된 데이터를 수집하는 데이터수집부;
상기 다수의 수집 데이터 중 기 정의된 필터링 정책에 따라 특정 수집 데이터를 필터링하고, 상기 필터링한 수집 데이터를 이용하여 다수의 학습 데이터를 생성하는 학습데이터생성부; 및
상기 다수의 학습 데이터를 이용하여, 통신장치의 신호세기를 근거로 위치를 추정하기 위한 측위모델을 구성하는 측위모델구성부를 포함하며;
상기 필터링은,
상기 필터링 정책에서 정의하는 기준에 따라, 상기 특정 수집 데이터의 일부 정보를 제거하거나 상기 특정 수집 데이터 전체를 제거하는 것을 특징으로 하는 측위모델구성장치.
제 1 항에 있어서,
상기 수집 데이터는,
상기 수집 데이터를 제공한 단말이 측정한 각 통신장치의 신호세기, 상기 단말의 위치 정보, 상기 위치 정보가 획득된 방식을 나타내는 획득방식 정보를 포함하는 것을 특징으로 하는 측위모델구성장치.
삭제
제 1 항에 있어서,
상기 필터링 정책은,
수집 데이터 내 포함된 이동형 통신장치와 관련된 정보를 제거하는 정책, 다수의 수집 데이터 중 이상 수집 건으로 판단되는 수집 데이터를 제거하는 정책, 다수의 수집 데이터 중 특정 방식으로 위치 정보가 획득된 단말로부터의 수집 데이터를 선별하는 정책 중 적어도 하나 또는 조합으로 정의되는 것을 특징으로 하는 측위모델구성장치.
제 1 항에 있어서,
상기 학습데이터생성부는,
정의된 학습영역에 속하는 수집 데이터를 근거로 상기 학습영역 내 적어도 하나의 대표 통신장치를 선정하고, 상기 학습영역에 선정한 각 대표 통신장치에 인덱스(Index)를 정의하며,
상기 학습영역에 정의되는 학습 데이터의 포맷은,
위치 정보를 라벨(Label)로서 포함하고, 상기 각 대표 통신장치의 인덱스에 따른 순서대로 상기 각 대표 통신장치의 신호세기가 특성값으로서 나열되는 벡터(Vector)를 포함하는 것을 특징으로 하는 측위모델구성장치.
제 5 항에 있어서,
상기 학습데이터생성부는,
상기 다수의 수집 데이터 각각에 대하여, 수집 데이터에 포함되어 있는 위치 정보 및 각 통신장치의 신호세기를 이용하여 수집 데이터가 속하는 학습영역에 정의된 포맷에 따른 학습 데이터를 생성하는 것을 특징으로 하는 측위모델구성장치.
제 1 항에 있어서,
상기 측위모델구성부는,
위치의 위도 및 경도가 분리된 수식관계로 정의되거나 또는 학습 데이터 생성에 이용된 수집 데이터의 위치 정보 획득 방식에 따른 신뢰성가중치가 반영되는 수식으로 정의되는 특정 학습손실함수(Loss function) 및 상기 다수의 학습데이터를 이용하여, 지도 학습(Supervised learning)을 통해 상기 측위모델을 구성하는 것을 특징으로 하는 측위모델구성장치.
단말로부터의 측위 요청 수신 시, 상기 측위 요청에 포함된 특정 통신장치의 신호세기를 이용하여 입력값을 생성하는 요청변환부; 및
다수의 학습 데이터를 이용하여 위치 추정을 위해 구성된 측위모델을 기반으로, 상기 입력값에 대하여 추정되는 결과값을 상기 단말에 대한 측위 결과로 제공하는 측위수행부를 포함하며;
상기 다수의 학습 데이터는, 다수의 단말로부터 수집된 다수의 수집 데이터 중 기 정의된 필터링 정책에 따라 필터링한 수집 데이터로부터 생성되며,
상기 필터링은, 상기 필터링 정책에서 정의하는 기준에 따라, 특정 수집 데이터의 일부 정보를 제거하거나 상기 특정 수집 데이터 전체를 제거하는 것을 특징으로 하는 단말측위장치.
