KR102304466B1 - 실내 측위용 데이터베이스 구축, 실내 측위 방법 및 시스템 - Google Patents

실내 측위용 데이터베이스 구축, 실내 측위 방법 및 시스템 Download PDF

Info

Publication number
KR102304466B1
KR102304466B1 KR1020200003391A KR20200003391A KR102304466B1 KR 102304466 B1 KR102304466 B1 KR 102304466B1 KR 1020200003391 A KR1020200003391 A KR 1020200003391A KR 20200003391 A KR20200003391 A KR 20200003391A KR 102304466 B1 KR102304466 B1 KR 102304466B1
Authority
KR
South Korea
Prior art keywords
access points
rss
location
reference point
indoor positioning
Prior art date
Application number
KR1020200003391A
Other languages
English (en)
Other versions
KR20210090058A (ko
Inventor
변재영
김범훈
김대호
수베디 산토쉬
강희선
Original Assignee
조선대학교산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 조선대학교산학협력단 filed Critical 조선대학교산학협력단
Priority to KR1020200003391A priority Critical patent/KR102304466B1/ko
Publication of KR20210090058A publication Critical patent/KR20210090058A/ko
Application granted granted Critical
Publication of KR102304466B1 publication Critical patent/KR102304466B1/ko

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • 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
    • G06N3/08—Learning methods
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/023—Services making use of location information using mutual or relative location information between multiple location based services [LBS] targets or of distance thresholds
    • 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
    • G01S2201/00—Indexing scheme relating to beacons or beacon systems transmitting signals capable of being detected by non-directional receivers and defining directions, positions, or position lines fixed relatively to the beacon transmitters
    • G01S2201/01—Indexing scheme relating to beacons or beacon systems transmitting signals capable of being detected by non-directional receivers and defining directions, positions, or position lines fixed relatively to the beacon transmitters adapted for specific applications or environments
    • G01S2201/02—Indoor positioning, e.g. in covered car-parks, mining facilities, warehouses
    • G01S2201/025—Indoor pedestrian positioning

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Position Fixing By Use Of Radio Waves (AREA)

Abstract

본 개시의 실시 예는 실내 측위 방법에 관한 것으로, 실내 공간의 제 1 위치에서 측정되는 액세스 포인트들로부터의 RSS를 측정하는 단계, RSS의 크기가 큰 순서대로 일정 개수의 액세스 포인트들을 제 1 위치와 관련된 제 1 액세스 포인트들로 선택하는 단계, 제 1 액세스 포인트들로부터의 RSS에 기초하여 제 1 위치에서의 제 1 액세스 포인트들의 WC를 결정하는 단계, 및 실내 공간의 기준 지점마다 관련된 액세스 포인트들의 정보, 관련된 액세스 포인트들로부터의 RSS, 및 기준 지점에서 상기 관련된 액세스 포인트들의 WC가 저장된 데이터베이스의 데이터와 상기 제 1 액세스 포인트들의 정보, 제 1 액세스 포인트들로부터의 RSS 및 상기 제 1 위치에서 제 1 액세스 포인트들의 WC를 비교하여, 제 1 위치의 위치 정보를 추정하는 단계를 포함할 수 있다.

