KR102270808B1 - Visible network providing apparatus and method using wireless artificial intelligence - Google Patents
Visible network providing apparatus and method using wireless artificial intelligence Download PDFInfo
- Publication number
- KR102270808B1 KR102270808B1 KR1020200118453A KR20200118453A KR102270808B1 KR 102270808 B1 KR102270808 B1 KR 102270808B1 KR 1020200118453 A KR1020200118453 A KR 1020200118453A KR 20200118453 A KR20200118453 A KR 20200118453A KR 102270808 B1 KR102270808 B1 KR 102270808B1
- Authority
- KR
- South Korea
- Prior art keywords
- network
- terminal
- wireless
- specific space
- network terminal
- Prior art date
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/309—Measuring or estimating channel quality parameters
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L1/00—Arrangements for detecting or preventing errors in the information received
- H04L1/20—Arrangements for detecting or preventing errors in the information received using signal quality detector
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/16—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using machine learning or artificial intelligence
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/04—Processing captured monitoring data, e.g. for logfile generation
- H04L43/045—Processing captured monitoring data, e.g. for logfile generation for graphical visualisation of monitoring data
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Electromagnetism (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
Description
본 발명은 보이는 네트워크 제공 기술에 관한 것으로, 보다 상세하게는 무선 네트워크의 부반송파 정보를 기초로 인공지능 기술을 적용하여 보이는 네트워크를 구현할 수 있는 무선 인공지능을 이용한 보이는 네트워크 제공 장치 및 방법에 관한 것이다.The present invention relates to a technology for providing a visible network, and more particularly, to an apparatus and method for providing a visible network using a wireless artificial intelligence that can implement a visible network by applying an artificial intelligence technology based on subcarrier information of a wireless network.
CSI(채널상태정보, Channel State Information) 기반 기술은 스마트 공간의 출현으로 인해 WiFi 장치 간의 통신이 증가함에 따라 등장하고 있다. CSI는 MIMO 안테나 시스템에 처음 등장한 개념으로, 무선 통신 간의 채널상태 정보를 형성한다. WiFi 네트워크에서 CSI 정보는 무선 통신들 간에 생성된 부반송파들의 세트로서 계산될 수 있다. CSI 기술의 가장 큰 장점은 장치가 필요 없거나 장치에 독립적이라는 점이다.CSI (Channel State Information) based technology is emerging as communication between WiFi devices increases due to the advent of smart spaces. CSI is a concept that first appeared in the MIMO antenna system, and forms channel state information between wireless communications. CSI information in a WiFi network may be calculated as a set of subcarriers generated between wireless communications. The biggest advantage of CSI technology is that it is device-free or device-independent.
한편, 최근까지 와이파이(WiFi), 5G 등의 무선 통신에서 부반송파 신호는 캐리어 임무를 수행한 이후 수신단에서 모두 버려지는 정보에 불과하였다. 또한, 무선 센싱(Wireless Sensing) 기술에 대한 표준화가 진행 중이긴 하지만, 특정 환경에서 WLAN 신호의 사용은 주요 관심을 받지 못하였다. 이는 네트워크 부반송파 정보가 인공지능, 머신러닝, 빅데이터 개발자들이 쉽게 파악하기 힘든 기술 장벽이 높은 기술 분야이기 때문이다.Meanwhile, until recently, in wireless communication such as Wi-Fi and 5G, subcarrier signals were nothing more than information discarded at the receiving end after performing a carrier mission. In addition, although standardization of a wireless sensing technology is in progress, the use of a WLAN signal in a specific environment has not received much attention. This is because network subcarrier information is a technology field with high technical barriers that are difficult for developers of artificial intelligence, machine learning, and big data to easily grasp.
다만, 무선 통신에서 부반송파 신호를 효과적으로 활용할 수 있다면, 스마트 스토어, 스마트 의료 헬스, 스마트 팩토리 등 미래 환경에서 다양한 편의를 제공할 수 있어 실제 생활에서 큰 영향력을 행사할 수 있을 것으로 예상되고 있다.However, if the subcarrier signal can be effectively used in wireless communication, it is expected to have a great influence in real life as it can provide various conveniences in future environments such as smart stores, smart medical health, and smart factories.
본 발명의 일 실시예는 무선 네트워크의 부반송파 정보를 기초로 인공지능 기술을 적용하여 보이는 네트워크를 구현할 수 있는 무선 인공지능을 이용한 보이는 네트워크 제공 장치 및 방법을 제공하고자 한다.An embodiment of the present invention is to provide an apparatus and method for providing a visible network using wireless artificial intelligence that can implement a visible network by applying an artificial intelligence technology based on subcarrier information of a wireless network.
본 발명의 일 실시예는 특정 공간 상에서의 무선 신호를 분석하여 객체 식별, 동작 인식을 포함하는 공간 센싱을 제공할 수 있는 무선 인공지능을 이용한 보이는 네트워크 제공 장치 및 방법을 제공하고자 한다.An embodiment of the present invention is to provide an apparatus and method for providing a visible network using wireless artificial intelligence that can provide spatial sensing including object identification and motion recognition by analyzing a wireless signal in a specific space.
실시예들 중에서, 무선 인공지능을 이용한 보이는 네트워크 제공 장치는 특정 공간에서 부반송파 신호를 이용하여 무선 통신을 수행하는 적어도 하나의 네트워크 단말; 상기 적어도 하나의 네트워크 단말과의 무선 통신 과정에서 상기 부반송파 신호를 수집하는 무선신호 수집 단말; 및 상기 무선신호 수집 단말과 연동하여 동작하고, 상기 부반송파 신호에서 추출된 특징 정보를 인공지능 학습하여 상기 특정 공간에 대한 네트워크 시각화를 제공하는 무선 AI 단말을 포함한다.In embodiments, an apparatus for providing a visible network using wireless artificial intelligence includes: at least one network terminal performing wireless communication using a subcarrier signal in a specific space; a wireless signal collection terminal configured to collect the subcarrier signal in a wireless communication process with the at least one network terminal; and a wireless AI terminal that operates in conjunction with the wireless signal collection terminal and provides network visualization for the specific space by artificial intelligence learning the feature information extracted from the subcarrier signal.
상기 특정 공간은 상기 적어도 하나의 네트워크 단말의 위치를 중심으로 코어 영역, 전이 영역 및 엣지 영역으로 구분되어 정의될 수 있다.The specific space may be defined by being divided into a core area, a transition area, and an edge area based on the location of the at least one network terminal.
상기 코어 영역, 상기 전이 영역 및 상기 엣지 영역 각각은 다른 영역과 중첩되는 적어도 하나의 중첩 영역을 포함하고 상기 전이 영역이 포함하는 중첩 영역의 크기가 최소가 되도록 정의될 수 있다.Each of the core region, the transition region, and the edge region may include at least one overlapping region overlapping other regions, and may be defined such that a size of the overlapping region included in the transition region is minimized.
상기 적어도 하나의 네트워크 단말은 상기 코어 영역을 정의하는 제1 네트워크 단말, 상기 전이 영역을 정의하는 제2 네트워크 단말 및 상기 엣지 영역을 정의하는 제3 네트워크 단말들로 구분되고, 상기 제2 네트워크 단말은 상기 특정 공간 내에서의 위치가 가변적인 이동 네트워크 단말을 포함할 수 있다.The at least one network terminal is divided into a first network terminal defining the core area, a second network terminal defining the transition area, and a third network terminal defining the edge area, and the second network terminal is It may include a mobile network terminal having a variable position within the specific space.
상기 제2 네트워크 단말은 상기 특정 공간 내에서의 위치가 고정되고 상기 이동 네트워크 단말의 존재가 검출되면 동작 상태가 비활성화되는 고정 네트워크 단말을 포함할 수 있다.The second network terminal may include a fixed network terminal in which the position in the specific space is fixed and the operation state is deactivated when the presence of the mobile network terminal is detected.
