KR20210090058A - Method and system for building indoor positioning database and positioning indoor with indoor positioning database - Google Patents
Method and system for building indoor positioning database and positioning indoor with indoor positioning database Download PDFInfo
- Publication number
- KR20210090058A KR20210090058A KR1020200003391A KR20200003391A KR20210090058A KR 20210090058 A KR20210090058 A KR 20210090058A KR 1020200003391 A KR1020200003391 A KR 1020200003391A KR 20200003391 A KR20200003391 A KR 20200003391A KR 20210090058 A KR20210090058 A KR 20210090058A
- Authority
- KR
- South Korea
- Prior art keywords
- access points
- rss
- location
- indoor positioning
- reference point
- Prior art date
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
- G01S5/02—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves
- G01S5/0252—Radio frequency fingerprinting
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S11/00—Systems for determining distance or velocity not using reflection or reradiation
- G01S11/02—Systems for determining distance or velocity not using reflection or reradiation using radio waves
- G01S11/06—Systems for determining distance or velocity not using reflection or reradiation using radio waves using intensity measurements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
Description
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.The present disclosure is for indoor positioning that allows to establish a database for indoor positioning based on radio frequency signal strength and a weighted centroid (WC) when positioning based on radio frequency (RF), and to estimate an indoor location It relates to database construction, indoor positioning method and system.
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.Today, as social and commercial interest in Location Based Service (LBS) increases, research and development of various outdoor and indoor location measurement systems is increasing. Location information, both indoors and outdoors, is at the heart of an ergonomic future-sustainable computing framework, which can provide multiple possibilities for a wide range of computing environments.
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.Meanwhile, GNSS (Global Navigation Satellite System) has been a representative technology in a location measurement system. However, in the case of a technology for estimating a location by receiving a GNSS signal, since it is difficult to receive a satellite signal when it is located inside a building or between high-rise buildings, it is difficult to estimate the exact location of the device. Accordingly, research and development of various indoor positioning systems (Indoor Positioning Service, IPS) is increasing.
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. Location-based services, particularly indoor location measurement, can estimate indoor location using Wi-Fi, Bluetooth Low Energy (BLE), ZigBee, Ultra-Wide Band (UWB), visible light, and the Earth's magnetic field. In particular, among indoor positioning technologies, there is a method of using a Bluetooth low energy beacon. It consumes less energy and is efficient, and is now built into many smartphones and tablets.
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.In particular, the fingerprinting method has become a major choice for location-based service design because location estimation is good and line-of-sight from an access point is not required. That is, this fingerprinting method is widely used in indoor location measurement due to its high stability.
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.However, the fingerprinting method builds a database for indoor positioning including an offline (training) step, performs positioning in an online (test) step, accumulates data for all access points deployed indoors in the database, and for positioning perform calculations Accordingly, the fingerprinting method has a problem in that the calculation process is complicated and the size of the database may be increased.
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.The above-mentioned background art is technical information possessed by the inventor for derivation of the present invention or acquired in the process of derivation of the present invention, and cannot necessarily be said to be a known technique disclosed to the general public prior to filing of the present invention.
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.An object of the present disclosure is to establish a database for indoor positioning by performing clustering based on radio frequency signal strength (RSS) and weighted centroid (WC) when positioning based on radio frequency, It is intended to estimate the indoor location.
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.A method for building a database for indoor positioning according to an embodiment of the present disclosure includes measuring Received Signal Strength (RSS) from access points measured at a reference point in an indoor space, and accessing a predetermined number of accesses in the order of increasing the size of the RSS selecting the access points associated with the reference point as access points associated with the reference point, determining a weighted centroid (WC) of the associated access points at the reference point based on RSS from the associated access points; information of the associated access points and the Storing RSS from the related access points and the WC of the related access points in association with the location information of the reference point in a database, and repeating the above steps for each reference point in the indoor space.
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.Determining the WC of the associated access points includes calculating a distance from the reference point to each of the associated access points based on RSS from the associated access points, and at the reference point based on the calculated distance. determining the WC of the associated access points.
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.After the repeating step, generating training data comprising information of each reference point's related access points stored in the database and RSS from the respective reference point's related access points and the WC of the related access points at each reference point It may further include the step of
여기서, 훈련 데이터는 각각의 기준 지점의 위치 정보로 레이블링된 데이터일 수 있다.Here, the training data may be data labeled with location information of each reference point.
생성하는 단계 이후에는, 구축된 초기 신경망 모델을 상기 훈련 데이터를 사용하여 실내 측위용 신경망 모델로 학습시키는 단계를 더 포함할 수 있다.After the generating, the method may further include training the constructed initial neural network model as a neural network model for indoor positioning using the training data.
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.Here, the neural network model for indoor positioning may be configured to output location information of a specific location when information of related access points at a specific location, RSS from related access points, and WC of related access points at the specific location are input. have.
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.The step of measuring the RSS includes the steps of measuring the RSS measured from each of the access points a plurality of times, calculating an average value of the RSS measured a plurality of times, and selecting the average value as the RSS value from each of the access points. may include
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.An indoor positioning method according to an embodiment of the present disclosure includes the steps of measuring RSS from access points measured at a first location in an indoor space; selecting as first associated access points, determining the WC of the first access points at the first location based on RSS from the first access points, and the number of associated access points per reference point in the indoor space Information of the first access points and data in a database in which information, RSS from the associated access points, and the WC of the associated access points at the reference point are stored, RSS from the first access points and the first access point at the first location and estimating location information of the first location by comparing their WCs.
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.Here, the database includes cluster information in which reference points are grouped, and the estimating includes: searching for a reference point having a WC closest to the WC of the first access points in the database, and belonging to the cluster of the searched reference points calculating the location information of the first location based on the difference between the WC at reference points and the WC of the first access points and the difference between the RSS of the related access points at the reference points and the RSS of the first access points may include steps.