Description

실내 측위용 데이터베이스 구축, 실내 측위 방법 및 시스템{METHOD AND SYSTEM FOR BUILDING INDOOR POSITIONING DATABASE AND POSITIONING INDOOR WITH INDOOR POSITIONING DATABASE}
본 개시는 무선주파수(Radio Frequency, RF) 기반 측위 시, 무선 주파수 신호 세기 및 가중 중심(Weighted Centroid, WC)에 기초하여 실내 측위용 데이터베이스를 구축하고, 실내 위치를 추정할 수 있도록 하는 실내 측위용 데이터베이스 구축, 실내 측위 방법 및 시스템에 관한 것이다.
오늘날, 위치 기반 서비스(Location Based Service, LBS)에 대한 사회적 및 상업적 관심이 커짐에 따라 다양한 실외 및 실내 위치 측정 시스템의 연구 개발이 증가하고 있다. 실외 및 실내의 위치 정보는 인체 공학적 미래 지속 가능성 컴퓨팅 프레임 워크의 핵심으로, 광범위한 컴퓨팅 환경을 위한 다양한 가능성을 제공할 수 있다.
한편, GNSS(Global Navigation Satellite System)는 위치 측정 시스템에서 대표적인 기술이었다. 그러나, GNSS 신호를 수신하여 위치를 추정하는 기술의 경우에 건물의 내부 또는 고층 건물 사이에 위치하는 경우에 위성 신호를 수신하기 어렵기 때문에 기기의 정확한 위치를 추정하기 어려운 문제점이 있다. 따라서, 다양한 실내 위치 측정 시스템(Indoor Positioning Service, IPS)의 연구 개발이 증가하고 있다.
위치 기반 서비스, 특히 실내 위치 측정은 Wi-Fi, BLE(Bluetooth Low Energy), ZigBee, UWB(Ultra-Wide Band), 가시 광선 및 지구 자기장 등을 사용하여 실내 위치를 추정할 수 있다. 특히 실내 위치 측정 기술 중, 블루투스(Bluetooth) 저에너지 비콘을 사용하는 방법이 있다. 이는 에너지 소비가 적고 효율적으로, 현재 많은 스마트 폰과 태블릿 등에 내장되어 있다.
특히, 핑거프린팅(fingerprinting) 방법은 위치 추정이 양호하고 액세스 포인트로부터의 가시선(line-of-sight)이 필요하지 않기 때문에 위치 기반 서비스 설계에 있어 주요한 선택이 되었다. 즉 이러한 핑거프린팅 방법은 높은 안정성으로 인해 실내 위치 측정에서 많이 이용되고 있다.
그러나 핑거프린팅 방법은, 오프라인(training) 단계를 포함하여 실내 측위용 데이터베이스를 구축하고 온라인(test) 단계에서 측위를 수행하며, 실내에 배치된 모든 액세스 포인트에 대한 데이터를 데이터베이스에 축적하고 측위를 위한 계산을 수행한다. 따라서, 핑거프린팅 방법은 계산 과정이 복잡화되고 데이터베이스의 크기가 증가될 수 있는 문제가 있다.
전술한 배경기술은 발명자가 본 발명의 도출을 위해 보유하고 있었거나, 본 발명의 도출 과정에서 습득한 기술 정보로서, 반드시 본 발명의 출원 전에 일반 공중에게 공개된 공지기술이라 할 수는 없다.
본 개시의 일 과제는, 무선주파수 기반 측위 시, 무선 주파수 신호 세기(RSS: Received Signal Strength) 및 가중 중심(WC: Weighted Centroid)에 기초한 클러스터링(clustering)을 수행하여 실내 측위용 데이터베이스를 구축하고, 실내 위치를 추정할 수 있도록 하는데 있다.
본 개시의 실시 예에 따른 실내 측위용 데이터베이스 구축 방법은, 실내 공간의 기준 지점에서 측정되는 액세스 포인트들로부터의 RSS(Received Signal Strength)를 측정하는 단계, RSS의 크기가 큰 순서대로 일정 개수의 액세스 포인트들을 상기 기준 지점과 관련된 액세스 포인트들로 선택하는 단계, 관련된 액세스 포인트들로부터의 RSS에 기초하여 상기 기준 지점에서 관련된 액세스 포인트들의 WC(weighted centroid)를 결정하는 단계, 관련된 액세스 포인트들의 정보 및 상기 관련된 액세스 포인트들로부터의 RSS 및 상기 관련된 액세스 포인트들의 WC를 상기 기준 지점의 위치 정보와 연관하여 데이터베이스에 저장하는 단계, 실내 공간의 기준 지점들마다 위의 단계를 반복하는 단계를 포함할 수 있다.
관련된 액세스 포인트들의 WC를 결정하는 단계는, 관련된 액세스 포인트들로부터의 RSS에 기초하여 상기 기준 지점으로부터 상기 관련된 액세스 포인트들 각각까지의 거리를 연산하는 단계, 및 연산된 거리에 기초하여 상기 기준 지점에서 상기 관련된 액세스 포인트들의 WC를 결정하는 단계를 포함할 수 있다.
반복하는 단계 이후에는, 데이터베이스에 저장된 각각의 기준 지점의 관련된 액세스 포인트들의 정보 및 각각의 기준 지점의 관련된 액세스 포인트들로부터의 RSS 및 각각의 기준 지점에서 관련된 액세스 포인트들의 WC를 포함하는 훈련 데이터를 생성하는 단계를 더 포함할 수 있다.
여기서, 훈련 데이터는 각각의 기준 지점의 위치 정보로 레이블링된 데이터일 수 있다.
생성하는 단계 이후에는, 구축된 초기 신경망 모델을 상기 훈련 데이터를 사용하여 실내 측위용 신경망 모델로 학습시키는 단계를 더 포함할 수 있다.
여기서, 실내 측위용 신경망 모델은, 특정 위치에서의 관련된 액세스 포인트들의 정보, 관련된 액세스 포인트들로부터의 RSS 및 상기 특정 위치에서 관련된 액세스 포인트들의 WC를 입력하면 특정 위치의 위치 정보를 출력하도록 구성될 수 있다.
RSS를 측정하는 단계는, 각각의 액세스 포인트들로부터 측정되는 RSS를 복수 번 측정하고, 복수 번 측정된 RSS의 평균값을 산출하는 단계 및 평균값을 각각의 액세스 포인트들로부터의 RSS 값으로 선택하는 단계를 포함할 수 있다.
본 개시의 실시 예에 따른 실내 측위 방법은, 실내 공간의 제 1 위치에서 측정되는 액세스 포인트들로부터의 RSS를 측정하는 단계, RSS의 크기가 큰 순서대로 일정 개수의 액세스 포인트들을 상기 제 1 위치와 관련된 제 1 액세스 포인트들로 선택하는 단계, 제 1 액세스 포인트들로부터의 RSS에 기초하여 상기 제 1 위치에서의 상기 제 1 액세스 포인트들의 WC를 결정하는 단계 및 실내 공간의 기준 지점마다 관련된 액세스 포인트들의 정보, 관련된 액세스 포인트들로부터의 RSS, 및 상기 기준 지점에서 관련된 액세스 포인트들의 WC가 저장된 데이터베이스의 데이터와 제 1 액세스 포인트들의 정보, 제 1 액세스 포인트들로부터의 RSS 및 제 1 위치에서 제 1 액세스 포인트들의 WC를 비교하여, 제 1 위치의 위치 정보를 추정하는 단계를 포함할 수 있다.
여기서, 데이터베이스는 기준 지점들이 그룹핑된 클러스터 정보를 포함하고, 추정하는 단계는, 데이터베이스에서 제 1 액세스 포인트들의 WC와 가장 근접한 WC를 가지는 기준 지점을 탐색하는 단계, 및 탐색된 기준 지점의 클러스터에 속하는 기준 지점들에서의 WC와 상기 제 1 액세스 포인트들의 WC의 차이 및 상기 기준 지점들에서의 관련된 액세스 포인트들의 RSS와 제 1 액세스 포인트들의 RSS의 차이에 기초하여 상기 제 1 위치의 위치 정보를 연산하는 단계를 포함할 수 있다.
또한, 제 1 위치의 위치 정보를 연산하는 단계는, 클러스터의 기준 지점들 중 해당 기준 지점의 WC가 제 1 액세스 포인트들의 WC와 가장 근접한 기준 지점의 관련된 액세스 포인트들과 제 1 액세스 포인트들이 RSS 크기에 따른 순서로 나열되었을 때 서로 매칭하는 액세스 포인트들의 개수에 추가로 기초하여 제 1 위치의 위치 정보를 연산하는 단계를 포함할 수 있다.
또한, 제 1 위치의 위치 정보를 추정하는 단계는, 구축된 초기 신경망 모델을 기반으로 상기 훈련 데이터를 사용하여 학습된 실내 측위용 신경망 모델에 기초하여 상기 제 1 위치의 위치 정보를 추정하는 단계를 포함할 수 있다.
실내 측위용 신경망 모델은, 특정 위치에서의 관련된 액세스 포인트들의 정보, 관련된 액세스 포인트들로부터의 RSS 및 상기 특정 위치에서 관련된 액세스 포인트들의 WC를 입력하면 특정 위치의 위치 정보를 출력하도록 구성될 수 있다.
또한, RSS를 측정하는 단계는, 각각의 액세스 포인트들로부터 측정되는 RSS를 복수 번 측정하고, 복수 번 측정된 RSS의 평균값을 산출하는 단계, 및 평균값을 각각의 액세스 포인트들로부터의 RSS 값으로 선택하는 단계를 포함할 수 있다.
본 개시의 실시 예에 따른 실내 측위 장치는, 액세스 포인트들로부터의 RSS를 수신하는 통신 인터페이스, 하나 이상의 프로세서 및 하나 이상의 프로세서와 연결되는 메모리를 포함하고, 메모리는, 상기 프로세서에 의해 실행될 때, 프로세서로 하여금, 실내 공간의 제 1 위치에서 측정되는 액세스 포인트들로부터의 RSS를 측정하고, RSS의 크기가 큰 순서대로 일정 개수의 액세스 포인트들을 상기 제 1 위치와 관련된 제 1 액세스 포인트들로 선택하며, 제 1 액세스 포인트들로부터의 RSS에 기초하여 상기 제 1 위치에서의 제 1 액세스 포인트들의 WC를 결정하고, 실내 공간의 기준 지점마다 관련된 액세스 포인트들의 정보, 관련된 액세스 포인트들로부터의 RSS, 및 기준 지점에서 상기 관련된 액세스 포인트들의 WC가 저장된 데이터베이스의 데이터와 제 1 액세스 포인트들의 정보, 제 1 액세스 포인트들로부터의 RSS 및 제 1 위치에서 제 1 액세스 포인트들의 WC를 비교하여, 상기 제 1 위치의 위치 정보를 추정하도록 야기하는(cause) 코드들을 저장할 수 있다.
제안된 시스템은 다양한 핑거 프린팅 기능을 사용하여 로컬라이제이션 정확도를 높여 데이터베이스의 물리적 크기와 실행 단계에서 서버와의 데이터 통신량을 줄일 수 있다. 더하여, 친화성 전파 클러스터링은 RP의 검색 공간을 최소화하고 계산 비용을 감소시키며, 지수 평균화를 통해 노이즈 RSS를 부드럽게 할 수 있다.
도 1은 본 개시의 일 실시 예에 따른 실내 측위 시스템의 개략적인 예시도이다.
도 2는 본 개시의 일 실시 에에 따른 실내 측위 시스템을 개략적으로 나타낸 블록도이다.
도 3은 본 개시의 일 실시 예에 따른실내 측위용 데이터베이스를 구축하는 오프라인 단계(offline phase)와, 실내 측위를 수행하는 온라인 단계(execution phase)의 전체적인 흐름을 설명하는 도면이다.
도 4는 본 개시의 일 실시 예에 따른 실내 측위 방법에서 오프라인 단계를 구체적으로 설명하기 위한 도면이다.
도 5는 본 개시의 일 실시 예에 따른 온라인 단계를 구체적으로 설명하기 위한 도면이다.
도 6은 본 개시의 일 실시 예에 따른 실내 측위에서 가중 중심을 설명하기 위한 도면이다.
도 7은 본 개시의 일 실시 예에 따른 실내 측위가 이루어지는 예시적인 실내 공간을 설명하기 위한 도면이다.
도 8은 종래의 핑거프린트 데이터베이스와 본 개시의 일 실시 예에 따른 핑거프린트 데이터베이스를 비교하여 도시한다.
도 9는 본 개시의 실시 예에 따른 오프라인 단계에서 실내 측위용 데이터베이스를 구축하는 과정을 설명하는 순서도이다.