상기 무선신호 수집 단말은 각 영역 별로 상기 부반송파 신호의 수집 동작을 독립적으로 수행할 수 있다.The wireless signal collection terminal may independently perform the collection operation of the subcarrier signal for each area.
상기 무선 AI 단말은 각 영역 별로 상기 부반송파 신호에 대한 특징 정보를 추출하고 영역별 특징 정보에 서로 다른 가중치를 적용할 수 있다.The wireless AI terminal may extract characteristic information on the subcarrier signal for each region and apply different weights to the characteristic information for each region.
상기 무선 AI 단말은 상기 영역별 특징 정보의 상관관계를 학습한 결과로서 상기 특정 공간 상에서 이동 객체에 관한 식별 정보를 제공하는 네트워크 시각화 모델을 구축할 수 있다.The wireless AI terminal may build a network visualization model that provides identification information about a moving object in the specific space as a result of learning the correlation between the feature information for each area.
상기 무선 AI 단말은 상기 인공지능 학습의 결과를 기초로 상기 특정 공간에서의 객체 식별 및 동작 감지를 포함하는 공간 센싱을 제공할 수 있다.The wireless AI terminal may provide spatial sensing including object identification and motion detection in the specific space based on the result of the AI learning.
실시예들 중에서, 무선 인공지능을 이용한 보이는 네트워크 제공 방법은 적어도 하나의 네트워크 단말을 통해, 특정 공간에서 부반송파 신호를 이용하여 무선 통신을 수행하는 단계; 무선신호 수집 단말을 통해, 상기 적어도 하나의 네트워크 단말과의 무선 통신 과정에서 상기 부반송파 신호를 수집하는 단계; 및 상기 무선신호 수집 단말과 연동하여 동작하는 무선 AI 단말을 통해, 상기 부반송파 신호에서 추출된 특징 정보를 인공지능 학습하여 상기 특정 공간에 대한 네트워크 시각화를 제공하는 단계를 포함한다.Among embodiments, a method for providing a visible network using wireless artificial intelligence may include performing wireless communication using a subcarrier signal in a specific space through at least one network terminal; collecting the subcarrier signal through a wireless signal collection terminal in a wireless communication process with the at least one network terminal; and providing network visualization for the specific space by artificially learning feature information extracted from the subcarrier signal through a wireless AI terminal operating in conjunction with the wireless signal collection terminal.
개시된 기술은 다음의 효과를 가질 수 있다. 다만, 특정 실시예가 다음의 효과를 전부 포함하여야 한다거나 다음의 효과만을 포함하여야 한다는 의미는 아니므로, 개시된 기술의 권리범위는 이에 의하여 제한되는 것으로 이해되어서는 아니 될 것이다.The disclosed technology may have the following effects. However, this does not mean that a specific embodiment should include all of the following effects or only the following effects, so the scope of the disclosed technology should not be understood as being limited thereby.
본 발명의 일 실시예에 따른 무선 인공지능을 이용한 보이는 네트워크 제공 장치 및 방법은 무선 네트워크의 부반송파 정보를 기초로 인공지능 기술을 적용하여 보이는 네트워크를 구현할 수 있다.The apparatus and method for providing a visible network using wireless artificial intelligence according to an embodiment of the present invention can implement a visible network by applying artificial intelligence technology based on subcarrier information of the wireless network.
본 발명의 일 실시예에 따른 무선 인공지능을 이용한 보이는 네트워크 제공 장치 및 방법은 특정 공간 상에서의 무선 신호를 분석하여 객체 식별, 동작 인식을 포함하는 공간 센싱을 제공할 수 있다.An apparatus and method for providing a visible network using wireless artificial intelligence according to an embodiment of the present invention may provide spatial sensing including object identification and motion recognition by analyzing a wireless signal in a specific space.
도 1은 본 발명에 따른 보이는 네트워크 제공 시스템을 설명하는 도면이다.
도 2는 도 1의 보이는 네트워크 제공 장치의 시스템 구성을 설명하는 도면이다.
도 3은 도 1의 보이는 네트워크 제공 장치의 기능적 구성을 설명하는 도면이다.
도 4는 본 발명에 따른 무선 인공지능을 이용한 보이는 네트워크 제공 과정을 설명하는 순서도이다.
도 5는 본 발명에 따른 특정 공간의 영역 구분을 설명하는 예시도이다.1 is a view for explaining a visible network providing system according to the present invention.
FIG. 2 is a diagram for explaining a system configuration of the network providing apparatus shown in FIG. 1 .
FIG. 3 is a diagram for explaining a functional configuration of the network providing apparatus shown in FIG. 1 .
4 is a flowchart illustrating a process of providing a visible network using wireless artificial intelligence according to the present invention.
5 is an exemplary view for explaining the division of a specific space according to the present invention.
본 발명에 관한 설명은 구조적 내지 기능적 설명을 위한 실시예에 불과하므로, 본 발명의 권리범위는 본문에 설명된 실시예에 의하여 제한되는 것으로 해석되어서는 아니 된다. 즉, 실시예는 다양한 변경이 가능하고 여러 가지 형태를 가질 수 있으므로 본 발명의 권리범위는 기술적 사상을 실현할 수 있는 균등물들을 포함하는 것으로 이해되어야 한다. 또한, 본 발명에서 제시된 목적 또는 효과는 특정 실시예가 이를 전부 포함하여야 한다거나 그러한 효과만을 포함하여야 한다는 의미는 아니므로, 본 발명의 권리범위는 이에 의하여 제한되는 것으로 이해되어서는 아니 될 것이다.Since the description of the present invention is merely an embodiment for structural or functional description, the scope of the present invention should not be construed as being limited by the embodiment described in the text. That is, since the embodiment may have various changes and may have various forms, it should be understood that the scope of the present invention includes equivalents capable of realizing the technical idea. In addition, since the object or effect presented in the present invention does not mean that a specific embodiment should include all of them or only such effects, it should not be understood that the scope of the present invention is limited thereby.
한편, 본 출원에서 서술되는 용어의 의미는 다음과 같이 이해되어야 할 것이다.On the other hand, the meaning of the terms described in the present application should be understood as follows.
"제1", "제2" 등의 용어는 하나의 구성요소를 다른 구성요소로부터 구별하기 위한 것으로, 이들 용어들에 의해 권리범위가 한정되어서는 아니 된다. 예를 들어, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다.Terms such as “first” and “second” are for distinguishing one component from another, and the scope of rights should not be limited by these terms. For example, a first component may be termed a second component, and similarly, a second component may also be termed a first component.
어떤 구성요소가 다른 구성요소에 "연결되어"있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결될 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어"있다고 언급된 때에는 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다. 한편, 구성요소들 간의 관계를 설명하는 다른 표현들, 즉 "~사이에"와 "바로 ~사이에" 또는 "~에 이웃하는"과 "~에 직접 이웃하는" 등도 마찬가지로 해석되어야 한다.When a component is referred to as being “connected” to another component, it should be understood that the component may be directly connected to the other component, but other components may exist in between. On the other hand, when it is mentioned that a certain element is "directly connected" to another element, it should be understood that the other element does not exist in the middle. Meanwhile, other expressions describing the relationship between elements, that is, “between” and “immediately between” or “neighboring to” and “directly adjacent to”, etc., should be interpreted similarly.
단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한 복수의 표현을 포함하는 것으로 이해되어야 하고, "포함하다"또는 "가지다" 등의 용어는 실시된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함을 지정하려는 것이며, 하나 또는 그 이상의 다른 특징이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.The singular expression is to be understood to include the plural expression unless the context clearly dictates otherwise, and terms such as "comprises" or "have" refer to the embodied feature, number, step, action, component, part or these It is intended to indicate that a combination exists, and it should be understood that it does not preclude the possibility of the existence or addition of one or more other features or numbers, steps, operations, components, parts, or combinations thereof.