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.In addition, in the step of calculating the location information of the first location, the WC of the corresponding reference point among the reference points of the cluster is the closest to the WC of the first access points and related access points of the first access points and the first access points are RSS size and calculating the location information of the first location based on the number of access points matching each other when they are listed in an order according to .
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.In addition, the step of estimating the location information of the first location includes the step of estimating the location information of the first location based on the neural network model for indoor positioning learned using the training data based on the built initial neural network model. may include
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.The neural network model for indoor positioning may be configured to output location information of a specific location upon input of information of related access points at a specific location, RSS from related access points, and WC of related access points at the specific location.
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.In addition, the step of measuring the RSS includes measuring the RSS measured from each access point a plurality of times, calculating an average value of the RSS measured a plurality of times, and selecting the average value as the RSS value from each access point may include the step of
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.An indoor positioning device according to an embodiment of the present disclosure includes a communication interface for receiving RSS from access points, one or more processors, and a memory connected to the one or more processors, the memory, when executed by the processor, the processor to measure RSS from access points measured at a first location in an indoor space, and select a certain number of access points in the order of increasing RSS size as first access points related to the first location, Determine the WC of the first access points in the first location based on the RSS from the first access points, information of the access points related to each reference point in the indoor space, the RSS from the related access points, and the reference point By comparing the data of the database in which the WC of the related access points is stored with the information of the first access points, the RSS from the first access points, and the WC of the first access points at the first location, the location information of the first location It is possible to store codes that cause (cause) to estimate .
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.The proposed system can reduce the physical size of the database and the amount of data communication with the server at the execution stage by increasing the localization accuracy by using various fingerprinting functions. In addition, affinity propagation clustering can minimize the search space of RP, reduce computational cost, and smooth out noisy RSS through exponential averaging.
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.1 is a schematic illustration of an indoor positioning system according to an embodiment of the present disclosure.
2 is a block diagram schematically illustrating an indoor positioning system according to an embodiment of the present disclosure.
3 is a view for explaining the overall flow of an offline phase of building a database for indoor positioning and an online phase of performing indoor positioning according to an embodiment of the present disclosure.
4 is a diagram for describing in detail an offline step in the indoor positioning method according to an embodiment of the present disclosure.
5 is a diagram for describing in detail an online step according to an embodiment of the present disclosure.
6 is a diagram for explaining a weighted center in indoor positioning according to an embodiment of the present disclosure.
7 is a view for explaining an exemplary indoor space in which indoor positioning is performed according to an embodiment of the present disclosure.
8 shows a comparison of a fingerprint database according to an embodiment of the present disclosure with a conventional fingerprint database.
9 is a flowchart illustrating a process of building a database for indoor positioning in an offline stage according to an embodiment of the present disclosure.
10 is a flowchart illustrating a process of performing indoor positioning in an online step according to an embodiment of the present disclosure.
11 to 13 are graphs for explaining the superiority of the method according to an embodiment of the present disclosure compared to the conventional method.
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.Advantages and features of the present invention, and methods for achieving them will become apparent with reference to the detailed description in conjunction with the accompanying drawings. However, it should be understood that the present invention is not limited to the embodiments presented below, but may be implemented in a variety of different forms, and includes all transformations, equivalents, and substitutes included in the spirit and scope of the present invention. . The embodiments presented below are provided to complete the disclosure of the present invention, and to fully inform those of ordinary skill in the art to the scope of the present invention. In describing the present invention, if it is determined that a detailed description of a related known technology may obscure the gist of the present invention, the detailed description thereof will be omitted.
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.The terms used in the present application are only used to describe specific embodiments, and are not intended to limit the present invention. The singular expression includes the plural expression unless the context clearly dictates otherwise. In the present application, the terms include or have is intended to designate that a feature, number, step, operation, component, part, or combination thereof described in the specification exists, but one or more other features, number, step , it should be understood that it does not preclude in advance the possibility of the existence or addition of an operation, component, part, or combination thereof. Terms such as first, second, etc. may be used to describe various elements, but the elements should not be limited by the terms. The above terms are used only for the purpose of distinguishing one component from another.
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.Hereinafter, embodiments according to the present invention will be described in detail with reference to the accompanying drawings, and in the description with reference to the accompanying drawings, the same or corresponding components are given the same reference numerals, and overlapping descriptions thereof are omitted. decide to do
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.First, the present embodiment relates to a two-step fingerprinting-based indoor positioning method for increasing the accuracy of indoor positioning. In this embodiment, although indoor positioning may be performed using a beacon as an access point, the present invention is not limited thereto, and various wireless communication modules may be applied.
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.Indoor positioning can be divided into an offline process (location learning process) and an online process (measurement process). In general, in RF-based positioning such as WiFi and Bluetooth beacons, fingerprint data in the form of an RF signal is measured in an offline process, it is stored in a database, and an RF signal measured at the current location by a user carrying a positioning terminal in the online process. can estimate the current position by comparing it with the RF signal stored in the database. In this case, the mainly used fingerprint data is an RF signal strength value (RSS), but in this embodiment, a weighted centroid (WC) in addition to the RSS may be additionally used as the fingerprint data to estimate the current location.
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.That is, in the offline process, RSS and WC measured at a reference point (RP) may be stored in the DB as data for comparison. On the other hand, in the online process, the current location can be estimated by comparing the stored RSS and WC information with data measured by the user terminal at a specific location. In this case, the reference point may be selected through a clustering process, and thus a smaller number of reference points may be used compared to the prior art.
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.In other words, in the present embodiment, a received signal strength (RSS) of a beacon may be converted into a distance using a propagation model, and a weighted center (WC) of a neighboring beacon may be estimated. And in this embodiment, instead of storing the RSS of all beacons placed indoors, by storing the estimated WC along with the ranking of beacons based on the distance of RSS and surrounding beacons in the server database, a database for indoor positioning It can be built and used to perform indoor positioning.