도 10은 본 개시의 실시 예에 따른 온라인 단계에서 실내 측위를 수행하는 과정을 설명하는 순서도이다.
도 11 내지 13은 종래 방식과 비교하여 본 개시의 실시 예에 따른 방식의 우수성을 설명하기 위한 그래프이다.
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 설명되는 실시 예들을 참조하면 명확해질 것이다. 그러나 본 발명은 아래에서 제시되는 실시 예들로 한정되는 것이 아니라, 서로 다른 다양한 형태로 구현될 수 있고, 본 발명의 사상 및 기술 범위에 포함되는 모든 변환, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 아래에 제시되는 실시 예들은 본 발명의 개시가 완전하도록 하며, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이다. 본 발명을 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.
본 출원에서 사용한 용어는 단지 특정한 실시 예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, 포함하다 또는 가지다 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다. 제1, 제2 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.
이하, 본 발명에 따른 실시 예들을 첨부된 도면을 참조하여 상세히 설명하기로 하며, 첨부 도면을 참조하여 설명함에 있어, 동일하거나 대응하는 구성요소는 동일한 도면번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다.
먼저 본 실시 예는, 실내 측위의 정확도를 높이기 위한 2 단계의 핑거프린팅 기반 실내 측위 방법에 관한 것이다. 이때 본 실시 예에서는, 비콘(beacon)을 액세스 포인트(access point)로 하여 실내 측위를 수행할 수 있으나, 이에 한정되는 것은 아니며 다양한 무선 통신 모듈이 적용될 수 있다.
실내 측위는 오프라인 과정(측위 학습과정)과 온라인 과정 (실측과정)으로 나누어질 수 있다. 일반적으로, WiFi와 블루투스 비컨과 같은 RF 기반 측위에서는 RF 신호형태의 핑거프린트 데이터를 오프라인 과정에서 측정하고, 이를 데이터베이스에 저장하며, 온라인 과정에서 측위 단말을 휴대한 사용자가 현재 위치에서 측정한 RF 신호를 데이터베이스에 저장된 RF 신호와 비교하여 현재 위치를 추정할 수 있다. 이때, 주로 사용하는 핑거프린트 데이터는 RF 신호 세기 값(RSS)이나, 본 실시 예에서는 RSS 이외에 가중 중심(Weighted Centroid, WC)을 핑거프린트 데이터로 추가적으로 사용하여 현재위치를 추정할 수 있다.
즉, 오프라인 과정에서는 기준 지점(RP: reference point)에서 측정되는 RSS와 WC를 비교용 데이터로 DB에 저장할 수 있다. 반면 온라인 과정에서는 저장된 RSS와 WC 정보를 특정 위치에서의 사용자 단말이 측정한 데이터와 비교하여 현재 위치를 추정할 수 있다. 이때 기준 지점은 클러스터링 과정을 통해 선택될 수 있으며, 이에 종래 기술 대비 적은 수의 기준 지점이 사용될 수 있다.
다시 말해, 본 실시 예에서는, 전파 모델(propagation model)을 사용하여 비콘의 수신 신호 세기(RSS)를 거리로 변환하고, 주변 비콘의 가중 중심(WC)을 추정할 수 있다. 그리고 본 실시 예에서는, 실내에 배치된 모든 비콘의 RSS를 저장하지 않고, RSS 및 주변 비콘의 거리를 기반으로 하는 비콘의 순위와 함께 추정된 WC를 서버 데이터베이스에 저장함으로써, 실내 측위를 위한 데이터베이스를 구축하고, 이를 이용하여 실내 측위를 수행할 수 있도록 할 수 있다.
또한, 본 개시의 일 실시 예의 실내 측위용 데이터베이스 구축, 실내 측위 방법은 컴퓨터에 의해 수행되며, 상기 컴퓨터에는 상기 컴퓨터를 기능시켜 실내 측위용 데이터베이스 구축, 실내 측위 방법을 수행하는 컴퓨터 프로그램이 저장된다.
또한, 상기 컴퓨터는 일반적인 퍼스널 컴퓨터뿐만 아니라, 스마트폰이나 태블릿 PC와 같은 스마트 기기(사용자 단말)를 포함하는 광의의 컴퓨팅 장치를 의미한다.
또한, 상기 컴퓨터 프로그램은 별도의 기록 매체에 저장되어 제공될 수 있으며, 상기 기록매체는 본 발명을 위하여 특별히 설계되어 구성된 것들이거나 컴퓨터 소프트웨어 분야에서 통상의 지식을 가진 자에게 공지되어 사용 가능한 것일 수 있다.
예를 들면, 상기 기록매체는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD, DVD와 같은 광 기록 매체, 자기 및 광 기록을 겸할 수 있는 자기-광 기록 매체, 롬, 램, 플래시 메모리 등 단독 또는 조합에 의해 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치일 수 있다.
또한, 상기 컴퓨터 프로그램은 프로그램 명령, 로컬 데이터 파일, 로컬 데이터 구조 등이 단독 또는 조합으로 구성된 컴퓨터 프로그램일 수 있고, 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라, 인터프리터 등을 사용하여 컴퓨터에 의해 실행될 수 있는 고급 언어 코드로 짜여진 컴퓨터 프로그램일 수 있다.
또한, 상기 컴퓨터 프로그램은 통신망을 통해 상기 컴퓨터 프로그램을 전송할 수 있는 서버에 저장될 수 있다.
도 1은 본 개시의 일 실시 예에 따른 실내 측위 시스템의 개략적인 예시도이다.
도 1을 참조하면, 실내 측위 시스템은 무선 수신 기기(10), 서버(20), 무선 송신 기기(30) 및 네트워크(40)를 포함할 수 있다.
본 실시 예에서, 무선 수신 기기(10)는 무선 송신 기기(30)로부터 무선 신호 세기(RSS)를 가지는 신호를 수신 받을 수 있는 기기로서, 실내에서 이동하며 측위를 수행하고 측위 결과를 제공 받을 수 있는 사용자 단말일 수 있다. 또한 본 실시 예에서, 서버(20)는 무선 수신 기기(10) 및/또는 무선 송신 기기(30)와 네트워크(40)를 통해 연결될 수 있다.
여기서, 상기 컴퓨터 프로그램은 상기 무선 수신 기기(10)에 저장되거나, 상기 서버(20)에 저장될 수 있다. 만약, 상기 컴퓨터 프로그램이 상기 무선 수신 기기(10)에 저장될 경우에는 오프라인 데이터가 서버(20)에 저장되고, 상기 무선 수신 기기(10)가 상기 서버(20)로부터 상기 오프라인 데이터를 수신 받아 상기 무선 수신 기기(10)의 위치를 측위할 수 있다.
그러나, 상기 오프라인 데이터는 상기 무선 수신 기기(10)에 저장될 수 있고, 이 경우 상기 서버(120)가 필요 없이 상기 무선 수신 기기(10)만으로 위치를 측위 할 수 있다. 또한, 상기 컴퓨터 프로그램이 상기 서버(20)에 저장될 경우에는 상기 서버(20)가 상기 무선 수신 기기(10)로부터 RSS를 전송받아 상기 무선 수신 기기(10)의 위치를 측위 할 수 있으며 측위 결과를 상기 무선 수신 기기(10)에 전송해 줄 수 있다.
무선 수신 기기(10)는 복수 개의 무선 송신 기기(30)로부터 송신된 무선 신호를 수신 받아 이를 기반으로 가중치 무게중심 위치 측정(Weighted Centroid Localization, WCL) 기술 및 라디오 맵(Radio Map)을 이용한 핑거프린팅(Fingerprinting) 기술을 조합하여 자신의 현재 위치를 추정하는 기능을 수행할 수 있다.
또한, 무선 수신 기기(10) 예컨대, 사용자 단말은 실내 측위 어플리케이션 또는 실내 측위 사이트에 접속한 후 인증 과정을 통하여 실내 측위 시스템을 작동 또는 제어를 위한 서비스를 제공받을 수 있다. 본 실시 예에서 인증 과정을 마친 사용자 단말은 실내 측위 시스템을 작동시키고, 실내 측위 시스템의 동작을 제어할 수 있다.
본 실시 예에서 사용자 단말은 사용자가 조작하는 데스크 탑 컴퓨터, 스마트폰, 노트북, 태블릿 PC, 스마트 TV, 휴대폰, PDA(personal digital assistant), 랩톱, 미디어 플레이어, 마이크로 서버, GPS(global positioning system) 장치, 전자책 단말기, 디지털방송용 단말기, 네비게이션, 키오스크, MP3 플레이어, 디지털 카메라, 가전기기 및 기타 모바일 또는 비모바일 컴퓨팅 장치일 수 있으나, 이에 제한되지 않는다. 또한, 사용자 단말은 통신 기능 및 데이터 프로세싱 기능을 구비한 시계, 안경, 헤어 밴드 및 반지 등의 웨어러블 단말기 일 수 있다. 사용자 단말은 상술한 내용에 제한되지 아니하며, 웹 브라우징이 가능한 단말기는 제한 없이 차용될 수 있다.
서버(20)는 실내 측위 시스템을 운용하기 위한 서버일 수 있다. 또한 서버(20)는 각종 인공 지능 알고리즘을 적용하는데 필요한 빅데이터와, 실내 측위 시스템을 동작시키는 데이터를 제공하는 데이터베이스 서버일 수 있다. 그 밖에 서버(20)는 무선 수신 기기(10)에 설치된 실내 측위 어플리케이션 또는 실내 측위 웹 브라우저를 이용하여 실내 측위 시스템의 동작을 원격에서 제어할 수 있도록 하는 웹 서버 또는 어플리케이션 서버를 포함할 수 있다.
여기서 인공 지능(artificial intelligence, AI)은, 인간의 지능으로 할 수 있는 사고, 학습, 자기계발 등을 컴퓨터가 할 수 있도록 하는 방법을 연구하는 컴퓨터 공학 및 정보기술의 한 분야로, 컴퓨터가 인간의 지능적인 행동을 모방할 수 있도록 하는 것을 의미할 수 있다.
또한, 인공 지능은 그 자체로 존재하는 것이 아니라, 컴퓨터 과학의 다른 분야와 직간접적으로 많은 관련을 맺고 있다. 특히 현대에는 정보기술의 여러 분야에서 인공 지능적 요소를 도입하여, 그 분야의 문제 풀이에 활용하려는 시도가 매우 활발하게 이루어지고 있다.
머신 러닝(machine learning)은 인공 지능의 한 분야로, 컴퓨터에 명시적인 프로그램 없이 배울 수 있는 능력을 부여하는 연구 분야를 포함할 수 있다. 구체적으로 머신 러닝은, 경험적 데이터를 기반으로 학습을 하고 예측을 수행하고 스스로의 성능을 향상시키는 시스템과 이를 위한 알고리즘을 연구하고 구축하는 기술이라 할 수 있다. 머신 러닝의 알고리즘들은 엄격하게 정해진 정적인 프로그램 명령들을 수행하는 것이라기보다, 입력 데이터를 기반으로 예측이나 결정을 이끌어내기 위해 특정한 모델을 구축하는 방식을 취할 수 있다.
서버(20)는 실내 측위 시스템으로부터 서비스 요청 정보를 수신하여 분석하고, 서비스 요청 정보에 대응하는 서비스 응답 정보를 생성하여 실내 측위 시스템으로 전송할 수 있다.
