KR100975087B1 - 전파 방사패턴의 재구축을 통한 센서 네트워크의 위치인식 방법 - Google Patents
전파 방사패턴의 재구축을 통한 센서 네트워크의 위치인식 방법 Download PDFInfo
- Publication number
- KR100975087B1 KR100975087B1 KR1020080098307A KR20080098307A KR100975087B1 KR 100975087 B1 KR100975087 B1 KR 100975087B1 KR 1020080098307 A KR1020080098307 A KR 1020080098307A KR 20080098307 A KR20080098307 A KR 20080098307A KR 100975087 B1 KR100975087 B1 KR 100975087B1
- Authority
- KR
- South Korea
- Prior art keywords
- sensor node
- antenna
- sensor
- radio wave
- characteristic value
- Prior art date
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/74—Systems using reradiation of radio waves, e.g. secondary radar systems; Analogous systems
-
- 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
- G01S5/0284—Relative positioning
- G01S5/0289—Relative positioning of multiple transceivers, e.g. in ad hoc networks
-
- 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
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/74—Systems using reradiation of radio waves, e.g. secondary radar systems; Analogous systems
- G01S13/76—Systems using reradiation of radio waves, e.g. secondary radar systems; Analogous systems wherein pulse-type signals are transmitted
- G01S13/762—Systems using reradiation of radio waves, e.g. secondary radar systems; Analogous systems wherein pulse-type signals are transmitted with special measures concerning the radiation pattern, e.g. S.L.S.
-
- 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
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L12/00—Data switching networks
- H04L12/66—Arrangements for connecting between networks having differing types of switching systems, e.g. gateways
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Signal Processing (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
본 발명은 센서 네트워크의 위치인식 방법에 대한 것으로서, 특히 방위에 따른 안테나의 특성값으로 전파 방사패턴의 재구축을 통한 센서 네트워크의 위치인식 방법에 관한 것이다. 본 발명은 방위에 따른 안테나의 특성값과 전파의 세기를 이용하여 오차를 최소화할 수 있는 전파 방사패턴의 재구축을 통한 센서 네트워크의 위치인식 방법을 제공할 수 있다. 또한, 본 발명은 인공 신경망을 이용하여 왜곡된 안테나의 전파 방사 패턴을 특성화하고 이를 삼각측량 방식의 위치인식에 사용함으로써, 오차를 최소화할 수 있는 전파 방사패턴의 재구축을 통한 센서 네트워크의 위치인식 방법을 제공할 수 있다. 또한, 본 발명은 안테나 전파 방사패턴의 비대칭성을 특성화하고 이를 인공신경망을 통해 안테나의 특성을 구조화하여 수동적 위치인식 방식을 사용하더라도 위치인식률을 증가시킬 수 있는 전파 방사패턴의 재구축을 통한 센서 네트워크의 위치인식 방법을 제공할 수 있다.
센서 네트워크, 인공신경망, 위치인식, 안테나, 방위, 전파
Description
본 발명은 센서 네트워크의 위치인식 방법에 대한 것으로서, 특히 방위에 따른 안테나의 특성값으로 전파 방사패턴의 재구축을 통한 센서 네트워크의 위치인식 방법에 관한 것이다.
무선 통신이 가능한 작은 컴퓨팅 장치인 센서 노드들의 상호 연결로 구성되는 무선 센서 네트워크는 그 활용 범위가 점점 넓어져 다방면으로 응용되고 있다. 최근에는 환경 정보의 모니터링이나 데이터 수집과 같은 전통적인 영역에서 나아가 군사적 용도의 어플리케이션, 교통 자동화, 위치기반 서비스 등의 영역에서도 활용된다. 이는 센서 네트워크가 분산된 데이터를 원격지에서 효율적으로 수집하여 현재 상황에 맞는 서비스를 제공할 수 있는 유용한 수단이기 때문이다.
위치기반 서비스(Location Based Service)와 같이 사용자의 위치 정보에 의존하는 응용 서비스의 경우, 센서 네트워크에서의 위치 정보는 매우 중요하다. 이에 따라, 위치 정보를 계산하기 위해 많은 알고리즘이 제안되어 왔다. 이러한 위치 측정에 관련된 알고리즘은 위치 측정에 관련된 신호를 인위적으로 생성하는지에 따 라 크게 능동적 위치인식(Active Localization) 방식과 수동적 위치인식(Passive Localization) 방식으로 구분할 수 있다.
능동적 위치인식 방식은 시스템, 네트워크 인프라 혹은 네트워크에 참여하는 장치가 위치 측정에 필요한 시그널을 인위적으로 만들어 내고 이를 이용하여 위치를 측정 방식이다. 반향파를 이용하여 위치를 측정하는 레이더(Radar)나 소나(Sonar) 시스템, 위성에서 지구로 송출하는 신호를 이용하는 범지구적위치결정시스템(Global Positioning System, GPS) 등 신뢰도 높은 대부분의 위치측정 방식이 능동적 위치인식 방식에 해당된다. 하지만 능동적 위치인식 방식은 수동적 위치인식 방식에 비해 상대적으로 고가의 부품이나 장비가 필요하며 전력 소모가 크다는 단점이 있다.
이에 반해, 수동적 위치인식 방식은 위치측정을 목적으로 생성된 인위적인 정보에 의지하지 않고 위치 측정을 하는 수동적인 방식의 측정법이다. 주로 위치측정 대상체가 작동상 필연적으로 생성해내는 소리나 전파의 전달 지연시간(Time Difference of Arrival, TDOA), 전달각(Angle of Arrival, AOA), 수신 강도(Received Signal Strength, RSS, 이하 RSS라 함)를 이용하는 것이 일반적이다. 능동적 위치인식 방식에 비해 필요한 비용이 낮지만 상대적으로 낮은 품질이 얻어진다는 특징이 있다. 하지만, 무선 센서 네트워크에는 다수의 센서 노드가 넓은 지역에 분산 배치되기 때문에 네트워크의 확장성을 고려한 위치인식 시스템이 이용되어야 한다. 또한, 제한된 환경에서 효율적인 동작을 해야 하므로 능동적 위치인식 방식 메커니즘이 적용되기에는 효율성 측면에서 한계가 있다. 이에 수동적 위치인 식 방식을 이용한 위치인식의 연구가 무선 센서네트워크 분야에서 활발하게 진행되고 있다. 그 중에서도, 전파의 수신 감도를 이용하여 거리측정을 하는 RSS방식에 대한 연구가 비중 있게 다루어지고 있는데, 이는 추가적인 장비와 인프라가 필요 없어 자원이 제한된 센서 네트워크 환경에 적합한 방식이기 때문이다.
하지만 RSS 방식은 전파의 반사, 감쇄, 산란 등으로 인해 신호를 통한 거리 정보의 추출이 쉽지 않다. 또한, RSS 방식은 전파의 간섭으로 인해 시간의 변화에 따른 RSS값의 출렁임이 발생하여 위치 측정에 오차가 발생하는 문제점이 있다.
본 발명은 오차를 최소화할 수 있는 전파 방사패턴의 재구축을 통한 센서 네트워크의 위치인식 방법을 제공하는 것을 목적으로 한다.
상술한 목적을 달성하기 위해 본 발명은 안테나를 이용하여 서로 통신하는 다수개의 센서 노드와 게이트웨이를 포함하는 센서 네트워크에 있어서, 상기 안테나의 전파 방사 특성값을 측정하는 단계와, 상기 다수개의 센서 노드 중 제 1 센서 노드와 제 2 센서 노드의 전파 방사패턴을 측정하는 단계와, 상기 안테나의 전파 방사 특성값과 상기 제 1 센서 노드와 상기 제 2 센서 노드의 전파 방사패턴으로 제 3 센서 노드의 위치를 측정하는 단계를 포함하는 것을 특징으로 하는 전파 방사패턴의 재구축을 통한 센서 네트워크의 위치인식 방법을 제공한다. 또한, 상기 안테나의 전파 방사 특성값을 측정하는 단계는, 상기 안테나의 각도에 따른 전파 방사 특성값을 측정하는 단계와, 상기 안테나의 각도에 따른 전파 방사 특성값을 기초로 인공신경망의 학습 및 추론 기능을 이용하여 전방위에 따른 상기 안테나의 전파 방사 특성값을 유추하는 단계를 포함한다.