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.In addition, the indoor positioning database construction and indoor positioning method according to an embodiment of the present disclosure are performed by a computer, and the computer stores a computer program that functions the computer to perform the indoor positioning database construction and indoor positioning method.
또한, 상기 컴퓨터는 일반적인 퍼스널 컴퓨터뿐만 아니라, 스마트폰이나 태블릿 PC와 같은 스마트 기기(사용자 단말)를 포함하는 광의의 컴퓨팅 장치를 의미한다.In addition, the computer refers to a computing device in a broad sense including a smart device (user terminal) such as a smart phone or a tablet PC as well as a general personal computer.
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.In addition, the computer program may be provided by being stored in a separate recording medium, and the recording medium may be specially designed and configured for the present invention or may be known and used by a person skilled in the field of computer software. .
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.For example, the recording medium includes a hard disk, a magnetic medium such as a floppy disk and a magnetic tape, an optical recording medium such as a CD and DVD, a magneto-optical recording medium capable of both magnetic and optical recording, a ROM, a RAM, and a flash memory. and the like, alone or in combination, may be a hardware device specially configured to store and execute program instructions.
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.In addition, the computer program may be a computer program composed of program instructions, a local data file, a local data structure, etc. alone or in combination, and may be executed by a computer using an interpreter as well as machine code such as generated by a compiler. It may be a computer program written in a high-level language code that can be
또한, 상기 컴퓨터 프로그램은 통신망을 통해 상기 컴퓨터 프로그램을 전송할 수 있는 서버에 저장될 수 있다.In addition, the computer program may be stored in a server capable of transmitting the computer program through a communication network.
도 1은 본 개시의 일 실시 예에 따른 실내 측위 시스템의 개략적인 예시도이다.1 is a schematic illustration of an indoor positioning system according to an embodiment of the present disclosure.
도 1을 참조하면, 실내 측위 시스템은 무선 수신 기기(10), 서버(20), 무선 송신 기기(30) 및 네트워크(40)를 포함할 수 있다.Referring to FIG. 1 , the indoor positioning system may include a
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.In this embodiment, the
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. Here, the computer program may be stored in the
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.However, the offline data may be stored in the
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.The
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.In addition, the
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.In this embodiment, the user terminal is a desktop computer, a smartphone, a notebook computer, a tablet PC, a smart TV, a mobile phone, a personal digital assistant (PDA), a laptop, a media player, a micro server, a global positioning system (GPS) device operated by a user , e-book terminals, digital broadcast terminals, navigation devices, kiosks, MP3 players, digital cameras, home appliances, and other mobile or non-mobile computing devices, but is not limited thereto. In addition, the user terminal may be a wearable terminal such as a watch, glasses, a hair band and a ring having a communication function and a data processing function. The user terminal is not limited to the above, and a terminal capable of web browsing may be borrowed without limitation.
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.The
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.Here, artificial intelligence (AI) is a field of computer science and information technology that studies how computers can do the thinking, learning, and self-development that can be done with human intelligence. It could mean making it possible to imitate intelligent behavior.
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.Also, artificial intelligence does not exist by itself, but has many direct and indirect connections with other fields of computer science. In particular, in modern times, attempts are being made to introduce artificial intelligence elements in various fields of information technology and use them to solve problems in that field.
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. Machine learning is a branch of artificial intelligence, which can include fields of study that give computers the ability to learn without explicit programming. Specifically, machine learning can be said to be a technology that studies and builds a system and an algorithm for learning based on empirical data, making predictions, and improving its own performance. Algorithms in machine learning can take the approach of building specific models to make predictions or decisions based on input data, rather than executing strictly set static program instructions.
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. The
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.A plurality of
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.The
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.2 is a block diagram schematically illustrating an indoor positioning system according to an embodiment of the present disclosure.
도 2에 도시된 바와 같이, 실내 측위 시스템은 통신 인터페이스(100), 센싱부(200), 프로세서(300), 메모리(400) 및 처리부(500)를 포함할 수 있다.As shown in FIG. 2 , the indoor positioning system may include a
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.The
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.The
프로세서(300)는 일종의 중앙처리장치로서 메모리(400)에 탑재된 제어 소프트웨어를 구동하여 실내 측위 시스템 전체의 동작을 제어할 수 있다. The
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.In this embodiment, the
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.Then, the
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.Meanwhile, the
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.In addition, in the present embodiment, the
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.That is, the
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.Here, deep learning technology, which is a type of machine learning, can learn by going down to a deep level in multiple stages based on data. Deep learning can represent a set of machine learning algorithms that extract core data from a plurality of data as the level increases.
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. The deep learning structure may include an artificial neural network (ANN). For example, the deep learning structure is composed of a deep neural network (DNN) such as a convolutional neural network (CNN), a recurrent neural network (RNN), and a deep belief network (DBN). can be The deep learning structure according to the present embodiment may use various well-known structures. For example, the deep learning structure according to the present invention may include CNN, RNN, DBN, and the like. RNN is widely used in natural language processing and the like, and it is an effective structure for processing time-series data that changes with time, and it is possible to construct an artificial neural network structure by stacking layers at every moment. DBN may include a deep learning structure composed of multiple layers of restricted boltzman machine (RBM), a deep learning technique. By repeating RBM learning, when a certain number of layers is reached, a DBN having the corresponding number of layers can be configured. CNNs can include models that simulate human brain functions based on the assumption that when a person recognizes an object, it extracts the basic features of an object, then performs complex calculations in the brain and recognizes an object based on the result. .