각 단계들에 있어 식별부호(예를 들어, a, b, c 등)는 설명의 편의를 위하여 사용되는 것으로 식별부호는 각 단계들의 순서를 설명하는 것이 아니며, 각 단계들은 문맥상 명백하게 특정 순서를 기재하지 않는 이상 명기된 순서와 다르게 일어날 수 있다. 즉, 각 단계들은 명기된 순서와 동일하게 일어날 수도 있고 실질적으로 동시에 수행될 수도 있으며 반대의 순서대로 수행될 수도 있다.Identifiers (eg, a, b, c, etc.) in each step are used for convenience of description, and the identification code does not describe the order of each step, and each step clearly indicates a specific order in context. Unless otherwise specified, it may occur in a different order from the specified order. That is, each step may occur in the same order as specified, may be performed substantially simultaneously, or may be performed in the reverse order.
본 발명은 컴퓨터가 읽을 수 있는 기록매체에 컴퓨터가 읽을 수 있는 코드로서 구현될 수 있고, 컴퓨터가 읽을 수 있는 기록 매체는 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록 장치를 포함한다. 컴퓨터가 읽을 수 있는 기록 매체의 예로는 ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광 데이터 저장 장치 등이 있다. 또한, 컴퓨터가 읽을 수 있는 기록 매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산 방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행될 수 있다.The present invention can be embodied as computer-readable codes on a computer-readable recording medium, and the computer-readable recording medium includes all types of recording devices in which data readable by a computer system is stored. . Examples of the computer-readable recording medium include ROM, RAM, CD-ROM, magnetic tape, floppy disk, optical data storage device, and the like. In addition, the computer-readable recording medium may be distributed in a network-connected computer system, and the computer-readable code may be stored and executed in a distributed manner.
여기서 사용되는 모든 용어들은 다르게 정의되지 않는 한, 본 발명이 속하는 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한 이상적이거나 과도하게 형식적인 의미를 지니는 것으로 해석될 수 없다.All terms used herein have the same meaning as commonly understood by one of ordinary skill in the art to which this invention belongs, unless otherwise defined. Terms defined in general used in the dictionary should be interpreted as being consistent with the meaning in the context of the related art, and cannot be interpreted as having an ideal or excessively formal meaning unless explicitly defined in the present application.
CSI(채널상태정보, Channel Stats Information)는 MIMO(Multiple Input Multiple Output) 안테나 시스템에서 나온 개념으로, 송수신 거리에 따른 산란(Scattering), 페이딩(Fading) 및 전력 감소의 영향 정도를 나타내는 무선 통신 링크의 채널정보에 해당할 수 있다. 일반적으로 송신기는 수신기에서 계산되어 피드백(Feedback)되는 CSI 정보를 이용하여, 통신채널에 최적화된 데이터 전송 속도를 선택할 수 있다.CSI (Channel Status Information) is a concept derived from a Multiple Input Multiple Output (MIMO) antenna system. It may correspond to channel information. In general, a transmitter may select a data transmission rate optimized for a communication channel using CSI information calculated and fed back by a receiver.
MIMO는 다수의 반송파 주파수를 사용하여 부반송파를 생성하는, 주로 OFDM을 사용하는, 송수신기에서 복수의 안테나를 사용하여 무선 통신의 용량을 증가시킬 수 있다. 부반송파의 정보를 기반으로 CSI 정보를 얻을 수 있으며, 다음 수학식을 통해 Y(f)를 산출할 수 있다.MIMO can increase the capacity of wireless communication by using multiple antennas in a transceiver, which mainly uses OFDM, to generate subcarriers using multiple carrier frequencies. CSI information can be obtained based on subcarrier information, and Y(f) can be calculated through the following equation.
[수학식][Equation]
Y(f) = H(f) · X(f)Y(f) = H(f) X(f)
여기에서, 송신된 신호 X(f)는 부반송파 인덱스 f로 변조되고, Y(f)는 수신된 신호에 해당할 수 있다. 채널 행렬 H = X(f), f = 1, …, k는 채널상태정보이고, k는 부반송파들의 수이다.Here, the transmitted signal X(f) may be modulated with the subcarrier index f, and Y(f) may correspond to the received signal. Channel matrix H = X(f), f = 1, … , k is channel state information, and k is the number of subcarriers.
CSI 정보는 물체가 송신기와 수신기 사이를 통과하거나 이동할 때 전파 반사, 회절 등을 감지할 수 있다. 송신기와 수신기 간의 통신이 다중 안테나를 통해 이루어지는 경우 각 부반송파의 전파 변화(진폭 또는 위상)는 서로 다를 수 있다. 두 통신 송수신기 사이에 객체가 없고 무선 통신이 원활하게 수행되면 부반송파의 변화가 거의 없으므로 CSI 정보, 즉 진폭 또는 위상의 변화가 없을 수 있다. 그러나, 사람 또는 객체가 특정 공간에 존재하면 부반송파는 반사 또는 회절을 경험하게 되며 CSI 정보, 즉 진폭 또는 위상의 변화가 심할 수 있다. 이러한 CIS 정보 변화를 측정함으로써 CSI는 디바이스 프리(device-free) 어플리케이션에 사용될 수 있다.CSI information can detect radio wave reflection, diffraction, etc. when an object passes or moves between a transmitter and a receiver. When communication between the transmitter and the receiver is performed through multiple antennas, the propagation change (amplitude or phase) of each subcarrier may be different from each other. If there is no object between the two communication transceivers and wireless communication is smoothly performed, there is little change in subcarriers, so there may be no change in CSI information, that is, amplitude or phase. However, when a person or an object exists in a specific space, the subcarrier experiences reflection or diffraction, and the CSI information, ie, amplitude or phase, may change significantly. By measuring such CIS information change, CSI can be used for device-free applications.
도 1은 본 발명에 따른 보이는 네트워크 제공 시스템을 설명하는 도면이다.1 is a diagram illustrating a visible network providing system according to the present invention.
도 1을 참조하면, 보이는 네트워크 제공 시스템(100)은 사용자 단말(110), 보이는 네트워크 제공 장치(130) 및 데이터베이스(150)를 포함할 수 있다.Referring to FIG. 1 , the visible
사용자 단말(110)은 네트워크의 시각화 정보를 이용하여 개체 인식 및 동작 감지 등에 관한 서비스를 이용할 수 있는 컴퓨팅 장치에 해당할 수 있고, 스마트폰, 노트북 또는 컴퓨터로 구현될 수 있으며, 반드시 이에 한정되지 않고, 태블릿 PC 등 다양한 디바이스로도 구현될 수 있다. 사용자 단말(110)은 보이는 네트워크 제공 장치(130)와 네트워크를 통해 연결될 수 있고, 복수의 사용자 단말(110)들은 보이는 네트워크 제공 장치(130)와 동시에 연결될 수 있다.The
보이는 네트워크 제공 장치(130)는 무선 통신에서 사용되는 부반송파 신호에 관한 정보를 분석하여 특정 공간에 대한 유효 정보를 획득할 수 있는 컴퓨터 또는 프로그램에 해당하는 서버로 구현될 수 있다. 보이는 네트워크 제공 장치(130)는 사용자 단말(110)과 네트워크를 통해 연결될 수 있고 정보를 주고받을 수 있다.The visible
일 실시예에서, 보이는 네트워크 제공 장치(130)는 데이터베이스(150)와 연동하여 무선 인공지능을 이용한 보이는 네트워크 제공하기 위해 필요한 데이터를 저장할 수 있다. 또한, 보이는 네트워크 제공 장치(130)는 프로세서, 메모리, 사용자 입출력부 및 네트워크 입출력부를 포함하여 구현될 수 있으며, 이에 대한 설명은 생략한다.In an embodiment, the
도 2는 도 1의 보이는 네트워크 제공 장치의 구성을 설명하는 도면이다.FIG. 2 is a diagram for explaining the configuration of the network providing apparatus shown in FIG. 1 .