상기 안테나의 각도에 따른 전파 방사 특성값을 측정하는 단계는, 상기 게이트웨이를 중심으로 일정 거리에 방사상으로 상기 다수개의 센서 노드를 배치하는 단계와, 상기 게이트웨이가 송신한 전파 세기와 상기 다수개의 센서 노드 각각에서 수신된 실제 전파 세기를 비교하는 단계와, 상기 다수개의 센서 노드 각각이 송신 한 전파 세기와 상기 게이트웨이에서 수신된 실제 전파 세기를 비교하는 단계를 포함한다.
상기 다수개의 센서 노드 각각이 실제 송수신된 전파의 세기를 dBm 단위로 변환하는 단계와, 상기 dBm 단위로 변환된 전파의 세기를 전파의 신호감쇄 공식을 이용해 안테나 특성값을 결정하는 단계를 포함하고, 상기 전파의 신호감쇄 공식은 이고, 상기 RxPowern2는 상기 제 2 센서 노드가 실제 수신한 상기 제 1 센서 노드의 전파 세기값이며, 상기 TxPowern1은 상기 제 1 센서 노드가 송신한 전파 세기값이고, 상기 distancen1-n2는 상기 제 1 센서 노드에서 계산한 상기 제 2 센서 노드의 거리이다.
상기 안테나의 각도에 따른 전파 방사 특성값을 기초로 인공신경망의 학습 및 추론 기능을 이용하여 전방위에 따른 상기 안테나의 전파 방사 특성값을 유추하는 단계는, 입력노드와 은닉노드 및 출력노드로 이루어진 인공 신경망을 이용하여 전방위에 대한 안테나 특성값을 유추하는 단계를 포함하고, 상기 인공 신경망은 상기 입력 노드로 안테나의 각도를 입력받고 상기 출력 노드로는 상기 안테나의 각도에 따른 안테나 특성값을 반환한다.
상기 다수개의 센서 노드 중 제 1 센서 노드와 제 2 센서 노드의 전파 방사패턴을 측정하는 단계는, 상기 제 1 센서 노드와 상기 제 2 센서 노드의 위치와 배치각도 및 제 1 센서 노드와 제 2 센서 노드 사이의 거리를 측정하는 단계와, 상기 제 1 센서 노드가 송신한 전파 세기와 상기 제 2 센서 노드가 수신된 실제 전파 세기를 비교하여 제 1 데이터 페어를 생성하는 단계와, 상기 제 2 센서 노드가 송신한 전파 세기와 상기 제 1 센서 노드가 수신한 실제 전파 세기를 비교하여 제 2 데이터 페어를 생성하는 단계를 포함한다.
상기 안테나의 전파 방사 특성값과 상기 제 1 센서 노드와 상기 제 2 센서 노드의 전파 방사패턴으로 제 3 센서 노드의 위치를 측정하는 단계는, 상기 안테나의 전파 방사 특성값과 상기 제 1 데이터 페어 및 상기 제 2 데이터 페어로 상기 제 3 센서 노드의 예상 위치를 유추하는 단계와, 상기 제 3 센서 노드의 예상 위치에 따른 안테나 특성값과 상기 인공 신경망 및 삼각측량법을 이용하여 상기 제 3 센서 노드의 실제 위치를 확정하는 단계를 포함한다.
상기 제 3 센서 노드의 예상 위치에 따른 안테나 특성값과 상기 인공 신경망 및 삼각측량법을 이용하여 상기 제 3 센서 노드의 실제 위치를 확정하는 단계는, 상기 제 1 센서 노드에 따른 상기 제 3 센서 노드의 예상 위치와 상기 제 1 센서 노드 및 상기 제 2 센서 노드를 정점으로 하는 제 1 삼각형을 형성하는 단계와, 상기 제 2 센서 노드에 따른 상기 제 3 센서 노드의 예상 위치와 상기 제 1 센서 노드 및 상기 제 2 센서 노드를 정점으로 하는 제 2 삼각형을 형성하는 단계와, 상기 제 1 삼각형과 상기 제 2 삼각형을 삼각측량법을 이용하여 상기 제 1 센서 노드에 대한상기 제 3 센서 노드의 제 1 안테나 특성값을 추론하는 단계와, 상기 제 1 삼각형과 상기 제 2 삼각형을 삼각측량법을 이용하여 상기 제 2 센서 노드에 대한 상기 제 3 센서 노드의 제 2 안테나 특성값을 추론하는 단계와, 상기 제 3 센서 노드 의 예상 위치 중 인공신경망 모듈을 만족하는 제 3 센서 노드의 예상 위치를 제 3 센서 노드의 위치로 결정하는 단계를 포함하며, 상기 인공신경망 모듈은 이고, 상기 βn-1은 상기 제 1 안테나 특성값이며, 상기 βn-2는 상기 제 2 안테나 특성값이고, 상기 θn은 상기 제 3 센서 노드를 정점으로 하고 상기 제 2 센서 노드에 따른 상기 제 3 센서 노드의 예상 위치와 상기 제 3 센서 노드의 안테나 방향의 사이각이며, 상기 θinit는 상기 제 3 센서 노드를 정점으로 하고 상기 제 1 센서 노드에 따른 상기 제 3 센서 노드의 예상 위치와 상기 제 3 센서 노드의 안테나 방향의 사이각이다.
상기 제 3 센서 노드는 상기 제 1 센서 노드와 상기 제 2 센서 노드의 전파 전달 범위 내에 위치된다.
본 발명은 방위에 따른 안테나의 특성값과 전파의 세기를 이용하여 오차를 최소화할 수 있는 전파 방사패턴의 재구축을 통한 센서 네트워크의 위치인식 방법을 제공할 수 있다.
또한, 본 발명은 인공 신경망을 이용하여 왜곡된 안테나의 전파 방사 패턴을 특성화하고 이를 삼각측량 방식의 위치인식에 사용함으로써, 오차를 최소화할 수 있는 전파 방사패턴의 재구축을 통한 센서 네트워크의 위치인식 방법을 제공할 수 있다.
또한, 본 발명은 안테나 전파 방사패턴의 비대칭성을 특성화하고 이를 인공신경망을 통해 안테나의 특성을 구조화하여 수동적 위치인식 방식을 사용하더라도 위치인식률을 증가시킬 수 있는 전파 방사패턴의 재구축을 통한 센서 네트워크의 위치인식 방법을 제공할 수 있다.
이하, 도면을 참조하여 본 발명의 실시예를 상세히 설명하기로 한다.
그러나 본 발명은 이하에서 개시되는 실시예에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 것이며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하며, 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이다. 도면상의 동일 부호는 동일한 요소를 지칭한다.
도 1은 본 발명에 따른 센서 네트워크의 개념도이다.
본 발명에 따른 센서 네트워크는 도 1에 도시된 바와 같이, 센서 필드(SF) 내에 구비된 다수개의 센서 노드(N)와, 다수개의 센서 노드(N)와 통신하는 게이트웨이(GW)를 포함한다. 또한, 다수개의 센서 노드와 게이트웨이를 연결하는 싱크를 더 포함할 수 있다. 본 발명에 따른 센서 네트워크는 데이터 수집이 필요한 지역, 즉, 센서 필드(SF)에 다수의 센서 노드(N)들이 분포된다. 또한, 센서 노드(N)는 정보를 수집하여 게이트웨이(GW)로 전송하며, 게이트웨이(GW)는 센서 노드(N)로부터 수집된 정보를 사용자에게 제공한다. 이때, 게이트웨이(GW)는 예를 들어, 인터넷을 통해 사용자에게 수집된 정보를 전송할 수 있다. 물론, 싱크가 더 구비될 경우, 센 서 노드(N)로부터 수집된 정보는 싱크를 통해 게이트웨이(GW)에 전송될 수 있다. 또한, 본 발명에 따른 센서 네트워크는 센서 노드 중 특정조건을 만족하는 클러스터 헤드를 선정하여 클러스터 헤드가 센서 노드로부터 수집된 정보를 게이트웨이(GW)에 전달할 수도 있다. 이 경우, 선정된 클러스터 헤드는 주변의 센서 노드(N)로부터 정보를 수집하여 게이트웨이(GW)로 전송하며, 게이트웨이(GW)는 클러스터 헤드(CH)로부터 수집된 정보를 사용자에게 제공한다.
센서 노드(sensor node, N)는 센서 필드(SF) 내의 물리적인 현상을 관측하고 이에 대한 정보를 전송하기 위한 센서 네트워크를 구성하는 기본 요소이다. 이러한 센서 노드에는 다른 센서 노드 및 게이트웨이(GW)와 통신을 하기 위한 안테나 및 이의 구동을 위한 구동회로가 구비된다.