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.On the other hand, learning of the artificial neural network can be accomplished by adjusting the weight of the connection line between nodes (and adjusting the bias value if necessary) so that a desired output is produced with respect to a given input. In addition, the artificial neural network may continuously update a weight value by learning. In addition, a method such as back propagation may be used for learning the artificial neural network.
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.That is, the indoor positioning system may be equipped with an artificial neural network, and the
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.The
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. That is, the
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.In this embodiment, the
한편 본 실시 예에서 메모리(400)에는, 후술하는 라디오맵 데이터베이스(570)가 포함될 수 있으나, 별도로 구비될 수도 있다.Meanwhile, in the present embodiment, the
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.The
도 3은 실내 측위용 데이터베이스를 구축하는 오프라인 단계(offline phase)와, 실내 측위를 수행하는 온라인 단계(execution phase)의 전체적인 흐름을 설명하는 도면이다.3 is a diagram for explaining the overall flow of an offline phase of building a database for indoor positioning and an online phase of performing indoor positioning.
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.The proposed method of this embodiment may consist of two phases: a training/offline phase and an execution/online phase, and in both phases, the scanned RSS A propagation model can be used to transform values into distances.
여기서 사용되는 전파 모델은 아래의 수학식 1과 같은 형태일 수 있다.The propagation model used here may be in the form of
여기서, 는 거리 d 에서 dBm 단위의 RSS이고, A는 표준 거리(1m로 정의됨)에서 수신되는 RSS이며, 는 평균 0과 분산 를 갖는 가우시안 분포 랜덤 변수이고, n 은 경로 손실 지수(exponent)이다. here, is the RSS in dBm at distance d , A is the RSS received at a standard distance (defined as 1m), is the mean 0 and variance is a Gaussian distributed random variable with , and n is the path loss exponent.
그리고 바람직한 실시 예에 있어서, 수학식 1에서 아래의 수학식 2를 도출할 수 있다.And in a preferred embodiment, the following
여기서, 측정된 거리 d 는 후술되는 가중 중심(WC)을 산출하는데 사용되는 가중치 를 획득하는데 사용될 수 있다.Here, the measured distance d is a weight used to calculate a weighting center (WC), which will be described later. can be used to obtain
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.In this regard, FIG. 6 for explaining a method of obtaining a weighted center in indoor positioning according to an embodiment of the present disclosure exemplifies a case of obtaining a weighted center when there are three beacons.
액세스 포인트들의 이전에 알려진 위치들과 각각의 가중치들을 통해 가중 중심이 아래의 수학식 3에 의해 계산될 수 있다.Through previously known positions of the access points and their respective weights, a weighting center may be calculated by
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.Here, (x w , y w ) is the estimated weighting center, (x j , y j ) is the previously known coordinates of the access point j, and d j is the reference point or access point j in the user terminal for indoor positioning. is the distance to , g is the degree of weight, and u is the number of access points (eg, beacons) considered for weight centroid estimation.
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 에 N 개의 기준 지점(RP)들이 포함될 수 있으며, B 개의 비콘(무선 송신 기기, 30)들의 RSS 데이터는 RP에서 q 번 획득될 수 있다. 이는, 와 같이 나타낼 수 있으며, 여기서, 이다.Meanwhile, referring to FIG. 7 for explaining an exemplary indoor space in which indoor positioning is performed according to an embodiment of the present disclosure, in the offline stage, the indoor space (testbed) is divided into N virtual grids of the same size, and the center of each grid may indicate the reference point RP. Therefore, the indoor space may include N reference points (RP) , and RSS data of B beacons (wireless transmitting device, 30) It can be obtained q times in RP. this is, It can be expressed as, where to be.
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. That is, in the present embodiment, RSS measured from each access point (APs) may be measured a plurality of times, and an average value of RSS measured a plurality of times (eg, q times) may be calculated. You can select from RSS values from access points. That is, errors can be reduced by using methods such as averaging or moving average.
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.Here, RSS data of the B beacons (wireless transmitting device, 30) may be used in the clustering process. In this embodiment, the clustering process may be referred to as affinity propagation clustering (APC).
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.At this time, only u beacons may be used for the fingerprinting information in the order of the RSS data largest (here, u < B). It should be noted that RSS data is obtained from four directions at a reference point and the user terminal can be held in the “texting/messaging” position.
오프라인 단계에서 RSS 획득에 의해 형성된 라디오맵은 아래의 수학식 4와 같이 표현될 수 있다.The radio map formed by RSS acquisition in the offline stage can be expressed as
여기서, 는 RP()에서 비콘(무선 송신 기기, 30) b 로부터 얻어진 평균 RSS일 수 있다. here, is RP( ) may be the average RSS obtained from the beacon (wireless transmitting device, 30) b.
또한, 오프라인 단계에서는 기준 지점에서 측정된 RSS가 큰 순서대로 액세스 포인트들의 랭킹이 기록될 수 있다. In addition, in the offline stage, the rankings of the access points may be recorded in the order of increasing RSS measured at the reference point.
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. Referring to FIG. 8 illustrating a comparison between a conventional fingerprint database and a fingerprint database according to an embodiment of the present disclosure, characteristics of the fingerprint database according to an embodiment of the present disclosure can be seen more clearly.
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.As shown in Fig. 8(a), the conventional fingerprint database includes the coordinates of the reference point and RSS from all beacons observed at the reference point, whereas in the embodiment of the present disclosure as in Fig. 8(b). The corresponding fingerprint database may include the coordinates of the reference point, the RSS and ranking of u beacons adjacent to the reference point, and data on the weighting centers of the u beacons.
이에 따라, 본 개시의 실시 예는 필요한 비콘들만의 RSS 만을 이용하므로, 연산 리소스를 절약하면서도 보다 정확한 위치 측위를 가능하게 할 수 있다. Accordingly, since the embodiment of the present disclosure uses only the necessary RSS of beacons, it is possible to enable more accurate positioning while saving computational resources.