무선 송신 기기(30)는 복수 개 구비될 수 있으며, 실내의 기 설정된 특정 위치에 설치될 수 있으며, 무선 신호를 발생하여 송신하는 기능을 수행할 수 있다. 이러한 무선 송신 기기(30)는 예컨대, 비콘 신호(Beacon Signal) 즉, 비콘(Beacon) 메시지를 특정 RF(Radio Frequency) 신호로 송신하는 비콘 발생기(Beacon Generator)로 이루어짐이 바람직하지만, 이에 국한하지 않으며, 예컨대, 지그비(ZigBee), 블루투스(Bluetooth), UWB(Ultra-Wideband), RFID(Radio Frequency Identification), Wi-Fi 또는 적외선 통신(Infrared Data Association, IrDA) 중 어느 하나의 근거리 무선 통신 방식을 이용한 장치, 액세스 포인트(Access Point, AP), 기지국 등으로 구현될 수도 있다.
네트워크(40)는 실내 측위 시스템에서 무선 수신 기기(10), 서버(20) 및 무선 송신 기기(30)를 연결하는 역할을 수행할 수 있다. 이러한 네트워크(40)는 예컨대 LANs(local area networks), WANs(Wide area networks), MANs(metropolitan area networks), ISDNs(integrated service digital networks) 등의 유선 네트워크나, 무선 LANs, CDMA, 블루투스, Wi-Fi, 위성 통신 등의 무선 네트워크를 망라할 수 있으나, 본 발명의 범위가 이에 한정되는 것은 아니다. 또한 네트워크(40)는 근거리 통신 및/또는 원거리 통신을 이용하여 정보를 송수신할 수 있다. 여기서 근거리 통신은 블루투스(bluetooth), RFID(radio frequency identification), 적외선 통신(IrDA, infrared data association), UWB(ultra-wideband), ZigBee, Wi-Fi(Wireless fidelity) 기술을 포함할 수 있고, 원거리 통신은 CDMA(code division multiple access), FDMA(frequency division multiple access), TDMA(time division multiple access), OFDMA(orthogonal frequency division multiple access), SC-FDMA(single carrier frequency division multiple access) 기술을 포함할 수 있다.
네트워크(40)는 허브, 브리지, 라우터, 스위치 및 게이트웨이와 같은 네트워크 요소들의 연결을 포함할 수 있다. 네트워크(40)는 인터넷과 같은 공용 네트워크 및 안전한 기업 사설 네트워크와 같은 사설 네트워크를 비롯한 하나 이상의 연결된 네트워크들, 예컨대 다중 네트워크 환경을 포함할 수 있다. 네트워크(40)에의 액세스는 하나 이상의 유선 또는 무선 액세스 네트워크들을 통해 제공될 수 있다. 더 나아가 네트워크(40)는 사물 등 분산된 구성 요소들 간에 정보를 주고받아 처리하는 IoT(Internet of Things, 사물인터넷) 망 및/또는 5G 통신을 지원할 수 있다.
도 2는 본 개시의 일 실시 에에 따른 실내 측위 시스템을 개략적으로 나타낸 블록도이다.
도 2에 도시된 바와 같이, 실내 측위 시스템은 통신 인터페이스(100), 센싱부(200), 프로세서(300), 메모리(400) 및 처리부(500)를 포함할 수 있다.
통신 인터페이스(100)는 네트워크(40)와 연동하여 실내 측위 시스템에서 무선 수신 기기(10), 무선 송신 기기(30) 및/또는 서버(20) 간의 송수신 신호를 패킷 데이터 형태로 제공하는데 필요한 통신 인터페이스일 수 있다. 또한, 통신 인터페이스(100)는 각종 사물 지능 통신(IoT(internet of things), IoE(internet of everything), IoST(internet of small things) 등)을 지원할 수 있으며, M2M(machine to machine) 통신, V2X(vehicle to everything communication) 통신, D2D(device to device) 통신 등을 지원할 수 있다.
센싱부(200)는 무선 신호를 수신하기 위한 센싱 모듈일 수 있다. 그 외에도 센싱부(200)는 카메라 모듈, 라이다(LIDAR: Light Imaging Detection and Ranging), 초음파 센서, 레이다(RADAR: Radio Detection and Ranging) 및 적외선 센서를 포함할 수 있다. 센싱부(200)는 복수 개의 센서 모듈을 통하여 무선 수신 기기(10) 주변의 환경 정보를 센싱 할 수 있다. 실시 예에 따라, 센싱 모듈은 설명되는 구성 요소 외에 다른 구성 요소를 더 포함하거나, 설명되는 구성 요소 중 일부를 포함하지 않을 수 있다.
프로세서(300)는 일종의 중앙처리장치로서 메모리(400)에 탑재된 제어 소프트웨어를 구동하여 실내 측위 시스템 전체의 동작을 제어할 수 있다.
본 실시 예에서, 프로세서(300)는 실내 측위용 데이터베이스를 구축하는 오프라인 단계에서, 실내 공간의 기준 지점에서 측정되는 액세스 포인트들로부터의 RSS를 측정하고, RSS의 크기가 큰 순서대로 일정 개수의 액세스 포인트들을 기준 지점과 관련된 액세스 포인트들로 선택할 수 있다. 그리고 프로세서(300)는 관련된 액세스 포인트들로부터의 RSS에 기초하여 기준 지점에서 관련된 액세스 포인트들의 WC를 결정할 수 있다. 또한 프로세서(300)는 관련된 액세스 포인트들의 정보 및 관련된 액세스 포인트들로부터의 RSS 및 관련된 액세스 포인트들의 WC를 기준 지점의 위치 정보와 연관하여 데이터베이스에 저장할 수 있으며, 상기의 과정을 실내 공간의 기준 지점들마다 반복할 수 있다.
그리고 프로세서(300)는 실내 측위를 위한 온라인 단계에서, 실내 공간의 임의의 위치인 제 1 위치에서 측정되는 액세스 포인트들로부터의 RSS를 측정하고, RSS의 크기가 큰 순서대로 일정 개수의 액세스 포인트들을 제 1 위치와 관련된 제 1 액세스 포인트들로 선택할 수 있다. 그리고 프로세서(300)는 제 1 액세스 포인트들로부터의 RSS에 기초하여 제 1 위치에서의 제 1 액세스 포인트들의 WC를 결정할 수 있다. 또한 프로세서(300)는 실내 공간의 기준 지점마다 관련된 액세스 포인트들의 정보, 상기 관련된 액세스 포인트들로부터의 RSS, 및 기준 지점에서 관련된 액세스 포인트들의 WC가 저장된 데이터베이스의 데이터와 제 1 액세스 포인트들의 정보, 제 1 액세스 포인트들로부터의 RSS 및 제 1 위치에서 제 1 액세스 포인트들의 WC를 비교하여, 제 1 위치의 위치 정보를 추정할 수 있다.
한편, 프로세서(300)는 예를 들어 프로그램 내에 포함된 코드 또는 명령으로 표현된 기능을 수행하기 위해 물리적으로 구조화된 회로를 갖는, 하드웨어에 내장된 데이터 처리 장치를 의미할 수 있다. 이와 같이 하드웨어에 내장된 데이터 처리 장치의 일 예로써, 마이크로프로세서(microprocessor), 중앙처리장치(central processing unit: CPU), 프로세서 코어(processor core), 멀티프로세서(multiprocessor), ASIC(application-specific integrated circuit), FPGA(field programmable gate array) 등의 처리 장치를 망라할 수 있으나, 본 발명의 범위가 이에 한정되는 것은 아니다.
또한, 본 실시 예에서 프로세서(300)는 데이터베이스에 저장된 각각의 기준 지점의 관련된 액세스 포인트들의 정보 및 각각의 기준 지점의 관련된 액세스 포인트들로부터의 RSS 및 각각의 기준 지점에서 관련된 액세스 포인트들의 WC를 포함하는 훈련 데이터를 생성할 수 있다. 이때, 훈련 데이터는 각각의 기준 지점의 위치 정보로 레이블링된 것일 수 있다. 또한, 프로세서(300)는 구축된 초기 신경망 모델을 훈련 데이터를 사용하여 실내 측위용 신경망 모델로 학습시킬 수 있다. 이때 실내 측위용 신경망 모델은, 특정 위치에서의 관련된 액세스 포인트들의 정보, 관련된 액세스 포인트들로부터의 RSS 및 특정 위치에서 관련된 액세스 포인트들의 WC를 입력하면 특정 위치의 위치 정보를 출력하도록 구성될 수 있다.
즉 프로세서(300)는 딥러닝(Deep Learning) 등 머신 러닝(machine learning)을 수행할 수 있고, 메모리(400)는, 머신 러닝에 사용되는 데이터, 결과 데이터 등을 저장할 수 있다.
여기서, 머신 러닝의 일종인 딥러닝(deep learning) 기술은 데이터를 기반으로 다단계로 깊은 수준까지 내려가 학습할 수 있다. 딥러닝은 단계를 높여갈수록 복수의 데이터들로부터 핵심적인 데이터를 추출하는 머신 러닝 알고리즘의 집합을 나타낼 수 있다.
딥러닝 구조는 인공신경망(ANN)을 포함할 수 있으며, 예를 들어 딥러닝 구조는 CNN(convolutional neural network), RNN(recurrent neural network), DBN(deep belief network) 등 심층신경망(DNN)으로 구성될 수 있다. 본 실시 예에 따른 딥러닝 구조는 공지된 다양한 구조를 이용할 수 있다. 예를 들어, 본 발명에 따른 딥러닝 구조는 CNN, RNN, DBN 등을 포함할 수 있다. RNN은, 자연어 처리 등에 많이 이용되고 있으며, 시간의 흐름에 따라 변하는 시계열 데이터(time-series data) 처리에 효과적인 구조로 매 순간마다 레이어를 쌓아올려 인공신경망 구조를 구성할 수 있다. DBN은 딥러닝 기법인 RBM(restricted boltzman machine)을 다층으로 쌓아 구성되는 딥러닝 구조를 포함할 수 있다. RBM 학습을 반복하여, 일정 수의 레이어가 되면 해당 개수의 레이어를 가지는 DBN을 구성할 수 있다. CNN은 사람이 물체를 인식할 때 물체의 기본적인 특징들을 추출한 다음 뇌 속에서 복잡한 계산을 거쳐 그 결과를 기반으로 물체를 인식한다는 가정을 기반으로 만들어진 사람의 뇌 기능을 모사한 모델을 포함할 수 있다.
한편, 인공신경망의 학습은 주어진 입력에 대하여 원하는 출력이 나오도록 노드간 연결선의 웨이트(weight)를 조정(필요한 경우 바이어스(bias) 값도 조정)함으로써 이루어질 수 있다. 또한, 인공신경망은 학습에 의해 웨이트(weight) 값을 지속적으로 업데이트시킬 수 있다. 또한, 인공신경망의 학습에는 역전파(back propagation) 등의 방법이 사용될 수 있다.
즉 실내 측위 시스템에는 인공신경망(artificial neural network)이 탑재될 수 있으며, 프로세서(300)는 인공신경망, 예를 들어, CNN, RNN, DBN 등 심층신경망(deep neural network: DNN)을 포함할 수 있다. 이러한 인공신경망의 머신 러닝 방법으로는 자율학습(unsupervised learning)과 지도학습(supervised learning)이 모두 사용될 수 있다. 프로세서(150)는 설정에 따라 학습 후 인공신경망 구조를 업데이트시키도록 제어할 수 있다.
메모리(400)는 하나 이상의 프로세서(300)와 연결되어, 프로세서(300)에 의해 실행될 때, 프로세서(300)로 하여금, 실내 측위 시스템의 다양한 기능을 지원하도록 야기하는 코드들을 저장할 수 있다.
