KR101954930B1 - 와이파이 신호세기를 이용한 실내 지도 학습 방법 및 시스템 - Google Patents

와이파이 신호세기를 이용한 실내 지도 학습 방법 및 시스템 Download PDF

Info

Publication number
KR101954930B1
KR101954930B1 KR1020160046100A KR20160046100A KR101954930B1 KR 101954930 B1 KR101954930 B1 KR 101954930B1 KR 1020160046100 A KR1020160046100 A KR 1020160046100A KR 20160046100 A KR20160046100 A KR 20160046100A KR 101954930 B1 KR101954930 B1 KR 101954930B1
Authority
KR
South Korea
Prior art keywords
trajectory
locus
learning
samples
indoor map
Prior art date
Application number
KR1020160046100A
Other languages
English (en)
Other versions
KR20170119010A (ko
Inventor
김현진
유재현
Original Assignee
서울대학교산학협력단
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 서울대학교산학협력단 filed Critical 서울대학교산학협력단
Priority to KR1020160046100A priority Critical patent/KR101954930B1/ko
Publication of KR20170119010A publication Critical patent/KR20170119010A/ko
Application granted granted Critical
Publication of KR101954930B1 publication Critical patent/KR101954930B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
    • G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
    • G09B29/00—Maps; Plans; Charts; Diagrams, e.g. route diagram
    • G09B29/003—Maps
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/05—Geographic models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G—PHYSICS
    • G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
    • G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
    • G09B29/00—Maps; Plans; Charts; Diagrams, e.g. route diagram
    • G09B29/003—Maps
    • G09B29/006—Representation of non-cartographic information on maps, e.g. population distribution, wind direction, radiation levels, air and sea routes
    • G09B29/007—Representation of non-cartographic information on maps, e.g. population distribution, wind direction, radiation levels, air and sea routes using computer methods
    • G—PHYSICS
    • G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
    • G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
    • G09B29/00—Maps; Plans; Charts; Diagrams, e.g. route diagram
    • G09B29/10—Map spot or coordinate position indicators; Map reading aids
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/029—Location-based management or tracking services

Abstract

와이파이 신호세기를 이용한 실내 지도 학습 방법 및 시스템에 개시된다. 본 발명의 일 실시예에 따르면, 맵리스(mapless) 위치 측정을 위한 실내 지도 학습 시스템으로서, 스마트폰의 이동에 따른 2차원 위치와 와이파이 신호세기(RSS) 간의 상관관계에 기초하여 상기 스마트폰의 이동에 관한 궤적 샘플들을 추정하는 훈련 모듈; 및 상기 궤적 샘플들을 유사성에 따라 그룹핑하고 동일 그룹에 속하는 궤적 샘플들에 대한 대표 궤적을 추정한 후 상기 대표 궤적을 서로 연결하여 실내 지도에 대한 학습을 수행하는 실내 지도 학습 모듈을 포함하는 실내 지도 학습 시스템이 제공된다.

Description

와이파이 신호세기를 이용한 실내 지도 학습 방법 및 시스템{Indoor map learning method and system using Wifi signal strength}
본 발명은 와이파이 신호세기를 이용한 실내 지도 학습 방법 및 시스템에 관한 것이다.
GPS가 이용될 수 없는 장소에서의 위치 정보에 대한 필요성 때문에 실내 위치 측정(indoor localization)에 대한 관심이 증가하고 있다. 다행히 많은 빌딩과 공공장소에 설치된 무선 액세스포인트의 보급이 라이다(lidar), 카메라, 울트라 광대역과 같은 포지셔닝 장치의 추가 설치가 없을지라도 와이파이 기반의 실내 위치 측정 기술 개발을 도와주고 있다.
와이파이 기반 위치 측정은 핑거프린팅(fingerprinting)이라 불리는 훈련 및 테스트 단계를 포함한다. 훈련 단계에서, 서비스 제공자는 알려진 위치에서 와이파이 RSS를 수집하고, RSS와 위치 사이의 관계를 수립한다. 테스트 단계에서, 사용자는 서버로 현재 측정된 RSS를 전송함으로써 위치를 요청한다. 반면, 서버는 위치 측정 알고리즘을 실행하고 지도(map)와 같은 콘텍스트로 추정치를 리턴한다. 여기서, 서버가 항상 지도 정보를 제공할 수 있다는 가정을 다루고 있다는 것이 중요하다. 지도 정보와 통신하는 동안, 사용자의 위치 및 신분, 서비스 제공자의 데이터가 노출됨으로써 사용자와 서비스 제공자 모두의 프라이버시가 침해될 수 있다는 문제가 있다
맵리스(mapless) 상황에 대응하는 것은 구조 혹은 재해 복구와 같이 로봇 혹은 인적 활동이 필요로 하는 상황에서 가치가 있다. 따라서, 맵리스 위치 측정 및 내비게이션이 로봇 및 인공두뇌학 애플리케이션에서 연구되고 있다.
스마트폰 사용자의 궤적을 추적하기 위해 IMU 센서를 활용하기도 한다. 하지만, 일반적인 실내 환경에서는, 속도와 방향에 대해 정확히 추정하는 것이 어렵다. 예를 들어, 정확한 속도를 얻기 위해서는, 스마트폰의 자세(attitude)가 회전하지 않고 고정되어야 한다. 다시 말하면, 사용자가 움직이는 거리를 추정하기 위한 감지 단계에서 사용자가 걷는 동안 스마트폰을 흔들 때 스마트폰의 자세가 변화하여 오차가 발생한다는 것이다. 또한, 진행 방향의 추정은 철제 재료 성분 및 누적되는 자이로 오차로 인해 많이 편향된다. 일부 연구에서는 지도 정보 없이 정확한 위치 측정이 가능할만큼 RSS 전파 모델이 정확한 것으로 가정한다. 하지만, 실내 신호 전파 모델은 벽에 의해 야기되는 멀티패스 페이딩 문제(multi-path fading problem)로 인해 구역마다 다양하게 된다. 다른 연구에서는 항상 전방을 향할 필요가 있는 시각 센서에 의존하는데, 이는 비실용적이다.
한국공개특허 제10-2015-0124535호 (공개일 2015년11월6일) - 실내지도와 와이파이맵 동시 생성 방법 및 시스템
본 발명은 크라우드 소싱(crowdsourcing)을 통해 대중으로부터 샘플링된 궤적으로부터 숨겨져 있는 추정 궤적을 학습하여 맵리스(mapless) 위치 측정이 가능한 와이파이 신호세기를 이용한 실내 지도 학습 방법 및 시스템을 제공하기 위한 것이다.
본 발명은 사용자의 위치, 신분, 서비스 제공자의 데이터와 같은 사적 데이터(private data)를 사용하지 않고 위치 측정을 위한 스마트폰에 대한 행동 제약(자세 등)을 없앤 와이파이 신호세기를 이용한 실내 지도 학습 방법 및 시스템을 제공하기 위한 것이다.
