KR101945320B1 - Method and computer device for providing indoor wireless locaiton service based on machine learning, and computer readable recording medium - Google Patents

Method and computer device for providing indoor wireless locaiton service based on machine learning, and computer readable recording medium Download PDF

Info

Publication number
KR101945320B1
KR101945320B1 KR1020170157584A KR20170157584A KR101945320B1 KR 101945320 B1 KR101945320 B1 KR 101945320B1 KR 1020170157584 A KR1020170157584 A KR 1020170157584A KR 20170157584 A KR20170157584 A KR 20170157584A KR 101945320 B1 KR101945320 B1 KR 101945320B1
Authority
KR
South Korea
Prior art keywords
user terminal
information
training
beacons
user
Prior art date
Application number
KR1020170157584A
Other languages
Korean (ko)
Inventor
윤유림
Original Assignee
가천대학교 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 가천대학교 산학협력단 filed Critical 가천대학교 산학협력단
Priority to KR1020170157584A priority Critical patent/KR101945320B1/en
Priority to PCT/KR2018/004983 priority patent/WO2019103258A1/en
Application granted granted Critical
Publication of KR101945320B1 publication Critical patent/KR101945320B1/en

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
    • G01S5/0205—Details
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Position Fixing By Use Of Radio Waves (AREA)

Abstract

Provided is a method for providing an indoor wireless location service based on machine learning. According to the present invention, the method comprises the steps of: collecting measurement location information of a first user terminal measured based on actual location information of the first external user terminal and intensity information of a plurality of beacons received by the first user terminal and generating a training database of the collected information; developing a training vector set from the measurement location information and the actual location information in the training database; and determining a user location predicting model by processing the training vector. A position of a user can be accurately predicted even though an error occurs in measuring a distance between a beacon and a user.

Description

기계학습을 이용한 실내 무선 측위 서비스 방법, 장치 및 컴퓨터 판독가능 기록 매체{METHOD AND COMPUTER DEVICE FOR PROVIDING INDOOR WIRELESS LOCAITON SERVICE BASED ON MACHINE LEARNING, AND COMPUTER READABLE RECORDING MEDIUM}TECHNICAL FIELD [0001] The present invention relates to an indoor wireless positioning service method, an apparatus, and a computer readable recording medium using machine learning,

본 개시는, 무선 측위 서비스 방법에 관한 것이며, 보다 구체적으로는 오차가 있는 환경에서 기계학습을 이용하여 사용자의 현재 위치를 결정하는 기술에 관한 것이다.The present disclosure relates to a wireless positioning service method, and more particularly to techniques for determining a user's current location using machine learning in an error-free environment.

다수의 사용자들에게 선택적 데이터를 원하는 장소에서 제공하는 여러 서비스, 즉 사용자의 현재 위치에 기초로 다양한 위치 기반 서비스(LBS: Location-Based Services)를, 예컨대 실시간 데이터 팝업 서비스, 사용자 위치에 따른 선택적 데이터 전송 서비스, 실내 네비게이션 서비스가 제공되고 있다. A variety of services for providing selective data to a plurality of users at desired locations, i.e., various location-based services (LBS) based on the current location of the user, for example, real-time data pop-up services, Transmission service, and indoor navigation service are provided.

이러한 서비스는 사용자의 위치를 측정하는 기술을 기반으로 하는데, 위치 기반 서비스는, GPS, 와이파이(WIFI), 비콘 등을 이용하여 사용자의 위치를 측정하여 실내 지도 등의 서비스를 제공할 수 있다. 이러한 위치 기반 서비스는 적절히 제공하기 위해서는 사용자의 위치를 정확히 파악하는 것이 중요하다. 그런데, 사용자의 위치를 파악하기 위해 GPS, 와이파이를 사용하는 경우, 건물 내부에서 측정된 단말의 위치 오차가 커서, 적절한 위치 기반 서비스를 제공하는 데 어려움이 있고, 비콘 송신기들을 이용하는 경우에도, 비콘 송신기들의 배치 간격에 따라 사용자의 위치 측정이 어려울 수 있다. 예를 들어, 비콘을 이용하여 사용자의 위치를 측정하기 위해서는 비콘과 사용자와의 거리가 정확히 측정되어야 하는데, 실제로 측정을 해 보면 비콘과 사용자의 거리를 측정할 때마다 오차가 발생하며 특히 거리가 멀어질수록 오차가 커진다. 또한, 비콘과 사용자와의 거리 측정은 날씨 등 주변 환경에도 영향을 받기 때문에 이러한 비콘과 사용자와의 거리에 대한 오차를 고려하여 사용자의 위치를 예측하는 기술에 대한 요구가 증가하고 있다.Such services are based on a technique for measuring a user's location. The location-based service can provide a service such as an indoor map by measuring the location of a user using GPS, Wi-Fi (WIFI), or a beacon. In order to properly provide such location-based services, it is important to accurately grasp the location of users. However, in the case of using GPS or WiFi to grasp the location of a user, it is difficult to provide an appropriate location-based service because a position error of a terminal measured inside a building is large, and even when using beacon transmitters, It may be difficult to measure the position of the user according to the arrangement interval of the user. For example, in order to measure the position of a user using a beacon, the distance between the beacon and the user must be accurately measured. In actual measurement, errors occur when measuring the distance between the beacon and the user. The larger the error, the larger the error. In addition, since the distance between the beacon and the user is also affected by the surrounding environment such as the weather, there is an increasing demand for a technique for predicting the user's position in consideration of the distance between the beacon and the user.

한국등록특허 제10-1634879Korean Patent No. 10-1634879

그러므로 비콘과 사용자와의 거리 측정에 오차가 있더라도 사용자의 위치를 정확히 예측할 수 있는 방법이 요구된다.Therefore, even if there is an error in measuring the distance between the beacon and the user, a method of accurately predicting the position of the user is required.

본 발명의 일 특징에 의하면, 무선 측위 시스템에 의해 구현되는 기계학습을 이용한 실내 무선 측위 방법이 제공된다. 본 발명에 방법은, 무선 측위 시스템에 의해 구현되는 기계학습을 이용한 실내 무선 측위 방법으로서, 외부의 제1사용자 단말의 실제 위치 정보와 상기 제1사용자 단말에서 수신한 복수의 비콘의 신호의 세기 정보를 기초로 측정한 상기 제1사용자 단말의 측정 위치 정보를 수집하고, 수집된 정보의 훈련 데이터베이스를 생성하는 단계; 상기 훈련 데이터베이스 내의 상기 측정 위치 정보와 상기 실제 위치 정보로부터 훈련 벡터 세트를 형성하는 단계; 및 상기 훈련 벡터를 처리하여, 사용자 위치 예측 모델을 결정하는 단계를 포함할 수 있다. According to one aspect of the present invention, there is provided an indoor wireless positioning method using machine learning implemented by a wireless positioning system. The present invention provides an indoor wireless positioning method using machine learning, which is implemented by a wireless positioning system, comprising the steps of: calculating actual position information of an external first user terminal and intensity information of signals of a plurality of beacons received by the first user terminal Collecting measurement location information of the first user terminal based on the measured location information and generating a training database of the collected information; Forming training vector sets from the measurement location information and the actual location information in the training database; And processing the training vector to determine a user location prediction model.

일 실시예에 있어서, 상기 사용자 위치 예측 모델을 결정하는 단계는 SVR(Support Vector Regression) 기계학습 모델을 기초로 할 수 있다. In one embodiment, the step of determining the user location prediction model may be based on a SVR (Support Vector Regression) machine learning model.

일 실시예에 있어서, 전술한 방법은 외부의 제2사용자 단말로부터 상기 제2사용자 단말에서 수신한 복수의 비콘의 신호의 세기 정보와 상기 제2사용자 단말의 위치 요청을 수신하고, 상기 사용자 위치 예측 모델을 기초로 상기 제2사용자 단말의 위치 정보 전송하는 단계를 더 포함할 수 있다. In one embodiment, the method further comprises receiving a plurality of beacon signal strength information received at the second user terminal from an external second user terminal and a location request of the second user terminal, And transmitting the location information of the second user terminal based on the model.

일 실시예에 있어서, 상기 훈련 데이터베이스를 생성하는 단계는 상기 제1사용자 단말의 위치를 변경하거나, 또는 같은 위치에서 측정한 시간을 달리하여 복수 번 상기 제1사용자 단말의 측정 위치 정보를 수집하는 단계를 더 포함할 수 있다. In one embodiment, the step of generating the training database may include collecting measurement location information of the first user terminal a plurality of times by changing the position of the first user terminal or by measuring the time at the same location, As shown in FIG.

일 실시예에 있어서, 전술한 방법은 상기 측정 위치 정보를 수집하는 시점의 환경 정보 - 상기 환경 정보는 습도 정보, 기온 정보 또는 풍량 정보 중 적어도 하나를 포함함 - 를 수집하는 단계; 및 상기 환경 정보를 기초로 사용자 위치 예측 모델을 결정하는 단계를 더 포함할 수 있다. In one embodiment, the method includes: collecting environmental information at a time of collecting the measurement position information, the environment information including at least one of humidity information, temperature information, or air volume information; And determining the user location prediction model based on the environment information.