게이트웨이(GW)는 센서 노드(N)에서 수집된 정보를 사용자에게 전달한다. 이때, 게이트웨이(GW)는 예를 들어, 인터넷과 같은 수단에 의해 정보를 사용자에게 전달할 수 있다.
다음은 본 발명에 따른 센서 네트워크의 위치인식 방법에 대해 도면을 참조하여 설명하고자 한다.
도 2는 본 발명에 따른 센서 네트워크의 위치인식 방법 순서도이고, 도 3은 본 발명에 따른 센서 네트워크의 안테나 각도에 따른 전파 방사 특성값을 측정하기 위한 게이트웨이와 센서 노드의 배치도이고, 도 4는 본 발명에 따른 센서 네트워크의 데이터 송수신 레지스터 값과 실제 각각의 센서 노드에서 수신된 전파의 세기 관계 그래프이고, 도 5는 본 발명에 따른 센서 네트워크의 안테나의 거리에 따른 전파 방사 특성값을 측정하기 위한 게이트웨이와 센서 노드의 배치도이다. 또한, 도 6은 본 발명에 따른 센서 네트워크의 데이터 통신 개념도이고, 도 7은 본 발명에 따른 센서 네트워크의 통신 가능 범위를 도시한 개념도이다. 또한, 도 8내지 도 10은 은 본 발명에 따른 센서 네트워크의 위치인식 방법을 설명하기 위한 개념도이다.
도 2를 참조하면, 본 발명에 따른 센서 네트워크의 위치인식 방법은 안테나의 전파 방사 특성값을 측정하는 단계(S1)와, 다수개의 센서 노드 중 제 1 센서 노드(N1)와 제 2 센서 노드(N2)의 전파 방사패턴을 측정하는 단계(S2)와, 안테나의 각도에 따른 전파 방사 특성값과 상기 제 1 센서 노드(N1)와 상기 제 2 센서 노드(N2)의 전파 방사패턴으로 제 3 센서 노드(N3)의 위치를 측정하는 단계(S3)를 포함한다.
안테나의 전파 방사 특성값을 측정하는 단계(S1)는 안테나의 특성을 파악하기 위해 필요한 기초 데이터를 샘플링하기 위해 게이트웨이에 대해서 센서 노드를 동일 거리에서 일정 각도로 배치시켜 전파 방사 특성값을 측정한다. 이러한 안테나의 전파 방사 특성값을 측정하는 단계(S1)는 안테나의 각도에 따른 전파 방사 특성값을 측정하는 단계(S1-1)와, 안테나의 거리에 따른 전파 방사 특성값을 측정하는 단계(S1-2)와, 안테나의 각도에 따른 전파 방사 특성값을 기초로 인공신경망의 학습 및 추론 기능을 이용하여 전방위에 따른 전파 방사 특성값을 유추하는 단계(S1-3)를 포함한다.
안테나의 각도에 따른 전파 방사 특성값을 측정하는 단계(S1-1)는 도 3을 참조하면, 기초 데이터 샘플링은 우선 게이트웨이(GW)를 중심으로 균일한 각도 차이를 두고 소정 간격, 예를 들어, 1미터 씩 떨어져있는 12개의 센서 노드(N)들을 배치한다. 이후, 게이트웨이는 12개의 센서 노드(N)들과 순차적으로 데이터 통신을 시도한다. 이때, 게이트웨이(GW)가 보내는 데이터는 자신이 발생시키는 전파의 세기가 기록이 되어 있으며, 이를 받은 센서 노드(N)들은 각각의 수신된 데이터 패킷의 끝부분에 실제 자신이 수신한 게이트웨이(GW)의 전파 세기를 추가한다. 안테나의 송수신 감도는 방위별로 다르므로, 모든 방위에서 각도가 동일한 센서 노드(N)가 수신하는 데이터에 의해 게이트웨이(GW) 안테나의 송신 특성을 알 수 있다. 또한, 상술한 방법과 유사하게 센서 노드(N)들로부터 각각 동일한 세기의 신호를 게이트웨이(GW)가 수신함으로써, 게이트웨이(GW) 안테나의 수신 특성을 알 수 있다. 즉, 12개의 센서 노드(N)가 각각 동일한 세기의 신호를 송신하여도 게이트웨이(GW) 안테나의 방향별로 다른 세기의 신호가 수신되므로 이를 취합하여 게이트웨이(GW) 안테나의 수신 특성을 알 수 있다.
또한, 이와 같이 게이트웨이(GW)와 센서 노드(N)에서 수신된 전파의 세기를 수치화한다. 이때, 수치화된 데이터는 게이트웨이(GW)가 송신하여 센서 노드(N)들이 수신한 데이터 묶음(pair)과, 센서 노드들이 송신하여 게이트웨이(GW)가 수신한 데이터 묶음으로 나눌 수 있다. 예를 들어, 이러한 수신 신호의 세기에 따른 데이터 묶음은 무선 통신 집적회로(Integrated Circuit, IC)인 CC2420의 경우 8비트(bit)의 레지스터를 통해 표현한다.
상술한 테스트로 얻어지는 데이터 묶음은 실제 각각의 센서 노드(N)에서 수신된 전파의 세기와는 다소 차이가 있으며, 레지스터 값과 실제 각각의 센서 노드(N)에서 수신된 전파의 세기 관계는 도 4와 같다. 또한, 테스트로 얻어지는 데이터 묶음과 실제 각각의 센서 노드(N)에서 수신된 전파의 세기는 수식 1과 같은 관계를 보인다.
[수식 1]
이후, 각각의 센서 노드(N)에서 실제 송수신된 전파의 세기를 dBm 단위로 얻어내고, 전파의 신호감쇄 공식인 수식 2를 이용하여 네트워크 특성에 따라 정의되는 안테나 특성값인 상수 β를 구한다.
[수식 2]
표 1은 방위에 따른 게이트웨이의 테스트 결과를 나타낸 것이고, 표 2는 방위에 따른 센서 노드의 테스트 결과를 나타낸 것이다. 이때, 게이트웨이와 센서 노드(N) 각각에서 수신된 신호 강도(Received Signal Strength, RSS, 이하 RSS라 함)는 500회의 패킷 통신을 시도한 후 얻어진 평균 세기를 사용하였으며, mW로 변환된 값은 편의상 e+10 을 곱하여 표기하였다.
[표 1]
기준각 | 0도 | 30도 | 60도 | 90도 | 120도 | 150도 |
RSS | -35 | -35 | -41 | -47 | -39 | -35 |
Log Scale | -80 | -80 | -86 | -92 | -84 | -80 |
e+10 Scaled | 100 | 100 | 25.119 | 6.31 | 39.811 | 100 |
β | 4 | 4 | 4.3 | 4.6 | 4.2 | 4 |
기준각 | 180도 | 210도 | 240도 | 270도 | 300도 | 360도 |
RSS | -40 | -34 | -31 | -33 | -36.5 | -37.5 |
Log Scale | -85 | -79 | -76 | -78 | -81.5 | -82.5 |
e+10 Scaled | 31.623 | 125.893 | 251.189 | 158.489 | 70.795 | 56.234 |
β | 4.250 | 3.95 | 3.8 | 3.9 | 4.075 | 4.125 |
[표 2]
기준각 | 0도 | 30도 | 60도 | 90도 | 120도 | 150도 |
RSS | -33 | -33 | -37 | -44 | -36 | -33 |
Log Scale | -78 | -78 | -82 | -89 | -81 | -78 |
e+10 Scaled | 158.489 | 158.489 | 63.096 | 12.589 | 79.433 | 158.489 |
β | 3.9 | 3.9 | 4.1 | 4.45 | 4.05 | 3.9 |
기준각 | 180도 | 210도 | 240도 | 270도 | 300도 | 360도 |
RSS | -37 | -31 | -28 | -30 | -34 | -35 |
Log Scale | -82 | -76 | -73 | -75 | -79 | -80 |
e+10 Scaled | 63.096 | 251.189 | 501.187 | 316.228 | 125.893 | 100.00 |
β | 4.1 | 3.8 | 3.65 | 3.75 | 3.95 | 4 |
표 1 및 표 2를 참조하면, 절대적인 크기의 차이는 있지만 송신 특성과 수신 특성 테스트에서 계산된 β 값이 비슷한 경향을 보이며 방위에 따라 등락 하는 것을 알 수 있다.