본 발명은 기존에 설치되어 있는 와이파이 공유기를 활용하므로 비컨의 설치가 불필요하고, 기계 학습기법을 기반으로 하여 자동적으로 지배적인 와이파이 공유기 신호를 추출함으로써 건물에 설치된 와이파이 공유기 숫자와 위치를 알 필요가 없는 와이파이 신호세기를 이용한 실내 지도 학습 방법 및 시스템을 제공하기 위한 것이다.
본 발명은 노이즈 같은 문제 때문에 발생한 오염된 샘플을 거를 수 있는 필터가 있어 이상점(outlier)에 강건한 와이파이 신호세기를 이용한 실내 지도 학습 방법 및 시스템을 제공하기 위한 것이다.
본 발명의 다른 목적들은 이하에 서술되는 바람직한 실시예를 통하여 보다 명확해질 것이다.
본 발명의 일 측면에 따르면, 맵리스(mapless) 위치 측정을 위한 실내 지도 학습 시스템으로서, 스마트폰의 이동에 따른 2차원 위치와 와이파이 신호세기(RSS) 간의 상관관계에 기초하여 상기 스마트폰의 이동에 관한 궤적 샘플들을 추정하는 훈련 모듈; 및 상기 궤적 샘플들을 유사성에 따라 그룹핑하고 동일 그룹에 속하는 궤적 샘플들에 대한 대표 궤적을 추정한 후 상기 대표 궤적을 서로 연결하여 실내 지도에 대한 학습을 수행하는 실내 지도 학습 모듈을 포함하는 실내 지도 학습 시스템이 제공된다.
상기 훈련 모듈은, 상기 2차원 위치에 상응하는 상기 와이파이 신호세기를 연속적으로 수집하는 신호 수집부; 상기 2차원 위치와 상기 와이파이 신호세기의 관계에 대하여 가우시안 프로세스(GP)를 이용하여 학습시키는 가우시안 프로세스 학습부; 상기 학습 결과에 대해 궤적을 평탄화하면서 궤적에서 동떨어진 구역에 대해서는 파티클을 샘플링하는 파티클 필터링을 수행하는 필터부; 및 상기 필터부에 의해 샘플링된 파티클을 제외시켜 평탄화된 궤적을 상기 궤적 샘플로서 추정하는 궤적 샘플 추정부를 포함할 수 있다.
상기 가우시안 프로세스 학습부는 특정 위치에서 하나의 무선 액세스포인트에서 획득되는 와이파이 신호세기에 대한 확률(likelihood)을 출력값으로 추정할 수 있다.
상기 실내 지도 학습 모듈은, 궤적이 시점과 종점이 되는 랜드마크(landmark)를 그룹핑 기준으로 검출하는 랜드마크 검출부; 상기 랜드마크에 기초하여 상기 궤적 샘플들 중 동일 시점과 종점을 가지는 궤적 샘플들을 동일 그룹으로 그룹핑하는 궤적 샘플 그룹핑부; 상기 동일 그룹에 속하는 궤적 샘플들에 대해 궤적 학습을 수행하여 상기 대표 궤적을 추정하는 궤적 학습부; 및 상기 대표 궤적을 연결하여 하나의 통일된 지도 형태로 학습시키는 실내 지도 학습 결과 생성부를 포함할 수 있다.
상기 궤적 학습부는 상이한 길이 및 시간 동기화를 가지는 상기 궤적 샘플들에 대해 칼만 평탄화에 의한 동적 시간 와핑(DTW)을 적용할 수 있다.
상기 랜드마크 검출부는 선형 구별 분석(LDA)과 주성분 분석(PCA)을 조합한 차원수 축소 및 데이터포인트의 클러스터링을 통해 2차원 위치 및 와이파이 신호세기의 상관관계로부터 상기 랜드마크를 검출할 수 있다.
상기 궤적 학습부는 상기 궤적 샘플들의 공분산의 놈(norm)을 조사하여 미리 설정된 임계값 이상의 구별되는 값을 가지는 궤적 샘플을 이상점 궤적으로 보고, 궤적 학습에서 제외시킬 수 있다.
한편 본 발명의 다른 측면에 따르면, 맵리스(mapless) 위치 측정을 위한 실내 지도 학습 시스템에서 수행되는 실내 지도 학습 방법으로서, 스마트폰의 이동에 따른 2차원 위치와 와이파이 신호세기(RSS) 간의 상관관계에 기초하여 상기 스마트폰의 이동에 관한 궤적 샘플들을 추정하는 단계 (A); 및 상기 궤적 샘플들을 유사성에 따라 그룹핑하고 동일 그룹에 속하는 궤적 샘플들에 대한 대표 궤적을 추정한 후 상기 대표 궤적을 서로 연결하여 실내 지도에 대한 학습을 수행하는 단계 (B)을 포함하는 실내 지도 학습 방법 및 이를 수행하기 위한 프로그램이 기록된 기록매체가 제공된다.
상기 단계 (A)는, (a1) 상기 2차원 위치에 상응하는 상기 와이파이 신호세기를 연속적으로 수집하는 단계; (a2) 상기 2차원 위치와 상기 와이파이 신호세기의 관계에 대하여 가우시안 프로세스(GP)를 이용하여 학습시키는 단계; (a3) 상기 학습 결과에 대해 궤적을 평탄화하면서 궤적에서 동떨어진 구역에 대해서는 파티클을 샘플링하는 파티클 필터링을 수행하는 단계; 및 (a4) 상기 샘플링된 파티클을 제외시켜 평탄화된 궤적을 상기 궤적 샘플로서 추정하는 단계를 포함할 수 있다.
상기 단계 (a2)는 특정 위치에서 하나의 무선 액세스포인트에서 획득되는 와이파이 신호세기에 대한 확률(likelihood)을 출력값으로 추정할 수 있다.
상기 단계 (B)는, (b1) 궤적이 시점과 종점이 되는 랜드마크(landmark)를 그룹핑 기준으로 검출하는 단계; (b2) 상기 랜드마크에 기초하여 상기 궤적 샘플들 중 동일 시점과 종점을 가지는 궤적 샘플들을 동일 그룹으로 그룹핑하는 단계; (b3) 상기 동일 그룹에 속하는 궤적 샘플들에 대해 궤적 학습을 수행하여 상기 대표 궤적을 추정하는 단계; 및 (b4) 상기 대표 궤적을 연결하여 하나의 통일된 지도 형태로 학습시켜 실내 지도 학습 결과를 생성하는 단계를 포함할 수 있다.
상기 단계 (b2)는 상이한 길이 및 시간 동기화를 가지는 상기 궤적 샘플들에 대해 칼만 평탄화에 의한 동적 시간 와핑(DTW)을 적용할 수 있다.