본 발명의 다른 특징에 의하면, 무선 측위 시스템에 의해 구현되는 기계학습을 이용한 실내 무선 측위 서버가 제공된다. 상기 무선 측위 서버는 외부의 제1사용자 단말의 실제 위치 정보와 상기 제1사용자 단말에서 수신한 복수의 비콘의 신호의 세기 정보를 기초로 측정한 상기 제1사용자 단말의 측정 위치 정보를 수집하고, 수집된 정보의 훈련 데이터베이스를 생성하고, 상기 훈련 데이터베이스 내의 상기 측정 위치 정보와 상기 실제 위치 정보로부터 훈련 벡터를 생성하며, 상기 훈련 벡터를 처리하여, SVR(Support Vector Regression) 기계학습 모델을 기초로 하는 기계학습을 이용하여 사용자 위치 예측 모델을 결정하도록 구성되는 제어부; 및 수집된 정보의 훈련 데이터베이스를 저장하도록 구성되는 저장부 포함하도록 구성될 수 있다. According to another aspect of the present invention, an indoor wireless positioning server using machine learning implemented by a wireless positioning system is provided. Wherein the wireless positioning server collects measurement location information of the first user terminal based on actual location information of an external first user terminal and intensity information of signals of a plurality of beacons received by the first user terminal, Generating a training database of the collected information, generating a training vector from the measured position information and the actual position information in the training database, and processing the training vector to generate a training vector based on a Support Vector Regression (SVR) A controller configured to determine a user location prediction model using machine learning; And a storage configured to store a training database of the collected information.

본 발명의 다른 특징에 의하면, 실내 무선 측위 기능을 포함하는 사용자 단말이 제공된다. 실내 무선 측위 기능을 포함하는 사용자 단말은 사용자 위치 예측 모델을 수신하여 저장하도록 구성되고, 상기 사용자 위치 예측 모델은 외부의 서버에서 제1사용자 단말의 실제 위치 정보와 상기 제1사용자 단말에서 수신한 복수의 비콘의 신호의 세기 정보를 기초로 측정한 상기 제1사용자 단말의 측정 위치 정보를 수집하고, 수집된 정보의 훈련 데이터베이스를 생성하고, 상기 훈련 데이터베이스 내의 상기 측정 위치 정보와 상기 실제 위치 정보로부터 훈련 벡터를 생성하여, 상기 훈련 벡터를 처리하여, SVR(Support Vector Regression) 기계학습 모델을 기초로 생성되도록 구성될 수 있다. According to another aspect of the present invention, there is provided a user terminal including an indoor wireless positioning function. Wherein the user location prediction model is configured to receive and store the user location prediction model, wherein the user location prediction model is configured to store the actual location information of the first user terminal and the plurality of Acquiring measurement location information of the first user terminal based on the beacon signal strength information of the first user terminal, generating a training database of the collected information, A vector may be generated to process the training vector and to be generated based on a Support Vector Regression (SVR) machine learning model.

일 실시예에 있어서, 상기 사용자 단말은 복수의 비콘의 신호의 세기 정보를 수신하여 SVR 기계학습 모델을 기초로 상기 사용자 단말의 위치 정보를 생성하도록 더 구성될 수 있다. In one embodiment, the user terminal may be further configured to receive signal strength information of a plurality of beacons and to generate position information of the user terminal based on the SVR machine learning model.

본 발명의 다른 특징에 의하면, 하나 이상의 명령어를 포함하는 컴퓨터 판독 가능 기록 매체로서, 하나 이상의 명령어는, 컴퓨터에 위해 실행되는 경우, 컴퓨터로 하여금, 전술한 방법들 중 어느 하나의 방법을 수행하게 하는, 컴퓨터 판독 가능 기록 매체가 제공된다.According to another aspect of the present invention there is provided a computer-readable medium having stored thereon one or more instructions for causing a computer to perform any one of the methods described above, , A computer-readable recording medium is provided.

본 발명의 다른 특징에 의하면, 실내 무선 측위를 제공하도록 구성된 컴퓨터 장치로서, 복수의 비콘의 신호의 세기 정보를 수신하도록 구성된 입력 수신 모듈; 상기 신호의 세기 정보를 처리하여, N개의 비콘에서 사용자 단말까지의 예측된 거리 정보를 벡터화하는 벡터 생성 모듈; 및 상기 생성된 벡터로부터 상기 사용자 단말의 실제 위치를 계산하도록 구성된 거리 연산 모듈을 포함하고, 상기 거리 연산 모듈은, 사용자 위치 예측 모델을 기초로 연산하고, 상기 사용자 위치 예측 모델은 외부의 서버에서 제1사용자 단말의 실제 위치 정보와 상기 제1사용자 단말에서 수신한 복수의 비콘의 신호의 세기 정보를 기초로 측정한 상기 제1사용자 단말의 측정 위치 정보를 수집하고, 수집된 정보의 훈련 데이터베이스를 생성하고, 상기 훈련 데이터베이스 내의 상기 측정 위치 정보와 상기 실제 위치 정보로부터 훈련 피처 벡터를 생성하여 훈련 데이터 세트를 형성하며, 상기 훈련 데이터 세트 내의 훈련 피처 벡터들을 처리하여, SVR(Support Vector Regression) 기계학습 모델을 기초로 생성되도록 구성될 수 있다. According to another aspect of the present invention, there is provided a computer apparatus configured to provide indoor wireless positioning, comprising: an input receiving module configured to receive intensity information of a plurality of beacons; A vector generation module for processing the intensity information of the signal to vectorize the predicted distance information from the N beacons to the user terminal; And a distance calculation module configured to calculate an actual position of the user terminal from the generated vector, wherein the distance calculation module calculates based on a user location prediction model, 1 collects measured position information of the first user terminal measured based on actual position information of a user terminal and intensity information of signals of a plurality of beacons received by the first user terminal and generates a training database of the collected information Generating a training feature vector from the measured positional information and the actual positional information in the training database to form a training data set, processing the training feature vectors in the training data set to generate a Support Vector Regression (SVR) As shown in FIG.

본 발명의 일 실시예에 의하면, 컴퓨터 장치는, 사용자 단말 또는 상기 사용자 단말과 통신 가능하게 결합된 서버를 포함할 수 있다.According to an embodiment of the present invention, a computer apparatus may comprise a user terminal or a server communicably coupled to the user terminal.

비콘과 사용자와의 거리 측정에 오차가 있는 환경에서도 정확한 사용자의 현재 위치를 계산할 수 있는 실내 무선 측위 서비스를 제공할 수 있다.It is possible to provide an indoor wireless positioning service that can accurately calculate the current position of a user even in an environment where there is an error in measuring the distance between the beacon and the user.

도 1은, 본 발명의 일 실시예에 따라, 실내 무선 측위 시스템이 구현될 수 있는 시스템 환경을 개략적으로 도시한 도면이다.
도 2는, 본 발명의 일 실시예에 따른, 도 1의 장치(106)의 기능적 구성을 개략적으로 도시한 기능 블록도이다.
도 3은, 본 발명의 일 실시예에 따른, 무선 측위 시스템에 의해 수행되는 예시적인 동작 흐름을 보여주는 흐름도이다.1 is a diagram schematically illustrating a system environment in which an indoor wireless positioning system can be implemented, according to an embodiment of the present invention.
Figure 2 is a functional block diagram that schematically illustrates the functional configuration of the device 106 of Figure 1, in accordance with one embodiment of the present invention.
3 is a flow chart illustrating an exemplary operational flow performed by a wireless positioning system, in accordance with an embodiment of the present invention.

이하, 첨부 도면을 참조하여 본 발명의 실시예에 관하여 상세히 설명한다. 이하에서는, 본 발명의 요지를 불필요하게 흐릴 우려가 있다고 판단되는 경우, 이미 공지된 기능 및 구성에 관한 구체적인 설명을 생략한다. 또한, 이하에서 설명하는 내용은 어디까지나 본 발명의 일 실시예에 관한 것일 뿐 본 개시가 이로써 제한되는 것은 아님을 알아야 한다.Hereinafter, embodiments of the present invention will be described in detail with reference to the accompanying drawings. Hereinafter, when it is determined that there is a possibility that the gist of the present invention may be unnecessarily blurred, a detailed description of known functions and configurations will be omitted. In addition, it should be understood that the following description is only an embodiment of the present invention, and the present disclosure is not limited thereto.

본 개시에서 사용되는 용어는 단지 특정한 실시예를 설명하기 위해 사용되는 것으로 본 발명을 한정하려는 의도에서 사용된 것이 아니다. 예를 들면, 단수로 표현된 구성요소는 문맥상 명백하게 단수만을 의미하지 않는다면 복수의 구성요소를 포함하는 개념으로 이해되어야 한다. 본 개시에서 사용되는 "및/또는"이라는 용어는, 열거되는 항목들 중 하나 이상의 항목에 의한 임의의 가능한 모든 조합들을 포괄하는 것임이 이해되어야 한다. 본 개시에서 사용되는 '포함하다' 또는 '가지다' 등의 용어는 본 개시 상에 기재된 특징, 숫자, 단계, 동작, 구성 요소, 부분품 또는 이들을 조합한 것이 존재함을 지정하려는 것일 뿐이고, 이러한 용어의 사용에 의해 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성 요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 배제하려는 것은 아니다.The terminology used in this disclosure is used only to describe a specific embodiment and is not used to limit the invention. For example, an element expressed in singular < Desc / Clms Page number 5 > terms should be understood as including a plurality of elements unless the context clearly dictates a singular value. It is to be understood that the term "and / or" as used in this disclosure encompasses any and all possible combinations of one or more of the listed items. It should be understood that the terms " comprises " or " having ", etc. used in the present disclosure are intended to specify that there exist features, numbers, steps, operations, elements, It is not intended to exclude the presence or addition of one or more other features, numbers, steps, operations, components, parts, or combinations thereof, by use.