도 2를 참조하면, 보이는 네트워크 제공 장치(130)는 네트워크 단말(210), 무선신호 수집 단말(230) 및 무선 AI 단말(250)을 포함할 수 있다.Referring to FIG. 2 , the visible
네트워크 단말(210)은 특정 공간에서 부반송파 신호를 이용하여 무선 통신을 수행하는 컴퓨팅 장치에 해당할 수 있다. 예를 들어, 네트워크 단말(210)은 WiFi 통신 가능한 스마트폰, 노트북 등을 포함할 수 있다. 또한, 네트워크 단말(210)은 무선신호 수집 단말(230)과 연결되어 동작할 수 있으며, 복수의 네트워크 단말(210)들이 무선신호 수집 단말(230)과 동시에 연결될 수 있다.The
여기에서, 특정 공간은 눈으로 보이지 않는 무선 네트워크 공간으로서 부반송파 신호를 기초로 도출된 유효 정보를 통해 상태를 간접적으로 인지할 수 있는 장소에 해당할 수 있다. 예를 들어, 특정 공간은 집 내부, 사무실 공간, 지하철 차량 등에 해당할 수 있다.Here, the specific space is an invisible wireless network space and may correspond to a place where a state can be indirectly recognized through valid information derived based on a subcarrier signal. For example, the specific space may correspond to the interior of a house, an office space, a subway car, and the like.
일 실시예에서, 특정 공간은 적어도 하나의 네트워크 단말(210)의 위치를 중심으로 코어 영역, 전이 영역 및 엣지 영역으로 구분되어 정의될 수 있다. 즉, 특정 공간은 부반송파 신호에 관한 분석을 효과적으로 수행하기 위하여 소정의 세부 영역들로 구분되어 정의될 수 있다. 구체적으로, 코어 영역은 해당 특정 공간의 중심 위치를 포함하는 영역에 해당할 수 있고, 엣지 영역은 해당 특정 공간의 각 모서리 위치를 포함하는 영역에 해당할 수 있으며, 전이 영역은 코어 영역과 엣지 영역의 중간에 형성된 영역에 해당할 수 있다.In an embodiment, the specific space may be defined by being divided into a core area, a transition area, and an edge area based on the location of the at least one
또한, 엣지 영역과 전이 영역은 복수개로 형성될 수 있으며, 코어 영역과 엣지 영역은 고정된 위치를 중심으로 정의되고 개수가 고정적인 반면, 전이 영역은 상황에 따라 변화되는 위치를 중심으로 가변적으로 정의되고 개수 역시 변경되어 적용될 수 있다.In addition, the edge region and the transition region may be formed in plurality. The core region and the edge region are defined based on a fixed position and the number is fixed, whereas the transition region is variably defined based on a position that changes depending on the situation. and the number may also be changed and applied.
일 실시예에서, 코어 영역, 전이 영역 및 엣지 영역 각각은 다른 영역과 중첩되는 적어도 하나의 중첩 영역을 포함하고 전이 영역이 포함하는 중첩 영역의 크기가 최소가 되도록 정의될 수 있다. 즉, 특정 공간 상에서 정의되는 코어 영역, 전이 영역 및 엣지 영역은 서로 중첩되는 중첩 영역을 가질 수 있고, 이를 통해 모든 영역들이 해당 특정 공간 전체를 커버할 수 있다. 보이는 네트워크 제공 장치(130)는 부반송파를 이용하여 특정 공간 상에서 보이지 않는 네트워크에 관한 유효 정보를 도출할 수 있으며, 이를 위하여 특정 공간 전체에 대한 정보를 수집할 필요가 있다. 특정 공간 상에 정의되는 다양한 영역들은 이러한 목적 달성을 위한 구성으로서 다른 영역들과의 중첩 영역을 필수적으로 포함할 수 있다.In an embodiment, each of the core region, the transition region, and the edge region may include at least one overlapping region overlapping other regions, and may be defined such that the size of the overlapping region included in the transition region is minimized. That is, the core region, the transition region, and the edge region defined in the specific space may have overlapping regions overlapping each other, and through this, all regions may cover the entire corresponding specific space. The visible
한편, 전이 영역이 포함하는 중첩 영역의 크기는 코어 영역 및 엣지 영역이 포함하는 중첩 영역의 크기보다 더 작도록 정의될 수 있다. 즉, 전이 영역은 위치 및 크기를 가변적으로 적용하여 중첩 영역의 크기가 다른 영역들보다 작게 형성되도록 정의될 수 있다.Meanwhile, the size of the overlapping region included in the transition region may be defined to be smaller than the size of the overlapping region included in the core region and the edge region. That is, the transition region may be defined such that the size of the overlapping region is smaller than that of other regions by variably applying the position and size.
일 실시예에서, 네트워크 단말(210)은 코어 영역을 정의하는 제1 네트워크 단말, 전이 영역을 정의하는 제2 네트워크 단말 및 엣지 영역을 정의하는 제3 네트워크 단말들로 구분될 수 있다. 이 때, 제2 네트워크 단말은 특정 공간 내에서의 위치가 가변적인 이동 네트워크 단말을 포함할 수 있다. 즉, 제2 네트워크 단말을 기준으로 정의되는 전이 영역은 위치가 가변적으로 적용될 수 있으며, 이 때의 위치는 제2 네트워크 단말의 위치로 결정될 수 있다. 한편, 제2 네트워크 단말은 특정 공간 상에 고정 설치된 단말과 특정 공간 상에서 이동 가능한 단말을 포함할 수 있다. 예를 들어, 제2 네트워크 단말은 해당 특정 공간에 존재하는 사용자의 스마트폰에 해당할 수 있다.In an embodiment, the
일 실시예에서, 제2 네트워크 단말은 특정 공간 내에서의 위치가 고정되고 이동 네트워크 단말의 존재가 검출되면 동작 상태가 비활성화되는 고정 네트워크 단말을 포함할 수 있다. 즉, 제2 네트워크 단말은 고정 네트워크 단말 및 이동 네트워크 단말을 포함할 수 있으며, 보이는 네트워크의 대상이 되는 특정 공간에는 전이 영역 설정을 위한 고정 네트워크 단말이 설치될 수 있다. 또한, 전이 영역은 기본적으로 고정 네트워크 단말을 기준으로 정의될 수 있으나, 만약 해당 특정 공간 상으로 이동 네트워크 단말이 진입하여 해당 존재가 검출되는 경우 고정 네트워크 단말의 비활성화에 따라 해당 전이 영역은 소멸되고, 이동 네트워크 단말이 고정 네트워크 단말을 대신하여 전이 영역을 새롭게 정의하는 역할을 수행할 수 있다.In an embodiment, the second network terminal may include a fixed network terminal in which a position in a specific space is fixed and an operating state is deactivated when the presence of a mobile network terminal is detected. That is, the second network terminal may include a fixed network terminal and a mobile network terminal, and a fixed network terminal for setting a transition area may be installed in a specific space as a target of a visible network. In addition, the transition region may be basically defined based on the fixed network terminal, but if the mobile network terminal enters the specific space and the corresponding existence is detected, the corresponding transition region disappears according to the deactivation of the fixed network terminal, A mobile network terminal may perform a role of newly defining a transition region on behalf of a fixed network terminal.