안테나의 거리에 따른 전파 방사 특성값을 측정하는 단계(S1-2)는 방위에 따른 안테나 특성(β)의 거리 가변에 따른 변화를 측정한다.
도 5를 참조하면, 소정 개수, 예를 들어, 6개의 센서 노드(N)를 게이트웨이(GW)로부터 각각 일정 거리, 예를 들어, 0.2미터, 0.4미터, 0.6미터, 0.8미터, 1미터, 2미터 떨어뜨려 일직선으로 배치한다. 이후, 게이트웨이(GW)에 대한 상기 6개의 센서 노드(N)의 배치 각도를 90도씩 변화시키며 각 위치에서 안테나 특성값 (β)을 측정한다.
표 3은 게이트웨이(GW)와 센서 노드(N)의 각도 및 거리에 따른 RSS값이며, 표 4는 게이트웨이(GW)와 센서 노드(N)의 각도 및 거리에 따른 안테나 특성값의 평균값과 분산값을 계산한 것이다. 이때, 표 3과 표 4는 게이트웨이(GW)에 대한 센서 노드(N)의 각도를 90도씩 변화시키며 각 위치에서 4번의 테스트를 하였다. 또한, 각 테스트마다 500회의 데이터 전송을 반복하여 전송된 값들의 평균을 기록하였다. 또한, 안테나 특성값(β)은 dBm 스케일로 얻어진 수신 감도를 mW 스케일로 변환하고 수식 3을 이용하여 구할 수 있다.
[수식 3]
[표 3]
(단위: mW)
각도 거리(m) |
0도 | 90도 | 180도 | 270도 |
0.2 | 39810.72 | 158489.32 | 158489.32 | 19952.62 |
0.4 | 1584.89 | 10000.00 | 10000.00 | 794.33 |
0.6 | 630.96 | 1584.89 | 1584.89 | 158.49 |
0.8 | 199.53 | 398.11 | 398.11 | 79.43 |
1 | 63.10 | 158.49 | 125.89 | 25.12 |
2 | 12.59 | 7.94 | 7.94 | 3.98 |
[표 4]
각도 거리(m) |
0도 | 90도 | 180도 | 270도 |
0.2 | 4.151 | 3.689 | 3.689 | 4.381 |
0.4 | 4.245 | 3.745 | 3.745 | 4.432 |
0.6 | 4.049 | 3.824 | 3.824 | 4.387 |
0.8 | 4.046 | 3.888 | 3.888 | 4.256 |
1 | 4.100 | 3.900 | 3.950 | 4.300 |
2 | 3.868 | 3.955 | 3.955 | 4.085 |
평균 | 4.076 | 3.834 | 3.842 | 4.307 |
분산 | 0.016 | 0.010 | 0.012 | 0.016 |
표 3과 표 4를 참조하면, 안테나의 각도가 고정된 상태에서 거리 변화는 안테나 특성값(β)의 증가나 감소를 가져오지만 그 추세가 일정치 않고 등락폭 또한 심하지 않음을 확인할 수 있다. 또한, 표 4의 각도에 따른 평균과 분산은 대체적으로 거리의 변화에 대한 안테나 특성값(β)의 변화가 크지 않음을 알 수 있다. 즉, 안테나 특성값(β)은 안테나의 방향에 가장 큰 영향을 받으며, 거리에는 큰 영향을 받지 않는다. 이와 같이 안테나 특성값(β)을 미리 측정하여 정의함으로써, 이후 진행될 단계에서 신호의 세기만으로 안테나 특성값(β)을 만족하는 지점을 찾아내어 자신의 위치를 역추적할 수 있다.
한편, 안테나 특성값(β)는 안테나의 방향에 민감하며 거리의 변화에 대해서는 상대적으로 둔감하다. 따라서, 안테나의 거리에 따른 전파 방사 특성값을 측정하는 단계(S1-2)는 생략될 수 있다.
안테나의 각도에 따른 전파 방사 특성값을 기초로 인공신경망의 학습 및 추론 기능을 이용하여 전방위에 따른 전파 방사 특성값을 유추하는 단계(S1-3)는 인공 신경망의 학습 및 추론 기능을 이용하여 안테나 특성값(β)을 상황에 맞게 수정 한 다.
전술된 안테나의 각도에 따른 전파 방사 특성값을 측정하는 단계(S1-1)는 30도 간격으로 배치된 12개의 지점(센서 노드)에서 측정한 RSS값을 바탕으로 안테나 특성값(β)을 계산하였다. 하지만, 안테나의 특성을 전방위에 대해 파악하기 위해서는 보다 조밀한 각도에서의 샘플링이 필요하다. 하지만, 센서 노드(N)를 조밀하게 배치하여 각도를 조밀하게 하는 것은 물리적으로 한계가 있다. 또한, 본 발명은 기준 위치에 가까운 센서 노드(N)들부터 하나씩 위치인식을 해 나가는 구조로 이루어져 있기 때문에 멀리 위치한 센서 노드(N)일수록 오류가 누적되는 특성을 보일 수 있다. 따라서, 인공 신경망의 학습 및 추론 기능을 이용하여 안테나 특성값(β)을 상황에 맞게 수정하도록 하여 세밀한 각도 차이로 인한 안테나 특성값(β)의 오차를 줄인다.
즉, 전술된 테스트로 30도 간격으로 12개 지점(센서 노드)의 안테나 특성값(β)을 알고 있으므로, 각도를 입력으로 하고 해당 각에서의 안테나 특성값(β)을 출력으로 하는 입출력 묶음을 정의하고 이를 신경망의 학습 데이터로 이용한다.
본 발명은 1개의 입력노드와 5개의 은닉노드 및 1개의 출력노드로 이루어진 인공 신경망을 이용하여 전방위에 대한 안테나 특성값(β)을 유추한다. 또한, 본 실시예의 인공 신경망은 입력 노드로는 각도를 입력받고 출력노드로는 해당 각도에서의 안테나 특성값(β)을 반환하도록 설계한다. 물론, 입력노드와 은닉노드 및 출력노드의 개수는 가감될 수 있다.
상기 인공 신경망은 인간의 뇌가 학습하고 동작해 나가는 메커니즘을 공학 및 사회과학 분야에 적용시켜 비선형적인 문제를 해결하는 형태의 인공지능 메커니즘이다. 인공신경망의 출력노드에는 수식 4와 같은 시그모이드(Sigmoid)와 같은 노드함수가 존재하기 때문에 언제나 0 과 1 사이의 실수 값이 출력된다. 이때, 하나의 뉴런은 n개의 입력값을 각각의 가중치만큼 곱한 후 합산한다. 합산된 값은 노드 함수를 통해 다음 노드의 입력으로 사용되기 위해 적절하게 스케일 조정을 거친다.
[수식 4]
또한, 입력 노드에 입력되는 값 역시 0 에서 1 사이의 값을 가지도록 스케일을 바꾸어 입력을 해 주어야 하는데 이를 위해 입력 데이터는 전처리(pre-processing) 과정을 거친다. 또한, 인공신경망을 학습시키기 위해서는 정상적인 샘플 데이터가 필요하며, 본 발명은 전술된 테스트로 측정된 30도 간격으로 12개 지점(센서 노드)의 안테나 특성값(β)을 샘플 데이터로 한다.
인공신경망의 학습은 우선 입력노드에 입력된 안테나 특성값(β)과 출력노드에 출력된 안테나 특성값(β)을 비교하여 오류율을 계산한다. 오류율의 계산이 끝나면 입력노드와 은닉노드 및 출력노드의 가중치가 오류율에 미치는 영향을 역으로 계산한다. 이는 연쇄 법칙(chain rule)에 의해 손쉽게 계산이 가능하며 그 비율에 따라 오류값이 줄어드는 방향으로 가중치값을 조정해 나간다. 이러한 과정을 역전파(back propagation) 과정이라 하는데 이러한 조정을 통해 결과적으로 오류율이 적은 신경망 회로를 구성해 갈 수 있다.
표 5는 인공 신경망을 이용한 안테나 특성값(β) 계산 결과이다. 이때, 표 5는 인공 신경망의 학습을 통해 유추한 안테나 특성값(β)을 10도 간격으로만 확장하였다. 또한, 본 실시예는 12개의 학습 데이터를 이용해 400,000회의 학습을 하였고 오차율을 0.11까지 낮췄다. 물론, 학습의 횟수가 많아지면 오차율을 더욱 낮출 수 있지만, 적은 수의 학습 데이터로 인해 과적합(overfitting)이 일어날 수 있으므로 적정 수준의 학습만을 허용하는 것이 바람직하다. 또한, 이러한 오차율이나 학습 횟수는 상대적인 요소로 학습시마다 달라질 수 있다.