상기 단계 (b1)은 선형 구별 분석(LDA)과 주성분 분석(PCA)을 조합한 차원수 축소 및 데이터포인트의 클러스터링을 통해 2차원 위치 및 와이파이 신호세기의 상관관계로부터 상기 랜드마크를 검출할 수 있다.
상기 단계 (b2)는 상기 궤적 샘플들의 공분산의 놈(norm)을 조사하여 미리 설정된 임계값 이상의 구별되는 값을 가지는 궤적 샘플을 이상점 궤적으로 보고, 궤적 학습에서 제외시킬 수 있다.
전술한 것 외의 다른 측면, 특징, 이점이 이하의 도면, 특허청구범위 및 발명의 상세한 설명으로부터 명확해질 것이다.
본 발명에 따르면, 크라우드 소싱을 통해 대중으로부터 샘플링된 궤적으로부터 숨겨져 있는 추정 궤적을 학습하여 맵리스 위치 측정이 가능한 효과가 있다.
또한, 사용자의 위치, 신분, 서비스 제공자의 데이터와 같은 사적 데이터를 사용하지 않고 위치 측정을 위한 스마트폰에 대한 행동 제약(자세 등)을 없앤 효과가 있다.
또한, 기존에 설치되어 있는 와이파이 공유기를 활용하므로 비컨의 설치가 불필요하고, 기계 학습기법을 기반으로 하여 자동적으로 지배적인 와이파이 공유기 신호를 추출함으로써 건물에 설치된 와이파이 공유기 숫자와 위치를 알 필요가 없는 효과가 있다.
또한, 노이즈 같은 문제 때문에 발생한 오염된 샘플을 거를 수 있는 필터가 있어 이상점에 강건한 효과가 있다.
도 1은 본 발명의 일 실시예에 따른 와이파이 신호세기를 이용한 실내 지도 학습 시스템의 구성을 나타낸 도면,
도 2는 실내 지도 학습 시스템에서 수행하는 훈련 과정의 순서도,
도 3은 실내 지도 학습 시스템에서 수행하는 실내 지도 학습 과정의 순서도,
도 4는 궤적 학습 알고리즘을 설명하기 위한 도면,
도 5는 RSS 신호 공간에서 클러스터된 랜드마크 데이터포인트를 나타낸 도면,
도 6은 도 5에 도시된 각 클러스터의 중심과 사용자 경로 간의 신호 공간에서의 거리를 나타낸 도면,
도 7은 실험 공간의 평면도,
도 8은 본 실시예에 따른 위치 측정의 실험 결과 도면,
도 9는 다른 방식에 의한 위치 측정과의 비교 결과를 나타낸 도면.
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.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.
제1, 제2 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.
본 명세서에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
또한, 각 도면을 참조하여 설명하는 실시예의 구성 요소가 해당 실시예에만 제한적으로 적용되는 것은 아니며, 본 발명의 기술적 사상이 유지되는 범위 내에서 다른 실시예에 포함되도록 구현될 수 있으며, 또한 별도의 설명이 생략될지라도 복수의 실시예가 통합된 하나의 실시예로 다시 구현될 수도 있음은 당연하다.
또한, 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일하거나 관련된 참조부호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 본 발명을 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.
도 1은 본 발명의 일 실시예에 따른 와이파이 신호세기를 이용한 실내 지도 학습 시스템의 구성을 나타낸 도면이고, 도 2는 실내 지도 학습 시스템에서 수행하는 훈련 과정의 순서도이며, 도 3은 실내 지도 학습 시스템에서 수행하는 실내 지도 학습 과정의 순서도이다.
본 발명의 일 실시예에 따른 와이파이 신호세기(RSS)를 이용한 실내 지도 학습 시스템은 맵리스(mapless) 실내 위치 추정이 가능하도록 하는 시스템으로, 훈련 과정을 통해 궤적 샘플을 추정하고, 지도 학습 과정을 통해 기존의 지도 정보를 대체할 수 있는 실내 지도 학습 결과를 생성하는 것을 특징으로 한다.
도 1을 참조하면, 본 실시예에 따른 실내 지도 학습 시스템()은 훈련 모듈(110)과 실내 지도 학습 모듈(120)을 포함한다.
훈련 모듈(110)은 실내 지도 학습을 위한 훈련 데이터로서 훈련자들의 이동에 따른 궤적 샘플을 추정한다. 훈련 모듈(110)은 신호 수집부(112), 가우시안 프로세스 학습부(114), 필터부(116), 궤적 샘플 추정부(118)를 포함한다.
신호 수집부(112)는 스마트폰 사용자의 2차원 위치에 따른 와이파이 신호패턴(특히, 신호세기(RSS))을 수집한다(단계 S212). 여기서, 스마트폰 사용자가 훈련자인 경우 2차원 위치는 알고 있는 것으로 가정한다. 예를 들어, 신호 수집부(112)는 스마트폰과 통신하여 2차원 위치 및 와이파이 신호패턴에 관한 데이터를 수집할 수 있다.
현재 훈련자가 임의의 2차원 위치에 있을 때 주변 무선 액세스포인트에서 획득되는 와이파이 신호세기와의 관계식을 찾는다. 베이지안 필터링(Bayesian filtering)에 의하면 와이파이 신호세기 측정값으로부터 훈련자의 위치를 추정할 수 있게 된다.
가우시안 프로세스 학습부(114)는 신호 수집부(112)에서 수집한 2차원 위치와 와이파이 신호패턴의 관계에 대하여 가우시안 프로세스(Gaussian process)를 이용하여 학습시킨다(단계 S214).
학습된 가우시안 프로세스는 특정 위치에서 '하나'의 무선 액세스포인트에서 획득되는 와이파이 신호세기에 대한 확률(likelihood)을 출력값으로 추정할 수 있게 한다.
필터부(116)는 와이파이 신호패턴에 대한 사용자 위치를 가지고 사용자의 궤적을 평탄화하면서 실제 위치에 무관한 구역에서는 파티클을 샘플링하는 파티클 필터링을 수행한다(단계 S216). 필터부(116)는 파티클 필터(particle filter)일 수 있다.
궤적 샘플 추정부(118)는 필터부(116)에 의해 샘플링된 파티클을 제외시켜 평탄화된 사용자 궤적을 궤적 샘플로서 추정한다(단계 S218).
실내 지도 학습 모듈(120)은 훈련 모듈(110)을 통해 추정된 궤적 샘플들을 이용하여 맵 정보가 없는 상황에서 실내 지도에 대한 학습을 수행한다.
실내 지도 학습 모듈(120)은 랜드마크 검출부(122), 궤적 샘플 그룹핑부(124), 궤적 학습부(126), 실내 지도 학습 결과 생성부(128)를 포함한다. 업데이트부(130) 및/또는 필터부(132)를 더 포함할 수도 있다.
랜드마크 검출부(122)는 유사한 궤적 샘플을 그룹핑하기 위한 기준(그룹핑 기준)이 되는 랜드마크(landmark)를 검출한다(단계 S222).