무선신호 수집 단말(230)은 네트워크 단말(210)과의 무선 통신 과정에서 부반송파 신호를 수집하는 컴퓨팅 장치에 해당할 수 있다. 무선신호 수집 단말(230)은 네트워크 단말(210) 및 무선 AI 단말(250)과 각각 연결되어 동작할 수 있다. 무선신호 수집 단말(230)은 부반송파 신호를 수집하기 위한 안테나 모듈을 포함하여 구현될 수 있으며, 적어도 하나의 네트워크 단말(210)로부터 동시에 부반송파 신호를 수신할 수 있다.The wireless
일 실시예에서, 무선신호 수집 단말(230)은 수집된 부반송파 신호를 데이터베이스(150)에 저장하여 보관할 수 있으며, 저장 전 단계에서 다음 단계의 동작을 위한 전처리 동작을 수행할 수 있다. 예를 들어, 무선신호 수집 단말(230)은 리샘플링(resampling), 스무딩(smoothing), 잡음 제거, 추세 제거(detrent), 신호 변환 및 특징 정보 추출 등의 동작을 수행하여 수집된 데이터를 가공한 후 저장할 수 있다.In one embodiment, the wireless
일 실시예에서, 무선신호 수집 단말(230)은 각 영역 별로 부반송파 신호의 수집 동작을 독립적으로 수행할 수 있다. 즉, 무선신호 수집 단말(230)은 특정 공간 상에 정의되는 코어 영역, 전이 영역 및 엣지 영역으로부터 수신되는 부반송파 신호를 수집하여 영역 별로 분류한 후 저장할 수 있다. 무선신호 수집 단말(230)은 각 영역을 정의하는 제1 내지 제3 네트워크 단말들로부터 각각 무선 통신에 관한 부반송파 신호를 수집할 수 있고, 각 단말별 또는 각 영역별 부반송파 신호에 관한 독립적인 DB를 구축할 수 있다.In an embodiment, the wireless
무선 AI 단말(250)은 부반송파 신호에서 추출된 특징 정보를 인공지능 학습하여 특정 공간에 대한 네트워크 시각화를 제공할 수 있다. 이를 위하여 무선 AI 단말(250)은 무선신호 수집 단말(230)과 직접 연동하여 동작할 수 있다. 무선 AI 단말(250)은 부반송파 신호, 예를 들어 채널상태정보(CSI, Channel State Information)를 학습하여 특정 공간에 관한 상태 정보를 효과적으로 획득할 수 있다.The
한편, 레이더(RADAR)는 빔의 각도에 따라 검출할 수 없는 음영지역이 발생하는 반면, CSI는 빔의 360도 방향 특성에 의해 음영지역이 발생하지 않을 수 있다. 또한, 레이더는 레이더 송/수신기가 필요한 반면, CSI는 와이파이로 구현되어 디바이스 프리(device-free)를 구현할 수 있다. 또한, 레이더에서 구현되는 공간 해상도는 기하학(고전 지식공학)을 기반으로 구현되는 반면, CSI로 구현되는 공간 해상도는 머신러닝(현대 지식공학), 인공지능, 빅데이터의 기술로 구현될 수 있다.On the other hand, in the case of radar (RADAR), a shadow area that cannot be detected is generated depending on the angle of the beam, whereas in the CSI, a shadow area may not occur due to the 360 degree direction characteristic of the beam. In addition, while radar requires a radar transmitter/receiver, CSI is implemented as Wi-Fi to implement device-free. In addition, the spatial resolution implemented in radar is implemented based on geometry (classical knowledge engineering), whereas the spatial resolution implemented in CSI can be implemented with technologies of machine learning (modern knowledge engineering), artificial intelligence, and big data.
또한, 라이다(LIDAR)는 값이 비싼 반면, CSI는 와이파이가 작동하는 모든 곳에서 서비스 구현이 가능할 수 있으며, 라이다를 이용한 멀티 객체 인식 기술은 CSI에서도 동일하게 구현될 수 있다. 또한, 초음파는 체내의 종기나 담석, 이물질 발견 등 의학 방면에서 다양하게 이용되고 있다. 예를 들어, 심장에 초음파를 조사하고 반사파의 도플러 효과에 따른 파장 변화를 통해 심장의 운동을 검사할 수 있다. 초음파에 대한 인공지능 기술의 적용이 가능하지만, 초음파의 특성상 CSI보다 많은 정보를 추출해 낼 수 없다.In addition, while LIDAR is expensive, CSI service may be implemented wherever Wi-Fi operates, and multi-object recognition technology using LIDAR may be implemented in CSI as well. In addition, ultrasound is used in a variety of ways in the medical field, such as the discovery of boils, gallstones and foreign substances in the body. For example, the heart may be irradiated with ultrasound and the motion of the heart may be examined by changing the wavelength according to the Doppler effect of the reflected wave. Although artificial intelligence technology can be applied to ultrasound, it cannot extract more information than CSI due to the characteristics of ultrasound.
일 실시예에서, 무선 AI 단말(250)은 각 영역 별로 부반송파 신호에 대한 특징 정보를 추출하고 영역별 특징 정보에 서로 다른 가중치를 적용할 수 있다. 즉, 무선 AI 단말(250)은 부반송파 신호를 각 영역 별로 독립적으로 분석하여 부반송파 신호의 패턴, 채널 정보, 대역폭, 진폭, 길이 및 개수 등에 관한 특징 정보를 추출할 수 있으며, 각 영역별로 서로 다른 가중치를 적용할 수 있다. 예를 들어, 각 영역별 가중치는 코어 영역, 전이 영역 및 엣지 영역 순으로 작아질 수 있다. 또한, 각 영역별 가중치는 기준 가중치에 대해 영역의 크기와 개수에 따른 계수가 적용되어 더욱 세분화될 수 있다.In an embodiment, the
일 실시예에서, 무선 AI 단말(250)은 영역별 특징 정보의 상관관계를 학습한 결과로서 특정 공간 상에서 이동 객체에 관한 식별 정보를 제공하는 네트워크 시각화 모델을 구축할 수 있다. 무선 AI 단말(250)은 영역 별로 수집된 부반송파 신호를 기초로 특징 정보를 추출할 수 있으며, 각 영역별 특징 정보 사이의 상관관계를 학습 데이터로 이용하여 네트워크 시각화 모델을 생성할 수 있다. 이 때, 네트워크 시각화 모델은 보이지 않는 네트워크 정보로부터 특정 공간에 대한 시각적 정보를 생성하는 학습 모델에 해당할 수 있다. 예를 들어, 네트워크 시각화 모델은 특정 공간 상에서 이동하는 객체를 인식하거나 또는 특정 공간에서 객체의 동작을 인식할 수 있으며, 인식 결과를 출력으로 제공할 수 있다.In an embodiment, the
즉, 무선 AI 단말(250)은 특정 공간 상에서 이동하는 객체에 의해 무선 네트워크 단말들 간의 무선 통신에 사용되는 부반송파 신호가 영향을 받는다는 점을 고려하여 객체 이동에 의한 부반송파 신호의 변화를 기초로 해당 객체를 인식하거나 객체의 이동경로를 파악할 수 있다. 한편, 무선 AI 단말(250)은 네트워크 시각화를 위한 전용 인터페이스를 제공할 수 있으며, 특정 공간에서 객체의 이동은 히트맵, 인간 자세 추정(Human Pose Estimations) 등의 인공지능(AI) 시각화 툴(Tool)을 통해 제공될 수 있다.That is, the
일 실시예에서, 무선 AI 단말(250)은 영역별 특징 정보 간의 상관관계에 관한 특징 벡터를 생성하여 학습 데이터로 활용할 수 있다. 즉, 무선 AI 단말(250)은 특정 공간에서 각 영역 별로 수집된 부반송파 신호를 영역 별로 분석하여 영역별 특징 정보를 획득할 수 있다. 무선 AI 단말(250)은 영역별 특징 정보에 영역별 가중치를 부여한 후 구체적으로 수치화된 값으로 변환할 수 있으며, 변환된 영역별 특징 정보를 하나로 통합하여 특징 벡터를 생성할 수 있다. 즉, 특징 벡터는 특정 공간에 대한 특정 시점에서의 공간 정보에 해당할 수 있으며, 무선 신호의 변동에 관한 영역별 상관관계 정보를 포함할 수 있다. 무선 AI 단말(250)은 특정 공간에서 수집된 부반송파 신호에 대한 특징 벡터를 축적하여 학습함으로써 해당 특정 공간 내에서 발생하는 다양한 이벤트들을 효과적으로 예측하거나 식별할 수 있다.In an embodiment, the
일 실시예에서, 무선 AI 단말(250)은 인공지능 학습의 결과를 기초로 특정 공간에서의 객체 식별 및 동작 감지를 포함하는 공간 센싱을 제공할 수 있다. 즉, 무선 AI 단말(250)은 특정 공간 상에서 측정된 부반송파 신호를 인공지능 학습을 통해 구축된 네트워크 시각화 모델에 적용하여 해당 특정 공간에 대한 공간 정보를 획득할 수 있다. 즉, 무선 AI 단말(250)은 현재 특정 공간 내에 존재하는 객체를 식별할 수 있고, 특정 객체의 동작을 감지하거나 해당 공간 내의 혼잡도를 산출하는 등의 유효 공간 정보를 생성하여 제공할 수 있다.In an embodiment, the
도 3은 도 2의 무선 AI 단말의 기능적 구성을 설명하는 도면이다.FIG. 3 is a diagram for explaining a functional configuration of the wireless AI terminal of FIG. 2 .