즉 메모리(400)는 실내 측위 시스템에서 구동되는 다수의 응용 프로그램(application program 또는 어플리케이션(application)), 실내 측위 시스템의 동작을 위한 정보들, 명령어들을 저장할 수 있다. 이러한 응용 프로그램 중 적어도 일부는, 무선 통신 통해 외부 서버로부터 다운로드 될 수 있다.
본 실시 예에서 메모리(400)는 프로세서(300)가 처리하는 데이터를 일시적 또는 영구적으로 저장하는 기능을 수행할 수 있다. 여기서, 메모리(400)는 자기 저장 매체(magnetic storage media) 또는 플래시 저장 매체(flash storage media)를 포함할 수 있으나, 본 발명의 범위가 이에 한정되는 것은 아니다. 이러한 메모리(400)는 내장 메모리 및/또는 외장 메모리를 포함할 수 있으며, DRAM, SRAM, 또는 SDRAM 등과 같은 휘발성 메모리, OTPROM(one time programmable ROM), PROM, EPROM, EEPROM, mask ROM, flash ROM, NAND 플래시 메모리, 또는 NOR 플래시 메모리 등과 같은 비휘발성 메모리, SSD, CF(compact flash) 카드, SD 카드, Micro-SD 카드, Mini-SD 카드, Xd 카드, 또는 메모리 스틱(memory stick) 등과 같은 플래시 드라이브, 또는 HDD와 같은 저장 장치를 포함할 수 있다.
한편 본 실시 예에서 메모리(400)에는, 후술하는 라디오맵 데이터베이스(570)가 포함될 수 있으나, 별도로 구비될 수도 있다.
처리부(500)는 도 2에 도시된 바와 같이 프로세서(300) 외부에 구비될 수도 있고, 프로세서(300) 내부에 구비되어 프로세서(300)처럼 동작할 수도 있으며, 도 1의 서버(20) 내부에 구비될 수도 있다. 이하 실내 측위를 위한 처리부(500)의 상세한 동작은 도 3 내지 도 5를 참조하여 설명하기로 한다.
도 3은 실내 측위용 데이터베이스를 구축하는 오프라인 단계(offline phase)와, 실내 측위를 수행하는 온라인 단계(execution phase)의 전체적인 흐름을 설명하는 도면이다.
본 실시예의 제안된 방법은 훈련/오프라인 단계(training/offline phase) 및 실행/온라인 단계(execution/online phase)의 두 개의 단계(phase)로 이루어질 수 있으며, 두 개의 단계들 모두에서, 스캐닝된 RSS 값들을 거리로 변경하기 위해 전파 모델이 사용될 수 있다.
여기서 사용되는 전파 모델은 아래의 수학식 1과 같은 형태일 수 있다.
Figure 112020002709767-pat00001
여기서,
Figure 112020002709767-pat00002
는 거리 d 에서 dBm 단위의 RSS이고, A는 표준 거리(1m로 정의됨)에서 수신되는 RSS이며,
Figure 112020002709767-pat00003
는 평균 0과 분산
Figure 112020002709767-pat00004
를 갖는 가우시안 분포 랜덤 변수이고, n 은 경로 손실 지수(exponent)이다.
그리고 바람직한 실시 예에 있어서, 수학식 1에서 아래의 수학식 2를 도출할 수 있다.
Figure 112020002709767-pat00005
여기서, 측정된 거리 d 는 후술되는 가중 중심(WC)을 산출하는데 사용되는 가중치
Figure 112020002709767-pat00006
를 획득하는데 사용될 수 있다.
이와 관련하여, 본 개시의 일 실시 예에 따른 실내 측위에서 가중 중심을 구하는 방식을 설명하기 위한 도 6에서는 비콘이 3개 있을 때 가중 중심을 구하는 경우를 예시하고 있다.
액세스 포인트들의 이전에 알려진 위치들과 각각의 가중치들을 통해 가중 중심이 아래의 수학식 3에 의해 계산될 수 있다.
Figure 112020002709767-pat00007
여기서, (xw, yw)는 추정되는 가중 중심이고, (xj, yj)는 이전에 알려진 액세스 포인트 j의 좌표이며, dj는 기준 지점 또는 실내 측위를 하는 사용자 단말기에서 액세스 포인트 j까지의 거리이고, g는 가중치 정도(degree of weight)이며, u는 가중 중심 추정을 위해 고려되는 액세스 포인트들(예를 들어, 비컨들)의 개수이다.
한편, 본 개시의 일 실시 예에 따른 실내 측위가 이루어지는 예시적인 실내 공간을 설명하기 위한 도 7을 참조하면, 오프라인 단계에서 실내 공간(testbed)은 동일한 크기의 N 가상 그리드로 나뉘며, 각 그리드의 중심은 기준 지점(RP)을 나타낼 수 있다. 따라서, 실내 공간에는 위치
Figure 112020002709767-pat00008
에 N 개의 기준 지점(RP)들이 포함될 수 있으며, B 개의 비콘(무선 송신 기기, 30)들의 RSS 데이터는
Figure 112020002709767-pat00009
RP에서 q 번 획득될 수 있다. 이는,
Figure 112020002709767-pat00010
와 같이 나타낼 수 있으며, 여기서,
Figure 112020002709767-pat00011
이다.
즉, 본 실시 예에서, 각각의 액세스 포인트들(APs)로부터 측정되는 RSS를 복수 번 측정하고, 복수 번(예를 들어 q 번) 측정된 RSS의 평균값을 산출할 수 있다.그리고 평균값을 각각의 액세스 포인트들로부터의 RSS 값으로 선택할 수 있다. 즉 평균(Averaging) 또는 이동 평균 등의 방법을 활용하여 에러를 줄일 수 있다.
여기서, B 개의 비콘(무선 송신 기기, 30)의 RSS 데이터는 클러스터링 과정에서 이용될 수 있다. 본 실시 예에서는, 클러스터링 과정을 APC(Affinity propagation clustering)이라고 할 수 있다.
이 때, RSS 데이터가 큰 순서대로 u개의 비콘들만이 핑거프린팅 정보를 위해 사용될 수 있다(여기서, u < B). RSS 데이터는 기준 지점에서 4개 방향들로부터 획득되고 사용자 단말은 "텍스팅/메세징" 포지션으로 유지될 수 있다는 것이 주의될 필요가 있다.
오프라인 단계에서 RSS 획득에 의해 형성된 라디오맵은 아래의 수학식 4와 같이 표현될 수 있다.
Figure 112020002709767-pat00012
여기서,
Figure 112020002709767-pat00013
는
Figure 112020002709767-pat00014
RP(
Figure 112020002709767-pat00015
)에서 비콘(무선 송신 기기, 30) b 로부터 얻어진 평균 RSS일 수 있다.
또한, 오프라인 단계에서는 기준 지점에서 측정된 RSS가 큰 순서대로 액세스 포인트들의 랭킹이 기록될 수 있다.
종래의 핑거프린트 데이터베이스와 본 개시의 일 실시 예에 따른 핑거프린트 데이터베이스를 비교하여 도시하는 도 8을 참조하면, 본 개시의 실시 예에 따른 핑거프린트 데이터베이스의 특징을 보다 명확히 알 수 있다.
도 8(a)에서와 같이 종래의 핑거프린트 데이터베이스는 기준 지점의 좌표와 해당 기준 지점에서 관측되는 모든 비콘들로부터의 RSS를 포함하는 반면, 도 8(b)에서와 같이 본 개시의 실시 예에 따른 핑거프린트 데이터베이스는 기준 지점의 좌표와 해당 기준 지점에서 근접한 u 개의 비콘들의 RSS 및 랭킹, 그리고 u 개의 비콘들의 가중 중심에 대한 데이터를 포함할 수 있다.
이에 따라, 본 개시의 실시 예는 필요한 비콘들만의 RSS 만을 이용하므로, 연산 리소스를 절약하면서도 보다 정확한 위치 측위를 가능하게 할 수 있다.
즉, 오프라인 단계에서는 기준 지점마다에서 측정된 RSS를 기준으로 RSS 값이 큰 순서대로 u개의 액세스 포인트들에 대한 정보, u개의 액세스 포인트들의 랭킹, u개의 액세스 포인트들과 관련된 가중 중심이 데이터베이스에 기록될 수 있다. 이러한 데이터베이스는 서버(20)에 저장되어 이후 실내 측위시에 무선 수신 기기(10) 또는 사용자 단말기와의 통신에 의해 사용될 수도 있고, 무선 수신 기기(10) 또는 사용자 단말기 자체에 저장될 수도 있다.
다음으로 온라인 단계에서는, 실내의 알지 못하는 임의의 위치 r'에서 관측되는 온라인 RSS 데이터가
Figure 112020002709767-pat00016
과 같이 나타날 수 있다.
여기서,
Figure 112020002709767-pat00017
이며, t는 시간(time instant)이고, EA는 지수 평균(exponential averaging)일 수 있으며, 이를 통해 2개의 관측이 시작되자마자 바로 평탄화된(smoothed) RSS를 얻을 수 있다.
인스턴트 t(RSSEA)에서 RSS 데이터 샘플에 대한 EA는 아래 수학식 5에 의해 주어질 수 있다.
Figure 112020002709767-pat00018
여기서,
Figure 112020002709767-pat00019
는 평탄화 팩터(smoothing factor)로 0과 1 사이에서 결정될 수 있다.
Figure 112020002709767-pat00020
가 클수록 평탄화 레벨은 감소하고,
Figure 112020002709767-pat00021
가 0에 가까워질수록 평탄화 효과는 커지며, 최근 RSS 관측에 대해 보다 덜 민감하게 반응하게 된다.
r'위치에서 관측되는 RSS를 측정한 뒤, 클러스터 헤드들의 세트 H를 정의하고 클러스터의 멤버들인 기준 지점들의 수를 N'(N'< N)로 정의할 수 있다. 먼저, 클러스터 헤드(RPH)는 다음 수학식 6에 의해 정해질 수 있다.
Figure 112020002709767-pat00022
여기서,
Figure 112020002709767-pat00023
은 알려지지 않은 r' 위치에서 근접한 u' 개의 비컨들로부터의 관측된 가중 중심이고,
Figure 112020002709767-pat00024
은 m번째 클러스터-헤드 RP의 저장된 가중치 중심을 나타낸다.
클러스터 헤드 RP가 선택된 이후에, 유클리드 거리들이 온라인-관측된 핑거프린트 데이터와 N'개의 RP들에 대한 저장된 핑거프린트 데이터에 기반하여 아래의 수학식 7 및 수학식 8에 따라 계산될 수 있다.
Figure 112020002709767-pat00025
Figure 112020002709767-pat00026
여기서, p는 선택된 클러스터 헤드의 멤버이다.
N'개의 RP들이 Dwcl의 오름차순으로 정렬되고, 첫번째 k개의 RP들(위치가 Jz[xz, yz]로 알려져 있음)이 선택되어 하기 수학식 9를 통해 TWC를 추정한다.
Figure 112020002709767-pat00027
유사한 동작이 DRSSl을 이용하여 반복되어 수학식 10의 관계를 이용하여 TRSS를 추정할 수 있다(수학식 8에서 u는 최소 DWCl에 대한 RP에서의 저장된 비콘).
Figure 112020002709767-pat00028
임의의 위치에 있는 사용자 단말기의 위치는 최종적으로 하기 수학식 11을 이용하여 추정될 수 있다.
Figure 112020002709767-pat00029
여기서,