상술한 바와 같이 테스트를 진행하여 게이트웨이와 센서 노드의 전방위에 따른 안테나 특성값(β)을 얻을 수 있다.
[표 5]
각도 | 0 | 10 | 20 | 30 | 40 | 50 | 60 | 70 | 80 | 90 |
β | 4.000 | 3.997 | 3.995 | 4.002 | 4.046 | 4.181 | 4.409 | 4.558 | 4.590 | 4.592 |
각도 | 100 | 110 | 120 | 130 | 140 | 150 | 160 | 170 | 180 | 190 |
β | 4.566 | 4.262 | 3.022 | 3.104 | 4.096 | 4.335 | 4.308 | 4.205 | 4.088 | 3.984 |
각도 | 200 | 210 | 220 | 230 | 240 | 250 | 260 | 270 | 280 | 290 |
β | 3.901 | 3.839 | 3.802 | 3.800 | 3.836 | 3.904 | 3.983 | 4.050 | 4.093 | 4.110 |
각도 | 300 | 310 | 320 | 330 | 340 | 350 | 360 | - | - | - |
β | 4.106 | 4.089 | 4.066 | 4.041 | 4.018 | 3.998 | 3.982 | - | - | - |
다수개의 센서 노드 중 제 1 센서 노드(N1)와 제 2 센서 노드(N2)의 전파 방사패턴을 측정하는 단계(S2)는 우선 센서 필드(SF) 내에 위치된 다수개의 센서 노드(N) 중 임의의 제 1 센서 노드(N1)와 제 2 센서 노드(N2)의 위치와 배치각도 및 제 1 센서 노드(N1)와 제 2 센서 노드(N2)의 거리를 측정한다. 이때, 센서 네트워크를 구성하는 모든 센서 노드(N)는 동일한 센서 노드(N)이며, 모두 동일한 안테나와 회로 구성을 가지는 것이 효과적이다. 물론, 센서 네트워크를 구성하는 센서 노드(N)의 안테나는 전술된 안테나의 각도에 따른 전파 방사 특성값을 측정하는 단계(S1)에서 안테나 특성값(β)이 측정되고 인공 신경망을 통해 학습이 완료된 것이다.
또한, 제 1 센서 노드(N1)와 제 2 센서 노드(N2)의 위치와 배치각도 및 제 1 센서 노드(N1)와 제 2 센서 노드(N2) 사이의 거리는 센서 네트워크 구성 후 실제로 측정된다. 이때, 제 1 센서 노드(N1)와 제 2 센서 노드(N2)는 서로의 위치를 인식하기 위해 데이터 통신을 하며, 이러한 데이터 통신은 도 6에 도시된 바와 같이 3-Way Handshaking 방식을 따른다.
3-Way Handshaking 방식은 제 1 센서 노드(N1)와 제 2 센서 노드(N2) 간 세 번의 데이터 전송으로 데이터 통신이 이루어진다. 이때, 세 번의 데이터 전송을 각각 제 1 데이터 전송 단계(Phase 1)와 제 2 데이터 전송 단계(Phase 2) 및 제 3 데이터 전송 단계(Phase 3)로 정의한다.
제 1 데이터 전송 단계(Phase 1)에서는 제 1 센서 노드(N1)가 자신이 이용할 전파의 세기를 데이터로 하는 패킷을 생성하여 제 2 센서 노드(N2)에 송신한다. 제 2 센서 노드(N2)는 수신된 패킷에 포함된 제 1 센서 노드(N1)가 송신한 전파 세기값(TxPowern1)과 실제 제 2 센서 노드(N2)가 수신한 제 1 센서 노드(N1)의 전파 세 기값(RxPowern2)을 비교하여 [TxPowern1, RxPowern2] 데이터 페어를 생성한다. 상기 데이터 페어는 제 2 데이터 전송 단계(Phase 2)에서 제 1 센서 노드(N1)로 전송되어 제 2 센서 노드(N2)의 위치인식을 위한 데이터로 활용된다. 또한, 제 2 데이터 전송 단계(Phase 2)를 통해 전송된 데이터를 기반으로 제 1 센서 노드(N1)에서는 제 2 센서 노드(N2)가 송신한 전파 세기값(TxPowern2)과 실제 제 1 센서 노드(N1)가 수신한 제 2 센서 노드(N2)의 전파 세기값(RxPowern1)을 비교하여 [TxPowern2, RxPowern1] 데이터 페어를 얻을 수 있다. 이때, [TxPowern2, RxPowern1] 데이터 페어 역시 제 3 데이터 전송 단계(Phase 3)에서 제 2 센서 노드(N2)로 전송되어 제 1 센서 노드(N1)의 위치인식을 위한 데이터로 활용된다.
안테나의 각도에 따른 전파 방사 특성값과 상기 제 1 센서 노드(N1)와 상기 제 2 센서 노드(N2)의 전파 방사패턴으로 제 3 센서 노드(N3)의 위치를 측정하는 단계(S3)는 제 1 센서 노드(N1)와 제 2 센서 노드(N2)의 위치와 방향 및 제 1 센서 노드(N1)와 제 2 센서 노드(N2)의 거리로 제 3 센서 노드(N3)의 위치를 삼각측량법을 이용해 측정한다.
도 7은 본 발명에 따른 센서 네트워크에서 센서 노드의 통신이 가능한 지역을 도시한 개념도이다. 이때, 도 7의 삼각형은 센서 필드 내에 구비된 제 1 내지 제 5 센서 노드(N1 내지 N5)를 도시한 것이며, 타원체는 제 1 및 제 2 센서 노드(N1, N2)가 통신이 가능한 지역을 나타낸 것이다. 제 1 센서 노드(N1)의 통신 가능 범위를 제 1 최대 범위라 하고, 제 2 센서 노드(N2)의 통신 가능 범위를 제 2 최대 범위라고 정의한다.
도 7을 참조하면, 제 1 최대 범위와 제 2 최대 범위에 공통으로 포함된 제 3 센서 노드(N3)의 위치를 측정하기 위해 제 1 센서 노드(N1)와 제 2 센서 노드(N2)는 제 3 센서 노드(N3)와 각각 통신을 시도한다. 이로써, 제 3 센서 노드(N3)의 송신 전파 세기와 실제 수신 전파 세기를 알 수 있다. 또한, 전술된 테스트에 의해 제 3 센서 노드(N3)의 안테나 특성값(β)은 이미 알고 있으므로 신호 감쇄 공식인 수식 5를 이용하여 제 3 센서 노드(N3)와 제 1 센서 노드(N1)의 거리를 알 수 있다. 물론, 수식 5를 이용하면 제 3 센서 노드(N3)와 제 2 센서 노드(N2)의 거리도 알 수 있다. 즉, 수식 5에서 각도에 따른 안테나 특성값(β)을 대입하면 도 8과 같이 제 1 센서 노드(N1)와 제 2 센서 노드(N2)에 대한 제 3 센서 노드(N3)의 예상 위치를 알 수 있다.
[수식 5]
도 8을 참조하면, 제 1 센서 노드(N1)와 제 2 센서 노드(N2)에 대한 제 3 센서 노드(N3)의 위치를 선으로 이은 타원체를 볼 수 있다. 이때, 상기 타원체는 제 1 센서 노드(N1)와 제 2 센서 노드(N2) 각각의 위치에서 제 3 센서 노드(N3)의 위치가 될 가능성이 있는 지점들의 집합이다. 여기서, 제 1 센서 노드(N1)의 위치에서 제 3 센서 노드(N3)의 위치가 될 가능성이 있는 지점들의 집합을 집합(1,3)이라 하고, 제 2 센서 노드(N2)의 위치에서 제 3 센서 노드(N3)의 위치가 될 가능성이 있는 지점들의 집합을 집합(2, 3)이라 정의한다.
도 8을 참조하면, 집합(1, 3)과 집합(2, 3)이 두 지점에서 교차되는 것을 알 수 있다. 물론, 집합(1, 3)과 집합(2, 3)이 한 지점에서 교차될 경우 집합(1, 3)과 집합(2, 3)이 교차되는 지점이 제 3 센서 노드(N3)의 위치가 된다. 하지만, 대부분의 경우 집합(1, 3)과 집합(2, 3)은 둘 이상의 접점을 가진다. 따라서, 집합(1, 3)과 집합(2, 3)의 접점들 중 어떤 지점이 실제 제 3 센서 노드(N3)의 위치인지 판단해야 한다.