본 발명의 실시예에 있어서 '모듈' 또는 '부'는 적어도 하나의 기능이나 동작을 수행하는 기능적 부분을 의미하며, 하드웨어 또는 소프트웨어로 구현되거나 하드웨어와 소프트웨어의 결합으로 구현될 수 있다. 또한, 복수의 '모듈' 또는 '부'는, 특정한 하드웨어로 구현될 필요가 있는 '모듈' 또는 '부'를 제외하고는, 적어도 하나의 소프트웨어 모듈로 일체화되어 적어도 하나의 프로세서에 의해 구현될 수 있다.As used herein, the term " module " or " module " means a functional part that performs at least one function or operation, and may be implemented by hardware or software or a combination of hardware and software. Also, a plurality of "modules" or "sub-modules" may be integrated into at least one software module and implemented by at least one processor, except for "module" or "sub-module" have.

덧붙여, 달리 정의되지 않는 한 기술적 또는 과학적인 용어를 포함하여, 본 개시에서 사용되는 모든 용어들은 본 개시가 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의된 용어들은, 관련 기술의 문맥상 의미와 일치하는 의미를 갖는 것으로 해석되어야 하며, 본 개시에서 명백하게 달리 정의하지 않는 한 과도하게 제한 또는 확장하여 해석되지 않는다는 점을 알아야 한다.In addition, all terms used in the present disclosure, including technical or scientific terms, unless otherwise defined, have the same meaning as commonly understood by one of ordinary skill in the art to which this disclosure belongs. It should be understood that commonly used predefined terms are to be interpreted as having a meaning consistent with the contextual meaning of the related art and are not to be interpreted excessively or extensively unless explicitly defined otherwise in this disclosure .

이하, 첨부된 도면을 참조하여, 본 발명의 실시예에 대해 구체적으로 설명하기로 한다.Hereinafter, embodiments of the present invention will be described in detail with reference to the accompanying drawings.

도 1은, 본 발명의 일 실시예에 따라, 실내 무선 측위 시스템이 구현될 수 있는 시스템 환경을 개략적으로 도시한 도면이다. 1 is a diagram schematically illustrating a system environment in which an indoor wireless positioning system can be implemented, according to an embodiment of the present invention.

도시된 바에 의하면, 시스템 환경은, 복수의 비콘 송신기(102a-102n), 통신망(104), 무선 측위 서버(106), 사용자 단말(108) 및 외부 서비스 서버(110)를 포함한다. The system environment includes a plurality of beacon transmitters 102a-102n, a communications network 104, a wireless location server 106, a user terminal 108 and an external service server 110. As shown in FIG.

본 발명의 일 실시예에 의하면, 비콘 송신기(beacon transceiver: 102a-102n)는 블루투스4.0(BLE) 프로토콜 기반의 근거리 무선 통신하며, 최대 70m 이내의 장치들과 교신할 수 있는 장치로서, 5~10㎝ 단위의 구별이 가능할 정도로 정확성이 높다. 전력 소모가 적어 모든 기기가 항상 연결되는 사물인터넷 구현에 적합하다. 본 실시예에서는, 비콘을 이용하여 위치 기반 서비스를 제공하는 것으로 설명하나, 이는 실시예에 해당되며, 비콘 이외에 비콘과 유사한 성능을 제공하는 통신 모듈이 탑재된 이동 단말을 통해 위치 기반 서비스를 제공할 수 있다. 예를 들어, 본 발명의 기계학습를 이용하여 위치 기반 서비스를 적용하는 기술은 비콘 이외에 모든 통신 모듈에 적용될 수 있다.According to an embodiment of the present invention, a beacon transmitter (beacon transceiver) 102a-102n is a short range wireless communication based on a Bluetooth 4.0 (BLE) protocol and capable of communicating with devices within a maximum distance of 70m, The accuracy is high enough to be able to distinguish in cm. It is suitable for the Internet implementation of things that all devices are always connected because of low power consumption. In the present embodiment, a location-based service is provided using a beacon. This corresponds to an embodiment, and a location-based service may be provided through a mobile terminal equipped with a communication module that provides performance similar to a beacon other than a beacon . For example, the technique of applying location based services using the machine learning of the present invention can be applied to all communication modules other than beacons.

본 발명의 일 실시예에 의하면, 통신망(104)은, 임의의 유선 또는 무선 통신망, 예컨대 TCP/IP 통신망을 포함할 수 있다. 본 발명의 일 실시예에 의하면, 통신망(104)은, 예컨대 Wi-Fi망, LAN망, WAN망, 인터넷망 등을 포함할 수 있으며, 본 발명이 이로써 제한되는 것은 아니다. 본 발명의 일 실시예에 의하면, 통신망(104)은, 예컨대 이더넷, GSM, EDGE(Enhanced Data GSM Environment), CDMA, TDMA, OFDM, 블루투스, VoIP, Wi-MAX, Wibro 기타 임의의 다양한 유선 또는 무선 통신 프로토콜을 이용하여 구현될 수 있다.According to one embodiment of the present invention, the communication network 104 may include any wired or wireless communication network, e.g., a TCP / IP communication network. According to an embodiment of the present invention, the communication network 104 may include, for example, a Wi-Fi network, a LAN network, a WAN network, an Internet network, and the like, and the present invention is not limited thereto. In accordance with one embodiment of the present invention, the communication network 104 may be any of a variety of wired or wireless, such as Ethernet, GSM, EDGE, CDMA, TDMA, OFDM, Bluetooth, VoIP, Wi- May be implemented using a communication protocol.

본 발명의 일 실시예에 의하면, 무선 측위 서버(106)는, 통신망(104)을 통해 사용자 단말(108)과 통신할 수 있다. 본 발명의 일 실시예에 의하면, 무선 측위 서버(106)는, 통신망(104)을 통해 사용자 단말(108)과 필요한 정보를 송수신하고, 이를 통해 사용자 단말(108) 상에서 수신된 사용자 입력에 대응한, 즉 사용자 의도에 부합하는 동작 결과가, 사용자에게 제공되도록 동작할 수 있다. 본 발명의 일 실시예에 의하면, 무선 측위 서버(106)는, 예컨대 통신망(104)을 통해 사용자 단말(108)로부터 복수의 비콘 송신기(102a-102n)의 위치를 수신하고, 미리 준비된 모델들에 기초해서 그 수신된 입력을 처리하여 사용자의 위치(position)을 결정할 수 있다. 본 발명의 일 실시예에 의하면, 무선 측위 서버(106)는, 위 결정된 사용자 위치에 기초하여 대응하는 동작이 수행되도록 할 수 있다. 본 발명의 일 실시예에 의하면, 무선 측위 서버(106)는, 예컨대 사용자 단말(108)이 사용자 위치에 부합하는 특정한 태스크를 수행하도록 특정한 제어 신호를 생성하여 해당 사용자 단말(108)로 전송할 수 있다. 본 발명의 일 실시예에 의하면, 무선 측위 서버(106)는, 예컨대 사용자 단말(108)이 사용자 위치에 부합하는 특정한 태스크를 수행하게 하기 위하여, 통신망(104)을 통해 외부 서비스 서버(108)에 접속할 수 있다. According to an embodiment of the present invention, the radio positioning server 106 may communicate with the user terminal 108 via the communication network 104. [ According to one embodiment of the present invention, the wireless location server 106 can send and receive necessary information to and from the user terminal 108 via the communication network 104, That is, an operation result conforming to the user's intention, can be provided to the user. According to one embodiment of the present invention, the radio positioning server 106 receives the location of a plurality of beacon transmitters 102a-102n from the user terminal 108, for example via the communication network 104, And based on the received input, the position of the user can be determined. According to an embodiment of the present invention, the radio positioning server 106 may cause the corresponding operation to be performed based on the determined user position. According to one embodiment of the present invention, the wireless location server 106 may generate and send a specific control signal to the user terminal 108, for example, to cause the user terminal 108 to perform a particular task that matches the user location . According to one embodiment of the present invention, the wireless location server 106 may communicate with the external service server 108 via the communication network 104, for example, to allow the user terminal 108 to perform a particular task that corresponds to the user location Can be connected.