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.That is, in the offline stage, information on u access points, ranking of u access points, and weight centers related to u access points are recorded in the database in order of increasing RSS values based on the RSS measured at each reference point. can be Such a database may be stored in the
다음으로 온라인 단계에서는, 실내의 알지 못하는 임의의 위치 r'에서 관측되는 온라인 RSS 데이터가 과 같이 나타날 수 있다. Next, in the online stage, online RSS data observed at an unknown location r' in the room is may appear as
여기서, 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.here, , where t is time instant, and EA can be exponential averaging, so that as soon as two observations start, a smoothed RSS can be obtained.
인스턴트 t(RSSEA)에서 RSS 데이터 샘플에 대한 EA는 아래 수학식 5에 의해 주어질 수 있다. The EA for the RSS data sample at the instant t(RSS EA ) may be given by
여기서, 는 평탄화 팩터(smoothing factor)로 0과 1 사이에서 결정될 수 있다. 가 클수록 평탄화 레벨은 감소하고, 가 0에 가까워질수록 평탄화 효과는 커지며, 최근 RSS 관측에 대해 보다 덜 민감하게 반응하게 된다.here, may be determined between 0 and 1 as a smoothing factor. The higher the value, the lower the flattening level The closer to 0, the greater the flattening effect, and the less sensitive it is to recent RSS observations.
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.After measuring the RSS observed at position r', one can define a set H of cluster heads and define the number of reference points that are members of the cluster as N'(N'<N). First, the cluster head RP H may be determined by
여기서, 은 알려지지 않은 r' 위치에서 근접한 u' 개의 비컨들로부터의 관측된 가중 중심이고, 은 m번째 클러스터-헤드 RP의 저장된 가중치 중심을 나타낸다.here, is the observed weighting center from u' adjacent beacons at an unknown r' location, denotes the stored weight center of the m-th cluster-head RP.
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.After the cluster head RP is selected, Euclidean distances can be calculated according to
여기서, p는 선택된 클러스터 헤드의 멤버이다.where p is a member of the selected cluster head.
N'개의 RP들이 Dwcl의 오름차순으로 정렬되고, 첫번째 k개의 RP들(위치가 Jz[xz, yz]로 알려져 있음)이 선택되어 하기 수학식 9를 통해 TWC를 추정한다.N' RPs are arranged in ascending order of D wcl , and the first k RPs (positions known as J z [x z , y z ]) are selected to estimate T WC through Equation 9 below.
유사한 동작이 DRSSl을 이용하여 반복되어 수학식 10의 관계를 이용하여 TRSS를 추정할 수 있다(수학식 8에서 u는 최소 DWCl에 대한 RP에서의 저장된 비콘).A similar operation may be repeated using D RSSl to estimate T RSS using the relationship in Equation 10 (where u in
임의의 위치에 있는 사용자 단말기의 위치는 최종적으로 하기 수학식 11을 이용하여 추정될 수 있다.The position of the user terminal in an arbitrary position may be finally estimated using
여기서, 이고, 는 매칭된 비콘의 총 수, 즉, 위치 r'에서 최소 Dwcl을 가지는 RP에 대한 저장된 비콘들의 랭킹과 매칭하는 온라인-관측된 비콘들의 개수를 나타낸다.here, ego, denotes the total number of matched beacons, i.e., the number of online-observed beacons that match the ranking of stored beacons for the RP with minimum D wcl at position r'.
예를 들어, 알려지지 않은 위치 r'에서 온라인상 관측되는 비콘들(예를 들어, 여기서 u=4)이 그들의 랭킹에 따른 내림차순으로 정렬되면 이고 최소 Dwcl을 가지는 RP에서의 비콘들의 저장된 랭킹은 일 수 있다. 이러한 경우, 온라인의 정렬된 랭킹과 오프라인의 정렬된 랭킹 사이에 단 하나의 비콘(세 번째 비콘)만 매칭되므로 는 1이다.For example, if beacons observed online at unknown location r' (eg, where u=4) are sorted in descending order according to their ranking. ego The stored ranking of beacons in the RP with a minimum D wcl is can be In this case, only one beacon (the third beacon) matches between the online sorted ranking and the offline sorted ranking, so is 1
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 에 추가로 기초하여 r'의 위치 정보를 연산할 수 있다.That is, among the members of the cluster head, the WC of the corresponding reference point is the beacons of the beacons observed online at the location r', the beacons of the reference point closest to the WC and the beacons observed online at the location r' are listed in order according to the RSS The number of beacons that match each other when It is possible to calculate the position information of r' based in addition to .
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.4 is a diagram for describing in detail an offline step in the indoor positioning method according to an embodiment of the present disclosure. Also, FIG. 5 is a diagram for describing in detail an online step according to an embodiment of the present disclosure.
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. The
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.At this time, the BLE scan units 510-1 and 510-2, the extractors 520-1 and 520-2, the BLE selectors 540-1 and 540-2, and the WC estimators 560-1 and 560-2 ) and radio map databases 570-1 and 570-2 are divided into an offline stage and an online stage for convenience of explanation, but may be implemented in the same component.
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.In the online step, the BLE scan unit 510-1 may measure Received Signal Strength (RSS) from access points measured at a reference point (RP) in an indoor space. In this embodiment, the RSS value may be measured using a propagation model, and the RSS value may be converted into a distance.
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.The extraction unit 520-1 calculates the average value of the RSS values to extract a standardized feature, and the
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.The
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.The ranking determiner 550 determines a ranking for the selected BLE beacons according to the averaged RSS size, and the
이러한 데이터들은 라디오맵 데이터베이스(570-1)에 저장되어 이후 실내 측위가 이루어지는데 활용될 수 있게 된다. These data are stored in the radio map database 570-1, so that they can be utilized for indoor positioning.