본 실시예에서는 무선 액세스포인트의 위치 및 숫자에 대해서 무지한 것으로 가정하고 있기에, 이를 활용할 수는 없다. 하지만, 앞서 훈련 모듈(110)에서 획득한 사용자 위치와 와이파이 신호패턴 사이의 관계로부터 특정 위치를 랜드마크로 검출할 수 있다.
랜드마크는 궤적의 시점과 종점이 될 수 있는 특정 지점이다. 무선 액세스포인트가 존재하는 위치일 필요는 없으며, 임의의 위치를 랜드마크로 정의할 수 있다. 예를 들면, 엘리베이터의 전방, 계단의 전방, 룸의 중심점, 화장실의 중심점 등이 랜드마크로 정의될 수 있다.
이 경우 랜드마크 검출부(122)는 랜드마크로 정의된 위치에서 추정되는 와이파이 신호패턴을 이용할 수 있다. 본 실시예에서는 랜드마크 검출 과정에서 기계 학습기법을 적용할 수 있으며, 선형 구별 분석(LDA, linear discriminate analysis), 주성분 분석(PCA, principal component analysis)를 이용하여 사용자가 특정 지역(즉, 랜드마크)에 있는지를 판단할 수 있다.
궤적 샘플 그룹핑부(124)는 검출된 랜드마크 중 하나를 시점으로 하고 다른 하나를 종점으로 하는 궤적 샘플들을 동일 그룹으로 그룹핑한다(단계 S224). 이는 동일한 출발지와 목적지를 가질 때 사람들이 유사한 궤적으로 걷는 경향이 있다는 사실에 근거한 그룹핑 방식이다.
궤적 학습부(126)는 동일 그룹으로 그룹핑된 궤적 샘플들에 대해 궤적 학습을 수행한다(단계 S226). 궤적 학습은 유사한 궤적 샘플들(동일 시점과 종점을 가지는 궤적 샘플들)에 숨어 있는 추정 궤적(대표 궤적)을 찾아내는 것을 의미한다.
동일 그룹에 속해 있을지라도 궤적 샘플들은 상이한 길이 및 시간 동기화를 가지고 있기에, 본 실시예에서는 칼만 평탄화(kalman smoothing)를 가지는 동적 시간 와핑(DTW, dynamic time warping)을 적용하여 궤적 학습을 수행한다.
궤적 학습부(126)에 의해 특정 일 지점에서 타 지점으로의 추정 궤적이 결정된 경우, 실내 지도 학습 결과 생성부(128)는 추정 궤적들을 연결하여 하나의 통일된 지도 형태로 학습시켜 실내 지도 학습 결과로 생성한다(단계 S228).
예를 들어, 랜드마크 1에서 랜드마크 2로 이어지는 추정 궤적 1과, 랜드마크 2에서 랜드마크 3으로 이어지는 추정 궤적2와, 랜드마크 3에서 랜드마크 1로 이어지는 추정 궤적 3이 있을 때, 추정 궤적 1~3을 연결하여 랜드마크 1에서 랜드마크 2 및 3을 거쳐 다시 랜드마크 1로 되돌아오는 하나의 경로를 만들어 낼 수 있게 된다.
본 실시예에 따른 실내 지도 학습 결과는 실제 훈련자가 걸어간 궤적에 따른 경로를 구현하고 있기에, 실제 지도와 유사한 결과를 나타낸다. 또한, 훈련자의 이동 경로에 따라 학습 데이터가 얻어지므로 실제 지도에서는 획득할 수 없는 통행 금지 등으로 인해 변화되는 지도 정보가 자동적으로 업데이트될 수 있다.
업데이트부(130)는 실내 지도 학습 결과 생성부(128)에 의해 생성된 실내 지도 학습 결과에 기초하여 훈련 모듈(110)에서 위치에 따른 와이파이 신호패턴의 상관관계에 대한 함수(사전 확률)를 업데이트할 수 있다(단계 S230).
필터부(132)는 실내 지도 학습 결과에 따라 위치 측정을 수행함에 있어서 파티클 필터링을 수행하여 정확한 위치 측정이 이루어지도록 할 수 있다(단계 S232).
이하에서는 본 실시예에 따른 실내 지도 학습 시스템()에 적용된 각종 기술들에 대하여 관련 도면을 참조하여 상세히 설명하기로 한다.
도 4는 궤적 학습 알고리즘을 설명하기 위한 도면이고, 도 5는 RSS 신호 공간에서 클러스터된 랜드마크 데이터포인트를 나타낸 도면이며, 도 6은 도 5에 도시된 각 클러스터의 중심과 사용자 경로 간의 신호 공간에서의 거리를 나타낸 도면이고, 도 7은 실험 공간의 평면도이며, 도 8은 본 실시예에 따른 위치 측정의 실험 결과 도면이고, 도 9는 다른 방식에 의한 위치 측정과의 비교 결과를 나타낸 도면이다.
본 실시예에 따른 실내 지도 학습 시스템()은 실제 맵이 부재한 경우 이를 지원하기 위한 시스템으로, 실내 지도 학습 결과는 대체 지도 정보로서 활용될 수 있다.
이를 위해 본 실시예에서는 상이한 길이 및 시간 동기화를 가지는 궤적 샘플을 학습한다. 이 관점에서 칼만 평탄화에 의한 동적 시간 와핑이 적용된다. 이는 산재된 궤적 샘플들을 하나의 계획된 궤적으로 학습하기 위함이다. 또한, 강건한 궤적 학습이 이루어지면, 이상점 궤적(outlier trajectory)을 구분할 수 있게 한다.
또한, 궤적의 시점과 종점(start and end points of any trajectory)을 검출하기 위해, 와이파이 신호패턴을 인식한다. 이 작업은 동일한 시점과 종점을 가지는 유사한 궤적을 획득하기 위함이다. 선형 구별 분석(LDA)과 주성분 분석(PCA)을 조합하여, 서로 다른 랜드마크로부터 획득된 차원수 축소와 클러스터링 데이터포인트의 역할을 하게 한다. 앞서 설명한 것처럼 랜드마크는 룸, 화장실, 엘리베이터 혹은 계단의 전방과 같은 특정 지점에 관계된다. 본 실시예에서는 랜드마크 검출을 궤적 학습에 링크하고, 결과적으로 대체 지도 정보를 생성한다.
또한, 위치 측정을 위한 마지막 추정자(estimator)로서, 가우시안 프로세스(GP, Gaussian process)와 파티클 필터의 조합이 적용된다. 파티클 필터의 사전 분포(prior distribution)가 학습된 궤적의 함수로서 정의된다. 확률(likelihood)은 그 상응하는 위치에 대하여 와이파이 신호세기를 모델링하는 가우시안 프로세스(GP)의 출력으로 정의된다.