본 발명의 일 실시예에 의하면, 무선 측위 서버(106)는, 예컨대 사용자 위치에 대한 정보를 사용자 단말(108)로 전송할 수 있다. 본 발명의 일 실시예에 의하면, 무선 측위 서버(106)는, 앞서 언급한 바와 같이, 통신망(104)을 통해서 외부 서비스 서버(108)와 통신할 수 있다. 외부 서비스 서버(108)는, 예컨대 메시징 서비스 서버, 온라인 상담 센터 서버, 온라인 쇼핑몰 서버, 정보 검색 서버, 지도 서비스 서버, 네비게이션 서비스 서버 등일 수 있으며, 본 개시가 이로써 제한되는 것은 아니다. 본 발명의 일 실시예에 의하면, 무선 측위 서버(106)로부터 사용자 단말(108)로 전달되는, 사용자 위치에 대한 정보는, 예컨대 외부 서비스 서버(108)로부터 검색 및 획득된 데이터 콘텐츠를 포함한 것일 수 있음을 알아야 한다.According to one embodiment of the present invention, the wireless location server 106 may, for example, send information about the user location to the user terminal 108. According to an embodiment of the present invention, the wireless positioning server 106 can communicate with the external service server 108 via the communication network 104, as mentioned above. The external service server 108 may be, for example, a messaging service server, an online consultation center server, an online shopping mall server, an information search server, a map service server, a navigation service server, and the like. According to one embodiment of the present invention, the information about the user location, which is transmitted from the wireless location server 106 to the user terminal 108, may include, for example, data content retrieved and obtained from the external service server 108 You should know that.

본 도면에서는, 무선 측위 서버(106)가 외부 서비스 서버(108)와 통신망(104)을 통해 통신 가능하게 구성된 별도의 물리 서버인 것으로 도시되어 있으나, 본 개시가 이로써 제한되는 것은 아니다. 본 발명의 다른 실시예에 의하면, 무선 측위 서버(106)는, 예컨대 온라인 상담 센터 서버 또는 온라인 쇼핑몰 서버 등 각종 서비스 서버의 일부로 포함되어 구성될 수도 있음을 알아야 한다.Although the figure shows that the radio positioning server 106 is a separate physical server configured to communicate with the external service server 108 via the communication network 104, the present disclosure is not limited thereto. According to another embodiment of the present invention, it is noted that the wireless positioning server 106 may be included as part of various service servers such as an online consultation center server or an online shopping mall server.

본 발명의 일 실시예에 의하면, 사용자 단말(108) 각각은 유선 또는 무선 통신 기능을 구비한 임의의 사용자 전자 장치일 수 있다. 사용자 단말(108) 각각은, 예컨대 스마트 폰, 태블릿 PC, 뮤직 플레이어, 스마트 스피커, 데스크탑, 랩탑, PDA, 게임 콘솔, 디지털 TV, 셋탑박스 등을 포함한 다양한 유선 또는 무선 통신 단말일 수 있으며, 특정 형태로 제한되지 않음을 알아야 한다. 본 발명의 일 실시예에 의하면, 사용자 단말(108) 각각은, 통신망(104)을 통해서, 무선 측위 서버(106)와 통신, 즉 필요한 정보를 송수신할 수 있다. 본 발명의 일 실시예에 의하면, 사용자 단말(108)은, 통신망(104)을 통해서, 외부 서비스 서버(110)와 통신, 즉 필요한 정보를 송수신할 수 있다. 본 발명의 일 실시예에 의하면, 사용자 단말(108) 각각은, 외부로부터 음성 및/또는 텍스트 형태의 사용자 입력을 수신할 수 있고, 통신망(104)을 통한 무선 측위 서버(106) 및/또는 외부 서비스 서버(108)와의 통신(및/또는 사용자 단말(108) 내 처리)을 통해 얻어진, 위 사용자 입력에 대응한 동작 결과(예컨대, 특정 대화 응답의 제공 및/또는 특정 태스크의 수행 등)를 사용자에게 제공할 수 있다. According to one embodiment of the present invention, each of the user terminals 108 may be any user electronic device having wired or wireless communication capabilities. Each of the user terminals 108 may be a variety of wired or wireless communication terminals including, for example, a smart phone, a tablet PC, a music player, a smart speaker, a desktop, a laptop, a PDA, a game console, a digital TV, a set- Lt; / RTI > According to one embodiment of the present invention, each of the user terminals 108 can communicate with the wireless positioning server 106, i.e., send and receive necessary information, via the communication network 104. According to an embodiment of the present invention, the user terminal 108 can communicate with the external service server 110 through the communication network 104, that is, send and receive necessary information. In accordance with one embodiment of the present invention, each of the user terminals 108 may receive user input in the form of voice and / or text from the outside and may communicate with the wireless location server 106 via the communication network 104 and / (E.g., providing a specific conversation response and / or performing a specific task) corresponding to the above user input obtained through communication with the service server 108 (and / or processing in the user terminal 108) .

본 발명의 실시예에 있어서, 사용자 입력에 대응한 동작으로서의 태스크 수행은, 예컨대 정보의 검색, 물품 구매, 메시지 작성, 이메일 작성, 전화 걸기, 음악 재생, 사진 촬영, 사용자 위치 탐색, 지도/내비게이션 서비스 등을 비롯한 각종 다양한 형태의 태스크(그러나 이로써 제한되는 것은 아님) 수행을 포함할 수 있다. In the embodiment of the present invention, the task execution as an operation corresponding to a user input may be performed by, for example, searching for information, purchasing goods, composing a message, composing an email, dialing, music reproduction, photographing, And the like, as well as performing various various types of tasks (but not limited thereto).

도 2는, 본 발명의 일 실시예에 따른, 도 1에 도시된 무선 측위 서버(106)의 기능적 구성을 개략적으로 도시한 기능 블록도이다. 도시된 바에 의하면, 서버(106)는, 제어부(202), 저장부(204) 및 통신부(206)를 포함할 수 있다. FIG. 2 is a functional block diagram schematically showing the functional configuration of the radio positioning server 106 shown in FIG. 1 according to an embodiment of the present invention. The server 106 may include a control unit 202, a storage unit 204, and a communication unit 206. In addition,

제어부(202)는 통신부(206)를 통해 사용자 단말(108)로부터 비콘(102a-102n) 까지의 거리 정보를 수신하여 사용자 단말(108)의 위치 정보를 생성하도록 구성될 수 있다. 본 발명의 일 실시예에 의하면, 제어부(202)는 N개(N>=3)의 고정된 비콘(102a-102n)이 설치된 환경에서, N개의 비콘에서 사용자 단말(108)까지의 거리와 실제 거리 데이터들을 수집하여 벡터화하여 저장부(204)에 저장할 수 있다. 본 발명의 일 실시예에 의하면, 제어부(202)는 저장부(204)에 저장된 d값 벡터들로부터 (x, y) 위치를 맞히는 기계학습 모델을 생성할 수 있다. 본 발명의 일 실시예에 의하면, 제어부(202)는 사용자 단말(108)의 각 컴포넌트 모듈과 통신하고 사용자 단말(120) 상에서 각종 연산을 수행할 수 있다. 본 발명의 일 실시예에 의하면, 제어부(202)는, 저장부(204) 상의 각종 애플리케이션 프로그램을 구동 및 실행시킬 수 있다. 본 발명의 일 실시예에 의하면, 본 발명의 일 실시예에 의하면, 제어부(202)는, 필요한 경우, 통신부(206)를 통해 외부로부터 수신되는 신호에 대해 적절한 처리를 수행할 수 있다. The control unit 202 may be configured to receive the distance information from the user terminal 108 to the beacons 102a-102n via the communication unit 206 and to generate the location information of the user terminal 108. [ According to an embodiment of the present invention, the control unit 202 controls the distance from the N beacons to the user terminal 108 and the actual distance from the N beacons 102a to 102n in the environment where N (N> = 3) The distance data may be collected and vectorized and stored in the storage unit 204. According to an embodiment of the present invention, the control unit 202 may generate a machine learning model for matching (x, y) positions from the d value vectors stored in the storage unit 204. [ According to one embodiment of the present invention, the control unit 202 may communicate with each component module of the user terminal 108 and may perform various operations on the user terminal 120. According to one embodiment of the present invention, the control unit 202 can drive and execute various application programs on the storage unit 204. [ According to an embodiment of the present invention, according to an embodiment of the present invention, the control unit 202 may perform appropriate processing on a signal received from the outside through the communication unit 206, if necessary.

본 발명의 일 실시예에 의하면, 저장부(204)는 사용자 단말(120) 상에서 실행될 수 있는 각종 프로그램, 예컨대 각종 애플리케이션 프로그램 및 관련 데이터 등이 저장된 임의의 저장 매체일 수 있다. 본 발명의 일 실시예에 의하면, 저장부(204)는 제어부(202)를 통해 수집된 사용자 단말(108) 실제 위치 정보 및 측정 위치 정보를 연관시켜 저장할 수 있다. 본 발명의 일 실시예에 의하면, 저장부(204)는 사용자 단말(108)의 위치가 동일한 경우에도 측정 시점을 달리하여 사용자 단말(108)의 위치 정보를 수집하여 저장할 수 있다. 예컨대, N개(N>=3)의 고정된 비콘(102a-102n)이 설치된 환경에서, N개의 비콘에서 사용자 단말(108)까지의 거리와 실제 거리 데이터들을 수집하여 아래와 같이 저장할 수 있다. According to one embodiment of the present invention, the storage 204 may be any storage medium that stores various programs that may be executed on the user terminal 120, such as various application programs and related data. According to an embodiment of the present invention, the storage unit 204 may associate and store the actual location information and the measurement location information of the user terminal 108 collected through the controller 202. According to an embodiment of the present invention, the storage unit 204 may collect and store location information of the user terminal 108 at different measurement times even when the location of the user terminal 108 is the same. For example, in an environment in which N (N > = 3) fixed beacons 102a-102n are installed, the distance and actual distance data from N beacons to the user terminal 108 may be collected and stored as follows.