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.In the online phase after the offline phase, referring to FIG. 5 , a user terminal located at an arbitrary position r' may measure RSS from beacons through the BLE scan unit 510 - 2 .
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. The extractor 520-2 obtains an averaged RSS using the RSS data measured multiple times, and the BLE selector 540-2 selects u' adjacent r' BLE beacons in the order of the averaged RSS size. have.
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. The WC estimator 560 - 2 calculates a first weight center of the selected beacons, and the
위치 추정부(590)는 추정된 클러스터 헤드에서의 가중 중심 정보 및 RSS 정보를 이용하여 r'의 위치를 추정할 수 있다.The
도 9는 본 개시의 실시 예에 따른 오프라인 단계에서 실내 측위용 데이터베이스를 구축하는 과정을 설명하는 순서도이다.9 is a flowchart illustrating a process of building a database for indoor positioning in an offline stage according to an embodiment of the present disclosure.
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.First, the RSS from the access points is measured at the set collimation points of the indoor space (S110). Here, RSS may be a value obtained by averaging a plurality of measurement values instead of one measurement.
측정된 RSS의 크기에 따라 크기가 큰 순서대로 일정 개수의 액세스 포인트들을 기준 지점과 관련된 액세스 포인트들(비콘들)로 선택할 수 있다(S120).According to the size of the measured RSS, a predetermined number of access points may be selected as access points (beacons) related to the reference point in the order of increasing size ( 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).A distance from a reference point to each of the access points may be obtained based on the RSS from the selected related access points, and a weighting center of the related access points may be determined using the distance ( S130 ).
이러한 과정 중에 APC를 이용하여 클러스터링이 이루어질 수 있고, 클러스터 내의 기준 지점들 중 클러스터 헤드가 결정될 수 있다.During this process, clustering may be performed using APC, and a cluster head may be determined among reference points in the cluster.
관련된 액세스 포인트들의 정보, 관련된 액세스 포인트들로부터의 RSS (RSS에 따른 랭킹 정보), 관련된 액세스 포인트들의 WC를 기준 지점의 위치 정보와 연관하여 데이터베이스에 저장한다(S140).Information of the related access points, RSS (ranking information according to RSS) from the related access points, and the WC of the related access points are stored in the database in association with the location information of the reference point (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.Here, the above processes may be performed by a processor of a device (mobile type) for building a database for indoor positioning, and the database may be built on an external server such as a local server.
도 10은 본 개시의 실시 예에 따른 온라인 단계에서 실내 측위를 수행하는 과정을 설명하는 순서도이다.10 is a flowchart illustrating a process of performing indoor positioning in an online step according to an embodiment of the present disclosure.
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.After the database for indoor positioning is built in the offline step, the user terminal may measure RSS from the access points at any first location in the indoor space (S210). Here, RSS may be a value obtained by averaging a plurality of measurement values instead of one measurement.
사용자 단말기는 측정된 RSS의 크기가 큰 순서대로 일정 개수의 액세스 포인트들을 제 1 위치와 관련된 제 1 액세스 포인트들로 선택할 수 있다(S220).The user terminal may select a predetermined number of access points in the order of increasing the size of the measured RSS as the first access points related to the first location (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).A distance from the first location to the first access points may be determined based on the RSS from the selected first access points, and a WC of the first access points at the first location may be determined based on the distance ( 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).The location information of the first location may be estimated by comparing the data of the database built in the offline step with information of the first access points, RSS from the first access points, and WC of the first access points ( S240 ).
여기서, 제 1 액세스 포인트들의 정보란 액세스 포인트들의 ID, RSS 랭킹 등일 수 있다.Here, the information of the first access points may be IDs of the access points, RSS rankings, and the like.
상기 과정은 사용자 단말기의 프로세서에 의해 수행될 수 있다.The above process may be performed by a processor of the user terminal.
도 11 내지 13은 종래 방식과 비교하여 본 개시의 실시 예에 따른 방식의 우수성을 설명하기 위한 그래프이다.11 to 13 are graphs for explaining the superiority of the method according to an embodiment of the present disclosure compared to the conventional method.
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.11 to 13 are data obtained by performing positioning in various indoor spaces and measuring positioning errors. The method proposed in the present disclosure is superior to the case of NN, Wk-NN, and Wk-NN+APC, which are conventional methods. performance can be seen.
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.In addition, the proposed system can reduce the physical size of the database and the amount of data communication with the server at the execution stage by increasing the localization accuracy by using various fingerprinting functions. In addition, affinity propagation clustering can minimize the search space of RP, reduce computational cost, and smooth out noisy RSS through exponential averaging.
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.The embodiments according to the present invention described above may be implemented in the form of a computer program that can be executed through various components on a computer, and such a computer program may be recorded in a computer-readable medium. In this case, the medium includes a hard disk, a magnetic medium such as a floppy disk and a magnetic tape, an optical recording medium such as CD-ROM and DVD, a magneto-optical medium such as a floppy disk, and a ROM. , RAM, flash memory, and the like, hardware devices specially configured to store and execute program instructions.
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.Meanwhile, the computer program may be specially designed and configured for the present invention, or may be known and used by those skilled in the computer software field. Examples of the computer program may include not only machine language codes such as those generated by a compiler, but also high-level language codes that can be executed by a computer using an interpreter or the like.
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. In the specification of the present invention (especially in the claims), the use of the term "above" and similar referential terms may be used in both the singular and the plural. In addition, when a range is described in the present invention, each individual value constituting the range is described in the detailed description of the invention as including the invention to which individual values belonging to the range are applied (unless there is a description to the contrary). same as
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.The steps constituting the method according to the present invention may be performed in an appropriate order, unless there is an explicit order or description to the contrary. The present invention is not necessarily limited to the order in which the steps are described. The use of all examples or exemplary terms (eg, etc.) in the present invention is merely for the purpose of describing the present invention in detail, and unless defined by the claims, the scope of the present invention is limited by the examples or exemplary terminology. it's not going to be In addition, those skilled in the art will recognize that various modifications, combinations, and changes may be made in accordance with design conditions and factors within the scope of the appended claims or their equivalents.