본 실시예는 스마트폰과 무선 액세스포인트(APs)에서 획득된 와이파이 신호세기 같은 측정값을 사용한 실내 위치 측정에 관한 것이다. 베이지안 필터링(Bayesian filtering)을 사용하여 와이파이 신호세기(RSS) 측정값에서 스마트폰 사용자의 위치를 추정한다. 가우시안 프로세스(GP)는 측정값과 위치 사이의 관계를 찾기 위해 적용될 수 있다. 파티클 필터는 실내 위치 측정을 위해 GP 모델과 평탄 필터(smoothing filter)를 조합하는데 사용된다.
우선 와이파이 신호세기 확률(likelihood)을 모델링하기 위한 가우시안 프로세스 학습부(114)에 대해 설명하기로 한다.
하나의 무선 액세스포인트로부터 획득한 2차원 위치 x와 상응하는 RSS 측정값 y 간의 관계를 만들기로 한다.
Figure 112016036128180-pat00001
를 l개의 훈련 데이터포인트들의 집합이라 한다.
Figure 112016036128180-pat00002
여기서, 노이즈
Figure 112016036128180-pat00003
는 공지의 분산인
Figure 112016036128180-pat00004
를 가지는 정규분포
Figure 112016036128180-pat00005
에서 유도된다. GP 모델에서, 노이즈를 가지는 훈련 출력(
Figure 112016036128180-pat00006
)의 결합 분포(joint distribution)는 훈련 입력
Figure 112016036128180-pat00007
의 함수로 표현된다.
Figure 112016036128180-pat00008
여기서,
Figure 112016036128180-pat00009
은 (i, j)번째 요소가
Figure 112016036128180-pat00010
인
Figure 112016036128180-pat00011
커널 행렬이다. 자승 지수(squared exponential)는 흔히 사용되는 커널 함수이고, 다음과 같다.
Figure 112016036128180-pat00012
여기서,
Figure 112016036128180-pat00013
과
Figure 112016036128180-pat00014
는 커널의 하이퍼파라미터이고, 켤레 구배 경사법(conjugate gradient descent method)에 의해 학습된다.
훈련 후, GP는 입력값이 관심 위치인
Figure 112016036128180-pat00015
인 경우 가우시안 프로세스의 출력값을 추정한다. 출력은 평균
Figure 112016036128180-pat00016
와 분산
Figure 112016036128180-pat00017
를 가지는 가우시안 분포를 취한다.
Figure 112016036128180-pat00018
Figure 112016036128180-pat00019
여기서,
Figure 112016036128180-pat00020
는
Figure 112016036128180-pat00021
벡터인
Figure 112016036128180-pat00022
와
Figure 112016036128180-pat00023
간의 공분산이다.
수학식 (4)는 특정 위치에 있는 '하나'의 와이파이 액세스포인트에서 획득된 RSS의 확률(likelihood)을 나타낸다. 서로 다른 와이파이 액세스포인트들의 RSS가 독립적인 것으로 가정하면, 다음과 같은 공동 확률 모델(joint likelihood model)을 획득할 수 있다.
Figure 112016036128180-pat00024
여기서,
Figure 112016036128180-pat00025
는 와이파이 액세스포인트의 수이고,
Figure 112016036128180-pat00026
는 수학식 (4)를 간략화한 것이며,
Figure 112016036128180-pat00027
는 시간 인덱스이고,
Figure 112016036128180-pat00028
는 시간
Figure 112016036128180-pat00029
에
Figure 112016036128180-pat00030
개의 서로 다른 와이파이 액세스포인트에서 획득된 RSS 집합이다.
다음으로 위치 추정을 위한 파티클 필터(필터부(116))에 대해 설명하기로 한다.
파티클 필터는 주어진 와이파이 RSS
Figure 112016036128180-pat00031
에 대한 사용자 위치
Figure 112016036128180-pat00032
를 가지고 사후 확률 분포 함수(posteriro probabilistic density function)
Figure 112016036128180-pat00033
를 추정한다. 베이스의 규칙에 의하면, 사후 확률 분포 함수는 다음과 같다.
Figure 112016036128180-pat00034
Figure 112016036128180-pat00035
수학식 (6)은 선형 가우시안 상태 공간 모델(예컨대, 칼만 필터)과 같은 일부 특별 케이스를 제외하고는 분석적으로 계산될 수 없기 때문에, 파티클 필터가 가중 파티클의 유한 집합을 이용하여 사후 확률 분포 함수의 근사치를 계산한다.
Figure 112016036128180-pat00036
를
Figure 112016036128180-pat00037
개의 파티클 및 가중치의 집합으로 가정하고, 가중치는
Figure 112016036128180-pat00038
로 정규화된 값이다. 각
Figure 112016036128180-pat00039
는 상응하는 확률값
Figure 112016036128180-pat00040
를 가지는 진실 상태의 가상 상태를 나타낸다. 그러므로, 수학식 (6)은 다음과 같이 근사화된다.
Figure 112016036128180-pat00041
여기서,
Figure 112016036128180-pat00042
는 디랙 델타 함수(Dirac delta function)이다. 그 후 상태
Figure 112016036128180-pat00043
의 추정치는 다음과 같이 표현될 수 있다.
Figure 112016036128180-pat00044
가중치는 다음과 같이 획득될 수 있다.
Figure 112016036128180-pat00045
따라서, 가중치는 확률(likelihood)
Figure 112016036128180-pat00046
에 의해서만 갱신된다. 가능성은 수학식 (5)에서 GP의 결과로 정의됨을 유의할 필요가 있다.
파티클 필터의 나머지 중요 부분은 사전 확률
Figure 112016036128180-pat00047
을 사용하여 파티클을 샘플링하는 것이다. 사전 확률의 역할은 타겟 궤적을 평탄하게 하고 실제 위치에 무관한 구역에서 파티클을 생성하는 것이다 사전 확률은 다음과 같이 모델링될 수 있다.
Figure 112016036128180-pat00048
Figure 112016036128180-pat00049
여기서, 기존의 실내 위치 측정에서
Figure 112016036128180-pat00050
와
Figure 112016036128180-pat00051
을 사용하는 문제에 부딪친다. 확률
Figure 112016036128180-pat00052
는 사용자의 속도
Figure 112016036128180-pat00053
와 분산
Figure 112016036128180-pat00054
를 필요로 한다. 하지만, 정확한 속도를 획득하는 것은 스마트폰의 자세가 회전(예컨대, 바닥을 지지하는 보행자의 추적) 없이 고정되어야 한다는 조건이 요구된다. 이는 실용적이지 않은데, 대부분의 사람들은 걸을 때 스마트폰을 흔들기 때문이다.
그러므로, 본 실시예에서는
Figure 112016036128180-pat00055
대신에 오드릭-프레스콧 필터(Hodrick-prescott filter)
Figure 112016036128180-pat00056
를 적용하며, 시계열 궤적이 평탄화된 곡선으로 표현될 수 있다.