Figure 112017117066733-pat00001
Figure 112017117066733-pat00001

본 발명의 일 실시예에 의하면, 저장부(204)는, DRAM, SRAM, DDR RAM, EPROM, EEPROM, ROM, 자기 디스크, 광 디스크, 플래시 메모리 등 다양한 형태의 휘발성 또는 비휘발성 메모리를 포함하도록 구성될 수 있다.According to an embodiment of the present invention, the storage unit 204 may be configured to include various types of volatile or nonvolatile memory such as a DRAM, an SRAM, a DDR RAM, an EPROM, an EEPROM, a ROM, a magnetic disk, .

통신부(206)는 무선 측위 서버(106)가 도 1의 통신망(104)을 통해 사용자 단말(108) 및 외부 서비스 서버(110)로부터 각종 정보를 수신하고 적절한 처리를 행하도록 구성될 수 있다. 무선 측위 서버(106)가 도 1의 통신망(104)을 통하여, 사용자 단말(108) 및 외부 서비스 서버(110)와 통신할 수 있게 한다. 본 발명의 일 실시예에 의하면, 통신부(206)는, 예컨대 획득된 신호가 소정의 프로토콜에 따라 통신망(104)을 통하여 사용자 단말(108) 및 외부 서비스 서버(110)로 전송되도록 할 수 있다. 본 발명의 일 실시예에 의하면, 통신부(206)는, 예컨대 통신망(104)을 통하여 사용자 단말(108) 및 외부 서비스 서버(110)로부터 수신된 각종 신호 또는 각종 제어 신호 등을 수신하고, 소정의 프로토콜에 따라 적절한 처리를 수행할 수 있다.The communication unit 206 can be configured such that the radio positioning server 106 receives various information from the user terminal 108 and the external service server 110 via the communication network 104 in Fig. And allows the wireless positioning server 106 to communicate with the user terminal 108 and the external service server 110 via the communication network 104 of FIG. According to one embodiment of the present invention, the communication unit 206 may allow the acquired signal to be transmitted to the user terminal 108 and the external service server 110 via the communication network 104 according to a predetermined protocol. According to an embodiment of the present invention, the communication unit 206 receives various signals or various control signals received from the user terminal 108 and the external service server 110 via the communication network 104, Depending on the protocol, appropriate processing can be performed.

도 3은, 본 발명의 일 실시예에 따른, 무선 측위 시스템에 의해 수행되는 예시적인 동작 흐름을 보여주는 흐름도이다. 3 is a flow chart illustrating an exemplary operational flow performed by a wireless positioning system, in accordance with an embodiment of the present invention.

단계(302)에서, 무선 측위 시스템은, 사용자 단말(108)로부터 하나 이상의 비콘의 신호의 세기 정보를 수신하여, 비콘의 신호의 세기 정보를 기초로 사용자 단말(108)과 특정 비콘 간의 거리를 측정할 수 있다. 본 발명의 일 실시예에서, 사용자 단말(108)은 비콘의 신호의 세기 정보를 기초로 사용자 단말(108)과 특정 비콘 간의 거리를 측정하여 측정된 거리 정보를 무선 측위 시스템으로 전송할 수 있다. 본 발명의 일 실시예에서, 비콘의 신호의 세기 정보를 기초로 사용자 단말(108)과 특정 비콘 간의 거리를 측정에는 오차가 있을 수 있다. 본 발명의 일 실시예에 의하면, 비콘의 신호의 세기 정보는 측정할 때마다 오차가 다를 수 있고, 오차는 비콘의 신호의 세기가 작을수록, 예컨대 비콘과 사용자 단말(108) 간의 거리가 멀어질수록 커질 수 있다. 본 발명의 일 실시예에 의하면, 비콘의 신호의 세기 정보는 기온, 풍속, 습도를 포함하는 날씨 등의 주변 환경에 영향을 받을 수 있으며, 따라서, 주변 환경에 따라 비콘과 사용자 단말(108) 간의 거리 측정의 오차가 달라질 수 있다. In step 302, the wireless positioning system receives the signal strength information of one or more beacons from the user terminal 108 and measures the distance between the user terminal 108 and the particular beacon based on the beacon signal strength information can do. In one embodiment of the present invention, the user terminal 108 may measure the distance between the user terminal 108 and a specific beacon based on the beacon signal strength information and transmit the measured distance information to the wireless positioning system. In an embodiment of the present invention, there may be an error in measuring the distance between the user terminal 108 and a particular beacon based on beacon signal strength information. According to an embodiment of the present invention, the beacon signal strength information may be different each time of measurement, and the error may be caused by a smaller signal strength of the beacon, for example, a distance between the beacon and the user terminal 108 It can be bigger. According to an embodiment of the present invention, the beacon signal strength information may be influenced by surrounding environment such as weather, including temperature, wind speed, and humidity, The error of the distance measurement may be changed.

단계(304)에서, 무선 측위 시스템은 사용자 단말(108)로부터 사용자 단말(108)의 실제의 정확한 위치 정보(예컨대 좌표 정보)를 수신하고, 단계(302)에서 생성한 사용자 단말(108)과 특정 비콘 간의 측정 거리를 연관시켜 저장할 수 있다. 본 발명의 일 실시예에 있어서, 저장되는 데이터 형태는 벡터일 수 있다. 예컨대, N개(N>=3)의 비콘과 사용자 단말(108) 간의 거리와 실제 사용자 단말(108)의 위치 정보를

Figure 112017117066733-pat00002
의 벡터 값으로 저장할 수 있다. 이와 같이, 비콘과 사용자 단말(108)의 거리와 실제 사용자 단말(108)의 위치 정보를 저장하여 훈련 데이터베이스를 생성할 수 있다. In step 304, the wireless positioning system receives the actual precise location information (e.g., coordinate information) of the user terminal 108 from the user terminal 108 and the user terminal 108 generated in step 302, The measured distance between beacons can be stored in association with each other. In one embodiment of the present invention, the stored data form may be a vector. For example, the distance between N (N > = 3) beacons and the user terminal 108 and the location information of the actual user terminal 108
Figure 112017117066733-pat00002
As shown in FIG. Thus, the distance between the beacon and the user terminal 108 and the location information of the actual user terminal 108 can be stored to create a training database.

이어서, 단계(306)에서, 무선 측위 시스템은 훈련 데이터베이스에 저장된 벡터 값을 훈련 데이터로 하여 사용자 단말(108)의 위치를 찾아내는 기계학습 모델을 생성할 수 있다. 본 발명의 일 실시예에서, 사용자 단말(108)의 위치를 찾아내는 기계학습 모델은 회귀가 가능한 모델 중 어느 하나를 적용할 수 있다. 예컨대, 인공 신경망 또는 SVR(Support Vector Regression) 기계학습 모델을 생성할 수 있다. Next, at step 306, the wireless positioning system may generate a machine learning model that locates the user terminal 108 with the vector values stored in the training database as training data. In one embodiment of the present invention, the machine learning model for locating the user terminal 108 may apply any one of the models that can be regressed. For example, an artificial neural network or SVR (Support Vector Regression) machine learning model can be generated.

도 4는 본 발명의 일 실시예에 따른 ε-무감도 손실함수 그래프를 나타내는 도면이다. FIG. 4 is a graph illustrating a graph of an? -Free loss function according to an embodiment of the present invention.

도 4에 도시된 ε은 회귀함수 f(x)의 주변에 위치한 튜브의 반지름을 나타내는 파라미터이다. 4 is a parameter indicating the radius of the tube located around the regression function f (x).

본 발명의 일 실시예에서, SVR 기계학습 모델을 이용할 수 있다. SVR 기계학습 모델은 입력공간과 관련된 비선형 문제를 고차원의 특징공간의 선형문제로 대응시켜 나타내기 때문에 수학적으로 분석하는 것이 수월할 수 있다. 또한, SVR은 조정해야 할 파라미터의 수가 많지 않아 비교적 간단하게 학습에 영향을 미치는 요소들을 규명할 수 있다. 그리고 구조적 위험을 최소화(SRM: Structural Risk Minimization)함으로써 인공신경망의 치명적인 한계로 지적되어 온 과적합화 문제에서 벗어날 수 있으며, 블록함수를 최소화하는 학습을 진행하기 때문에 전역 최적해를 구할 수 있다는 점에서 인공신경망 보다 성능이 좋은 기계학습기법으로 주목 받고 있다. 이렇듯 SVM은 학습 데이터의 분류문제의 예측에 사용되지만, 임의의 실수값을 예측할 수 있도록 SVM의 회귀모형에 ε-무감도 손실함수(ε-insensitive loss function)를 도입한 Support Vector Regression(SVR)이 회귀문제의 영역까지 확장되었다In one embodiment of the present invention, an SVR machine learning model may be used. The SVR machine learning model can be mathematically analyzed because the nonlinear problem related to the input space is represented by the linear problem of high dimensional feature space. In addition, SVR can identify factors that affect learning relatively simply because there are not many parameters to adjust. In addition, since SRM (Structural Risk Minimization) minimizes the structural risk minimization, it can escape from the overcorrection problem that has been pointed out as a critical limitation of the artificial neural network, And is attracting attention as a machine learning technique with better performance. SVM is used for predicting the classification problem of learning data, but Support Vector Regression (SVR), which introduces ε-insensitive loss function to regression model of SVM to predict arbitrary real value, Extended to the domain of regression problems

SVR에서는 비선형 회귀 문제를 해결하기 위해서, 먼저 입력값이 고차원(high dimension)의 형상공간(feature space)에 사상(mapped)되고 그 후 결과값과 연관된 선형함수를 찾는다. SVR은 다음과 같은 선형 추정함수를 고려한다.In order to solve the nonlinear regression problem in SVR, input values are first mapped to a high dimensional feature space and then a linear function associated with the result is searched. The SVR considers the following linear estimation function.