도 3을 참조하면, 무선 AI 단말(250)은 부반송파 신호 처리부(310), 특징 정보 추출부(330), 특징 정보 학습부(350), 네트워크 시각화부(370) 및 제어부(390)를 포함할 수 있다.Referring to FIG. 3 , the
부반송파 신호 처리부(310)는 무선신호 수집 단말(230)과 연동하여 부반송파 신호를 수신할 수 있다. 필요에 따라 부반송파 신호 처리부(310)는 부반송파 신호에 대한 전처리 동작을 수행할 수 있다. 예를 들어, 부반송파 신호 처리부(310)는 부반송파 신호를 영역별로 수집하여 분류할 수 있고, 전처리 동작을 통해 이후 동작에 유용한 정보들만 선별적으로 추출할 수도 있다.The subcarrier
특징 정보 추출부(330)는 부반송파 신호를 기초로 특정 공간에 대한 공간 정보로 활용될 특징 정보를 추출할 수 있다. 특징 정보 추출부(330)에 의해 추출되는 특징 정보는 인공지능 학습의 학습 데이터로 사용될 수 있다.The
일 실시예에서, 특징 정보 추출부(330)는 부반송파 신호가 RF 신호인 경우 수평/수직 방향들 각각의 신호 세기에 관한 수평/수직 시각화 맵들을 특징 정보로서 추출하고 부반송파 신호가 채널상태정보인 경우 채널상태 정보에 관한 변화 그래프를 특징 정보로서 추출할 수 있다. 여기에서, RF 신호는 무선 통신 시스템에서 무선 통신을 통해 전송하는 데이터 신호에 해당할 수 있고, 채널상태정보는 통신 링크의 채널 특성에 관한 정보에 해당할 수 있다.In an embodiment, when the subcarrier signal is an RF signal, the
또한, 시각화 맵은 신호의 세기를 다양한 색상으로 표현하여 특정 공간에서의 공간 분포를 그래픽적으로 표현한 것에 해당할 수 있고, 변화 그래프는 신호의 변화를 시간의 흐름에 따라 그래픽적으로 표현한 것에 해당할 수 있다. 즉, 특징 정보 추출부(330)는 RF 신호 또는 채널상태정보에 관한 아날로그 정보를 2차원적인 또는 3차원적인 그래픽 표현으로 변환하여 이후 학습 단계에 용이하게 사용될 수 있도록 지원할 수 있다.In addition, the visualization map may correspond to a graphic representation of spatial distribution in a specific space by expressing the signal strength in various colors, and the change graph may correspond to a graphic representation of the signal change over time. can That is, the feature
특징 정보 학습부(350)는 특징 정보 추출부(330)에 의해 추출된 특징 정보를 학습하여 네트워크 시각화 모델을 구축할 수 있다. 네트워크 시각화 모델은 특정 공간에 대한 상태 정보를 출력으로 제공할 수 있으며, 보이지 않는 무선 네트워크 신호를 기초로 특정 공간에 대한 상황을 인지할 수 있는 다양한 정보를 결과로서 제공할 수 있다. 네트워크 시각화 모델은 필요에 따라 특정 공간에 대해 정의된 영역 별로 독립적으로 구축될 수 있으며, 각 영역별 학습 과정에 서로 다른 학습 알고리즘이 적용될 수도 있다.The characteristic
일 실시예에서, 특징 정보 학습부(350)는 특징 정보 추출부(330)에 의해 수평/수직 시각화 맵들이 특징 정보로서 추출되는 경우 특정 시간구간 동안 연속되는 복수의 프레임들에 대응되는 수평/수직 시각화 맵 세트(set)를 입력으로 사용하고 특정 시간구간 동안의 프레임별 식별 객체 정보를 출력으로 생성하는 모델을 네트워크 시각화 모델로서 생성할 수 있다. 특징 정보 학습부(350)는 시간의 흐름에 따른 프레임별 식별 객체 정보를 생성하기 위하여 무선신호로부터 추출되는 시각화 맵들을 하나씩 입력하는 것이 아니라 시각화 맵의 집합을 하나의 입력으로서 네트워크 시각화 모델에 입력할 수 있다. 네트워크 시각화 모델은 시각화 맵의 세트라는 하나의 입력에 대응하는 출력으로서 해당 시간구간에서 식별된 객체에 관한 정보, 예를 들어, 객체 식별정보, 객체 동작정보, 공간 혼잡도 정보들을 출력으로 생성할 수 있다.In one embodiment, the feature
네트워크 시각화부(370)는 특징 정보 학습부(350)에 의해 구축된 네트워크 시각화 모델을 이용하여 특정 공간에 대한 상태 정보를 제공할 수 있다. 즉, 네트워크 시각화는 보이지 않는 무선 네트워크 신호를 기초로 시각적으로 인지 가능한 형태의 공간 정보를 도출하는 개념에 해당할 수 있다. 예를 들어, 네트워크 시각화부(370)는 네트워크 시각화 모델을 이용하여 특정 공간 상에 존재하는 객체를 식별하거나 또는 객체의 동작을 인식할 수 있으며, 공간 혼잡도 등의 상태 정보를 제공할 수도 있다.The
제어부(390)는 무선 AI 단말(250)의 전체적인 동작을 제어하고, 부반송파 신호 처리부(310), 특징 정보 추출부(330), 특징 정보 학습부(350) 및 네트워크 시각화부(370) 간의 제어 흐름 또는 데이터 흐름을 관리할 수 있다.The
도 4는 본 발명에 따른 무선 인공지능을 이용한 보이는 네트워크 제공 과정을 설명하는 순서도이다.4 is a flowchart illustrating a process of providing a visible network using wireless artificial intelligence according to the present invention.
도 4를 참조하면, 보이는 네트워크 제공 장치(130)는 적어도 하나의 네트워크 단말(210)을 통해, 특정 공간에서 부반송파 신호를 이용하여 무선 통신을 수행할 수 있다(단계 S410). 또한, 보이는 네트워크 제공 장치(130)는 무선신호 수집 단말(230)을 통해, 적어도 하나의 네트워크 단말(210)과의 무선 통신 과정에서 부반송파 신호를 수집할 수 있다(단계 S430). 또한, 보이는 네트워크 제공 장치(130)는 무선신호 수집 단말(230)과 연동하여 동작하는 무선 AI 단말(250)을 통해, 부반송파 신호에서 추출된 특징 정보를 인공지능 학습하여 특정 공간에 대한 네트워크 시각화를 제공할 수 있다(단계 S450).Referring to FIG. 4 , the visible
도 5는 본 발명에 따른 특정 공간의 영역 구분을 설명하는 예시도이다.5 is an exemplary view for explaining the division of a specific space according to the present invention.