Figure 112016036128180-pat00057
여기서, 속도 추정은 요구되지 않는다.
다른 문제는 실내 위치 측정의 정확도가
Figure 112016036128180-pat00058
과 같은 유용한 지도(informative map)에 의해 많은 영향을 받는다는 것이다. 지도가 미지의 것이라면, 정확도는 급격히 낮아진다. 본 실시예에서는 지도가 사용이 불가능한 상황에서 지도 정보를 모방한 대체 함수
Figure 112016036128180-pat00059
을 생성하기로 한다. 본 실시예에서 사용하게 되는 사전 확률은 수학식 (10)에서 다음과 같이 수정된다.
Figure 112016036128180-pat00060
Figure 112016036128180-pat00061
에 대해서는 이하 상세히 설명하기로 한다.
본 실시예에서 궤적 학습을 하는 목적은 지도 정보가 사용이 불가능할 때 위치 측정을 정확하게 할 수 있게 하기 위함이다.
실내 지도 학습 모듈(120)에서 실내 궤적을 학습하기 위한 기본 개념은 사람들이 동일한 출발지와 목적지를 가질 때에는 유사한 궤적으로 걷는 경향이 있다는 사실로부터 출발한다. 통계적 관점에서,
Figure 112016036128180-pat00062
명의 다른 사람들(동일한 출발지와 목적지를 가지고 있음)의 궤적
Figure 112016036128180-pat00063
이 주어졌을 때, 모든
Figure 112016036128180-pat00064
의 대표가 되는 숨어있는 추정 궤적(hidden intended trajectory)
Figure 112016036128180-pat00065
이 존재한다. 예를 들어,
Figure 112016036128180-pat00066
은
Figure 112016036128180-pat00067
의 평균 궤적일 수 있다.
실제 실내 위치 측정을 고려하기 위해, 첫째로 사람들이 서로 다른 속도로 움직이기 때문에
Figure 112016036128180-pat00068
각각은 서로 다른 궤적 길이를 가질 수 있다는 것을 고려할 필요가 있다. 둘째로 일부 사람들은 동일한 출발지와 목적지를 가지고 있지만 상이한 궤적을 가질 수 있음을 인정하는 것이다. 그러므로, 본 실시예에서는 그 상이한 궤적(혹은 이상점(outliers))을 검출할 것이 요구된다. 이러한 조건들을 만족하도록, 칼만 평탄화를 이용한 동적 시간 와핑이 실내 궤적 학습에 이용될 수 있따.
반면, 출발지와 목적지를 알 필요가 있다는 가정은 와이파이 신호세기의 패턴을 인식함으로써 해결될 수 있다. 기계 학습기법을 출발지와 목적지와 같은 랜드마크를 검출하는데 적용하였으며, 이에 대해서도 후술하기로 한다.
궤적 학습부(126)에서 수행되는 궤적 학습 방식은 다음과 같다.
길이
Figure 112016036128180-pat00069
의
Figure 112016036128180-pat00070
개의 궤적
Figure 112016036128180-pat00071
이 주어진다. 여기서,
Figure 112016036128180-pat00072
이고,
Figure 112016036128180-pat00073
이다. 이전의 표기(즉,
Figure 112016036128180-pat00074
)하고는 차이가 있는데, 이는 궤적들이 서로 다른 길이를 가지고 있도록 허용하고 있기 때문이다. 시간
Figure 112016036128180-pat00075
에 길이
Figure 112016036128180-pat00076
를 가지는 숨어있는 추정 궤적
Figure 112016036128180-pat00077
를 찾는 것이 목표이다. 길이
Figure 112016036128180-pat00078
는 궤적의 평균 길이, 즉
Figure 112016036128180-pat00079
의 2배로 설정된다.
궤적 학습 알고리즘은 하나의 추정 궤적
Figure 112016036128180-pat00080
의 관찰로서, 궤적 샘플 그룹핑부(124)에서 동일 그룹으로 그룹핑된 궤적들
Figure 112016036128180-pat00081
(동일한 출발점과 목적지를 가짐)을 고려한다. 이는 다음과 같이 표현된다.
Figure 112016036128180-pat00082
Figure 112016036128180-pat00083
Figure 112016036128180-pat00084
와
Figure 112016036128180-pat00085
는 그 분산행렬
Figure 112016036128180-pat00086
와
Figure 112016036128180-pat00087
이 추정될 수 있는 가우시안 노이즈이다. 아래첨자
Figure 112016036128180-pat00088
는 관찰되는
Figure 112016036128180-pat00089
가 매핑된
Figure 112016036128180-pat00090
의 타임 인덱스이다. 타임 인덱스
Figure 112016036128180-pat00091
는 다항분포, 즉
Figure 112016036128180-pat00092
를 따르는 것으로 가정한다.
숨어있는 궤적
Figure 112016036128180-pat00093
과 타임 인덱스
Figure 112016036128180-pat00094
의 추정은 다음 로그-가능성을 최대화함으로써 이루어질 수 있다.
Figure 112016036128180-pat00095
Figure 112016036128180-pat00096
는
Figure 112016036128180-pat00097
와
Figure 112016036128180-pat00098
를 모두 나타낸다. 하지만,
Figure 112016036128180-pat00099
와
Figure 112016036128180-pat00100
에 대해 동시에 가능성을 최적화하는 것은 어렵다. 2개의 반복 알고리즘을 통해 수학식 (15)를 최대화한다. 첫째로, 고정된
Figure 112016036128180-pat00101
를 가지는 분산행렬
Figure 112016036128180-pat00102
를 업데이트한다. E 단계에서 잠재된 변수
Figure 112016036128180-pat00103
에 대한 쌍 마진(pairwise marginals)은 현재
Figure 112016036128180-pat00104
를 가지고 평가되는데, 칼만 평탄화기(Kalman smoother)를 사용할 수 있다. 다음으로, M 단계에서 분산행렬
Figure 112016036128180-pat00105
을 업데이트하기 위해 이 마진들을 사용한다.
둘째로, 타임 인덱싱 변수
Figure 112016036128180-pat00106
를 최적화하기 위해, 동적 시간 와핑(DTW)이 사용되는데, DTW는 두 개의 상이한 신호 사이의 유사성을 측정하는 시퀀스 정렬 알고리즘이다.
고정된
Figure 112016036128180-pat00107
와
Figure 112016036128180-pat00108
에서 로그 가능성이 최대화되는 타임 인덱스
Figure 112016036128180-pat00109
를 추정한다.
Figure 112016036128180-pat00110
DTW는 동적 프로그래밍에 의해 최적화 문제 (16)을 해결한다.
도 4도 4의 (a) 및 (b)는 6명의 다른 사람들이 동일한 의도 궤적으로 움직일 때 궤적 학습의 결과를 보여준다. 도 4의 (a)에서, GP와 파티클 필터의 조합에 의해 개별적인 샘플들이 만들어진다. 궤적 학습 알고리즘 이후, 학습된 궤적은 도 4의 (b)에 표시된 것처럼 실제와 매우 근접하게 된다.