Figure 112020002709767-pat00030
이고,
Figure 112020002709767-pat00031
는 매칭된 비콘의 총 수, 즉, 위치 r'에서 최소 Dwcl을 가지는 RP에 대한 저장된 비콘들의 랭킹과 매칭하는 온라인-관측된 비콘들의 개수를 나타낸다.
예를 들어, 알려지지 않은 위치 r'에서 온라인상 관측되는 비콘들(예를 들어, 여기서 u=4)이 그들의 랭킹에 따른 내림차순으로 정렬되면
Figure 112020002709767-pat00032
이고 최소 Dwcl을 가지는 RP에서의 비콘들의 저장된 랭킹은
Figure 112020002709767-pat00033
일 수 있다. 이러한 경우, 온라인의 정렬된 랭킹과 오프라인의 정렬된 랭킹 사이에 단 하나의 비콘(세 번째 비콘)만 매칭되므로
Figure 112020002709767-pat00034
는 1이다.
즉, 클러스터 헤드의 멤버 중 해당 기준 지점의 WC가 위치 r'에서 온라인상 관측되는 비콘들의 WC와 가장 근접한 기준 지점의 비콘들과 위치 r'에서 온라인상 관측되는 비콘들이 RSS 크기에 따른 순서로 나열되었을 때 서로 매칭하는 비콘들의 개수
Figure 112020002709767-pat00035
에 추가로 기초하여 r'의 위치 정보를 연산할 수 있다.
도 4는 본 개시의 일 실시 예에 따른 실내 측위 방법에서 오프라인 단계를 구체적으로 설명하기 위한 도면이다. 또한, 도 5는 본 개시의 일 실시 예에 따른 온라인 단계를 구체적으로 설명하기 위한 도면이다.
처리부(500)는 BLE 스캔부(510), 추출부(520), 클러스터링부(530), BLE 선택부(540), 랭킹 결정부(550), WC 추정부(560), 라디오맵 데이터베이스(570), 클러스터 헤드 추정부(580) 및 위치 추정부(590)를 포함할 수 있다.
이때 BLE 스캔부(510-1, 510-2), 추출부(520-1, 520-2), BLE 선택부(540-1, 540-2), WC 추정부(560-1, 560-2) 및 라디오맵 데이터베이스(570-1, 570-2)는 설명의 편의를 위해 오프라인 단계와 온라인 단계로 구성요소를 구분하였으나, 동일한 구성요소에서 구현될 수 있다.
온라인 단계에서, BLE 스캔부(510-1)는 실내 공간의 기준 지점(reference point, RP)에서 측정되는 액세스 포인트들로부터의 RSS(Received Signal Strength)를 측정할 수 있다. 본 실시 예에서는, 전파 모델(propagation model)을 이용하여 RSS 값을 측정할 수 있으며, RSS 값을 거리로 변환할 수 있다.
추출부(520-1)에서는 RSS 값들의 평균값을 연산하여 표준화된 피쳐를 추출할 수 있도록 하고, 클러스터링부(530)는 이러한 피쳐 정보에 기반하여 APC를 이용하여 클러스터링 데이터를 산출하고, BLE 선택부(540-1)는 평균화된 RSS가 큰 순서대로 일정 개수의 BLE 비콘을 선택할 수 있다.
클러스터링부(530)는 일련의 요소를 클러스터로 분할하고 각 클러스터에 대한 대표 클러스터 헤드를 선택할 수 있다. 본 실시 예에서, 클러스터링부(530)는 모든 요소에 클러스터 헤드가 될 수 있는 동일한 기회를 할당할 수 있다.
랭킹 결정부(550)는 선택된 BLE 비콘들에 대해서는 평균화된 RSS 크기에 따라 랭킹을 결정하고, WC 추정부(560)는 선택된 BLE 비콘들에 대한 가중 중심 데이터를 연산한다.
이러한 데이터들은 라디오맵 데이터베이스(570-1)에 저장되어 이후 실내 측위가 이루어지는데 활용될 수 있게 된다.
오프라인 단계 이후 온라인 단계에서는, 도 5를 참조하면, 임의의 위치 r'에 위치한 사용자 단말이 BLE 스캔부(510-2)를 통해 비콘들로부터의 RSS를 측정할 수 있다.
복수 번 측정되는 RSS 데이터를 이용하여 추출부(520-2)에서는 평균화된 RSS를 구하고, BLE 선택부(540-2)는 평균화된 RSS 크기 순서대로 r'에 인접한 u'개의 BLE 비콘들을 선택할 수 있다.
WC 추정부(560-2)는 선택된 비콘들의 제 1 가중 중심을 계산하고, 클러스터 헤드 추정부(580)는 라디오맵 데이터베이스(570-2)를 이용하여 오프라인 단계에서 저장된 클러스터 헤드 중 제 1 가중 중심에 가장 가까운 가중 중심을 가지는 클러스터 헤드를 추정한다.
위치 추정부(590)는 추정된 클러스터 헤드에서의 가중 중심 정보 및 RSS 정보를 이용하여 r'의 위치를 추정할 수 있다.
도 9는 본 개시의 실시 예에 따른 오프라인 단계에서 실내 측위용 데이터베이스를 구축하는 과정을 설명하는 순서도이다.
먼저, 설정된 실내 공간의 시준 지점들에서 액세스 포인트들로부터의 RSS를 측정한다(S110). 여기서 RSS는 한 번의 측정이 아닌 복수 번의 측정 값을 평균화 과정을 거쳐 처리한 값일 수 있다.
측정된 RSS의 크기에 따라 크기가 큰 순서대로 일정 개수의 액세스 포인트들을 기준 지점과 관련된 액세스 포인트들(비콘들)로 선택할 수 있다(S120).
선택된 관련 액세스 포인트들로부터의 RSS에 기초하여 기준 지점으로부터 각 액세스 포인트들까지의 거리를 구하고, 거리를 이용하여 관련 액세스 포인트들의 가중 중심을 결정할 수 있다(S130).
이러한 과정 중에 APC를 이용하여 클러스터링이 이루어질 수 있고, 클러스터 내의 기준 지점들 중 클러스터 헤드가 결정될 수 있다.
관련된 액세스 포인트들의 정보, 관련된 액세스 포인트들로부터의 RSS (RSS에 따른 랭킹 정보), 관련된 액세스 포인트들의 WC를 기준 지점의 위치 정보와 연관하여 데이터베이스에 저장한다(S140).
여기서, 위의 과정들은 실내 측위용 데이터베이스를 구축하기 위한 장치(이동형)의 프로세서에 의해 수행될 수 있으며, 데이터베이스는 로컬 서버와 같은 외부 서버에 구축될 수 있다.
도 10은 본 개시의 실시 예에 따른 온라인 단계에서 실내 측위를 수행하는 과정을 설명하는 순서도이다.
오프라인 단계에서 실내 측위용 데이터베이스가 구축된 후에, 실내 공간의 임의의 제 1 위치에서 사용자 단말기는 액세스 포인트들로부터의 RSS를 측정할 수 있다(S210). 여기서 RSS는 한 번의 측정이 아닌 복수 번의 측정 값을 평균화 과정을 거쳐 처리한 값일 수 있다.
사용자 단말기는 측정된 RSS의 크기가 큰 순서대로 일정 개수의 액세스 포인트들을 제 1 위치와 관련된 제 1 액세스 포인트들로 선택할 수 있다(S220).
선택된 제 1 액세스 포인트들로부터의 RSS에 기초하여 제 1 위치에서 제 1 액세스 포인트들까지의 거리가 결정되고 거리에 기초하여 제 1 위치에서의 제 1 액세스 포인트들의 WC가 결정될 수 있다(S230).
오프라인 단계에서 구축된 데이터베이스의 데이터와 제 1 액세스 포인트들의 정보, 제 1 액세스 포인트들로부터의 RSS, 제 1 액세스 포인트들의 WC를 비교하여 제 1 위치의 위치 정보를 추정할 수 있다(S240).
여기서, 제 1 액세스 포인트들의 정보란 액세스 포인트들의 ID, RSS 랭킹 등일 수 있다.
상기 과정은 사용자 단말기의 프로세서에 의해 수행될 수 있다.
도 11 내지 13은 종래 방식과 비교하여 본 개시의 실시 예에 따른 방식의 우수성을 설명하기 위한 그래프이다.
도 11 내지 13은 다양한 실내 공간에서 측위를 수행하고 측위 에러를 측정한 데이터로서 본 개시에서 제안된 방식(proposed method)가 기존의 방식들인 NN, Wk-NN, Wk-NN+APC의 경우보다 우수한 성능을 보이는 것을 알 수 있다.
또한, 제안된 시스템은 다양한 핑거 프린팅 기능을 사용하여 로컬라이제이션 정확도를 높여 데이터베이스의 물리적 크기와 실행 단계에서 서버와의 데이터 통신량을 줄일 수 있다. 더하여, 친화성 전파 클러스터링은 RP의 검색 공간을 최소화하고 계산 비용을 감소시키며, 지수 평균화를 통해 노이즈 RSS를 부드럽게 할 수 있다.
이상 설명된 본 발명에 따른 실시 예는 컴퓨터 상에서 다양한 구성요소를 통하여 실행될 수 있는 컴퓨터 프로그램의 형태로 구현될 수 있으며, 이와 같은 컴퓨터 프로그램은 컴퓨터로 판독 가능한 매체에 기록될 수 있다. 이때, 매체는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM 및 DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical medium), 및 ROM, RAM, 플래시 메모리 등과 같은, 프로그램 명령어를 저장하고 실행하도록 특별히 구성된 하드웨어 장치를 포함할 수 있다.
한편, 상기 컴퓨터 프로그램은 본 발명을 위하여 특별히 설계되고 구성된 것이거나 컴퓨터 소프트웨어 분야의 당업자에게 공지되어 사용 가능한 것일 수 있다. 컴퓨터 프로그램의 예에는, 컴파일러에 의하여 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용하여 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드도 포함될 수 있다.
본 발명의 명세서(특히 특허청구범위에서)에서 "상기"의 용어 및 이와 유사한 지시 용어의 사용은 단수 및 복수 모두에 해당하는 것일 수 있다. 또한, 본 발명에서 범위(range)를 기재한 경우 상기 범위에 속하는 개별적인 값을 적용한 발명을 포함하는 것으로서(이에 반하는 기재가 없다면), 발명의 상세한 설명에 상기 범위를 구성하는 각 개별적인 값을 기재한 것과 같다.
본 발명에 따른 방법을 구성하는 단계들에 대하여 명백하게 순서를 기재하거나 반하는 기재가 없다면, 상기 단계들은 적당한 순서로 행해질 수 있다. 반드시 상기 단계들의 기재 순서에 따라 본 발명이 한정되는 것은 아니다. 본 발명에서 모든 예들 또는 예시적인 용어(예들 들어, 등등)의 사용은 단순히 본 발명을 상세히 설명하기 위한 것으로서 특허청구범위에 의해 한정되지 않는 이상 상기 예들 또는 예시적인 용어로 인해 본 발명의 범위가 한정되는 것은 아니다. 또한, 당업자는 다양한 수정, 조합 및 변경이 부가된 특허청구범위 또는 그 균등물의 범주 내에서 설계 조건 및 팩터에 따라 구성될 수 있음을 알 수 있다.
따라서, 본 발명의 사상은 상기 설명된 실시 예에 국한되어 정해져서는 아니 되며, 후술하는 특허청구범위뿐만 아니라 이 특허청구범위와 균등한 또는 이로부터 등가적으로 변경된 모든 범위는 본 발명의 사상의 범주에 속한다고 할 것이다.
10 : 무선 수신 기기(사용자 단말)
20 : 서버
30 : 무선 송신 기기(액세스 포인트)
40 : 네트워크
100 : 통신 인터페이스
200 : 센싱부
300 : 프로세서
400 : 메모리
500 : 처리부
510(510-1, 510-2) : BLE 스캔부
520(520-1, 520-2) : 추출부
530 : 클러스터링부
540(540-1, 540-2) : BLE 선택부
550 : 랭킹 결정부
560 : WC(weighted centroid) 추정부
570(570-1, 570-2) : 라디오맵 데이터베이스
580 : 클러스터 헤드 추정부
590 : 위치 추정부