Figure 112017117066733-pat00003
(1)
Figure 112017117066733-pat00003
(One)

즉, SVR은 저차원 입력 공간(x)에 있는 비선형 회귀 문제가 고차원 형상공간(F)에 있는 선형 회귀로 전환시킨다. ε-무감도 손실함수 L_ε은 일반적으로 SVR에 사용되는 비용함수로 다음과 같이 나타낸다.That is, the SVR converts the nonlinear regression problem in the low dimensional input space (x) into a linear regression in the high dimensional shape space (F). The lossless function L_ε is generally a cost function used in the SVR.

Figure 112017117066733-pat00004
(2)
Figure 112017117066733-pat00004
(2)

여기서 ε은 회귀함수 f(x)의 주변에 위치한 튜브의 반지름을 나타내는 파라미터이다.Where ε is a parameter indicating the radius of the tube located around the regression function f (x).

SVR의 선형 추정함수 식 (1)의 가중벡터(v)와 상수(b)는 다음의 정규화 된 위험함수에 의해 추정될 수 있다.Linear estimation function of SVR The weighted vector (v) and the constant (b) in Eq. (1) can be estimated by the following normalized risk function.

Figure 112017117066733-pat00005
(3)
Figure 112017117066733-pat00005
(3)

1/2 w^2은 회귀모형의 복잡성과 정확성의 균형을 조정하는 정규화 항이며, C는 경험적 위험과 정규화 항의 균형을 맞추는데 사용되는 정규화된 상수이다.1/2 w ^ 2 is the normalization term that balances the complexity and accuracy of the regression model, and C is the normalized constant used to balance the empirical risk with the normalization term.

SVR에서는 실제값 q_i와 수식 (1)의 예측값을 가능한 한 ε이내로 유지하면서 마진을 최대화하게 된다. 식 (3)을 여유변수를 이용하여 변환하면 아래의 식 (4)가 된다.SVR maximizes the margin while keeping the actual value q_i and the predicted value of Eq. (1) within ε as small as possible. If equation (3) is transformed using the allowance variable, the following equation (4) is obtained.

Figure 112017117066733-pat00006
(4)
Figure 112017117066733-pat00006
(4)

subject to,subject to,

Figure 112017117066733-pat00007
Figure 112017117066733-pat00007

Lagrangian 승수와 Karush-Kuhn-Tucker 조건을 식 (4)에 적용하면, SVR 기반 회귀 함수의 일반적 형태가 다음과 같이 도출된다.Applying the Lagrangian multiplier and the Karush-Kuhn-Tucker condition to Eq. (4), the general form of the SVR-based regression function is derived as follows.

Figure 112017117066733-pat00008
(5)
Figure 112017117066733-pat00008
(5)

식 (5)에서 K(x_i,x_j)는 다음과 같은 커널함수이다.In (5), K (x_i, x_j) is the following kernel function.

Figure 112017117066733-pat00009
Figure 112017117066733-pat00009

이와 같이 SVR은 커널 함수를 써서 학습 데이터를 특징공간의 점으로 변화시킨 다음 특징공간에서 마진을 최대화하도록 학습을 수행하며, 회귀함수를 도출하여 실수값을 예측할 수 있도록 일반화한 방법이다. In this way, SVR is a generalized method that changes learning data to point in feature space by using kernel function and then performs learning to maximize the margin in feature space, and derives regression function to predict real value.

본 발명의 일 실시예에 있어서, N 개 비콘에서 사용자 단말(108)까지의 거리와, 실제 사용자 단말(108)의 위치 데이터들을 1만개 이상 수집하여 SVR의 훈련 집합으로 사용할 수 있다. 하나의 SVR 모델이 하나의 실수를 예측하므로, 실제의 위치를 2차원으로 도출하는 경우 x, y 좌표를 예측하는 SVR_x, SVR_y 모델 두 개를 생성한다. 위치를 3차원으로 예측하는 경우 SVR_x, SVR_y, SVR_z 세 개의 모델을 생성한다.In one embodiment of the present invention, the distance from the N beacons to the user terminal 108 and the location data of the actual user terminal 108 can be collected and used as a training set of the SVR. Since one SVR model predicts one real number, two models SVR_x and SVR_y are generated to predict the x and y coordinates when the actual position is derived in two dimensions. When the position is predicted in three dimensions, three models SVR_x, SVR_y and SVR_z are generated.

본 발명의 일 실시예에서, 날씨와 기온, 습도에 따라 다른 기계학습 모델을 만들어 사용하여 정확도를 더욱 높일 수 있다. 예컨대, 외부 날씨를 흐림, 비, 맑음의 3그룹으로 분류하고, 기온을 0도 이하, 0~18도, 18~24도, 24~32도, 32도 이상의 5그룹으로 분류하며, 습도를 40% 이하, 40~60%, 60% 이상의 3 그룹으로 분류하여 데이터를 각 그룹별로 수집한다. 총 45개의 각 그룹 당 1만개 이상씩의 데이터를 수집하여 같은 그룹의 데이터를 이용하여 SVR 모델을 생성해 둘 수 있다. 실제 측위시에는 해당 상황과 일치하는 모델을 이용하여 위치를 예측할 수 있다. In one embodiment of the present invention, different machine learning models may be created and used depending on weather, temperature, and humidity to further enhance accuracy. For example, the external weather is classified into three groups of cloudy, rain, and clear, and the temperature is divided into five groups of 0 degrees or less, 0 to 18 degrees, 18 to 24 degrees, 24 to 32 degrees, % Or less, 40 ~ 60% or 60% or more. The SVR model can be created by collecting data of more than 10,000 pieces per 45 groups and using the same group of data. At the time of actual positioning, the position can be predicted using a model matching the situation.

본 발명의 당업자는 전술한 SVR 기계학습 모델을 포함하여 다양한 변형과 실시예를 잘 알기 때문에 자세한 설명은 생략하기로 한다. Those skilled in the art of the present invention know various variations and embodiments including the above-described SVR machine learning model, and a detailed description will be omitted.

다음으로, 단계(308)에서, 무선 측위 시스템은 이전 단계에서 생성한 위치 예측 모델(사용자 단말(108)의 위치를 찾아내는 기계학습 모델)을 기초로, 적어도 3개 이상의 비콘으로부터 신호 정보를 수신하고 혹은 비콘의 신호 정보를 수신한 타겟 수신기로부터 신호 정보를 전달 받아, 사용자 단말(108)의 위치를 계산할 수 있다. Next, in step 308, the radio positioning system receives signal information from at least three or more beacons based on the position prediction model generated in the previous step (a machine learning model for locating the user terminal 108) Or receive the signal information from the target receiver that has received the signal information of the beacon, and calculate the position of the user terminal 108.

도 1 내지 3을 참조하여 전술한 본 발명의 실시예에서는, 무선 측위 시스템이 사용자 단말(108)과 무선 측위 서버(106) 간의 클라이언트-서버 모델, 특히 클라이언트는 오로지 사용자 입출력 기능만을 제공하고 그 외 대화형 에이전트 시스템의 다른 모든 기능들을 서버에 위임된, 소위 "씬 클라이언트-서버 모델"에 기초하여 구현된 것과 같이 설명되어 있으나, 본 발명이 이로써 제한되는 것은 아니다. 본 발명의 다른 실시예에 의하면, 무선 측위 시스템은 그 기능들이 사용자 단말과 서버 사이에 분배되어 구현될 수 있고, 또는 그와 달리 사용자 단말 상에 설치된 독립형 애플리케이션으로 구현될 수도 있음을 알아야 한다. 또한, 본 발명의 일 실시예에 따라 무선 측위 시스템이 그 기능들을 사용자 단말과 서버 사이에 분배하여 구현하는 경우, 클라이언트와 서버 사이의 무선 측위 시스템의 각 기능의 분배는 실시예마다 달리 구현될 수 있음을 알아야 한다. 또한, 도 1 내지 3을 참조하여 전술한 본 발명의 실시예에서는, 편의상 특정 모듈이 소정의 동작들을 수행하는 것처럼 설명되었으나, 본 발명이 이로써 제한되는 것은 아니다. 본 발명의 다른 실시예에 의하면, 위 설명에서 어느 특정 모듈에 의해 수행되는 것과 같이 설명된 동작들이, 그와 다른 별개의 모듈에 의해 각각 수행될 수 있음을 알아야 한다.In the embodiment of the present invention described above with reference to Figs. 1 to 3, the wireless positioning system provides only a client-server model between the user terminal 108 and the wireless positioning server 106, Though all other functions of the interactive agent system are described as being implemented based on the so-called "thin client-server model" delegated to the server, the present invention is not limited thereto. According to another embodiment of the present invention, it is to be appreciated that the radio positioning system may be implemented as distributed functions between the user terminal and the server, or alternatively, as a stand-alone application installed on the user terminal. In addition, when the wireless positioning system distributes the functions between the user terminal and the server according to the embodiment of the present invention, the distribution of the functions of the wireless positioning system between the client and the server may be implemented differently in each embodiment You should know that. In addition, although in the embodiments of the present invention described above with reference to FIGS. 1 to 3, the specific module has been described as performing certain operations for convenience, the present invention is not limited thereto. According to another embodiment of the present invention, it is to be understood that the operations described as being performed by any particular module in the above description may be performed by separate and distinct modules, respectively.