이제까지는 궤적들
Figure 112016036128180-pat00111
이 유사한 것으로 가정하였다. 이제는 궤적이 동일한 시작점과 종점을 가지고 있을지라도
Figure 112016036128180-pat00112
중 일부가 다른 경우(예컨대, 우회로(detour))를 가정한다. 추정된 공분산
Figure 112016036128180-pat00113
를 검토함으로써 다른 궤적을 검출하는 것이 가능한데, 수학식 (13)에서 학습된 궤적
Figure 112016036128180-pat00114
와 샘플 궤적
Figure 112016036128180-pat00115
간의 차이를 시사하고 있기 때문이다.
도 4의 (c)와 (d)는 추가적인 7번째 사람이 도 4의 (c)에 도시된 것처럼 다른 궤적을 따라 이동하였을 때의 상황을 보여준다. 이러한 이상점에도 불구하고, 학습 알고리즘은 도 4의 (c)에 보여진 것처럼 정확한 궤적을 알려주며, 이는 도 4의 (a)에서 학습된 궤적과 유사하다. 또한, 각 궤적의 공분산
Figure 112016036128180-pat00116
의 놈(norm)을 조사할 때, 도 4의 (d)에 도시된 것처럼 마지막 궤적이 다른 것들과 비교할 때 구별되는 값을 가지게 된다. 이로부터 이상점 궤적을 인식할 수 있다.
랜드마크 검출부(122)에서 수행되는 랜드마크 검출은 유사한 궤적을 모으기 위해 시점(출발점)과 종점(목적지)을 검출하는 것에 관한 것이다. 이를 위해 숨어있는 궤적
Figure 112016036128180-pat00117
을 생성하기 위해 사용된 샘플 궤적들
Figure 112016036128180-pat00118
을 획득할 필요가 있다.
궤적의 시점과 종점이 될 수 있는 특정 지점(혹은 랜드마크)를 정의한다. 본 실시예에서는 엘리베이터 혹은 계단의 전방, 룸과 화장실의 중간지점을 랜드마크 위치로 정의하기로 한다.
Figure 112016036128180-pat00119
가
Figure 112016036128180-pat00120
개의 와이파이 액세스포인트로부터 획득된 신호세기들의 집합일 때,
Figure 112016036128180-pat00121
를
Figure 112016036128180-pat00122
개의 훈련 데이터포인트라 하고,
Figure 112016036128180-pat00123
는 지정된 랜드마크의 라벨을 나타내며,
Figure 112016036128180-pat00124
는 랜드마크의 수이다.
많은 실내 지역에서,
Figure 112016036128180-pat00125
는 큰 수이다. 예를 들어, 서울대학교 오피스 빌딩에서는 193개의 AP가 있고, UJIIndoorLoc 데이터셋에서는 531개의 AP가 사용된다. 그러므로, 빠른 연산에서 고차원 데이터를 다루기 위해서는 차원 축소가 필요하다.
또한,
Figure 112016036128180-pat00126
는 하나의 와이파이 AP의 신호가 대형 실내 지역에 도달하지 않기 때문에 비어 있는 요소(empty elements)를 많이 가진다. 이러한 비어 있는 요소는 신호세기 최소값으로 설정된다. 차원 축소 방법은 무의미한 요소를 제거하는 것이다.
앞서 설명한 선형 구별 분석(LDA)과 주성분 분석(PCA)이 기본적인 차원 축소 기법이다. LDA는 라벨된 훈련 데이터만 사용된 경우 감독식 차원 축소 기법(supervised dimensionality reduction techniques)이고, PCA는 라벨되지 않은 훈련 데이터만 사용된 경우의 비감독식 차원 축소(unsupervised dimensionality reduction techniques)이다. 반감독식 방식(semi-supervised approach)는 라벨된 데이터와 라벨되지 않은 데이터를 모두 사용함으로써 감독식이나 비감독식보다 더 나은 성능을 나타낼 수 있다. 다음은 LDA와 PCA에 기반한 반감독식 차원 축소 알고리즘으로, 본 실시예에서는 반감독식 차원 축소 알고리즘이 적용될 수 있다.
클래스 사이 공분산 행렬
Figure 112016036128180-pat00127
, 클래스 내의 공분산 행렬
Figure 112016036128180-pat00128
, 산포도 행렬(scatter matrix)
Figure 112016036128180-pat00129
는 다음과 같이 정의된다.
Figure 112016036128180-pat00130
Figure 112016036128180-pat00131
Figure 112016036128180-pat00132
Figure 112016036128180-pat00133
는 클래스
Figure 112016036128180-pat00134
에서 라벨된 샘플의 수이다. 또한,
Figure 112016036128180-pat00135
와
Figure 112016036128180-pat00136
는 각각 클래스
Figure 112016036128180-pat00137
의 데이터포인트들과 모든 데이터포인트들의 평균 벡터이다.
Figure 112016036128180-pat00138
LDA는 임베딩 공간에서 클래스 사이 공분산 행렬
Figure 112016036128180-pat00139
이 최대화되고 임베딩 공간에서 클래스 내 공분산 행렬
Figure 112016036128180-pat00140
이 최소화되도록 하는 변환 행렬을 찾는다. 변환 행렬
Figure 112016036128180-pat00141
는 다음과 같은 일반화된 고유값 문제(generalized eigenvalue problem)에 의해 찾을 수 있다.
Figure 112016036128180-pat00142
여기서
Figure 112016036128180-pat00143
와
Figure 112016036128180-pat00144
는 각각 일반화된 고유값
Figure 112016036128180-pat00145
에 상응하는 대각요소를 가지는 행렬과 일반화된 고유값에 상응하는 열벡터
Figure 112016036128180-pat00146
를 가지는 행렬이다.
유사하게, PCA는 다음과 같이 변환 행렬
Figure 112016036128180-pat00147
를 찾는다.
Figure 112016036128180-pat00148
반감독식 방식을 사용하면, 일반화된 고유값 문제를 다음과 같이 수정할 수 있다.
Figure 112016036128180-pat00149
Figure 112016036128180-pat00150
Figure 112016036128180-pat00151
Figure 112016036128180-pat00152
는 항등 행렬(identity matrix)이고,
Figure 112016036128180-pat00153
는 LDA와 PCA의 가중 파라미터이다.
Figure 112016036128180-pat00154
을 가정하면, 변환 행렬
Figure 112016036128180-pat00155
는 다음과 같이 획득된다.
Figure 112016036128180-pat00156
Figure 112016036128180-pat00157
은 축소된 공간 차원수이다. 그러므로, 원본 데이터
Figure 112016036128180-pat00158
의 저차원 대표값
Figure 112016036128180-pat00159
은 다음과 같이 획득된다.