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.Therefore, the spirit of the present invention should not be limited to the above-described embodiments, and the scope of the spirit of the present invention is not limited to the scope of the scope of the present invention. will be said to belong to
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 추정부10: wireless receiving device (user terminal)
20 : Server
30: wireless transmitting device (access point)
40: network
100: communication interface
200: sensing unit
300 : processor
400 : memory
500: processing unit
510 (510-1, 510-2): BLE scan unit
520 (520-1, 520-2): extraction unit
530: clustering unit
540 (540-1, 540-2): BLE selector
550: ranking decision unit
560: WC (weighted centroid) estimator
570(570-1, 570-2): Radio map database
580: cluster head estimator
590: location estimation unit
Claims (15)
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 포함하는,
실내 측위용 데이터베이스 구축 방법.
A) measuring Received Signal Strength (RSS) from access points measured at a reference point in an indoor space;
B) selecting a predetermined number of access points as the access points related to the reference point in the order of the size of the RSS;
C) determining a weighted centroid (WC) of the associated access points at the reference point based on RSS from the associated access points;
E) storing the information of the related access points and RSS from the related access points and the WC of the related access points in association with the location information of the reference point in a database; and
F) comprising repeating steps A) to E) for each reference point of the indoor space,
How to build a database for indoor positioning.
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.
The method of claim 1,
Determining the WC of the related access points comprises:
calculating a distance from the reference point to each of the associated access points based on the RSS from the associated access points; and
determining the WC of the related access points at the reference point based on the calculated distance;
How to build a database for indoor positioning.
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.
The method of claim 1,
After step F),
generating training data comprising information of each reference point's associated access points stored in the database and RSS from each reference point's associated access points and the WC of the associated access points at each reference point and,
The training data is labeled with the location information of each reference point,
How to build a database for indoor positioning.
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.
4. The method of claim 3,
After the generating step,
Further comprising the step of training the built initial neural network model as a neural network model for indoor positioning using the training data,
The neural network model for indoor positioning is configured to output location information of a specific location upon input of information of related access points at a specific location, RSS from related access points, and WC of related access points at the specific location,
How to build a database for indoor positioning.
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.
The method of claim 1,
Measuring the RSS comprises:
measuring RSS measured from each of the access points a plurality of times, and calculating an average value of the RSS measured a plurality of times; and
selecting the average value as the RSS value from each of the access points;
How to build a database for indoor positioning.
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 포함하는,
실내 측위 방법.
measuring RSS from access points measured at a first location in an indoor space;
selecting a predetermined number of access points as first access points associated with the first location in an order of increasing RSS size;
determining the WC of the first access points in the first location based on the RSS from the first access points; and
Information of the access points related to each reference point of the indoor space, RSS from the related access points, and data of the database in which the WC of the related access points at the reference point are stored and information of the first access points, the first estimating location information of the first location by comparing RSS from access points and WC of the first access points at the first location;
Indoor positioning method.
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. The method of claim 6,
The database includes cluster information in which reference points are grouped,
The estimating step is
searching for a reference point having a WC closest to the WC of the first access points in the database; and
Based on the difference between the WC of the first access points and the WC at the reference points belonging to the cluster of the searched reference points and the difference between the RSS of the related access points at the reference points and the RSS of the first access points Comprising the step of calculating the location information of the first location,
Indoor positioning method.
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.
7. The method of claim 6,
The step of calculating the location information of the first location,
Access that matches each other when the WC of the reference point among the reference points of the cluster is the closest to the WC of the first access points and the related access points of the reference point and the first access points are listed in order according to the RSS size calculating location information of the first location further based on the number of points;
Indoor positioning method.
상기 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 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.
9. The method of claim 8,
The step of estimating the location information of the first location,
Comprising the step of estimating the location information of the first location based on the neural network model for indoor positioning learned using the training data based on the initial neural network model built,
The neural network model for indoor positioning is configured to output location information of a specific location upon input of information of related access points at a specific location, RSS from related access points, and WC of related access points at the specific location,
Indoor positioning method.
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.
7. The method of claim 6,
Measuring the RSS comprises:
measuring RSS measured from each of the access points a plurality of times, and calculating an average value of the RSS measured a plurality of times; and
selecting the average value as the RSS value from each of the access points;
Indoor positioning method.
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 저장하는,
실내 측위 시스템.
a communication interface for receiving RSS from access points;
one or more processors; and
a memory coupled to the one or more processors;
The memory, when executed by the processor, causes the processor to:
measuring RSS from access points measured at a first location in an indoor space;
selecting a predetermined number of access points as the first access points related to the first location in the order of the size of the RSS,
determine the WC of the first access points in the first location based on the RSS from the first access points;
Information of the access points related to each reference point of the indoor space, RSS from the related access points, and data of the database in which the WC of the related access points at the reference point are stored and information of the first access points, the first comparing RSS from access points and WC of the first access points at the first location to store codes that cause to estimate location information of the first location,
indoor positioning system.
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.
12. The method of claim 11,
The memory, when executed by the processor, causes the processor to:
Calculate a distance from the first location to each of the first access points based on the RSS from the first access points, and WC of the first access points at the first location based on the calculated distance storing codes that cause to determine
indoor positioning system.
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.
12. The method of claim 11,
The memory, when executed by the processor, causes the processor to:
the first location based on training data comprising information of each reference point's associated access points stored in the database and RSS from the respective reference point's associated access points and the WC of the associated access points at each reference point stores the codes that cause to estimate the location information of
The training data is labeled with the location information of each reference point,
indoor positioning system.