Claims (15)

  1. A) 실내 공간의 기준 지점에서 측정되는 액세스 포인트들로부터의 RSS(Received Signal Strength)를 측정하는 단계;
    B) RSS의 크기가 큰 순서대로 일정 개수의 액세스 포인트들을 상기 기준 지점과 관련된 액세스 포인트들로 선택하는 단계;
    C) 상기 관련된 액세스 포인트들로부터의 RSS에 기초하여 상기 기준 지점에서 상기 관련된 액세스 포인트들의 WC(weighted centroid)를 결정하는 단계;
    E) 상기 관련된 액세스 포인트들의 정보 및 상기 관련된 액세스 포인트들로부터의 RSS 및 상기 관련된 액세스 포인트들의 WC를 상기 기준 지점의 위치 정보와 연관하여 데이터베이스에 저장하는 단계; 및
    F) 상기 실내 공간의 기준 지점들마다 상기 A) 내지 E) 단계를 반복하는 단계를 포함하되,
    상기 관련된 액세스 포인트들로부터의 RSS에 기초하여 상기 기준 지점들을 그룹핑하는 클러스터링을 수행하는 단계; 및
    상기 기준 지점들이 그룹핑된 클러스터 정보를 상기 데이터베이스에 저장하는 단계를 더 포함하며,
    상기 데이터베이스는, 상기 데이터베이스에서 상기 액세스 포인트들의 WC와 가장 근접한 WC를 가지는 기준 지점이 탐색되면, 탐색된 상기 기준 지점의 클러스터에 속하는 기준 지점들에서의 WC와 상기 액세스 포인트들의 WC의 차이 및 상기 기준 지점들에서의 관련된 액세스 포인트들의 RSS와 상기 액세스 포인트들의 RSS의 차이에 기초해 특정 위치의 위치 정보가 연산되어 실내 측위가 가능하도록 구축되는,
    실내 측위용 데이터베이스 구축 방법.
  2. 제 1 항에 있어서,
    상기 관련된 액세스 포인트들의 WC를 결정하는 단계는,
    상기 관련된 액세스 포인트들로부터의 RSS에 기초하여 상기 기준 지점으로부터 상기 관련된 액세스 포인트들 각각까지의 거리를 연산하는 단계; 및
    상기 연산된 거리에 기초하여 상기 기준 지점에서 상기 관련된 액세스 포인트들의 WC를 결정하는 단계를 포함하는,
    실내 측위용 데이터베이스 구축 방법.
  3. 제 1 항에 있어서,
    상기 F) 단계 이후에,
    상기 데이터베이스에 저장된 각각의 기준 지점의 관련된 액세스 포인트들의 정보 및 각각의 기준 지점의 관련된 액세스 포인트들로부터의 RSS 및 각각의 기준 지점에서 관련된 액세스 포인트들의 WC를 포함하는 훈련 데이터를 생성하는 단계를 더 포함하고,
    상기 훈련 데이터는 각각의 기준 지점의 위치 정보로 레이블링된,
    실내 측위용 데이터베이스 구축 방법.
  4. 제 3 항에 있어서,
    상기 생성하는 단계 이후에,
    구축된 초기 신경망 모델을 상기 훈련 데이터를 사용하여 실내 측위용 신경망 모델로 학습시키는 단계를 더 포함하고,
    상기 실내 측위용 신경망 모델은, 특정 위치에서의 관련된 액세스 포인트들의 정보, 관련된 액세스 포인트들로부터의 RSS 및 상기 특정 위치에서 관련된 액세스 포인트들의 WC를 입력하면 특정 위치의 위치 정보를 출력하도록 구성되는,
    실내 측위용 데이터베이스 구축 방법.
  5. 제 1 항에 있어서,
    상기 RSS를 측정하는 단계는,
    각각의 액세스 포인트들로부터 측정되는 RSS를 복수 번 측정하고, 복수 번 측정된 RSS의 평균값을 산출하는 단계; 및
    상기 평균값을 각각의 액세스 포인트들로부터의 RSS 값으로 선택하는 단계를 포함하는,
    실내 측위용 데이터베이스 구축 방법.
  6. 실내 공간의 제 1 위치에서 측정되는 액세스 포인트들로부터의 RSS를 측정하는 단계;
    RSS의 크기가 큰 순서대로 일정 개수의 액세스 포인트들을 상기 제 1 위치와 관련된 제 1 액세스 포인트들로 선택하는 단계;
    상기 제 1 액세스 포인트들로부터의 RSS에 기초하여 상기 제 1 위치에서의 상기 제 1 액세스 포인트들의 WC를 결정하는 단계; 및
    상기 실내 공간의 기준 지점마다 관련된 액세스 포인트들의 정보, 상기 관련된 액세스 포인트들로부터의 RSS, 및 상기 기준 지점에서 상기 관련된 액세스 포인트들의 WC가 저장된 데이터베이스의 데이터와 상기 제 1 액세스 포인트들의 정보, 상기 제 1 액세스 포인트들로부터의 RSS 및 상기 제 1 위치에서 상기 제 1 액세스 포인트들의 WC를 비교하여, 상기 제 1 위치의 위치 정보를 추정하는 단계를 포함하되,
    상기 데이터베이스는 기준 지점들이 그룹핑된 클러스터 정보를 포함하고,
    상기 추정하는 단계는,
    상기 데이터베이스에서 상기 제 1 액세스 포인트들의 WC와 가장 근접한 WC를 가지는 기준 지점을 탐색하는 단계; 및
    탐색된 상기 기준 지점의 클러스터에 속하는 기준 지점들에서의 WC와 상기 제 1 액세스 포인트들의 WC의 차이 및 상기 기준 지점들에서의 관련된 액세스 포인트들의 RSS와 상기 제 1 액세스 포인트들의 RSS의 차이에 기초하여 상기 제 1 위치의 위치 정보를 연산하는 단계를 포함하는,
    실내 측위 방법.
  7. 삭제
  8. 제 6 항에 있어서,
    상기 제 1 위치의 위치 정보를 연산하는 단계는,
    상기 클러스터의 기준 지점들 중 해당 기준 지점의 WC가 상기 제 1 액세스 포인트들의 WC와 가장 근접한 기준 지점의 관련된 액세스 포인트들과 상기 제 1 액세스 포인트들이 RSS 크기에 따른 순서로 나열되었을 때 서로 매칭하는 액세스 포인트들의 개수에 추가로 기초하여 제 1 위치의 위치 정보를 연산하는 단계를 포함하는,
    실내 측위 방법.
  9. 제 8 항에 있어서,
    상기 제 1 위치의 위치 정보를 추정하는 단계는,
    구축된 초기 신경망 모델을 기반으로 훈련 데이터를 사용하여 학습된 실내 측위용 신경망 모델에 기초하여 상기 제 1 위치의 위치 정보를 추정하는 단계를 포함하고,
    상기 실내 측위용 신경망 모델은, 특정 위치에서의 관련된 액세스 포인트들의 정보, 관련된 액세스 포인트들로부터의 RSS 및 상기 특정 위치에서 관련된 액세스 포인트들의 WC를 입력하면 특정 위치의 위치 정보를 출력하도록 구성되는,
    실내 측위 방법.
  10. 제 6 항에 있어서,
    상기 RSS를 측정하는 단계는,
    각각의 액세스 포인트들로부터 측정되는 RSS를 복수 번 측정하고, 복수 번 측정된 RSS의 평균값을 산출하는 단계; 및
    상기 평균값을 각각의 액세스 포인트들로부터의 RSS 값으로 선택하는 단계를 포함하는,
    실내 측위 방법.
  11. 액세스 포인트들로부터의 RSS를 수신하는 통신 인터페이스;
    하나 이상의 프로세서; 및
    상기 하나 이상의 프로세서와 연결되는 메모리를 포함하고,
    상기 메모리는, 상기 프로세서에 의해 실행될 때, 상기 프로세서로 하여금,
    실내 공간의 제 1 위치에서 측정되는 액세스 포인트들로부터의 RSS를 측정하고,
    RSS의 크기가 큰 순서대로 일정 개수의 액세스 포인트들을 상기 제 1 위치와 관련된 제 1 액세스 포인트들로 선택하며,
    상기 제 1 액세스 포인트들로부터의 RSS에 기초하여 상기 제 1 위치에서의 상기 제 1 액세스 포인트들의 WC를 결정하고,
    상기 실내 공간의 기준 지점마다 관련된 액세스 포인트들의 정보, 상기 관련된 액세스 포인트들로부터의 RSS, 및 상기 기준 지점에서 상기 관련된 액세스 포인트들의 WC가 저장된 데이터베이스의 데이터와 상기 제 1 액세스 포인트들의 정보, 상기 제 1 액세스 포인트들로부터의 RSS 및 상기 제 1 위치에서 상기 제 1 액세스 포인트들의 WC를 비교하여, 상기 제 1 위치의 위치 정보를 추정하도록 야기하는(cause) 코드들을 저장하되,
    상기 데이터베이스는 기준 지점들이 그룹핑된 클러스터 정보를 포함하고,
    상기 제 1 위치의 위치 정보를 추정하는 동작은,
    상기 데이터베이스에서 상기 제 1 액세스 포인트들의 WC와 가장 근접한 WC를 가지는 기준 지점을 탐색하고, 탐색된 상기 기준 지점의 클러스터에 속하는 기준 지점들에서의 WC와 상기 제 1 액세스 포인트들의 WC의 차이 및 상기 기준 지점들에서의 관련된 액세스 포인트들의 RSS와 상기 제 1 액세스 포인트들의 RSS의 차이에 기초하여 상기 제 1 위치의 위치 정보를 연산하는 동작을 포함하는,
    실내 측위 시스템.
  12. 제 11 항에 있어서,
    상기 메모리는, 상기 프로세서에 의해 실행될 때, 상기 프로세서로 하여금,
    상기 제 1 액세스 포인트들로부터의 RSS에 기초하여 상기 제 1 위치로부터 상기 제 1 액세스 포인트들 각각까지의 거리를 연산하고, 상기 연산된 거리에 기초하여 상기 제 1 위치에서 상기 제 1 액세스 포인트들의 WC를 결정하도록 야기하는 코드들을 저장하는,
    실내 측위 시스템.
  13. 제 11 항에 있어서,
    상기 메모리는, 상기 프로세서에 의해 실행될 때, 상기 프로세서로 하여금,
    상기 데이터베이스에 저장된 각각의 기준 지점의 관련된 액세스 포인트들의 정보 및 각각의 기준 지점의 관련된 액세스 포인트들로부터의 RSS 및 각각의 기준 지점에서 관련된 액세스 포인트들의 WC를 포함하는 훈련 데이터에 기초하여 상기 제 1 위치의 위치 정보를 추정하도록 야기하는 코드들을 저장하고,
    상기 훈련 데이터는 각각의 기준 지점의 위치 정보로 레이블링된,
    실내 측위 시스템.
  14. 제 13 항에 있어서,
    상기 메모리는, 상기 프로세서에 의해 실행될 때, 상기 프로세서로 하여금,
    구축된 초기 신경망 모델을 기반으로 상기 훈련 데이터를 사용하여 학습된 실내 측위용 신경망 모델에 기초하여 상기 제 1 위치의 위치 정보를 추정하도록 야기하는 코드들을 저장하고,
    상기 실내 측위용 신경망 모델은, 특정 위치에서의 관련된 액세스 포인트들의 정보, 관련된 액세스 포인트들로부터의 RSS 및 상기 특정 위치에서 관련된 액세스 포인트들의 WC를 입력하면 특정 위치의 위치 정보를 출력하도록 구성되는,
    실내 측위 시스템.
  15. 제 11 항에 있어서,
    상기 메모리는, 상기 프로세서에 의해 실행될 때, 상기 프로세서로 하여금,
    각각의 액세스 포인트들로부터 측정되는 RSS를 복수 번 측정하고, 복수 번 측정된 RSS의 평균값을 산출하며, 상기 평균값을 각각의 액세스 포인트들로부터의 RSS 값으로 선택하여 상기 RSS를 측정하도록 야기하는 코드들을 저장하는,
    실내 측위 시스템.
KR1020200003391A 2020-01-09 2020-01-09 실내 측위용 데이터베이스 구축, 실내 측위 방법 및 시스템 KR102304466B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200003391A KR102304466B1 (ko) 2020-01-09 2020-01-09 실내 측위용 데이터베이스 구축, 실내 측위 방법 및 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200003391A KR102304466B1 (ko) 2020-01-09 2020-01-09 실내 측위용 데이터베이스 구축, 실내 측위 방법 및 시스템