예를 들어, 집합(1, 3)과 집합(2, 3)이 두 개의 접점, 즉, 제 1 접점과 제 2 접점을 가질 때, 도 9에 도시된 바와 같이, 제 1 접점과 제 2 접점에 대해서 각각 가상의 삼각형인 제 1 삼각형과 제 2 삼각형을 만든다. 수식 5를 이용하여 제 1 센서 노드(N1)와 제 2 센서 노드(N2) 각각에서 제 1 접점과 제 2 접점까지의 거리를 계산한다. 또한, 도 9(a)에 도시된 바와 같이, 코사인 제 2 법칙을 이용하여 변 A의 대각을 구한다. 이후, 도 9(a)와 도 9(b)에 도시된 바와 같이, 제 1 삼각형의 변 B1 및 변 C1과 제 2 삼각형의 변 B2 및 C2를 이용하여 제 1 접점과 제 2 접점에서 인지하는 제 1 센서 노드(N1)와 제 2 센서 노드(N2)로의 안테나 특성값(β)을 추론한다. 도 10을 참조하면, 추론된 안테나 특성값(β)을 각각 βn-1 및 βn-2라 할 때, 그 사이각인 θn을 이용하여 수식 6을 만족시키는 θinit를 찾는다. 이때, θinit는 제 3 센서 노드(N3)의 안테나 방향과 βn-1의 각도를 의미한다. 물론, 제 3 센서 노드(N3)의 안테나 방향과 βn-2의 각도가 제 3 센서 노드(N3)의 안테나 방향과 βn-1의 각도보다 작을 경우, θinit는 제 3 센서 노드(N3)의 안테나 방향과 βn-2의 각도를 의미한다. 물론, 삼각측량법에서 βn-1 및 βn-2는 각각의 안테나 특성값에 따른 제 3 센서 노드(N3)의 예상 위치를 의미한다.
[수식 6]
여기에서 FindBetaFromAngle()은 인공신경망 모듈로써 기준 각도를 입력으로 받아들여 해당 각도에서의 β 값을 되돌려준다. 이때, 알맞은 θinit을 찾기 위해 θinit값을 0도부터 360도까지 증가시키며 오차율을 조사한다. 디지털 프로세싱의 특성 상 θinit값을 discrete 하게 증가시킬 수밖에 없는데 이 과정에서 필연적으로 실제 θinit값과의 오차가 발생하게 된다. 따라서, 오차율이 미리 정해둔 초기값 이하이면서 가장 작은 시점의 θinit값을 선택하는 알고리즘을 작성하여 제 3 센서 노드(N3)의 위치와 각도를 결정한다.
표 6은 본 발명에 따른 센서 네트워크의 위치인식 테스트 결과이다. 이때, 테스트가 진행된 센서 필드(SF)는 가로 100미터, 세로 65미터의 가상공간이며, 센서 필드(SF) 내에 60개의 센서 노드(N)를 분포시켰다. 또한, 종래 기술은 안테나의 특성을 측정하지 않고 원형의 전파 방사 패턴을 가정한 센서 네트워크의 위치인식 방법이며, 평균 위치 오차는 위치인식에 성공한 센서 노드(N)들에 대해서만 비교하였다. 표 6은 총 10회의 위치인식 테스트를 수행하였다.
[표 6]
테스트횟수 |
위치인식 실패한 노드 개수 | 평균 위치 오차(m) | ||
본 발명 | 종래기술 | 본 발명 | 종래 기술 | |
1 | 0 | 24 | 0.8966 | 8.844 |
2 | 1 | 20 | 1.581 | 8.646 |
3 | 0 | 11 | 0.9 | 7.935 |
4 | 4 | 17 | 0.7321 | 8.8806 |
5 | 1 | 10 | 1.3932 | 6.9576 |
6 | 1 | 6 | 0.9898 | 8.3138 |
7 | 0 | 22 | 0.2766 | 7.3996 |
8 | 0 | 9 | 0.445 | 7.3493 |
9 | 1 | 19 | 0.9542 | 10.0074 |
10 | 0 | 11 | 0.9333 | 7.9973 |
평균 | 0.8 | 14.9 | 0.91018 | 8.23316 |
표 6을 참조하면, 송수신한 전파의 세기를 바탕으로 하여 원형 궤적에서의 삼각측량을 통해 위치인식을 수행한 기존 종래 기술(circular pattern 알고리즘)의 경우 위치인식에 실패한 센서 노드(N)의 개수가 본 발명에 비해 상대적으로 많은 것을 알 수 있다. 이는 제 3 센서 노드(N3)의 위치를 측정하기 위한 제 1 및 제 2 센서 노드(N1, N2)의 통신 가능 범위가 서로 접하지 않았기 때문이다.
이에 반해, 본 발명은 60개의 센서 노드 중 평균적으로 0.8 개의 센서 노드에 대해서만 위치인식을 실패하였다. 하지만, 이러한 위치인식의 실패도 대부분의 경우 고립된 센서 노드로 인한 원천적인 통신 불가에 기인한 실패이다. 따라서, 본 발명에 따른 전파 방사패턴의 재구축을 통한 센서 네트워크의 위치인식 방법은 통신 반경 내에 모든 센서 노드가 위치된 경우 100%에 가까운 위치인식 성공률을 보인다. 또한, 본 발명은 평균적으로 약 0.9미터의 위치 계산 오차를 보였고, 종래 기술은 본 발명보다 큰 약 8.2미터의 위치 계산 오차를 보였다.
상술한 바와 같이 본 발명은 방위에 따른 안테나의 특성값과 전파의 세기를 이용하여 오차를 최소화할 수 있는 전파 방사패턴의 재구축을 통한 센서 네트워크의 위치인식 방법을 제공할 수 있다.
이상에서는 도면 및 실시예를 참조하여 설명하였지만, 해당 기술 분야의 숙련된 당업자는 하기의 특허청구범위에 기재된 본 발명의 기술적 사상으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.
도 1은 본 발명에 따른 센서 네트워크의 개념도.
도 2는 본 발명에 따른 센서 네트워크의 위치인식 방법 순서도.
도 3은 본 발명에 따른 센서 네트워크의 안테나 각도에 따른 전파 방사 특성값을 측정하기 위한 게이트웨이와 센서 노드의 배치도.
도 4는 본 발명에 따른 센서 네트워크의 데이터 송수신 레지스터 값과 실제 각각의 센서 노드에서 수신된 전파의 세기 관계 그래프.
도 5는 본 발명에 따른 센서 네트워크의 안테나의 거리에 따른 전파 방사 특성값을 측정하기 위한 게이트웨이와 센서 노드의 배치도.
도 6은 본 발명에 따른 센서 네트워크의 데이터 통신 개념도.
도 7은 본 발명에 따른 센서 네트워크의 통신 가능 범위를 도시한 개념도.
도 8내지 도 10은 은 본 발명에 따른 센서 네트워크의 위치인식 방법을 설명하기 위한 개념도.
<도면의 주요 부분에 대한 부호의 설명>
GW: 게이트웨이 N: 센서 노드
SF: 센서 필드
Claims (9)
- 안테나를 이용하여 서로 통신하는 다수개의 센서 노드와 게이트웨이를 포함하는 센서 네트워크에 있어서,상기 안테나의 전파 방사 특성값을 측정하는 단계와,상기 다수개의 센서 노드 중 제 1 센서 노드와 제 2 센서 노드의 전파 방사패턴을 측정하는 단계와,상기 안테나의 전파 방사 특성값과 상기 제 1 센서 노드와 상기 제 2 센서 노드의 전파 방사패턴으로 제 3 센서 노드의 위치를 측정하는 단계를 포함하는 것을 특징으로 하는 전파 방사패턴의 재구축을 통한 센서 네트워크의 위치인식 방법.
- 청구항 1에 있어서,상기 안테나의 전파 방사 특성값을 측정하는 단계는,상기 안테나의 각도에 따른 전파 방사 특성값을 측정하는 단계와,상기 안테나의 각도에 따른 전파 방사 특성값을 기초로 인공신경망의 학습 및 추론 기능을 이용하여 전방위에 따른 상기 안테나의 전파 방사 특성값을 유추하는 단계를 포함하는 것을 특징으로 하는 전파 방사패턴의 재구축을 통한 센서 네트워크의 위치인식 방법.
- 청구항 2에 있어서,상기 안테나의 각도에 따른 전파 방사 특성값을 측정하는 단계는,상기 게이트웨이를 중심으로 일정 거리에 방사상으로 상기 다수개의 센서 노드를 배치하는 단계와,상기 게이트웨이가 송신한 전파 세기와 상기 다수개의 센서 노드 각각에서 수신된 실제 전파 세기를 비교하는 단계와,상기 다수개의 센서 노드 각각이 송신한 전파 세기와 상기 게이트웨이에서 수신된 실제 전파 세기를 비교하는 단계를 포함하는 것을 특징으로 하는 전파 방사패턴의 재구축을 통한 센서 네트워크의 위치인식 방법.
- 청구항 3에 있어서,상기 다수개의 센서 노드 각각이 실제 송수신된 전파의 세기를 dBm 단위로 변환하는 단계와,상기 dBm 단위로 변환된 전파의 세기를 전파의 신호감쇄 공식을 이용해 안테나 특성값을 결정하는 단계를 포함하고,상기 RxPowern2는 상기 제 2 센서 노드가 실제 수신한 상기 제 1 센서 노드의 전파 세기값이며,상기 TxPowern1은 상기 제 1 센서 노드가 송신한 전파 세기값이고,상기 distancen1-n2는 상기 제 1 센서 노드에서 계산한 상기 제 2 센서 노드의 거리인 것을 특징으로 하는 전파 방사패턴의 재구축을 통한 센서 네트워크의 위치인식 방법.
- 청구항 2에 있어서,상기 안테나의 각도에 따른 전파 방사 특성값을 기초로 인공신경망의 학습 및 추론 기능을 이용하여 전방위에 따른 상기 안테나의 전파 방사 특성값을 유추하는 단계는,입력노드와 은닉노드 및 출력노드로 이루어진 인공 신경망을 이용하여 전방위에 대한 안테나 특성값을 유추하는 단계를 포함하고,상기 인공 신경망은 상기 입력 노드로 안테나의 각도를 입력받고 상기 출력 노드로는 상기 안테나의 각도에 따른 안테나 특성값을 반환하는 것을 특징으로 하는 전파 방사패턴의 재구축을 통한 센서 네트워크의 위치인식 방법.
- 청구항 2에 있어서,상기 다수개의 센서 노드 중 제 1 센서 노드와 제 2 센서 노드의 전파 방사패턴을 측정하는 단계는,상기 제 1 센서 노드와 상기 제 2 센서 노드의 위치와 배치각도 및 제 1 센서 노드와 제 2 센서 노드 사이의 거리를 측정하는 단계와,상기 제 1 센서 노드가 송신한 전파 세기와 상기 제 2 센서 노드가 수신된 실제 전파 세기를 비교하여 제 1 데이터 페어를 생성하는 단계와,상기 제 2 센서 노드가 송신한 전파 세기와 상기 제 1 센서 노드가 수신한 실제 전파 세기를 비교하여 제 2 데이터 페어를 생성하는 단계를 포함하는 것을 특징으로 하는 전파 방사패턴의 재구축을 통한 센서 네트워크의 위치인식 방법.
- 청구항 6에 있어서,상기 안테나의 전파 방사 특성값과 상기 제 1 센서 노드와 상기 제 2 센서 노드의 전파 방사패턴으로 제 3 센서 노드의 위치를 측정하는 단계는,상기 안테나의 전파 방사 특성값과 상기 제 1 데이터 페어 및 상기 제 2 데이터 페어로 상기 제 3 센서 노드의 예상 위치를 유추하는 단계와,상기 제 3 센서 노드의 예상 위치에 따른 안테나 특성값과 상기 인공 신경망 및 삼각측량법을 이용하여 상기 제 3 센서 노드의 실제 위치를 확정하는 단계를 포함하는 것을 특징으로 하는 전파 방사패턴의 재구축을 통한 센서 네트워크의 위치인식 방법.
- 청구항 7에 있어서,상기 제 3 센서 노드의 예상 위치에 따른 안테나 특성값과 상기 인공 신경망 및 삼각측량법을 이용하여 상기 제 3 센서 노드의 실제 위치를 확정하는 단계는,상기 제 1 센서 노드에 따른 상기 제 3 센서 노드의 예상 위치와 상기 제 1 센서 노드 및 상기 제 2 센서 노드를 정점으로 하는 제 1 삼각형을 형성하는 단계와,상기 제 2 센서 노드에 따른 상기 제 3 센서 노드의 예상 위치와 상기 제 1 센서 노드 및 상기 제 2 센서 노드를 정점으로 하는 제 2 삼각형을 형성하는 단계와,상기 제 1 삼각형과 상기 제 2 삼각형을 삼각측량법을 이용하여 상기 제 1 센서 노드에 대한상기 제 3 센서 노드의 제 1 안테나 특성값을 추론하는 단계와,상기 제 1 삼각형과 상기 제 2 삼각형을 삼각측량법을 이용하여 상기 제 2 센서 노드에 대한 상기 제 3 센서 노드의 제 2 안테나 특성값을 추론하는 단계와,상기 제 3 센서 노드의 예상 위치 중 인공신경망 모듈을 만족하는 제 3 센서 노드의 예상 위치를 제 3 센서 노드의 위치로 결정하는 단계를 포함하며,상기 βn-1은 상기 제 1 안테나 특성값이며,상기 βn-2는 상기 제 2 안테나 특성값이고,상기 θn은 상기 제 3 센서 노드를 정점으로 하고 상기 제 2 센서 노드에 따른 상기 제 3 센서 노드의 예상 위치와 상기 제 3 센서 노드의 안테나 방향의 사이각이며,상기 θinit는 상기 제 3 센서 노드를 정점으로 하고 상기 제 1 센서 노드에 따른 상기 제 3 센서 노드의 예상 위치와 상기 제 3 센서 노드의 안테나 방향의 사이각인 것을 특징으로 하는 전파 방사패턴의 재구축을 통한 센서 네트워크의 위치인식 방법.
- 청구항 1에 있어서,상기 제 3 센서 노드는 상기 제 1 센서 노드와 상기 제 2 센서 노드의 전파 전달 범위 내에 위치된 것을 특징으로 하는 전파 방사패턴의 재구축을 통한 센서 네트워크의 위치인식 방법.