도 5를 참조하면, 보이는 네트워크 제공 장치(130)는 특정 공간(510)에서 단말들 간의 무선 통신이 이루어지는 과정에서 발생하는 부반송파 신호를 이용하여 특정 공간(510)에 대한 네트워크 시각화를 제공할 수 있다. 이 때, 특정 공간(510)은 적어도 하나의 네트워크 단말(210)의 위치를 중심으로 코어 영역(530), 전이 영역(550) 및 엣지 영역(570)으로 구분되어 정의될 수 있다. 또한, 각 영역들은 상호 간에 적어도 하나의 중첩 영역을 포함하도록 정의되어 특정 공간 전체를 커버할 수 있다.Referring to FIG. 5 , the visible
도 5에서, 영역 (A)는 코어 영역(530)과 전이 영역(550) 간의 중첩 영역에 해당할 수 있고, 영역 (B)는 코어 영역(530)과 엣지 영역(570) 간의 중첩 영역에 해당할 수 있으며, 영역 (C)는 전이 영역(550)과 엣지 영역(570) 간의 중첩 영역에 해당할 수 있다.In FIG. 5 , region A may correspond to an overlapping region between the
일 실시예에서, 전이 영역(550)은 특정 공간(510)에 고정적으로 설치된 고정 네트워크 단말을 중심으로 정의될 수 있으며, 필요에 따라 특정 공간(510)에서 위치가 가변적인 이동 네트워크 단말을 중심으로 정의될 수도 있다. 이 때, 이동 네트워크 단말은 사용자의 스마트폰에 해당할 수 있다.In an embodiment, the
일 실시예에서, 특정 공간(510)내에서 이동 네트워크 단말의 존재가 검출된 경우 고정 네트워크 단말의 동작 상태가 비활성화될 수 있고, 이동 네트워크 단말의 위치에 따라 전이 영역(550)이 가변적으로 정의될 수 있다. 보이는 네트워크 제공 장치(130)는 전이 영역(550)의 변경이 검출되는 경우 해당 전이 영역(550)에 대한 부반송파 신호의 갱신을 통해 특정 공간에 대한 상태 정보를 갱신하여 제공할 수 있다.In one embodiment, when the presence of the mobile network terminal is detected in the
일 실시예에서, 보이는 네트워크 제공 장치(130)는 전이 영역(550)의 변경에 의해 각 영역들 간의 중첩 영역이 변경되는 경우 전이 영역(550)이 포함하는 중첩 영역의 크기가 최소가 되도록 코어 영역(530) 및 엣지 영역(570)의 크기를 조절할 수 있다. 이 때, 필요한 경우 전이 영역(550)의 크기도 함께 조절될 수 있으며, 코어 영역(530) 및 엣지 영역(570)의 위치는 고정적이기 때문에 보이는 네트워크 제공 장치(130)는 해당 영역들의 크기를 조절하여 관련 동작을 처리할 수 있다.In an embodiment, the visible
상기에서는 본 발명의 바람직한 실시예를 참조하여 설명하였지만, 해당 기술 분야의 숙련된 당업자는 하기의 특허 청구의 범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.Although the above has been described with reference to preferred embodiments of the present invention, those skilled in the art can variously modify and change the present invention within the scope without departing from the spirit and scope of the present invention as set forth in the claims below. You will understand that it can be done.
100: 보이는 네트워크 제공 시스템
110: 사용자 단말 130: 보이는 네트워크 제공 장치
150: 데이터베이스
210: 네트워크 단말 230: 무선신호 수집 단말
250: 무선 AI 단말
310: 부반송파 신호 처리부 330: 특징 정보 추출부
350: 특징 정보 학습부 370: 네트워크 시각화부
390: 제어부
510: 특정 공간 530: 코어 영역
550: 전이 영역 570: 엣지 영역100: visible network providing system
110: user terminal 130: visible network providing device
150: database
210: network terminal 230: wireless signal collection terminal
250: wireless AI terminal
310: subcarrier signal processing unit 330: feature information extraction unit
350: feature information learning unit 370: network visualization unit
390: control unit
510: specific space 530: core area
550: transition region 570: edge region
Claims (10)
상기 적어도 하나의 네트워크 단말과의 무선 통신 과정에서 상기 부반송파 신호를 수집하는 무선신호 수집 단말; 및
상기 무선신호 수집 단말과 연동하여 동작하고, 상기 부반송파 신호에서 추출된 특징 정보를 인공지능 학습하여 상기 특정 공간에 대한 네트워크 시각화를 제공하는 무선 AI 단말을 포함하되,
상기 특정 공간은 상기 적어도 하나의 네트워크 단말의 위치를 중심으로 코어 영역, 전이 영역 및 엣지 영역으로 구분되어 정의되고,
상기 적어도 하나의 네트워크 단말은 상기 코어 영역을 정의하는 제1 네트워크 단말, 상기 전이 영역을 정의하는 제2 네트워크 단말 및 상기 엣지 영역을 정의하는 제3 네트워크 단말들로 구분되고,
상기 제2 네트워크 단말은 상기 특정 공간 내에서의 위치가 가변적인 이동 네트워크 단말을 포함하는 것을 특징으로 하는 무선 인공지능을 이용한 보이는 네트워크 제공 장치.
at least one network terminal performing wireless communication using a subcarrier signal in a specific space;
a wireless signal collection terminal for collecting the subcarrier signal in a wireless communication process with the at least one network terminal; and
A wireless AI terminal that operates in conjunction with the wireless signal collection terminal and provides network visualization for the specific space by artificial intelligence learning the feature information extracted from the subcarrier signal,
The specific space is defined by being divided into a core area, a transition area and an edge area around the location of the at least one network terminal,
The at least one network terminal is divided into a first network terminal defining the core area, a second network terminal defining the transition area, and a third network terminal defining the edge area,
The second network terminal is a visible network providing apparatus using wireless artificial intelligence, characterized in that it includes a mobile network terminal with a variable position in the specific space.
상기 코어 영역, 상기 전이 영역 및 상기 엣지 영역 각각은 다른 영역과 중첩되는 적어도 하나의 중첩 영역을 포함하고 상기 전이 영역이 포함하는 중첩 영역의 크기가 최소가 되도록 정의되는 것을 특징으로 하는 무선 인공지능을 이용한 보이는 네트워크 제공 장치.
According to claim 1,
Each of the core region, the transition region and the edge region includes at least one overlapping region overlapping other regions, and is defined such that the size of the overlapping region included in the transition region is minimized. Visible network providing device used.
상기 특정 공간 내에서의 위치가 고정되고 상기 이동 네트워크 단말의 존재가 검출되면 동작 상태가 비활성화되는 고정 네트워크 단말을 포함하는 것을 특징으로 하는 무선 인공지능을 이용한 보이는 네트워크 제공 장치.
According to claim 1, wherein the second network terminal
and a fixed network terminal in which an operation state is deactivated when the location in the specific space is fixed and the presence of the mobile network terminal is detected.
각 영역 별로 상기 부반송파 신호의 수집 동작을 독립적으로 수행하는 것을 특징으로 하는 무선 인공지능을 이용한 보이는 네트워크 제공 장치.
According to claim 1, wherein the wireless signal collection terminal
An apparatus for providing a visible network using wireless artificial intelligence, characterized in that the collection operation of the subcarrier signal is independently performed for each area.
각 영역 별로 상기 부반송파 신호에 대한 특징 정보를 추출하고 영역별 특징 정보에 서로 다른 가중치를 적용하는 것을 특징으로 하는 무선 인공지능을 이용한 보이는 네트워크 제공 장치.
According to claim 1, wherein the wireless AI terminal
A visible network providing apparatus using wireless artificial intelligence, characterized in that extracting characteristic information on the subcarrier signal for each region and applying different weights to the characteristic information for each region.
상기 영역별 특징 정보의 상관관계를 학습한 결과로서 상기 특정 공간 상에서 이동 객체에 관한 식별 정보를 제공하는 네트워크 시각화 모델을 구축하는 것을 특징으로 하는 무선 인공지능을 이용한 보이는 네트워크 제공 장치.