Publications (2)

Publication Number Publication Date
KR20210090058A KR20210090058A (ko) 2021-07-19
KR102304466B1 true KR102304466B1 (ko) 2021-09-17

Family

ID=77125964

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200003391A KR102304466B1 (ko) 2020-01-09 2020-01-09 실내 측위용 데이터베이스 구축, 실내 측위 방법 및 시스템

Country Status (1)

Country Link
KR (1) KR102304466B1 (ko)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20240024673A (ko) * 2022-08-17 2024-02-26 삼성전자주식회사 실내 공간 인식 모델의 학습을 위한 훈련용 데이터를 생성하는 방법 및 이를 수행하기 위한 컴퓨팅 장치
CN116233747B (zh) * 2023-03-09 2023-12-22 江苏亨鑫科技有限公司 一种基于迁移学习更新指纹库的ble定位方法、装置
CN116761255B (zh) * 2023-08-17 2023-12-15 湖北香溢数字科技有限公司 一种车辆定位方法及装置

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100883379B1 (ko) * 2007-05-11 2009-02-11 주식회사 셀리지온 기지국별 신호세기의 비율을 이용한 네트워크 기반의이동단말기 위치 측정방법 및 그 시스템
KR101436542B1 (ko) * 2011-04-08 2014-09-01 주식회사 케이티 액세스 포인트를 이용한 차등적인 위치 측정 방법 및 장치
KR102116824B1 (ko) * 2017-11-10 2020-06-01 (주)셀리지온 딥러닝 기반 측위 시스템 및 이의 구축 방법

Also Published As

Publication number Publication date
KR20210090058A (ko) 2021-07-19

Similar Documents

Publication Publication Date Title
Chriki et al. SVM-based indoor localization in wireless sensor networks
Song et al. A novel convolutional neural network based indoor localization framework with WiFi fingerprinting
KR102304466B1 (ko) 실내 측위용 데이터베이스 구축, 실내 측위 방법 및 시스템
Bae et al. Large-scale indoor positioning using geomagnetic field with deep neural networks
JP6596516B2 (ja) 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
Zhuang et al. Evaluation of two WiFi positioning systems based on autonomous crowdsourcing of handheld devices for indoor navigation
KR102116824B1 (ko) 딥러닝 기반 측위 시스템 및 이의 구축 방법
WO2021129634A1 (zh) 一种网络定位方法和***
KR101625757B1 (ko) 무선랜 라디오맵 자동 구축 방법 및 시스템
CN108709557B (zh) 基于多用户轨迹拟合的室内地图生成方法
JP2015531053A (ja) 無線マップを動的に作成するためのシステム、方法、及びコンピュータプログラム
Chen et al. Learning RSSI feature via ranking model for Wi-Fi fingerprinting localization
CN109379711B (zh) 一种定位方法
KR102145717B1 (ko) 머신러닝을 이용한 실내 측위 방법 및 시스템
Vargas-Rosales et al. Performance evaluation of localization algorithms for WSNs
Wang et al. Deep neural network‐based Wi‐Fi/pedestrian dead reckoning indoor positioning system using adaptive robust factor graph model
Khan et al. Cuckoo Search‐based SVM (CS‐SVM) Model for Real‐Time Indoor Position Estimation in IoT Networks
Liu et al. An indoor WLAN location algorithm based on fingerprint database processing
Sun et al. A novel GCN based indoor localization system with multiple access points
Ai et al. Robust low-latency indoor localization using Bluetooth low energy
Ghozali et al. Indoor positioning system using regression-based fingerprint method
Tang et al. A sequential-multi-decision scheme for WiFi localization using vision-based refinement
KR20210048697A (ko) 실내측위 장치 및 방법
Lima et al. Efficient and robust WiFi indoor positioning using hierarchical navigable small world graphs
Mirdita et al. Localization for intelligent systems using unsupervised learning and prediction approaches

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant