KR101150689B1 - 이동체 모델링을 위한 랜덤 이동 패턴 생성방법 및 장치 - Google Patents

이동체 모델링을 위한 랜덤 이동 패턴 생성방법 및 장치 Download PDF

Info

Publication number
KR101150689B1
KR101150689B1 KR1020100052637A KR20100052637A KR101150689B1 KR 101150689 B1 KR101150689 B1 KR 101150689B1 KR 1020100052637 A KR1020100052637 A KR 1020100052637A KR 20100052637 A KR20100052637 A KR 20100052637A KR 101150689 B1 KR101150689 B1 KR 101150689B1
Authority
KR
South Korea
Prior art keywords
moving
vector
model
moving object
target point
Prior art date
Application number
KR1020100052637A
Other languages
English (en)
Other versions
KR20110133097A (ko
Inventor
정종문
고동철
Original Assignee
연세대학교 산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 연세대학교 산학협력단 filed Critical 연세대학교 산학협력단
Priority to KR1020100052637A priority Critical patent/KR101150689B1/ko
Publication of KR20110133097A publication Critical patent/KR20110133097A/ko
Application granted granted Critical
Publication of KR101150689B1 publication Critical patent/KR101150689B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Data Mining & Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Analysis (AREA)
  • Computing Systems (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Algebra (AREA)
  • Geometry (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

본 발명은 이동체 모델링을 위한 랜덤 이동 패턴 생성방법 및 장치를 개시한다. 본 발명은 벡터를 이용한 이동체의 이동 패턴 생성방법에 있어서, 상기 이동체의 시작점과 목표점을 설정하는 단계; 상기 이동체의 속도 모델 및 방향 모델을 생성하는 단계; 상기 속도 모델을 기초로 하여 벡터의 크기를 선택하고 상기 방향 모델을 기초로 하여 벡터의 방향을 선택하는 단계 및 상기 선택된 벡터를 이용하여 상기 시작점에서 상기 목표점으로 이동하는 상기 이동체의 이동 패턴을 생성하는 단계를 포함한다.

Description

이동체 모델링을 위한 랜덤 이동 패턴 생성방법 및 장치{Method and apparatus for generating random mobility pattern conversing the target point}
본 발명의 일 실시 예들은 이동체 모델링을 위한 랜덤 이동 패턴 생성방법 및 장치에 관한 것으로서, 더욱 상세하게는 속도모델과 방향모델을 이용한 이동벡터를 생성하여 목표점을 향하여 이동하는 이동체의 이동패턴을 생성하는 방법 및 장치에 관한 것이다.
무선 이동 통신에서 노드의 움직임은 통신 성능에 큰 영향을 미친다. 노드가 이동함에 따라 채널 상태 및 네트워크 전체의 토폴로지가 시간적으로 변화하게 되기 때문이다. 네트워크의 구성이 시간적으로 변함으로서 네트워크 파티션/머징 등이 발생됨에 따라 IP 주소 할당 및 네트워크 구성에 영향을 미치고 라우팅과 통신 성능에 영향을 미치게 된다.
이러한 통신성능에 영향을 미치는 노드의 움직임을 시뮬레이션 하기 위한 모빌리티 모델은 생성 알고리즘을 통하여 이동패턴을 생성하는 합성방식과 실제 특정 지역에서 측정된 데이터를 기반으로 이동패턴을 생성하는 재생방식으로 나눌 수 있다.
합성방식은 간단한 알고리즘으로 시뮬레이터 자체에서 이동패턴을 생성할 수 있는 장점이 있는 반면 실제 이동패턴과는 잘 일치하지 않는 단점이 있다. 재생방식은 실제 이동패턴과 매우 유사하게 이동패턴을 생성할 수 있으나 시뮬레이터 외에 이동패턴만을 위한 별도의 시스템이 구축되어야 하고 또한, 시뮬레이터와 연동하기 위한 시스템이 있어야 하는 등 시스템이 복잡해지는 단점이 있다.
합성방식으로는 노드가 특정한 목표점 없이 랜덤하게 계속 움직이는 방식(랜덤-가우스-마코브 모델)과 목표점을 정해서 랜덤하게 직선으로 움직이는 방식(랜덤 웨이 포인트)등이 있다.
그러나 실제적인 노드의 움직임은 대부분 특정한 목표점을 정해놓고 움직이면서도 그 목표점으로 이동할 때 도로나 건물 등 지형적인 요소에 의해 직선이 아닌 복잡한 형태로 움직이므로 직선으로 움직이는 합성방식으로는 실제 이동패턴과 유사한 이동패턴을 생성할 수 없는 문제점이 있다.
상기한 바와 같은 종래기술의 문제점을 해결하기 위해, 본 발명에서는 속도 모델과 방향모델을 이용한 이동벡터를 생성하여 목표점을 향하여 이동하는 이동체의 랜덤 이동 패턴을 생성하는 방법을 제안하고자 한다.
본 발명의 다른 목적들은 하기의 실시예를 통해 당업자에 의해 도출될 수 있을 것이다.
상기한 목적을 달성하기 위해 본 발명의 바람직한 일 실시예에 따르면, 벡터를 이용한 이동체의 이동 패턴 생성방법에 있어서 상기 이동체의 시작점과 목표점을 설정하는 단계; 상기 이동체의 속도 모델 및 방향 모델을 생성하는 단계; 상기 속도 모델을 기초로 하여 벡터의 크기를 선택하고 상기 방향 모델을 기초로 하여 벡터의 방향을 선택하는 단계; 상기 선택된 벡터를 이용하여 상기 시작점에서 상기 목표점으로 이동하는 상기 이동체의 이동 패턴을 생성하는 단계를 포함하는 것을 특징으로 하는 이동체의 이동 패턴 생성방법이 제공된다.
상기 속도 모델 생성은 마코브 체인 모델을 이용하여 생성되며, 상기 마코브 체인 모델을 이루는 확률 값은 실제 데이터 값의 통계 또는 상기 시작점과 상기 목표점 사이의 지형적 특성을 고려하여 결정될 수 있다.
상기 방향 모델 생성은 삼각형 형태의 방향 확률분포 또는 가우시안 방향 확률분포를 이용하여 생성되며 상기 방향 확률분포는 알려진 형태의 확률분포 또는 실제 측정한 통계치를 고려하여 생성될 수 있다.
상기 방향 확률분포의 생성은 상기 이동체의 상기 시작점에서 상기 목표점까지의 이동 경로의 우회 정도를 나타내는 우회변수를 결정하고 상기 우회변수를 이용하여 생성 될 수 있다.
상기 벡터의 방향을 선택하는 단계는, 상기 이동체의 이동 경로 중 직진구간에서 방향을 변경하지 않도록 하기 위한 직진구간에서의 샘플 개수 또는 방향전환 횟수를 나타내는 직진변수로 정하고 상기 직진변수를 이용하여 일정 이동구간 동안 동일한 방향을 유지하는 것을 특징으로 할 수 있다.
상기 벡터의 크기와 방향이 선택 될 때마다 상기 이동체가 상기 목표점에 도착할 수 있도록 상기 방향 모델을 수정하는 단계를 더 포함할 수 있다.
또한, 본 발명의 다른 일실시예에 따르면, 벡터를 이용한 이동체의 이동 패턴 제공 장치에 있어서, 상기 벡터의 방향 모델을 생성하는 방향 모델 생성부; 상기 벡터의 속도 모델을 생성하는 속도 모델 생성부; 상기 속도 모델과 상기 방향 모델을 기반으로 상기 이동체의 벡터를 생성하는 벡터 생성부 및 상기 생성된 벡터를 이용하여 목표점을 향하여 이동하는 상기 이동체의 이동 패턴을 생성하는 이동 패턴 생성부 를 포함하는 것을 특징으로 하는 이동체의 이동 패턴 제공 장치가 제공된다.
상기 이동 패턴 제공 장치는 상기 이동체의 이동 경로 중 직진구간에서 방향을 변경하지 않도록 하기 위한 직진 변수를 관리하는 직진변수 제어부; 상기 시작점에서 상기 목표점까지의 이동 경로의 우회 정도를 상기 이동 패턴 생성에 적용하기 위한 우회변수 제어부 및 상기 이동체가 목표점을 지나치는 것을 방지 하기 위한 잔여비율변수를 관리하는 잔여비율변수 제어부를 더 포함할 수 있다.
본 발명에 따르면, 시뮬레이터 자체에서 이동패턴을 생성할 수 있는 합성방식으로서 직선운동이 아닌 실제 이동패턴을 고려한 이동체의 이동패턴을 생성하여 이동체의 움직임이 각종 통신 성능 및 네트워크에 미치는 영향을 보다 실제와 일치하게 예측할 수 있다. 또한, 자동차와 같은 이동체의 이동패턴을 예측하는데도 이용할 수 있다.
도 1은 시작점에서 목표점까지 이동 할 때까지의 과정을 벡터의 합으로 나타낸 도면이다.
도 2는 본 발명의 바람직한 일 실시예에 따른 벡터를 이용한 이동체의 이동 패턴을 생성하는 벡터 모빌리티 모델의 순서도이다.
도 3은 속도 모델로 활용되는 마코브 체인 모델을 나타내는 도면이다.
도 4는 마코브 체인 모델을 적용한 스테이트 전이확률 그래프이다.
도 5는 본 발명의 바람직한 일 실시예에 따른 삼각형 형태의 방향 확률분포를 적용한 방향 모델을 도시한 그래프이다.
도 6은 본 발명의 바람직한 일 실시예에 따른 가우시안 형태의 방향 확률분포를 적용한 방향 모델을 도시한 그래프이다.
도 7은 본 발명의 바람직한 일 실시예에 따른 직진변수를 적용한 이동체의 이동 패턴을 생성하는 벡터 모빌리티 모델의 순서도이다.
도 8은 삼각형 형태 확률분포의 기울기 및 가우시안 형태 확률분포의 표준편차와 우회변수와의 상관관계를 나타내는 도면이다.
도 9는 본 발명의 바람직한 일 실시예에 따른 방향 확률분포를 수정하지 않은 경우 이동체의 이동 패턴을 도시한 그래프이다.
도 10은 본 발명의 바람직한 일 실시예에 따른 목표점을 지향하여 이동하는 이동체의 이동 패턴을 생성하는 벡터 모빌리티 모델의 순서도이다.
도 11은 방향 확률분포를 수정하는 제2유형의 방법에 대해 도시한 순서도 이다.
도 12는 제1유형에 의해 방향 확률분포를 수정하는 경우 이동체의 이동경로를 보여주는 시뮬레이션 그래프이다.
도 13은 제2유형에 의해 방향 확률분포를 수정하는 경우 이동체의 이동경로를 보여주는 시뮬레이션 그래프이다.
도 14는 본 발명의 바람직한 일 실시예에 따른 목표점을 지향하여 이동하는 이동체의 랜덤 이동 패턴을 생성하는 벡터 모빌리티에 모델에 직진변수를 적용한 순서도이다.
도 15는 본 발명의 바람직한 일 실시예에 따른 목표점을 지향하여 이동하는 이동체의 랜덤 이동 패턴 생성을 생성하는 벡터 모빌리티에 직진변수를 적용한 모델의 시뮬레이션 결과이다.
도 16은 실제 측정된 벡터 및 속도의 방향 확률분포와 본 발명의 바람직한 일 실시예에 따라 생성된 벡터 및 속도의 확률분포를 비교하여 도시한 그래프이다.
도 17은 본 발명의 바람직한 일 실시예에 따른 이동체의 이동 패턴 생성 장치의 구성을 도시한 도면이다.
본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 상세한 설명에 상세하게 설명하고자 한다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 각 도면을 설명하면서 유사한 참조부호를 유사한 구성요소에 대해 사용하였다.
도 1은 시작점에서 목표점까지 이동 할 때까지의 과정을 벡터의 합으로 나타낸 도면이다.
도 1을 참조하면, 이동체가 목표점에 도달할 때까지 F개의 벡터로 이동하였다면 시작점에서 목표점까지의 벡터는 F개의 벡터의 합으로 표시될 수 있다.
여기서, 이동체는 시간의 흐름에 따라서 이동하면서 그 위치가 연속적으로 변하는 특성을 가지는 모든 종류의 객체를 의미한다.
시작점과 목표점까지의 벡터(
Figure 112010035864999-pat00001
)는 아래의 수학식1과 같이 표현할 수 있다.
Figure 112010035864999-pat00002
여기서,
Figure 112010035864999-pat00003
는 벡터
Figure 112010035864999-pat00004
의 크기,
Figure 112010035864999-pat00005
는 벡터
Figure 112010035864999-pat00006
의 이동각도,
Figure 112010035864999-pat00007
는
Figure 112010035864999-pat00008
의 벡터,
Figure 112010035864999-pat00009
는
Figure 112010035864999-pat00010
의 벡터의 크기,
Figure 112010035864999-pat00011
는
Figure 112010035864999-pat00012
의 벡터의 방향을 각각 의미한다.
벡터의 크기의 합은 총 이동경로(
Figure 112010035864999-pat00013
)를 나타내며 아래의 수학식 2와 같이 표현할 수 있다.
Figure 112010035864999-pat00014
도 1을 참조하면, v1,v2,v3, ..., v13의 13개의 벡터의 절대적 크기를 합하면 총 이동경로(
Figure 112010035864999-pat00015
)를 계산할 수 있다.
도 2는 본 발명의 바람직한 일 실시예에 따른 벡터를 이용한 이동체의 이동 패턴을 생성하는 벡터 모빌리티 모델의 순서도이다. 이하, 도 2를 참고하여 각 단계별로 수행되는 과정을 상술하기로 한다.
단계(S200)에서는 이동체의 이동속도에 기초하여 속도 모델을 설정한다.
속도 모델을 설정하는 경우 특정 이동체의 속도에 대한 통계치가 존재하는 경우 그러한 통계치를 속도 모델에 적용할 수 있다.
일례로서, 상기 속도 모델은 도 3에 도시된 바와 같이 마코브 체인 모델을 이용하여 생성할 수 도 있다.
도 3은 속도 모델로 활용되는 마코브 체인 모델을 나타내는 도면이다.
마코브 체인 모델은 특정상태에서 다음의 상태로 어떻게 변화할 것인가를 확률적으로 예측하는 기법으로서 어떤 시스템이 특정 상태에서 다른 상황으로 바뀌어지는 확률 값을 나타내는 전이확률표를 이용하여 특정 시스템의 변화나 발전과정을 분석한다.
본 발명에서는 마코브 체인 모델에 의해 매 시뮬레이션 시간마다 벡터의 크기가 선택된다. 마코브 체인 모델은 아래의 수학식 3과 같이 표현할 수 있다.
Figure 112010035864999-pat00016
여기서, Ps(m)은 m번째 스테이트 값이며 P(i,j)는 i번째 스테이트에서 j번째 스테이트로의 전환 확률 값이다. 스테이트의 전이확률표의 생성은 실제 이동패턴을 측정한 속도 데이터로부터 추출하여 사용할 수도 있다.
또는, 미리 여러 개의 전이확률표를 생성해 두고 시뮬레이션 하고자 하는 지역 이동 특성을 고려하여 비슷한 유형의 전이확률표를 선택하여 설정할 수도 있다.
일례로서, 전이확률표는 아래의 표 1에 도시된 바와 같을 수 있다.
M=5 스테이트 전이확률
0↔1 1↔2 2↔3 3↔4 4↔5
Case 1 P(i-1,i) 0.2 0.2 0.2 0.2 0.2
P(i,i-1) 0.2 0.2 0.2 0.2 0.2
Case 2 P(i-1,i) 0.2 0.2 0.2 0.1 0.1
P(i,i-1) 0.1 0.1 0.2 0.2 0.2
Case 3 P(i-1,i) 0.1 0.1 0.2 0.2 0.2
P(i,i-1) 0.2 0.2 0.2 0.1 0.1
Case 4 P(i-1,i) 0.2 0.2 0.2 0.2 0.2
P(i,i-1) 0.1 0.1 0.1 0.1 0.1
Case 5 P(i-1,i) 0.1 0.1 0.1 0.1 0.1
P(i,i-1) 0.2 0.2 0.2 0.2 0.2
도 4는 마코브 체인 모델을 적용한 스테이트 전이확률 그래프이다.
도 4는 표1의 전이확률표를 이용하여 스테이트 전이확률을 도시화한 그래프로서 Case1은 이동체의 속도가 전 영역에서 모두 동일한 확률로 발생함을 알 수 있다. Case2는 이동체의 속도 확률이 대부분 중앙 영역에 집중됨을 보여주고 Case3은 Case2와 반대로 이동체의 속도확률이 최고 속도 또는 최저속도에 집중됨을 알 수 있다. Case4는 상위 속도 일수록 확률 값이 증가하며 이는 교통 체증이 없는 도로 상태를 반영하며, Case5는 하위 속도로 갈수록 확률 값이 증가하는 바 이는 교통체증이 있는 도로 상태를 반영한다.
이하에서는 다시 도 2를 참조하여 본 발명의 일실시예에 따른 벡터를 이용한 이동체의 이동 패턴 생성을 생성하는 벡터 모빌리티 모델의 순서도를 설명하기로 한다.
이동체의 이동형태나 지형적 특성을 고려하여 방향 모델을 설정한다(S201).
일례로서, 상기 방향 모델은 도 5에 도시된 삼각형 형태 또는 도 6에 도시된 가우시안 형태의 확률분포를 이용하여 생성할 수 있다.
도 5는 삼각형 형태의 방향 확률분포를 적용한 방향 모델의 한 실시예를 도시한 그래프이다.
x축은 방향 모델에서 선택될 수 있는 방향을 의미하며 y축은 선택될 확률 값을 의미한다. 삼각형 모양의 형태를 결정하는 변수는 삼각형의 기울기를 나타내는
Figure 112010035864999-pat00017
이다. 변수
Figure 112010035864999-pat00018
는 이동체의 이동형태 또는 지형적 특성을 고려하여 결정할 수 있다.
도 6은 본 발명의 바람직한 일 실시예에 따른 가우시안 형태의 방향 확률분포를 적용한 방향 모델을 도시한 그래프이다.
x축은 이동체의 시작점과 목표점을 잇는 중심점을 기준으로 이동할 각도를 의미하며 가우시안 분포의 모양을 결정하는 변수는 표준편차이다. 표준편차는 도5의 변수
Figure 112010035864999-pat00019
와 같이 이동체의 이동형태 또는 지형적 특성을 고려하여 결정할 수 있다.
이하 에서는 다시 도 2를 참조하여 본 발명의 일실시예에 따른 벡터를 이용한 이동체의 이동 패턴 생성을 생성하는 벡터 모빌리티 모델의 순서도를 설명하기로 한다.
속도 모델과 방향 모델을 통한 이동패턴을 생성할 시뮬레이션 시간을 설정한다(S202). 시뮬레이션 시간 설정은 아래의 수학식 4와 같이 표현할 수 있다.
Figure 112010035864999-pat00020
여기서, n은 시뮬레이션 시간, T는 실제 시간,
Figure 112010035864999-pat00021
는 샘플타임을 의미한다.
설정된 방향 모델을 통해 벡터의 방향(θ)을 선택하고(S203) 속도 모델을 통해 벡터의 크기(r)를 선택한다(S204).
선택된 벡터의 크기와 방향을 이용하여 이동 패턴 생성에 사용될 벡터(v)를 계산한다(S205).
시뮬레이션 시간을 조정한다(S206).
시뮬레이션 시간이 종료될 때까지 S203부터 S206까지의 과정을 반복하며 이동 패턴 생성에 사용될 벡터를 계산한다(S207).
상기의 과정은 매 시뮬레이션 시간마다 새로운 방향을 선택하고 이때마다 방향을 바꾸게 된다. 그러나 이동체가 직진구간에서 이동하는 경우에도 방향을 바꾸게 되어 실제 이동 상황과는 다른 패턴을 생성하게 되는 문제점이 있다.
따라서, 실제 상황과 유사하게 이동 패턴을 생성하기 위해 이동체가 직진구간에서 이동하는 동안 방향을 변경하지 않도록 하는 것이 필요하며 본 발명에서는 직진구간에서의 샘플 개수를 나타내는 직진변수(
Figure 112010035864999-pat00022
)를 정의한다.
직진변수
Figure 112010035864999-pat00023
는 아래의 수학식 5를 기초로 하여 산출할 수 있다.
Figure 112010035864999-pat00024
여기서,
Figure 112010035864999-pat00025
은 평균 직진구간의 길이,
Figure 112010035864999-pat00026
는 이동체의 평균속도,
Figure 112010035864999-pat00027
는 샘플타임으로 이때
Figure 112010035864999-pat00028
는 직진구간에서의 샘플 수를 나타낸다.
구체적으로는, 직진변수를 고려하여 이동 패턴을 생성하는 경우 이동체의 벡터 방향을 방향 모델에서 선택할 때 직진구간에서의 샘플 수만큼 방향을 전환하지 않고 직진을 유지 하도록 한다. 만약 지역적 특성을 알고 있는 경우 이러한 평균값을 이용하여 직진변수(
Figure 112010035864999-pat00029
)를 구할 수 있다.
본 발명의 다른 실시예로서,
Figure 112010035864999-pat00030
는 상기 시작점에서 목표점까지 이동체가 총 이동할 거리,
Figure 112010035864999-pat00031
은 평균벡터의 크기,
Figure 112010035864999-pat00032
는 상기 시작점에서 목표점까치 도착할 때까지 방향전환 횟수를 각각 의미하며 총 이동할 거리와 이동체의 평균벡터의 크기를 이용하여 직진변수(
Figure 112010035864999-pat00033
)를 구할 수도 있다.
도 7은 본 발명의 바람직한 일 실시예에 따른 직진변수를 적용한 이동체의 이동 패턴을 생성하는 벡터 모빌리티 모델의 순서도이다.
이동체의 이동속도에 기초하여 속도 모델을 설정하고(S700) 이동체의 이동형태나 지형 특성을 고려하여 방향 모델을 설정한다(S701).
속도 모델과 방향 모델을 통한 이동패턴을 생성할 시뮬레이션 시간을 설정한다(S702).
설정된 방향 모델을 통해 벡터의 방향(θ)을 선택하고(S703) 직진변수(
Figure 112010035864999-pat00034
)를 설정한다(S704).
속도 모델을 통해 벡터의 크기(r)를 선택한다(S705).
선택된 벡터의 크기와 방향을 이용하여 이동 패턴 생성에 사용될 벡터(v)를 계산한다(S706).
시뮬레이션 시간 및 직진변수를 조정한다(S707). 조정은 시뮬레이션 시간 및 직진변수의 값을 '1' 감소시키는 방법으로 조정 할 수도 있다.
직진변수(
Figure 112010035864999-pat00035
)또는 시물레이션 시간(n)이 '0'이 될때까지 S705와 S707의 단계를 반복한다(S708). 따라서, 단계 S708에서는 벡터의 방향이 변하지 않는다.
시뮬레이션 시간(n)이 '0'이 될때까지 S703부터 S708까지의 과정을 반복한다(S709).
상기 순서도를 통해 벡터의 방향(θ)을 선택한 후 직진변수(
Figure 112010035864999-pat00036
)가 설정되고 직진변수(
Figure 112010035864999-pat00037
)가 '0'이 될 때까지 벡터의 크기는 변하나 벡터의 방향은 유지되는 것을 알 수 있다.
도 2 및 도 7의 순서도에서는 목표점이 없이 임의의 방향으로 랜덤하게 움직이는 이동패턴을 생성한다. 그러나 실제 이동체는 구체적인 목표점을 지향하여 랜덤하게 움직이므로 보다 실제에 가까운 이동 패턴을 생성하기 위해서는 랜덤하게 움직이되 목표점에 도달하는 이동 패턴이 요구된다.
이하, 목표지향 랜덤 이동패턴 생성 모델에 대해 살펴본다.
이동체의 벡터의 방향은 목표점을 중심으로 랜덤하게 움직이게 되며 벡터의 방향은 아래의 수학식 6과 같이 표현할 수 있다.
Figure 112010035864999-pat00038
여기서,
Figure 112010035864999-pat00039
는 i번째 벡터 방향의 각도,
Figure 112010035864999-pat00040
는 시작점에서 목표점으로 향하는 방향의 각도,
Figure 112010035864999-pat00041
는 i번째 벡터를 위해
Figure 112010035864999-pat00042
중에서 확률적으로 선택되는 중심방향(
Figure 112010035864999-pat00043
)으로부터 어긋나는 각도를 나타낸다.
본 발명에서는 이동체가 시작점에서 목표점으로 랜덤하게 이동하는 경우 랜덤하게 움직이는 정도를 조절하기 위해서 우회변수(D)를 정의한다.
우회변수(D)는 시작점에서 목표점까지의 이동체가 이동한 총 이동거리와 직선거리의 비율로서 이동경로가 얼마나 우회되었는가를 나타내는 변수로서 아래의 수학식 7과 같이 표현될 수 있다.
Figure 112010035864999-pat00044
여기서,
Figure 112010035864999-pat00045
는 우회변수,
Figure 112010035864999-pat00046
는 시작점에서 목표점까지 이동체가 총 이동할 거리,
Figure 112010035864999-pat00047
는 시작점에서 목표점까지의 직선거리를 각각 의미한다.
구체적으로는, 우회변수(D)는 이동체의 움직임의 랜덤 정도를 나타내는 변수로서 'D=1'일 경우 이동체의 이동 형태는 직선형태를 가지며 D값이 커질수록 이동체가 시작점에서 목표점까지 이동 시 우회를 많이 하게 되어 더욱 랜덤한 이동 패턴을 가지게 된다. 실제 관측을 통한 시작점과 목표점까지의 이동할 경로, 도로상황 등의 지형에 대한 정보를 기반으로 우회변수 값을 계산할 수 있다.
도 8은 방향 확률분포의 기울기 및 표준편차와 우회변수와의 상관관계를 나타내는 도면이다.
도 8을 참조하면, 방향 모델을 방향 확률분포를 이용하여 생성할 경우 확률분포의 모양을 결정하는 변수와 매칭하여 우회변수(D)값에 매칭되는 확률분포를 구할 수 있다.
x축은 우회변수 값을 의미하며 우측 Y축의 값은 가우시안 확률분포에서의 표준편차 값이고, 좌측 Y축의 값은 삼각형 형태의 확률분포에서의 기울기에 해당하는 변수 값임을 알 수 있다.
또는 확률분포로부터 직접 우회변수를 아래의 수학식 8을 이용해 계산할 수도 있다.
Figure 112010035864999-pat00048
P(A)는 방향 확률분포로서 A가 선택될 확률을 말하며 아래의 수학식 9과 같이 표현할 수 있다.
Figure 112010035864999-pat00049
여기서, k는 벡터의 방향 집합인 {-N,... ,-1 ,0 ,1 ,..., N}중에서 선택되는 값을 의미한다.
Figure 112010035864999-pat00050
는 방향 확률분포에 의해서 임의의 방향이 선택되어 이동체가 랜덤한 방향으로 이동하나 방향 확률분포(P(A))의 평균값이 '0'이 되면 목표점에 확률적으로 수렴한다. 이는 아래의 수학식 10과 같이 표현될 수 있다.
Figure 112010035864999-pat00051
수학식 10을 만족하는 경우 이동체는 목표점을 중심으로 랜덤하게 방사되어 도착하게 된다.
도 9는 본 발명의 바람직한 일 실시예에 따른 방향 확률분포를 수정하지 않은 경우 이동체의 이동 패턴을 도시한 그래프이다.
도 9를 참조하면 이동체가 목표점을 중심으로 랜덤하게 방사되어 도착하는 시뮬레이션 결과를 확인할 수 있다.
시뮬레이션 할 때마다 이동체가 모두 수렴하게 하기 위해서는 목표점에 가까워짐에 따라 방향 확률분포를 적절하게 수정하여 목표점에 도달하도록 하는 과정이 필요하다.
이하 도 10을 참조하여 방향 확률분포를 수정하는 방법에 대해서 설명한다.
도 10은 본 발명의 바람직한 일 실시예에 따른 목표점을 지향하여 이동하는 이동체의 랜덤 이동 패턴 생성을 생성하는 벡터 모빌리티 모델의 순서도이다. 이하, 도 10을 참고하여 각 단계별로 수행되는 과정을 상술하기로 한다.
이동체가 이동할 시작점과 목표점을 설정한다(S1000).
이동체의 이동속도에 기초하여 속도 모델을 설정하고(S1010) 이동체의 이동형태나 지형 특성을 고려하여 방향 모델을 설정한다(S1020).
잔여거리를 설정한다(S1030).
잔여거리(
Figure 112010035864999-pat00052
)는 이동체가 목표점을 향해 이동하는 경우 이동된 위치에서 목표점까지의 남은 거리를 의미한다.
잔여거리가 처음 설정될 때는 이동체의 시작점에서 목표점까지의 총 이동경로와 동일하다. 또는 시작점과 목표점까지의 직선거리에 우회변수(D)를 곱한 값으로 설정된다. 상기 잔여거리(
Figure 112010035864999-pat00053
)는 아래의 수학식 11과 같이 표현될 수 있다.
Figure 112010035864999-pat00054
여기서,
Figure 112010035864999-pat00055
는 시작점에서 목표점까지의 총 이동경로,
Figure 112010035864999-pat00056
는 우회변수,
Figure 112010035864999-pat00057
는 시작점에서 목표점까지의 직선거리를 각각 의미한다.
설정된 방향 모델로부터 벡터의 방향(
Figure 112010035864999-pat00058
)을 선택하고(S1040) 속도 모델로부터 벡터의 크기(
Figure 112010035864999-pat00059
)를 선택한다(S1050).
잔여비율변수(
Figure 112010035864999-pat00060
)를 계산한다(S1060).
잔여비율변수(
Figure 112010035864999-pat00061
)란 잔여거리 대 선택된 벡터의 크기 비율과 선택된 벡터 방향의 확률값을 비교하여 작은 값을 의미한다. 이동체가 목표점에 가까운 지점에 있고 선택된 벡터의 크기가 잔여거리보다 큰 경우에는 이동체가 목표점에 정확하게 도착하지 못하고 목표점을 지나치게 된다. 따라서, 이를 방지하기 위해 벡터의 크기에 대한 수정이 필요하다.
잔여비율변수(
Figure 112010035864999-pat00062
)는 아래의 수학식 12와 같이 표현 될 수 있다.
Figure 112010035864999-pat00063
여기서,
Figure 112010035864999-pat00064
는 속도 모델로부터 선택된 벡터의 크기,
Figure 112010035864999-pat00065
는 잔여거리,
Figure 112010035864999-pat00066
는 방향 모델로부터 벡터 방향(
Figure 112010035864999-pat00067
)이 선택될 확률을 각각 의미한다.
잔여거리가 선택된 벡터의 크기보다 작은 경우
Figure 112010035864999-pat00068
의 값은 1을 넘게 되고
Figure 112010035864999-pat00069
는 확률 값으로서 언제나 1보다 작으므로 잔여비율변수(
Figure 112010035864999-pat00070
)는
Figure 112010035864999-pat00071
으로 결정되게 된다. 따라서 잔여비율변수는 1을 넘을 수 없다.
새로 계산될 벡터의 크기는
Figure 112010035864999-pat00072
과 같이 정의 할 수 있고 잔여비율변수는 1보다 작은 값이므로 잔여거리보다 항상 작은 값이 결정된다.
계산된 잔여비율변수와 선택된 벡터 방향을 이용하여 모빌리티 모델에 사용될 실제 벡터를 계산한다(S1070).
상기 새로운 벡터의 계산은 아래의 수학식 13과 같이 표현될 수 있다.
Figure 112010035864999-pat00073
이동체가 목표점을 지향 할 수 있도록 방향 확률분포를 수정한다(S1080)
방향 확률분포를 수정 않고 수학식 10을 만족하도록 시뮬레이션을 하는 경우에는 도 9에서 도시된 바와 같이 목표점으로 확률적으로 수렴하게 되나 시작점에서 목표점까지의 거리에 비례하여 목표점을 중심으로 넓게 확산되는 것을 알 수 있다.
방향 확률분포를 수정하는 방법으로 이하 두 가지 유형을 설명한다.
제1 유형은 방향 모델로부터 선택된 방향의 확률 값을 잔여비율변수(
Figure 112010035864999-pat00074
)값 만큼 감소 시키고 기준 방향을 중심으로 선택된 방향과 대칭되는 방향의 확률 값을 잔여비율변수(
Figure 112010035864999-pat00075
)값 만큼 증가시키는 방법이다. 제1유형의 방법은 아래의 수학식 14와 같이 표현될 수 있다.
Figure 112010035864999-pat00076
수학식 14과 같이 방향 확률분포를 수정하고 수정된 방향 확률분포가 수학식 10을 만족하는 경우에는 이동체가 목표점에 확률적으로 수렴하게 되며 시작점에서 목표점까지의 거리가 증가하여도 목표점을 중심으로 일정한 크기로 확산된다.
제2 유형은 방향 확률분포 전체를 다시 정규화 시키는 방법이다. 이하, 도11을 참조하여 방향 확률분포를 수정하는 제2유형에 대해 설명 하도록 한다.
도 11은 방향 확률분포를 수정하는 제2유형의 방법에 대해 도시한 순서도 이다.
Figure 112010035864999-pat00077
으로 설정한다(S1100).
수학식 9을 통해 살펴 보았듯이 k는 {-N, ..., -1, 0, 1, ..., N}의 벡터 방향 집합에서 선택되는 값이다.
Figure 112010035864999-pat00078
값이 방향모델로부터 선택된 벡터 방향과 동일 한지 판단한다(S1110).
Figure 112010035864999-pat00079
값이 선택된 벡터 방향(
Figure 112010035864999-pat00080
)과 동일한 경우 방향 확률분포 값을 아래의 수학식 15와 같이 변경할 수 있다(S1120).
Figure 112010035864999-pat00081
Figure 112010035864999-pat00082
값이 선택된 벡터 방향(
Figure 112010035864999-pat00083
)과 동일한 경우
Figure 112010035864999-pat00084
의 방향 확률분포 값은 수학식 15에 의해 감소된다.
Figure 112010035864999-pat00085
값이 선택된 벡터 방향(
Figure 112010035864999-pat00086
)과 일치하지 않는 경우 방향 확률분포 값을 아래의 수학식 16과 같이 변경 할 수 있다(S1130).
Figure 112010035864999-pat00087
Figure 112010035864999-pat00088
값이 선택된 벡터 방향(
Figure 112010035864999-pat00089
)과 일치하지 않는 경우
Figure 112010035864999-pat00090
의 방향 확률분포 값은 수학식 16에 의해 증가된다.
k값을 조정한다(S1140). k값에 '1'을 더하는 방법으로 k값을 조정할 수 있다.
k값이 {-N,... ,-1 ,0 ,1 ,... ,N}의 집합에 대해 모두 선택될 때까지 S1110부터 S1140까지의 과정을 반복하여 방향 확률분포 전체를 정규화한다.(S1150)
정규화된 방향 확률분포가 아래의 수학식 17를 만족하는 경우 이동체는 시작점에서 목표점까지 정확하게 도달하게 된다.
Figure 112010035864999-pat00091
수학식 17은 이동체가 시작점에서 목표점까지 도달하도록 하는 수식중의 일례이며 다양한 수식이 존재 할 수 있다.
이하에서는 다시 도 10을 참조하여 본 발명의 바람직한 일 실시예에 따른 목표점을 지향하여 이동하는 이동체의 랜덤 이동 패턴 생성을 생성하는 벡터 모빌리티 모델의 순서도를 설명하기로 한다.
잔여거리(
Figure 112010035864999-pat00092
)를 조정한다(S1090). 이는 아래의 수학식 18과 같이 표현될 수 있다.
Figure 112010035864999-pat00093
잔여거리가 0이 될 때까지 S1040부터 S1090까지의 과정을 반복한다(S1095).
도 12는 제1유형에 의해 방향 확률분포를 수정하는 경우 이동체의 이동경로를 보여주는 시뮬레이션 그래프이다.
도 12(a)를 참조하면, 제1유형의 방향 확률분포 수정을 적용하여 도10의 순서도에 따라 시뮬레이션을 한 결과이다. 이동체는 목표점에 확률적으로 수렴하게 되며 목표점을 중심으로 일정한 크기를 유지하며 이동체가 도착하게 된다.
도 12(b)는 목표점 부분을 확대한 그래프이다.
도 13은 제2유형에 의해 방향 확률분포를 수정하는 경우 이동체의 이동경로를 보여주는 시뮬레이션 그래프이다.
도 13(a)을 참조하면, 도 10의 순서도에 따라 시뮬레이션을 한 결과이다. 모든 이동체가 정확하게 목표점에 도달함을 확인할 수 있다.
도 13(b)는 목표점 부분을 확대한 그래프이다.
도 14는 본 발명의 바람직한 일 실시예에 따른 목표점을 지향하여 이동하는 이동체의 랜덤 이동 패턴 생성을 생성하는 벡터 모빌리티에 직진변수를 적용한 모델의 순서도이다. 이하, 도 14를 참고하여 각 단계별로 수행되는 과정을 상술하기로 한다.
이동체가 이동할 시작점과 목표점을 설정한다(S1400).
이동체의 이동속도에 기초하여 속도 모델을 설정하고(S1405) 이동체의 이동형태나 지형 특성을 고려하여 방향 모델을 설정한다(S1410).
잔여거리를 설정한다(S1415).
설정된 방향 모델로부터 벡터의 방향(
Figure 112010035864999-pat00094
)을 선택하고(S1420) 직진변수를 설정한다(S1425).
속도 모델로부터 벡터의 크기(
Figure 112010035864999-pat00095
)를 선택하고(S1430) 잔여비율변수를 계산한다(S1435).
계산된 잔여비율변수와 선택된 벡터 방향을 이용하여 모빌리티 모델에 사용될 실제 벡터를 계산한다(S1440).
방향 확률분포를 수정한다(S1445). 확률분포의 수정은 도 10에서 설명한 것과 같이 제1유형 또는 제2유형의 방법을 이용하여 수정 할 수 있다.
잔여거리 및 직진변수를 조정한다(S1450).
직진변수가 0이 되거나 또는 방향 확률분포의 수정으로 인해 S1420에서 선택된 벡터 방향(
Figure 112010035864999-pat00096
)의 확률분포(
Figure 112010035864999-pat00097
)값이 0이 될 때까지 S1430부터 S1450까지의 단계를 반복한다(S1455).
잔여거리가 0이 될 때까지 S1420부터 S1455까지의 단계를 반복한다.
도 14의 각 과정은 도 7 또는 도 10에서 상세하게 설명한 과정과 동일하므로 설명을 생략하기로 한다.
도 15는 본 발명의 바람직한 일 실시예에 따른 목표점을 지향하여 이동하는 이동체의 랜덤 이동 패턴 생성을 생성하는 벡터 모빌리티에 직진변수를 적용한 모델의 시뮬레이션 결과이다.
도 14의 모빌리티 모델을 적용한 시뮬레이션으로서 방향 확률분포 수정은 제2유형을 적용하였다. 속도 모델 및 방향 모델은 실제 데이터로부터 얻어진 변수를 적용하여 생성 하였다. 결과 값을 보면 실제 이동 궤적(굵은 선)과 본 발명에 의해 생성된 이동 패턴(가는 선)이 매우 유사함을 알 수 있다.
도 16은 실제 측정된 벡터 및 속도의 방향 확률분포와 본 발명의 바람직한 일 실시예에 따라 생성된 벡터 및 속도의 확률분포를 비교하여 도시한 그래프이다.
도 16(a)는 실측된 속도(막대 그래프) 확률분포와 시뮬레이션 한 결과의 속도(실선) 확률분포를 비교하여 나타낸 것으로서 거의 동일함을 알 수 있다.
도 16(b)는 실측된 방향(막대 그래프) 확률분포와 시뮬레이션 한 결과의 방향(실선) 확률분포를 비교하여 나타낸 것으로서 거의 동일함을 알 수 있다.
도 17은 본 발명의 바람직한 일 실시예에 따른 이동체의 이동 패턴 생성 장치의 구성을 도시한 도면이다.
도 17에서 도시한 바와 같이, 본 발명의 이동 패턴 생성 장치는 변수 입력부(1710), 속도 모델 생성부(1720), 방향 모델 생성부(1730), 제어부(1740), 벡터 생성부(1750), 방향 모델 수정부(1760), 이동 패턴 생성부(1770)를 포함 할 수 있다.
변수 입력부(1710)는 속도 모델 및 방향 모델의 생성을 위해 필요한 데이터인 이동체의 이동속도, 시작점과 목표점까지의 지형정보, 도로 정보 등의 데이터를 입력 받는다.
속도 모델 생성부(1720)는 이동체의 벡터 크기를 선택하기 위한 속도 모델을 변수 입력부(1710)에서 입력 받은 데이터를 기반으로 생성한다. 속도 모델 생성은 마코브 체인 모델을 이용하여 생성할 수도 있다.
방향 모델 생성부(1730)는 이동체의 벡터 방향을 선택하기 위한 방향 모델을 변수 입력부(1710)에서 입력 받은 데이터를 기반으로 생성한다. 방향 모델 생성은 삼각형 형태 또는 가우스 형태의 확률분포를 이용하여 생성할 수도 있다.
제어부(1740)는 직진변수 제어부(1742), 우회변수 제어부(1744), 잔여비율변수 제어부(1746)를 포함할 수 있다.
직진 변수 제어부(1742)는 실제 이동체의 이동 패턴과 유사하게 이동 패턴을 생성하기 위해 이동체가 직진구간에서 이동하는 동안 방향을 변경하지 않도록 하는 직진변수를 생성하고 직진 변수를 이용하여 특정 구간 동안 벡터 생성부(1750)가 벡터의 방향을 선택하지 않도록 제어한다.
우회변수 제어부(1744)는 시작점에서 목표점까지 이동체의 이동경로가 직선거리에 비해 얼마나 우회되었는가를 나타내는 우회변수를 생성하고 이동체의 랜덤하게 움직이는 정도를 제어한다.
잔여비율변수 제어부(1746)는 이동체가 목표점까지의 남은 거리와 벡터 생성부(1750)가 선택한 벡터의 크기를 비교하여 이동체가 목표점을 지나치지 않도록 하는 잔여비율변수를 생성한다. 구체적으로는, 잔여비율변수를 통해 선택된 벡터의 크기를 목표점을 지나치지 않도록 재생성 한다.
벡터 생성부(1750)는 제어부(1740)에서 생성한 직진변수, 우회변수 및 잔여비율변수 데이터 정보를 입력 받아 이를 기초로 하여 속도 모델과 방향 모델로부터 벡터의 크기 및 방향을 생성한다.
방향 모델 수정부(1760)는 방향 모델에서 벡터의 방향이 선택될 때마다 방향 모델의 확률분포를 재조정 하여 이동체가 목표점에 도착 할 수 있도록 한다.
이동 패턴 생성부(1770)는 벡터 생성부(1750)에서 생성한 이동체의 벡터의 크기 및 속도를 기반으로 이동체의 이동 패턴을 생성한다.
이상과 같이 본 발명에서는 구체적인 구성 요소 등과 같은 특정 사항들과 한정된 실시예 및 도면에 의해 설명되었으나 이는 본 발명의 보다 전반적인 이해를 돕기 위해서 제공된 것일 뿐, 본 발명은 상기의 실시예에 한정되는 것은 아니며, 본 발명이 속하는 분야에서 통상적인 지식을 가진 자라면 이러한 기재로부터 다양한 수정 및 변형이 가능하다. 따라서, 본 발명의 사상은 설명된 실시예에 국한되어 정해져서는 아니되며, 후술하는 특허청구범위뿐 아니라 이 특허청구범위와 균등하거나 등가적 변형이 있는 모든 것들은 본 발명 사상의 범주에 속한다고 할 것이다.
1710 : 변수 입력부 1720 : 속도 모델 생성부
1730 : 방향 모델 생성부 1740 : 제어부
1742 : 직진변수 제어부 1744 : 우회변수 제어부
1746 : 잔여비율변수 제어부 1750 : 벡터 생성부
1760 : 방향 모델 수정부 1770 : 이동 패턴 생성부

Claims (14)

  1. 벡터를 이용한 이동체의 이동 패턴 생성방법에 있어서,
    상기 이동체의 시작점과 목표점을 설정하는 단계;
    상기 이동체의 속도 모델 및 방향 모델을 생성하는 단계;
    상기 속도 모델을 기초로 하여 벡터의 크기를 선택하고 상기 방향 모델을 기초로 하여 벡터의 방향을 선택하는 단계 및
    상기 선택된 벡터를 이용하여 상기 시작점에서 상기 목표점으로 이동하는 상기 이동체의 이동 패턴을 생성하는 단계를
    포함하는 것을 특징으로 하는 이동체의 이동 패턴 생성방법.
  2. 제1항에 있어서,
    상기 속도 모델 생성은 마코브 체인 모델을 이용하여 생성되며, 상기 마코브 체인 모델을 이루는 확률 값은 상기 이동체가 상기 시작점에서 상기 목표점까지 이동하는 동안의 속도를 측정한 데이터의 통계 또는 상기 시작점과 상기 목표점 사이의 지형적 특성을 고려하여 결정되는 것을 특징으로 하는 이동체의 이동 패턴 생성방법.
  3. 제2항에 있어서,
    상기 속도 모델 생성은
    하기의 수식과 같은 마코브 체인 모델을 이용하여 생성하는 것을 특징으로 하는 이동체의 이동 패턴 생성방법.

    Figure 112010035864999-pat00098


    여기서, Ps(m)은 m번째 스테이트 값, P(i,j)는 i번째 스테이트에서 j번째 스테이트로의 전환 확률 값을 각각 의미함.
  4. 제1항에 있어서,
    상기 방향 모델 생성은 삼각형 형태의 방향 확률분포 또는 가우시안 방향 확률분포를 이용하여 생성되며 상기 방향 확률분포는 알려진 형태의 확률분포 상기 이동체의 이동형태 또는 상기 시작점과 상기 목표점까지의 지형적 특성 중 적어도 하나를 이용하여 생성되는 것을 특징으로 하는 이동체의 이동 패턴 생성방법.
  5. 제4항에 있어서,
    상기 방향 확률분포의 생성은
    상기 이동체의 상기 시작점에서 상기 목표점까지의 이동 경로의 우회 정도를 나타내는 우회변수를 결정하고 상기 우회변수를 이용하여 상기 방향 확률분포를 생성하는 것을 특징으로 하는 이동체의 이동 패턴 생성방법.
  6. 제5항에 있어서,
    상기 우회변수는
    하기의 수식을 기초로 하여 결정되는 것을 특징으로 하는 이동체의 이동 패턴 생성방법.
    Figure 112010035864999-pat00099


    여기서,
    Figure 112010035864999-pat00100
    는 우회변수,
    Figure 112010035864999-pat00101
    는 상기 시작점에서 상기 목표점까지 이동체가 총 이동할 거리,
    Figure 112010035864999-pat00102
    는 상기 시작점에서 상기 목표점까지의 직선거리를 각각 의미함.
  7. 제1항에 있어서,
    상기 벡터의 방향을 선택하는 단계는,
    상기 이동체의 이동 경로 중 직진구간에서 방향을 변경하지 않도록 하기 위한 직진구간에서의 샘플 개수 또는 방향전환 횟수를 나타내는 직진변수로 정하고 상기 직진변수를 이용하여 일정 이동구간 동안 동일한 방향을 유지하는 것을 특징으로 하는 이동체의 이동 패턴 생성방법.
  8. 제7항에 있어서,
    상기 벡터의 방향을 선택하는 단계는,
    하기의 수식에 기초하여 직진변수를 정하고 상기 직진변수를 이용하여 일정 이동구간 동안 동일한 방향을 유지하는 것을 특징으로 하는 이동체의 이동 패턴 생성방법.
    Figure 112010035864999-pat00103


    여기서,
    Figure 112010035864999-pat00104
    는 직진변수,
    Figure 112010035864999-pat00105
    은 평균 직진구간의 길이,
    Figure 112010035864999-pat00106
    는 이동체의 평균속도,
    Figure 112010035864999-pat00107
    는 샘플타임,
    Figure 112010035864999-pat00108
    는 상기 시작점에서 목표점까지 이동체가 총 이동할 거리,
    Figure 112010035864999-pat00109
    은 평균벡터의 크기,
    Figure 112010035864999-pat00110
    는 상기 시작점에서 목표점까치 도착할 때까지 방향전환 횟수를 각각 의미함.
  9. 제1항에 있어서,
    상기 벡터의 크기와 방향이 선택 될 때마다 상기 이동체가 상기 목표점에 도착할 수 있도록 상기 방향 모델을 수정하는 단계를 더 포함하는 것을 특징으로 하는 이동체의 이동 패턴 생성방법.
  10. 제9항에 있어서,
    상기 방향 모델을 수정하는 단계는,
    상기 선택된 벡터 방향의 확률 값을 감소시키고 기준방향을 중심으로 상기 선택된 벡터 방향의 반대되는 방향의 확률 값을 증가시키는 것을 특징으로 하는 이동체의 이동 패턴 생성방법.
  11. 제10항에 있어서,
    상기 방향 모델을 수정하는 단계는,
    상기 선택된 벡터의 반대되는 방향의 확률 값을 감소시킨 후 하기 수식을 만족하도록 확률분포를 다시 정규화 시키는 것을 특징으로 하는 이동체의 이동 패턴 생성방법.

    Figure 112010035864999-pat00111


    여기서,
    Figure 112010035864999-pat00112
    은 상기 벡터의 방향으로 선택 될 수 있는 방향의 개수,
    Figure 112010035864999-pat00113
    는 상기
    Figure 112010035864999-pat00114
    개의 방향 중 k번째에 해당하는 방향,
    Figure 112010035864999-pat00115
    는 k번째 해당하는 방향이 선택될 확률을 의미함.
  12. 벡터를 이용한 이동체의 이동 패턴 제공 장치에 있어서,
    상기 벡터의 방향 모델을 생성하는 방향 모델 생성부;
    상기 벡터의 속도 모델을 생성하는 속도 모델 생성부;
    상기 속도 모델과 상기 방향 모델을 기반으로 상기 이동체의 벡터를 생성하는 벡터 생성부 및
    상기 생성된 벡터를 이용하여 시작점에서 목표점으로 이동하는 상기 이동체의 이동 패턴을 생성하는 이동 패턴 생성부
    를 포함하는 것을 특징으로 하는 이동체의 이동 패턴 제공 장치.
  13. 제12항에 있어서,
    상기 이동체의 이동 경로 중 직진구간에서 방향을 변경하지 않도록 하기 위한 직진 변수를 관리하는 직진변수 제어부;
    상기 시작점에서 상기 목표점까지의 이동 경로의 우회 정도를 상기 이동 패턴 생성에 적용하기 위한 우회변수 제어부 및
    상기 이동체가 목표점을 지나치는 것을 방지 하기 위한 잔여비율변수를 관리하는 잔여비율변수 제어부
    를 더 포함하는 것을 특징으로 하는 이동체의 이동 패턴 제공 장치.
  14. 제12항에 있어서,
    상기 이동체가 시작점에서 목표점까지 도달 할 수 있도록 하기 위해 상기 방향 모델을 수정하는 방향 모델 수정부
    를 더 포함하는 것을 특징으로 하는 이동체의 이동 패턴 제공 장치.
KR1020100052637A 2010-06-04 2010-06-04 이동체 모델링을 위한 랜덤 이동 패턴 생성방법 및 장치 KR101150689B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020100052637A KR101150689B1 (ko) 2010-06-04 2010-06-04 이동체 모델링을 위한 랜덤 이동 패턴 생성방법 및 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020100052637A KR101150689B1 (ko) 2010-06-04 2010-06-04 이동체 모델링을 위한 랜덤 이동 패턴 생성방법 및 장치

Publications (2)

Publication Number Publication Date
KR20110133097A KR20110133097A (ko) 2011-12-12
KR101150689B1 true KR101150689B1 (ko) 2012-05-25

Family

ID=45500855

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020100052637A KR101150689B1 (ko) 2010-06-04 2010-06-04 이동체 모델링을 위한 랜덤 이동 패턴 생성방법 및 장치

Country Status (1)

Country Link
KR (1) KR101150689B1 (ko)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102526685B1 (ko) * 2022-08-26 2023-04-28 주식회사 포에스텍 해양레저 네비게이션 장치를 이용한 해양레저인원 위치 추적 시스템
KR102484255B1 (ko) * 2022-08-26 2023-01-04 주식회사 포에스텍 해양레저 네비게이션 장치를 이용한 해양레저인원 위치 추적 방법

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20050118696A (ko) * 2003-03-28 2005-12-19 인터내셔널 비지네스 머신즈 코포레이션 무선 애드혹 네트워크에서의 라우팅 방법 및 장치
KR20090129573A (ko) * 2008-06-13 2009-12-17 주식회사 케이티 노드 이동에 의한 링크 라이프타임을 반영한 멀티홉 라우팅장치 및 방법

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20050118696A (ko) * 2003-03-28 2005-12-19 인터내셔널 비지네스 머신즈 코포레이션 무선 애드혹 네트워크에서의 라우팅 방법 및 장치
KR20090129573A (ko) * 2008-06-13 2009-12-17 주식회사 케이티 노드 이동에 의한 링크 라이프타임을 반영한 멀티홉 라우팅장치 및 방법

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
A realistic mobility model based on social networks for the simulation of VANETs(Ana G.et al. Vehicular Technology Conference, 2009. VTC Spring 2009. IEEE 69th) *
VanetMobiSim:generating realistic mobility patterns for VANETs(J.Harri et al. In 3rd ACM International Workshop on Vehicular Ad Hoc Networks (2006), pp. 96-97) *

Also Published As

Publication number Publication date
KR20110133097A (ko) 2011-12-12

Similar Documents

Publication Publication Date Title
CN105430706B (zh) 一种基于改进粒子群算法的无线传感网络路由优化方法
CN111867139B (zh) 基于q学习的深度神经网络自适应退避策略实现方法及系统
CN112902969B (zh) 一种无人机在数据收集过程中的路径规划方法
CN112985408B (zh) 一种路径规划优化方法及系统
CN107687859A (zh) 基于a星算法的最短寻路方法
Cipriani et al. Combined signal setting design and traffic assignment problem
KR102129161B1 (ko) 컨볼루션 신경망의 하이퍼파라미터를 설정하는 방법 및 이를 수행하는 단말 장치
KR101150689B1 (ko) 이동체 모델링을 위한 랜덤 이동 패턴 생성방법 및 장치
CN105429877A (zh) 一种基于粒子群优化的路径寻优方法
Dong et al. A novel chaotic particle swarm optimization algorithm for parking space guidance
JP2020077392A (ja) 適応的学習率でニューラルネットワークを学習する方法及び装置、これを利用したテスト方法及び装置
CN112215269A (zh) 一种面向目标检测的模型构建方法、设备和神经网络架构
Zhao et al. Route discovery in flying ad-hoc network based on bee colony algorithm
CN114326726B (zh) 一种基于a*与改进人工势场法的编队路径规划控制方法
CN115270506A (zh) 一种人群沿楼梯上行的通行时间预测方法及系统
Magnano et al. Movement prediction in vehicular networks
CN116817947B (zh) 一种基于变步长机制的任意时路径规划方法
CN104507095B (zh) 基于用户位置分布的室内ap部署方法
Lima et al. Efficient and robust WiFi indoor positioning using hierarchical navigable small world graphs
CN110057361A (zh) 一种基于gps的最短路径规划方法
Dubosarskii et al. Evolution of vehicle network on a highway
Chang et al. Recursive learning automata approach to Markov decision processes
CN114745657A (zh) 一种改进的混合萤火虫粒子群优化的DV-Hop定位方法
CN113645055B (zh) 一种适用于复杂战场环境下多因素路由协议的实现方法
Su et al. Dynamic Route Guidance System Based on Real-time Vehicle-Road Collaborations with Deep Reinforcement Learning

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant
FPAY Annual fee payment

Payment date: 20150429

Year of fee payment: 4

FPAY Annual fee payment

Payment date: 20160519

Year of fee payment: 5

FPAY Annual fee payment

Payment date: 20170522

Year of fee payment: 6

LAPS Lapse due to unpaid annual fee