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.
14. The method of claim 13,
The memory, when executed by the processor, causes the processor to:
stores codes that cause to estimate the location information of the first location based on a neural network model for indoor positioning learned using the training data based on the initial neural network model built,
The neural network model for indoor positioning is configured to output location information of a specific location upon input of information of related access points at a specific location, RSS from related access points, and WC of related access points at the specific location,
indoor positioning system.
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.12. The method of claim 11,
The memory, when executed by the processor, causes the processor to:
Codes that measure the RSS measured from each access point a plurality of times, calculate an average value of the RSS measured a plurality of times, and select the average value as the RSS value from each access point to measure the RSS. to save,
indoor positioning system.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020200003391A KR102304466B1 (en) | 2020-01-09 | 2020-01-09 | Method and system for building indoor positioning database and positioning indoor with indoor positioning database |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020200003391A KR102304466B1 (en) | 2020-01-09 | 2020-01-09 | Method and system for building indoor positioning database and positioning indoor with indoor positioning database |
Publications (2)
Publication Number | Publication Date |
---|---|
KR20210090058A true KR20210090058A (en) | 2021-07-19 |
KR102304466B1 KR102304466B1 (en) | 2021-09-17 |
Family
ID=77125964
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020200003391A KR102304466B1 (en) | 2020-01-09 | 2020-01-09 | Method and system for building indoor positioning database and positioning indoor with indoor positioning database |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR102304466B1 (en) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116233747A (en) * | 2023-03-09 | 2023-06-06 | 江苏亨鑫科技有限公司 | BLE positioning method and device based on transfer learning and fingerprint library updating |
CN116761255A (en) * | 2023-08-17 | 2023-09-15 | 湖北香溢数字科技有限公司 | Vehicle positioning method and device |
WO2024039184A1 (en) * | 2022-08-17 | 2024-02-22 | 삼성전자 주식회사 | Method for generating training data for learning of indoor space recognition model and computing device for performing same |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20080099940A (en) * | 2007-05-11 | 2008-11-14 | 주식회사 셀리지온 | Network based method of measuring the position of mobile station using the ratio of power strength of several base station and the system thereof |
KR20120114882A (en) * | 2011-04-08 | 2012-10-17 | 주식회사 케이티 | Method and apparatus for providing differential location based service using access point |
KR20190053470A (en) * | 2017-11-10 | 2019-05-20 | 주식회사 셀리지온 | Positioning system based on deep learnin and construction method thereof |
-
2020
- 2020-01-09 KR KR1020200003391A patent/KR102304466B1/en active IP Right Grant
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20080099940A (en) * | 2007-05-11 | 2008-11-14 | 주식회사 셀리지온 | Network based method of measuring the position of mobile station using the ratio of power strength of several base station and the system thereof |
KR20120114882A (en) * | 2011-04-08 | 2012-10-17 | 주식회사 케이티 | Method and apparatus for providing differential location based service using access point |
KR20190053470A (en) * | 2017-11-10 | 2019-05-20 | 주식회사 셀리지온 | Positioning system based on deep learnin and construction method thereof |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024039184A1 (en) * | 2022-08-17 | 2024-02-22 | 삼성전자 주식회사 | Method for generating training data for learning of indoor space recognition model and computing device for performing same |
CN116233747A (en) * | 2023-03-09 | 2023-06-06 | 江苏亨鑫科技有限公司 | BLE positioning method and device based on transfer learning and fingerprint library updating |
CN116761255A (en) * | 2023-08-17 | 2023-09-15 | 湖北香溢数字科技有限公司 | Vehicle positioning method and device |
CN116761255B (en) * | 2023-08-17 | 2023-12-15 | 湖北香溢数字科技有限公司 | Vehicle positioning method and device |
Also Published As
Publication number | Publication date |
---|---|
KR102304466B1 (en) | 2021-09-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chriki et al. | SVM-based indoor localization in wireless sensor networks | |
Bae et al. | Large-scale indoor positioning using geomagnetic field with deep neural networks | |
KR102304466B1 (en) | Method and system for building indoor positioning database and positioning indoor with indoor positioning database | |
JP6596516B2 (en) | Method and apparatus for improving the positioning performance of an artificial neural network | |
KR102116824B1 (en) | Positioning system based on deep learnin and construction method thereof | |
Zhang et al. | DeepPositioning: Intelligent fusion of pervasive magnetic field and WiFi fingerprinting for smartphone indoor localization via deep learning | |
WO2021129634A1 (en) | Network positioning method and system | |
Chen et al. | Learning RSSI feature via ranking model for Wi-Fi fingerprinting localization | |
CN109379711B (en) | positioning method | |
KR102145717B1 (en) | Indoor positioning method and system using machine learning | |
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 | |
US10708880B2 (en) | Electronic device and method for determining entry of region of interest of electronic device | |
Ghozali et al. | Indoor positioning system using regression-based fingerprint method | |
Ai et al. | Robust low-latency indoor localization using Bluetooth low energy | |
Tang et al. | A sequential-multi-decision scheme for WiFi localization using vision-based refinement | |
KR20210048697A (en) | Indoor positioning apparatus and method | |
KR20200132295A (en) | Apparatus and method for indoor location estimation based on packet capture | |
KR20230096523A (en) | Indoor positioning method and apparatus | |
Cheng et al. | Indoor positioning system for wireless sensor networks based on two-stage fuzzy inference | |
Xu et al. | Cramer-Rao lower bound analysis of RSS/TDoA joint localization algorithms based on rigid graph theory | |
Oh et al. | WiFi Positioning by Optimal k-NN in 3GPP Indoor Office Environment |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
E701 | Decision to grant or registration of patent right | ||
GRNT | Written decision to grant |