당업자라면 알 수 있듯이, 본 발명이 본 명세서에 기술된 예시에 한정되는 것이 아니라 본 발명의 범주를 벗어나지 않는 범위 내에서 다양하게 변형, 재구성 및 대체될 수 있다. 본 명세서에 기술된 다양한 기술들은 하드웨어 또는 소프트웨어, 또는 하드웨어와 소프트웨어의 조합에 의해 구현될 수 있음을 알아야 한다.As will be appreciated by those skilled in the art, the present invention is not limited to the examples described herein, but can be variously modified, rearranged, and replaced without departing from the scope of the present invention. It should be understood that the various techniques described herein may be implemented in hardware or software, or a combination of hardware and software.

본 발명의 일 실시예에 따른 컴퓨터 프로그램은, 컴퓨터 프로세서 등에 의해 판독 가능한 저장 매체, 예컨대 EPROM, EEPROM, 플래시 메모리장치와 같은 비휘발성 메모리, 내장형 하드 디스크와 착탈식 디스크 같은 자기 디스크, 광자기 디스크, 및 CDROM 디스크 등을 포함한 다양한 유형의 저장 매체에 저장된 형태로 구현될 수 있다. 또한, 프로그램 코드(들)는 어셈블리어나 기계어로 구현될 수 있다. 본 발명의 진정한 사상 및 범주에 속하는 모든 변형 및 변경을 이하의 특허청구범위에 의해 모두 포괄하고자 한다.A computer program according to an embodiment of the present invention may be stored in a storage medium readable by a computer processor or the like such as a nonvolatile memory such as EPROM, EEPROM, flash memory device, a magnetic disk such as an internal hard disk and a removable disk, CDROM disks, and the like. Also, the program code (s) may be implemented in assembly language or machine language. And all changes and modifications that fall within the true spirit and scope of the present invention are intended to be embraced by the following claims.

Claims (11)

무선 측위 시스템에 의해 구현되는 기계학습을 이용한 실내 무선 측위 방법으로서,
풍속, 기온 및 습도 정보를 포함하는 환경정보를 기초로 복수의 그룹을 정의하는 단계;
외부의 제1사용자 단말로부터, 상기 제1사용자 단말의 실제 위치 정보 (x,y)를 수신하고, 상기 제1사용자 단말로부터, 상기 제1사용자 단말에서 수신한 복수의 비콘의 신호의 세기 정보를 수신하는 단계;
상기 복수의 비콘의 신호의 세기 정보를 기초로 상기 제1사용자 단말과 상기 복수의 비콘 간의 측정 거리 정보 (d1, d2, …, dn)를 생성하는 단계;
상기 복수의 그룹 각각에 대해 상기 측정 거리 정보 (d1, d2, …, dn)와 상기 실제 위치 정보 (x,y)를 연관시켜 훈련 벡터 (d1, d2, …, dn, (x,y))를 형성하고, 상기 훈련 벡터를 훈련 데이터베이스에 저장하는 단계; 및
상기 훈련 데이터베이스에 저장된 상기 훈련 벡터 (d1, d2, …, dn, (x,y))의 상기 측정 거리 정보 (d1, d2, … dn)를 처리하여, 상기 측정 거리 정보 (d1, d2, … dn)로부터 상기 훈련 벡터 (d1, d2, …, dn, (x,y))의 상기 실제 위치 정보 (x,y)를 맞히는 기계학습 모델인 사용자 위치 예측 모델을 결정하는 단계
를 포함하고,
상기 사용자 위치 예측 모델을 결정하는 단계는 SVR(Support Vector Regression) 기계학습 모델을 기초로 하는 기계학습을 이용한 실내 무선 측위 방법.An indoor wireless positioning method using machine learning implemented by a wireless positioning system,
Defining a plurality of groups based on environmental information including wind velocity, temperature and humidity information;
(X, y) of the first user terminal from an external first user terminal, and receives, from the first user terminal, intensity information of signals of a plurality of beacons received from the first user terminal Receiving;
Generating measurement distance information (d 1 , d 2 , ..., d n ) between the first user terminal and the plurality of beacons based on the intensity information of the signals of the plurality of beacons;
The plurality of groups the measured distance information for each (d 1, d 2, ... , d n) and the actual position information (x, y) an associated trained vector (d 1, d 2, ... , d n, (x, y)) and storing the training vector in a training database; And
The training database, the training vectors are stored in (d 1, d 2, ... , d n, (x, y)) the measured distance information (d1, d2, ... dn) by processing the measured distance information (d1, (x, y) of the training vectors d 1 , d 2 , ..., d n , (x, y) step
Lt; / RTI >
Wherein the determining the user location prediction model is based on a SVR (Support Vector Regression) machine learning model. 삭제delete 제1항에 있어서,
상기 방법은
외부의 제2사용자 단말로부터 상기 제2사용자 단말에서 수신한 복수의 비콘의 신호의 세기 정보와 상기 제2사용자 단말의 위치 요청을 수신하고, 상기 사용자 위치 예측 모델을 기초로 상기 제2사용자 단말의 위치 정보 전송하는 단계를 더 포함하는 기계학습을 이용한 실내 무선 측위 방법.The method according to claim 1,
The method
Receiving a signal strength information of a plurality of beacons received from an external second user terminal and a position request of the second user terminal received by the second user terminal, And further comprising the step of transmitting location information. 기계학습을 이용한 실내 무선 측위 서버로서,
외부의 제1사용자 단말로부터, 상기 제1사용자 단말의 실제 위치 정보 (x,y)를 수신하고, 상기 제1사용자 단말로부터, 상기 제1사용자 단말에서 수신한 복수의 비콘의 신호의 세기 정보를 수신하는 통신부; 및
상기 복수의 비콘의 신호의 세기 정보를 기초로 상기 제1사용자 단말과 상기 복수의 비콘 간의 측정 거리 정보 (d1, d2, …, dn)를 생성하고, 상기 측정 거리 정보 (d1, d2, …, dn)와 상기 실제 위치 정보 (x,y)를 연관시켜 훈련 벡터 (d1, d2, …, dn, (x,y))를 생성하며, SVR(Support Vector Regression) 기계학습 모델을 기초로 하는 기계학습을 이용하여 상기 훈련 벡터 (d1, d2, …, dn, (x,y))의 상기 측정 거리 정보 (d1, d2, … dn)를 처리하여, 상기 측정 거리 정보 (d1, d2, … dn)로부터 상기 훈련 벡터 (d1, d2, …, dn, (x,y))의 상기 실제 위치 정보 (x,y)를 맞히는 기계학습 모델인 사용자 위치 예측 모델을 결정하도록 구성되는 제어부; 및
상기 훈련 벡터를 훈련 데이터베이스에 저장하도록 구성되는 저장부;
를 포함하는 무선 측위 서버. As an indoor wireless positioning server using machine learning,
(X, y) of the first user terminal from an external first user terminal, and receives, from the first user terminal, intensity information of signals of a plurality of beacons received from the first user terminal A communication unit for receiving; And
The measured distance information (d 1, generating the first user terminal and the plurality of beacon measured distance information between the (d 1, d 2, ... , d n) on the basis of the intensity information of the signals of the plurality of beacons, and, d 2, ..., and (to associate the x, y) training vector (d 1, d 2, ... , d n, (x, y) d n) and the actual-position-information creating an), SVR (Support Vector Regression ) processing the measured distance information (d1, d2, ... dn) of the training vectors using the machine learning that is based on a machine learning models (d 1, d 2, ... , d n, (x, y)) (X, y) of the training vectors d 1 , d 2 , ..., d n , (x, y) from the measured distance information d 1 , d 2 , A user location prediction model; And
A storage configured to store the training vector in a training database;
And a wireless communication terminal. 삭제delete 삭제delete 삭제delete 삭제delete 삭제delete 컴퓨터 장치로서,
날씨, 기온 및 습도 정보를 포함하는 환경정보를 기초로 복수의 그룹을 정의하고, 상기 복수의 그룹 각각에 대해 복수의 비콘의 신호의 세기 정보를 수신하도록 구성된 입력 수신 모듈;
상기 그룹 정보 및 상기 신호의 세기 정보를 처리하여, N개의 비콘에서 사용자 단말까지의 예측된 거리 정보를 벡터화하는 벡터 생성 모듈; 및
상기 생성된 벡터로부터 상기 사용자 단말의 실제 위치를 계산하도록 구성된 거리 연산 모듈을 포함하고,
상기 거리 연산 모듈은,
사용자 위치 예측 모델을 기초로 연산하고, 상기 사용자 위치 예측 모델은 외부의 서버가 제1사용자 단말로부터 상기 제1사용자 단말의 실제 위치 정보 (x,y)를 수신하고, 상기 제1사용자 단말로부터, 상기 제1사용자 단말에서 수신한 복수의 비콘의 신호의 세기 정보를 수신하고, 상기 복수의 비콘의 신호의 세기 정보를 기초로 상기 제1사용자 단말의 측정 거리 정보 (d1, d2, …, dn)를 생성하고, 상기 측정 거리 정보 (d1, d2, …, dn)와 상기 실제 위치 정보 (x,y)를 연관시켜 훈련 피처 벡터 (d1, d2, …, dn, (x,y))를 생성하여 훈련 데이터 세트를 형성하며, 상기 훈련 데이터 세트 내의 훈련 피처 벡터들을 처리하여, SVR(Support Vector Regression) 기계학습 모델을 기초로 상기 훈련 피처 벡터 (d1, d2, …, dn, (x,y))의 상기 측정 거리 정보 (d1, d2, … dn)를 처리하여, 상기 측정 거리 정보 (d1, d2, … dn)로부터 상기 훈련 피처 벡터 (d1, d2, …, dn, (x,y))의 상기 실제 위치 정보 (x,y)를 맞히도록 생성되는 컴퓨터 장치.13. A computer device,
An input receiving module configured to define a plurality of groups based on environmental information including weather, temperature, and humidity information, and to receive intensity information of signals of a plurality of beacons for each of the plurality of groups;
A vector generation module for processing the group information and the intensity information of the signal to vectorize the predicted distance information from the N beacons to the user terminal; And
And a distance computing module configured to calculate an actual location of the user terminal from the generated vector,
The distance calculating module calculates,
(X, y) of the first user terminal from a first user terminal, and the second user terminal obtains, from the first user terminal, the first reception intensity information of the signals of a plurality of beacons received from the user terminal, the first d first, measure the distance information of the user terminal (based on the strength information of the signals of the plurality of beacons, and d 2, ..., generate a d n), the measured distance information (d 1, d 2, ... , d n) and the actual position information (x, y) an associated by training feature vector (d 1, d 2, ... , and d n (x, y)) to form a training data set, processing the training feature vectors in the training data set to generate training feature vectors d 1 , d (x, y) based on a Support Vector Regression 2, ..., and process the d n, (x, y) ) measured the distance information (d1, d2, ... dn) of (X, y) of the training feature vectors d 1 , d 2 , ..., d n , (x, y) from the measured distance information d 1 , d 2 , The computer device being created. 삭제delete
KR1020170157584A 2017-11-23 2017-11-23 Method and computer device for providing indoor wireless locaiton service based on machine learning, and computer readable recording medium KR101945320B1 (en)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020170157584A KR101945320B1 (en) 2017-11-23 2017-11-23 Method and computer device for providing indoor wireless locaiton service based on machine learning, and computer readable recording medium
PCT/KR2018/004983 WO2019103258A1 (en) 2017-11-23 2018-04-30 Indoor wireless positioning method and apparatus, and computer readable recording medium