제 8 항에 있어서,
상기 입력값은,
상기 특정 통신장치 각각에 정의된 인덱스에 따른 순서대로, 상기 특정 통신장치 각각의 신호세기가 특성값으로서 나열되는 벡터(Vector)인 것을 특징으로 하는 단말측위장치.
제 8 항에 있어서,
상기 측위수행부는,
상기 측위 요청 및 상기 결과값 중 적어도 하나를 이용하여 기 정의된 신뢰조건을 만족하지는 여부를 판단하고,
상기 신뢰조건을 만족하는 경우 상기 결과값을 상기 단말에 대한 측위 결과로 제공하며,
상기 신뢰조건을 불 만족하는 경우, 상기 측위 요청에 대하여 별도의 측위 기법을 통해 추정된 결과값을 상기 단말에 대한 측위 결과로 제공하는 것을 특징으로 하는 단말측위장치.
제 10 항에 있어서,
상기 신뢰조건은,
상기 결과값에 따른 위치가 상기 측위모델 구성 시 정의된 학습영역의 경계면으로부터 일정 범위 이내에 속하는 경우 만족되는 조건,
상기 측위 요청에 포함된 전체 통신장치 중 상기 결과값에 따른 위치의 학습영역에서 상기 측위모델 구성 시 이용한 통신장치와 일치하는 개수 또는 비율이 일정 개수 또는 비율 이상인 경우 만족되는 조건 중 적어도 하나를 포함하는 것을 특징으로 하는 단말측위장치.
다수의 단말로부터, 단말이 측정한 통신장치의 신호세기가 포함된 데이터를 수집하는 데이터수집단계;
상기 다수의 수집 데이터 중 기 정의된 필터링 정책에 따라 특정 수집 데이터를 필터링하고, 상기 필터링한 수집 데이터를 이용하여 다수의 학습 데이터를 생성하는 학습데이터생성단계; 및
상기 다수의 학습 데이터를 이용하여, 통신장치의 신호세기를 근거로 위치를 추정하기 위한 측위모델을 구성하는 측위모델구성단계를 포함하며;
상기 필터링은,
상기 필터링 정책에서 정의하는 기준에 따라, 상기 특정 수집 데이터의 일부 정보를 제거하거나 상기 특정 수집 데이터 전체를 제거하는 것을 특징으로 하는 측위모델구성장치의 동작 방법.
삭제
제 12 항에 있어서,
상기 학습데이터생성단계는,
정의된 학습영역에 속하는 수집 데이터를 근거로 상기 학습영역 내 적어도 하나의 대표 통신장치를 선정하고, 상기 학습영역에 선정한 각 대표 통신장치에 인덱스(Index)를 정의하며,
상기 학습영역에 정의되는 학습 데이터의 포맷은,
위치 정보를 라벨(Label)로서 포함하고, 상기 각 대표 통신장치의 인덱스에 따른 순서대로 상기 각 대표 통신장치의 신호세기가 특성값으로서 나열되는 벡터(Vector)를 포함하는 것을 특징으로 하는 측위모델구성장치의 동작 방법.
제 14 항에 있어서,
상기 학습데이터생성단계는,
상기 다수의 수집 데이터 각각에 대하여, 수집 데이터에 포함되어 있는 위치 정보 및 각 통신장치의 신호세기를 이용하여 수집 데이터가 속하는 학습영역에 정의된 포맷에 따른 학습 데이터를 생성하는 것을 특징으로 하는 측위모델구성장치의 동작 방법.
단말로부터의 측위 요청 수신 시, 상기 측위 요청에 포함된 특정 통신장치의 신호세기를 이용하여 입력값을 생성하는 요청변환단계; 및
다수의 학습 데이터를 이용하여 위치 추정을 위해 구성된 측위모델을 기반으로, 상기 입력값에 대하여 추정되는 결과값을 상기 단말에 대한 측위 결과로 제공하는 측위수행단계를 포함하며;
상기 다수의 학습 데이터는, 다수의 단말로부터 수집된 다수의 수집 데이터 중 기 정의된 필터링 정책에 따라 필터링한 수집 데이터로부터 생성되며,
상기 필터링은, 상기 필터링 정책에서 정의하는 기준에 따라, 특정 수집 데이터의 일부 정보를 제거하거나 상기 특정 수집 데이터 전체를 제거하는 것을 특징으로 하는 단말측위장치의 동작 방법.