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020080098307A KR100975087B1 (ko) | 2008-10-07 | 2008-10-07 | 전파 방사패턴의 재구축을 통한 센서 네트워크의 위치인식 방법 |
US12/372,044 US8416120B2 (en) | 2008-10-07 | 2009-02-17 | Method of sensor network localization through reconstruction of radiation pattern |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020080098307A KR100975087B1 (ko) | 2008-10-07 | 2008-10-07 | 전파 방사패턴의 재구축을 통한 센서 네트워크의 위치인식 방법 |
Publications (2)
Publication Number | Publication Date |
---|---|
KR20100039088A KR20100039088A (ko) | 2010-04-15 |
KR100975087B1 true KR100975087B1 (ko) | 2010-08-11 |
Family
ID=42075382
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020080098307A KR100975087B1 (ko) | 2008-10-07 | 2008-10-07 | 전파 방사패턴의 재구축을 통한 센서 네트워크의 위치인식 방법 |
Country Status (2)
Country | Link |
---|---|
US (1) | US8416120B2 (ko) |
KR (1) | KR100975087B1 (ko) |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2011270711B2 (en) * | 2010-06-25 | 2015-08-27 | Industrial Scientific Corporation | A multi-sense environmental monitoring device and method |
KR101199292B1 (ko) * | 2011-03-18 | 2012-11-09 | 전자부품연구원 | 멀티싱크/멀티패스 라우팅 센서 네트워크 제어방법 및 이를 적용한 센서 네트워크 시스템 |
PL2729825T3 (pl) | 2011-07-04 | 2016-05-31 | Abb Schweiz Ag | Sposób i węzeł do lokalizowania węzła w sieci bezprzewodowej |
US8867313B1 (en) * | 2011-07-11 | 2014-10-21 | Google Inc. | Audio based localization |
EP2992355B1 (en) * | 2013-05-02 | 2018-07-11 | Consortium P, Inc. | Scalable real-time location detection based on overlapping neural networks |
DE102014224797A1 (de) * | 2014-12-03 | 2016-06-09 | Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. | Positionsbestimmung von Sensorknoten eines Sensornetzwerkes |
IN2015CH03866A (ko) | 2015-07-28 | 2015-08-14 | Wipro Ltd | |
JP2019522391A (ja) | 2016-04-19 | 2019-08-08 | インダストリアル サイエンティフィック コーポレーション | 作業員安全システム |
US10533965B2 (en) | 2016-04-19 | 2020-01-14 | Industrial Scientific Corporation | Combustible gas sensing element with cantilever support |
US11246187B2 (en) | 2019-05-30 | 2022-02-08 | Industrial Scientific Corporation | Worker safety system with scan mode |
CN111276822B (zh) * | 2020-02-24 | 2021-02-19 | 西安电子科技大学 | 一种天线方向图主瓣可控的天线阵列设计方法 |
CN112130057B (zh) * | 2020-09-14 | 2024-04-16 | 哈尔滨工业大学(威海) | 基于忆阻器神经网络的辐射效应诊断系统 |
CN112964941B (zh) * | 2021-03-24 | 2021-12-21 | 中山大学 | 一种相控阵天线测试方法、装置、设备及介质 |
CN114460539B (zh) * | 2022-02-14 | 2022-10-21 | 北京航天齐宇科技有限公司 | 基于相位差分干涉处理的被动合成孔径辐射源定位方法 |
CN115002903B (zh) * | 2022-07-28 | 2022-11-15 | 中集海洋工程有限公司 | 用于海上装备内部空间的人员轨迹定位系统及测试方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20010022558A1 (en) | 1996-09-09 | 2001-09-20 | Tracbeam Llc | Wireless location using signal fingerprinting |
US20030146871A1 (en) | 1998-11-24 | 2003-08-07 | Tracbeam Llc | Wireless location using signal direction and time difference of arrival |
Family Cites Families (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4614945A (en) * | 1985-02-20 | 1986-09-30 | Diversified Energies, Inc. | Automatic/remote RF instrument reading method and apparatus |
US5438329A (en) * | 1993-06-04 | 1995-08-01 | M & Fc Holding Company, Inc. | Duplex bi-directional multi-mode remote instrument reading and telemetry system |
US5481259A (en) * | 1994-05-02 | 1996-01-02 | Motorola, Inc. | Method for reading a plurality of remote meters |
US5659303A (en) * | 1995-04-20 | 1997-08-19 | Schlumberger Industries, Inc. | Method and apparatus for transmitting monitor data |
US5945948A (en) * | 1996-09-03 | 1999-08-31 | Motorola, Inc. | Method and apparatus for location finding in a communication system |
US6040800A (en) * | 1997-04-22 | 2000-03-21 | Ericsson Inc. | Systems and methods for locating remote terminals in radiocommunication systems |
US7283904B2 (en) * | 2001-10-17 | 2007-10-16 | Airbiquity, Inc. | Multi-sensor fusion |
US7305467B2 (en) * | 2002-01-02 | 2007-12-04 | Borgia/Cummins, Llc | Autonomous tracking wireless imaging sensor network including an articulating sensor and automatically organizing network nodes |
CA2489901A1 (en) * | 2002-06-18 | 2003-12-24 | British Telecommunications Public Limited Company | Method and apparatus for locating devices |
US7457860B2 (en) * | 2003-10-09 | 2008-11-25 | Palo Alto Research Center, Incorporated | Node localization in communication networks |
US7119676B1 (en) * | 2003-10-09 | 2006-10-10 | Innovative Wireless Technologies, Inc. | Method and apparatus for multi-waveform wireless sensor network |
US20060039300A1 (en) * | 2004-08-23 | 2006-02-23 | Sri International | Method and apparatus for location discovery in mobile ad-hoc networks |
US7372773B2 (en) * | 2005-04-08 | 2008-05-13 | Honeywell International, Inc. | Method and system of providing clustered networks of bearing-measuring sensors |
US7289466B2 (en) * | 2005-10-05 | 2007-10-30 | Honeywell International Inc. | Localization for low cost sensor network |
KR100826539B1 (ko) * | 2005-11-09 | 2008-04-30 | 한국전자통신연구원 | Usn을 이용한 분산형 재난 관리 시스템 |
KR100785794B1 (ko) * | 2006-09-18 | 2007-12-13 | 한국전자통신연구원 | 위치 인식을 위한 노드, 이를 이용한 클러스터 형성 방법및 위치 인식 방법 |
US7710265B2 (en) * | 2006-11-07 | 2010-05-04 | Harris Corporation | Systems and methods for dynamic situational signal processing for target detection and classification |
US7983685B2 (en) * | 2006-12-07 | 2011-07-19 | Innovative Wireless Technologies, Inc. | Method and apparatus for management of a global wireless sensor network |
US7693663B2 (en) * | 2007-04-27 | 2010-04-06 | International Business Machines Corporation | System and method for detection of earthquakes and tsunamis, and hierarchical analysis, threat classification, and interface to warning systems |
US7607351B2 (en) * | 2007-06-26 | 2009-10-27 | General Electric Company | Acoustic impact detection and monitoring system |
-
2008
- 2008-10-07 KR KR1020080098307A patent/KR100975087B1/ko not_active IP Right Cessation
-
2009
- 2009-02-17 US US12/372,044 patent/US8416120B2/en active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20010022558A1 (en) | 1996-09-09 | 2001-09-20 | Tracbeam Llc | Wireless location using signal fingerprinting |
US20030222820A1 (en) | 1996-09-09 | 2003-12-04 | Tracbeam Llc | Wireless location using hybrid techniques |
US20030146871A1 (en) | 1998-11-24 | 2003-08-07 | Tracbeam Llc | Wireless location using signal direction and time difference of arrival |
Also Published As
Publication number | Publication date |
---|---|
KR20100039088A (ko) | 2010-04-15 |
US20100085242A1 (en) | 2010-04-08 |
US8416120B2 (en) | 2013-04-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR100975087B1 (ko) | 전파 방사패턴의 재구축을 통한 센서 네트워크의 위치인식 방법 | |
US11751057B2 (en) | Security-enhanced deep learning fingerprint-based indoor localization | |
CN112152948B (zh) | 一种无线通信处理的方法和装置 | |
Vazquez-Rodas et al. | Experimental evaluation of RSSI-based positioning system with low-cost LoRa devices | |
Kumar et al. | Localization for wireless sensor networks: A neural network approach | |
Rahman et al. | Localization of wireless sensor network using artificial neural network | |
Hejazi et al. | DyLoc: Dynamic localization for massive MIMO using predictive recurrent neural networks | |
Ennasr et al. | Time-difference-of-arrival (TDOA)-based distributed target localization by a robotic network | |
CN115499074A (zh) | 一种基于神经网络的太赫兹散射参数预测方法及装置 | |
Maduranga et al. | Supervised machine learning for RSSI based indoor localization in IoT applications | |
Haque et al. | Building structural health monitoring using dense and sparse topology wireless sensor network | |
Huang et al. | Scout: Outdoor localization using active RFID technology | |
Popescu et al. | ANN prediction models for outdoor environment | |
Popescu et al. | Neural networks applications for the prediction of propagation path loss in urban environments | |
Deng et al. | Network-side localization via semi-supervised multi-point channel charting | |
CN113030853B (zh) | 基于rss和aoa联合测量的多辐射源无源定位方法 | |
CN116634358A (zh) | 终端定位方法、装置及非易失性存储介质 | |
Cao | A localization algorithm based on particle swarm optimization and quasi-newton algorithm for wireless sensor networks | |
Ahmed et al. | Children Tracking System Based on ZigBee Wireless Network and Neural Network. | |
Gadhgadhi et al. | Distance estimation using polynomial approximation and neural network based on rssi technique | |
Okitadiowo et al. | Design of a beamforming-based antenna for detecting environmental noise in a city framework | |
Pandey et al. | DoA-based event localization using uniform concentric circular array in the IoT environment | |
Seretis et al. | Ray-tracing driven ann propagation models for indoor environments at 28 GHz | |
Waqar et al. | A range error reduction technique for positioning applications in sports | |
Tamazirt et al. | A novel advanced 3D‐IPS based on mmWaves and SOM‐MLP neural network |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A201 | Request for examination | ||
E701 | Decision to grant or registration of patent right | ||
GRNT | Written decision to grant | ||
FPAY | Annual fee payment |
Payment date: 20130530 Year of fee payment: 4 |
|
FPAY | Annual fee payment |
Payment date: 20150723 Year of fee payment: 6 |
|
LAPS | Lapse due to unpaid annual fee |