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020170157584A KR101945320B1 (en) 2017-11-23 2017-11-23 Method and computer device for providing indoor wireless locaiton service based on machine learning, and computer readable recording medium

Publications (1)

Publication Number Publication Date
KR101945320B1 true KR101945320B1 (en) 2019-02-08

Family

ID=65364963

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020170157584A KR101945320B1 (en) 2017-11-23 2017-11-23 Method and computer device for providing indoor wireless locaiton service based on machine learning, and computer readable recording medium

Country Status (1)

Country Link
KR (1) KR101945320B1 (en)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111123340A (en) * 2020-02-10 2020-05-08 腾讯科技（深圳）有限公司 Logistics distribution navigation method and system, near field positioning navigation device and storage medium
KR20200109530A (en) * 2019-03-13 2020-09-23 장종민 System for providing proxy driver service
KR20200123361A (en) 2019-04-19 2020-10-29 주식회사 큐램 Method and system for indoor navigaton
US10999814B1 (en) 2020-02-24 2021-05-04 Ajou University Industry-Academic Cooperation Foundation Spatial location prediction method and device by using artificial intelligence
KR20220013798A (en) * 2020-07-27 2022-02-04 한국과학기술원 Method and Apparatus for Effectively Positioning in Complex Building Structures
KR20220036683A (en) * 2020-09-16 2022-03-23 한국전자기술연구원 Hidden camera detection method and system using artificial intelligence
KR20220053245A (en) 2020-10-22 2022-04-29 주식회사 엘지유플러스 Communication system for providing positioning service and control method thereof

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101675759B1 (en) 2015-08-12 2016-11-15 한양대학교 산학협력단 method, apparatus, and recording medium for estimating location
JP2016212049A (en) * 2015-05-13 2016-12-15 株式会社リコー Position management system, position management device, position management method, and program
JP2017531811A (en) * 2014-07-17 2017-10-26 オリジン ワイヤレス， インコーポレイテッドＯｒｉｇｉｎ Ｗｉｒｅｌｅｓｓ， Ｉｎｃ． Wireless positioning system

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2017531811A (en) * 2014-07-17 2017-10-26 オリジン ワイヤレス， インコーポレイテッドＯｒｉｇｉｎ Ｗｉｒｅｌｅｓｓ， Ｉｎｃ． Wireless positioning system
JP2016212049A (en) * 2015-05-13 2016-12-15 株式会社リコー Position management system, position management device, position management method, and program
KR101675759B1 (en) 2015-08-12 2016-11-15 한양대학교 산학협력단 method, apparatus, and recording medium for estimating location

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200109530A (en) * 2019-03-13 2020-09-23 장종민 System for providing proxy driver service
KR102210678B1 (en) * 2019-03-13 2021-02-01 장종민 System for providing proxy driver service
KR20200123361A (en) 2019-04-19 2020-10-29 주식회사 큐램 Method and system for indoor navigaton
CN111123340A (en) * 2020-02-10 2020-05-08 腾讯科技（深圳）有限公司 Logistics distribution navigation method and system, near field positioning navigation device and storage medium
US10999814B1 (en) 2020-02-24 2021-05-04 Ajou University Industry-Academic Cooperation Foundation Spatial location prediction method and device by using artificial intelligence
KR20220013798A (en) * 2020-07-27 2022-02-04 한국과학기술원 Method and Apparatus for Effectively Positioning in Complex Building Structures
KR102395858B1 (en) * 2020-07-27 2022-05-10 한국과학기술원 Method and Apparatus for Effectively Positioning in Complex Building Structures
KR20220036683A (en) * 2020-09-16 2022-03-23 한국전자기술연구원 Hidden camera detection method and system using artificial intelligence
KR102470884B1 (en) * 2020-09-16 2022-11-28 한국전자기술연구원 Hidden camera detection method and system using artificial intelligence
KR20220053245A (en) 2020-10-22 2022-04-29 주식회사 엘지유플러스 Communication system for providing positioning service and control method thereof
KR102471875B1 (en) * 2020-10-22 2022-11-28 주식회사 엘지유플러스 Communication system for providing positioning service and control method thereof

Similar Documents

Publication Publication Date Title
KR101945320B1 (en) Method and computer device for providing indoor wireless locaiton service based on machine learning, and computer readable recording medium
CN108628904B (en) Path coding method, similar path searching method, similar path coding device, similar path searching device and electronic equipment
US9560489B2 (en) Reducing location search space
Zou et al. An online sequential extreme learning machine approach to WiFi based indoor positioning
WO2019103258A1 (en) Indoor wireless positioning method and apparatus, and computer readable recording medium
EP2677337A1 (en) Method and apparatus for providing semantic location in electronic device
US9060247B2 (en) System and method for multi-radio cloud computing for location sensing
US10219115B2 (en) Facilitation of mobile device geolocation
US11516336B2 (en) Surface detection for mobile devices
CN112218330A (en) Positioning method and communication device
US20140274128A1 (en) Indoor localization method and system
EP3308559A1 (en) Method and system for determining a positioning interval of a mobile terminal
KR20190021957A (en) Method and apparatus for positioning terminal moving indoors
KR102139970B1 (en) Method and computer device for providing indoor wireless location service based on optimization of weighted sum of errors, and computer readable recording medium
Hoang et al. Semi-sequential probabilistic model for indoor localization enhancement
Dong et al. Neural network based radio fingerprint similarity measure
de Sousa et al. Improving the performance of a radio-frequency localization system in adverse outdoor applications
Alshami et al. Dynamic WLAN fingerprinting RadioMap for adapted indoor positioning model
WO2021056246A1 (en) Method and apparatus for sensor selection for localization and tracking
JP6455818B2 (en) Attenuation coefficient estimation device, attenuation coefficient estimation method, and program
Paspallis et al. An open platform for studying and testing context-aware indoor positioning algorithms
CN109298390A (en) A kind of indoor orientation method based on wireless signal strength
Asher et al. Indoor object tracking using Wi-Fi access points
Fraś et al. Personal Wi-Fi based indoor localization of mobile devices in active environment
Lima et al. Low-cost embedded system for customer loyalty

Legal Events

Date Code Title Description
AMND Amendment
AMND Amendment
X701 Decision to grant (after re-examination)
GRNT Written decision to grant