The method of claim 7, wherein the wireless AI terminal
A visible network providing apparatus using wireless artificial intelligence, characterized in that a network visualization model is constructed that provides identification information on a moving object in the specific space as a result of learning the correlation between the characteristic information for each area.
상기 인공지능 학습의 결과를 기초로 상기 특정 공간에서의 객체 식별 및 동작 감지를 포함하는 공간 센싱을 제공하는 것을 특징으로 하는 무선 인공지능을 이용한 보이는 네트워크 제공 장치.
According to claim 1, wherein the wireless AI terminal
A visible network providing apparatus using wireless artificial intelligence, characterized in that it provides spatial sensing including object identification and motion detection in the specific space based on the result of the artificial intelligence learning.
무선신호 수집 단말을 통해, 상기 적어도 하나의 네트워크 단말과의 무선 통신 과정에서 상기 부반송파 신호를 수집하는 단계; 및
상기 무선신호 수집 단말과 연동하여 동작하는 무선 AI 단말을 통해, 상기 부반송파 신호에서 추출된 특징 정보를 인공지능 학습하여 상기 특정 공간에 대한 네트워크 시각화를 제공하는 단계를 포함하되,
상기 특정 공간은 상기 적어도 하나의 네트워크 단말의 위치를 중심으로 코어 영역, 전이 영역 및 엣지 영역으로 구분되어 정의되고,
상기 적어도 하나의 네트워크 단말은 상기 코어 영역을 정의하는 제1 네트워크 단말, 상기 전이 영역을 정의하는 제2 네트워크 단말 및 상기 엣지 영역을 정의하는 제3 네트워크 단말들로 구분되고,
상기 제2 네트워크 단말은 상기 특정 공간 내에서의 위치가 가변적인 이동 네트워크 단말을 포함하는 것을 특징으로 하는 무선 인공지능을 이용한 보이는 네트워크 제공 방법.
performing wireless communication using a subcarrier signal in a specific space through at least one network terminal;
collecting the subcarrier signal through a wireless signal collection terminal in a wireless communication process with the at least one network terminal; and
Through a wireless AI terminal operating in conjunction with the wireless signal collection terminal, artificial intelligence learning the feature information extracted from the subcarrier signal to provide a network visualization for the specific space,
The specific space is defined by being divided into a core area, a transition area and an edge area around the location of the at least one network terminal,
The at least one network terminal is divided into a first network terminal defining the core area, a second network terminal defining the transition area, and a third network terminal defining the edge area,
The second network terminal is a visible network providing method using wireless artificial intelligence, characterized in that it includes a mobile network terminal with a variable position in the specific space.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020200118453A KR102270808B1 (en) | 2020-09-15 | 2020-09-15 | Visible network providing apparatus and method using wireless artificial intelligence |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020200118453A KR102270808B1 (en) | 2020-09-15 | 2020-09-15 | Visible network providing apparatus and method using wireless artificial intelligence |
Publications (1)
Publication Number | Publication Date |
---|---|
KR102270808B1 true KR102270808B1 (en) | 2021-06-29 |
Family
ID=76626296
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020200118453A KR102270808B1 (en) | 2020-09-15 | 2020-09-15 | Visible network providing apparatus and method using wireless artificial intelligence |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR102270808B1 (en) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023128582A1 (en) * | 2021-12-29 | 2023-07-06 | 주식회사 윌러스표준기술연구소 | Method and apparatus for sensing motion on basis of wireless lan signal |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20080026896A (en) | 2006-09-22 | 2008-03-26 | 삼성전자주식회사 | Apparatus and method for extimating channel using hidden pilots in mobile communication system |
KR20190072900A (en) * | 2017-12-18 | 2019-06-26 | 한밭대학교 산학협력단 | Apparatus and method for wireless location using deep learning |
KR20190125624A (en) * | 2018-04-30 | 2019-11-07 | 서울대학교산학협력단 | Estimation Method of Room Shape Using Radio Propagation Channel Analysis through Deep Learning |
KR20200024556A (en) * | 2018-08-28 | 2020-03-09 | (주)제이엠피시스템 | Indoor positioning method and system using machine learning |
KR20200044171A (en) * | 2018-10-05 | 2020-04-29 | 재단법인대구경북과학기술원 | Real-time object detection method and apparatus by deep learning network model |
-
2020
- 2020-09-15 KR KR1020200118453A patent/KR102270808B1/en active IP Right Grant
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20080026896A (en) | 2006-09-22 | 2008-03-26 | 삼성전자주식회사 | Apparatus and method for extimating channel using hidden pilots in mobile communication system |
KR20190072900A (en) * | 2017-12-18 | 2019-06-26 | 한밭대학교 산학협력단 | Apparatus and method for wireless location using deep learning |
KR20190125624A (en) * | 2018-04-30 | 2019-11-07 | 서울대학교산학협력단 | Estimation Method of Room Shape Using Radio Propagation Channel Analysis through Deep Learning |
KR20200024556A (en) * | 2018-08-28 | 2020-03-09 | (주)제이엠피시스템 | Indoor positioning method and system using machine learning |
KR20200044171A (en) * | 2018-10-05 | 2020-04-29 | 재단법인대구경북과학기술원 | Real-time object detection method and apparatus by deep learning network model |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023128582A1 (en) * | 2021-12-29 | 2023-07-06 | 주식회사 윌러스표준기술연구소 | Method and apparatus for sensing motion on basis of wireless lan signal |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hsieh et al. | Deep learning-based indoor localization using received signal strength and channel state information | |
US11647395B1 (en) | System, method, and apparatus for providing dynamic, prioritized spectrum management and utilization | |
US11665547B2 (en) | System, method, and apparatus for providing dynamic, prioritized spectrum management and utilization | |
US12028719B2 (en) | System, method, and apparatus for providing dynamic, prioritized spectrum management and utilization | |
CN111869291A (en) | Channel mapping in a wireless system | |
CN110543842A (en) | Target motion identification method and system based on Wi-Fi signals | |
Wu et al. | LiDAR-aided mobile blockage prediction in real-world millimeter wave systems | |
WO2023213051A1 (en) | Static human body posture estimation method based on csi signal angle-of-arrival estimation | |
CN116055015A (en) | Perceptual signal processing method and device and communication equipment | |
WO2016079656A1 (en) | Zero-calibration accurate rf-based localization system for realistic environments | |
KR102270808B1 (en) | Visible network providing apparatus and method using wireless artificial intelligence | |
WO2023219177A1 (en) | Integrated sensing and communications empowered by networked hybrid quantum-classical machine learning | |
CN116343261A (en) | Gesture recognition method and system based on multi-modal feature fusion and small sample learning | |
CN115343704A (en) | Gesture recognition method of FMCW millimeter wave radar based on multi-task learning | |
Soto et al. | Wi-fi csi-based human presence detection using dtw features and machine learning | |
CN113923589B (en) | Non-contact type multi-target positioning method | |
KR101232365B1 (en) | Apparatus and method for multiple moving source positioning in wireless sensor network | |
CN115510949A (en) | Indoor passive human behavior recognition method and device | |
WO2022190721A1 (en) | Multi-band wi-fi fusion for wlan sensing field | |
Li et al. | BmmW: A DNN-based Joint BLE and mmWave Radar System for Accurate 3D Localization | |
CN114760684A (en) | Wireless positioning method, and training method and device of path recognition model | |
Lin et al. | Behavioral biometrics based on human-computer interaction devices | |
EP3328112A1 (en) | Determining coverage efficiency of an access point in a wireless network | |
Webber et al. | Human Motion Identity using Machine Learning on Spectral Analysis of RSS Signals | |
CN112543428B (en) | Indoor positioning method based on ELM-AdaBoost classification learning |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
GRNT | Written decision to grant |