Figure 112016036128180-pat00160
도 5에는 서로 다른 랜드마크 데이터포인트가 축소된 공간에서 클러스터되었음을 보여준다. 분류된 데이터를 가지고, 사용자가 지정된 랜드마크 포인트에 위치할 때의 순간을 검출하는데, 거리-척도 임계값(distance-metric threshold)에 기초한다. 거리 척도는 다음과 같이 정의한다.
Figure 112016036128180-pat00161
축소된 공간에서 각 클러스터의 중심, 즉
Figure 112016036128180-pat00162
와 시험 지점
Figure 112016036128180-pat00163
사이의 거리를 나타낸다.
도 6을 참조하면, 2분 동안 사용자의 움직임에 따른 거리 척도
Figure 112016036128180-pat00164
를 보여준다. 도 6에서 지정된 랜드마크와 사용자 위치 사이에 변화하는 거리의 정확한 히스토리가 신호 공간에서 보여지고 있다.
궤적 샘플의 랜드마크를 검출한 후, 개선된 궤적을 수집한다.
Figure 112016036128180-pat00165
는
Figure 112016036128180-pat00166
개의 학습된 궤적 집합이고, 각
Figure 112016036128180-pat00167
는 다른 시점과 종점을 가진다. 예를 들어,
Figure 112016036128180-pat00168
의 출발지와 목적지는 화장실과 룸이고,
Figure 112016036128180-pat00169
는 엘리베이터와 화장실이다. 학습된 궤적
Figure 112016036128180-pat00170
는 수학식 (12)에서 확률
Figure 112016036128180-pat00171
을 구할 때 사용했다.
Figure 112016036128180-pat00172
을 가우시안 분포로 모델링하면 다음과 같다.
Figure 112016036128180-pat00173
Figure 112016036128180-pat00174
Figure 112016036128180-pat00175
은
Figure 112016036128180-pat00176
중에서 파티클 샘플
Figure 112016036128180-pat00177
에 가장 가까운 지점이다. 분산
Figure 112016036128180-pat00178
은 추정 분산, 수학식 (13)에서의
Figure 112016036128180-pat00179
로 정의되고, 학습된 궤적
Figure 112016036128180-pat00180
에서 파티클이 이격되도록 허용된 정도(degree)를 나타낸다.
본 실시예에 따른 실험 결과는 다음과 같다. 실험 장소는 도 7에 도시된 것과 같이 서울대학교 301동 14층이다.
훈련 데이터를 수집하는데 10명이 참여했고, 예컨대 스마트폰을 흔들지 않거나 주머니에 넣지 많도록 하는 것과 같은 자세에 관한 가이드라인을 들은 바 없다. 위치 측정을 시험하기 위해, 11번째 참여자가 참여했다. 시험 사용자의 실제 실내 위치가 정확하게 측정되기는 어렸웠지만, 일정 속도로 이동하는 것을 가정하였다.
와이파이 AP의 숫자는 193이지만, 그 위치를 알지는 못한다. 차원 축소를 통해 193개의 로우 데이터로부터 10차원 데이터를 사용하였다.
실험 결과는 다음과 같다.
우선, 학습된 궤적이 대체 지도 정보를 나타내는 것을 확인할 수 있다. 훈련 참여자들은 실험 공간을 자유롭게 이동했다. 알고리즘 1에서 초기 추정 단계를 사용하여 그들의 위치 측정 결과를 획득한 후, 랜드마크 검출 알고리즘이 44개의 궤적을 수집하고, 도 8에 도시된 것처럼 시점과 종점이 지정된 5개의 랜드마크인 5 종류의 궤적들로 구분했다. 그 후 궤적 학습 알고리즘이 도 8에 도시된 것처럼 5개의 학습된 궤적만을 찾았다.
학습된 궤적은 본 알고리즘에서 위치 측정에 매우 유용했으며, 도 9에 도시된 것처럼, 본 알고리즘의 결과가 실제 지도 정보를 사용한 결과와 같이 거의 정확했다. 추정 위치와 실제 위치 사이의 거리 오차 평균이 3.15m(본 실시예), 2.95m(지도가 있는 경우), 4.15m(지도가 없는 경우)이다. 추정된 위치 중 몇몇이 지도에서 벗어났는데, 이는 본 실시예의 알고리즘이 실제 지도만큼 접근 가능 지역 내에서만 추정치를 제한할 수는 없기 때문이다. 이것이 본 실시예와 지도를 사용한 위치 측정 사이의 미소한 차이를 만들었다. 지도가 없는 경우에 비해서는 우수한 성능을 나타냈다. 따라서, 본 실시예가 지도가 없는 상황에서 유용할 것으로 보여진다.
본 실시예는 지도 정보를 사용하지 못하고 참여자들의 프라이버시를 지켜내는 실내 위치 측정 방법에 관한 것이다. 궤적 학습 알고리즘은 실제 지도와 유사한 정보 지도를 제공한다. 그러므로, 정확한 위치 측정 결과가 획득될 수 있다. 궤적 학습 알고리즘은 참여자에게 특정한 행동 제한을 요구하지 않으므로, 크라우드소싱에 적합하다. 크라우드소싱 위치 측정 방식은 의사 지도(pseudo map)를 점점 더 정확하게 업데이트하여, 어떤 실내 공간에서도 인간 혹은 로봇의 경로 안내를 보조하는데 유용할 것이다. 즉, 홈네트워크, 재난지리정보 기술에 활용될 수 있다.
기존에는 실내 위치 추정에 관련해서는 비컨(beacon)이라는 디바이스를 실내 공간에 부착한 방식이 보편적이다. 하지만 위치 추정의 정확도는 설치된 비컨의 숫자 혹은 밀집도에 따라 좌우되며, 많은 비컨들을 부착하고 관리하는 것은 비용측면에서 단점이다. 하지만, 본 실시예에 따를 때 기존에 설치되어있는 와이파이 공유기들을 이용하기 때문에, 비컨의 설치가 필요하지 않다.
그리고 본 실시예에 따른 실내 지도 학습은 기존에 존재 하지 않은 독창적인 기법으로써, 위치 추정을 위하여 실내 지도가 주어져야만 하는 편견을 깬다. 또한 학습 데이터를 얻기 위한 노력을 대폭 줄이고 크라우드 소싱 개념으로 사용자들의 데이터를 이용하여 지도 학습을 한다. 또한 이 이동하는 경로에 따라 학습데이터가 얻어지기 때문에, 통행 금지 등으로 변화되는 지도 정보가 자동적으로 업데이트될 수 있다.
상술한 본 실시예에 따른 실내 지도 학습 방법은 컴퓨터로 읽을 수 있는 기록 매체에 컴퓨터가 읽을 수 있는 코드로서 구현되는 것이 가능하다. 컴퓨터가 읽을 수 있는 기록매체로는 컴퓨터 시스템에 의하여 해독될 수 있는 데이터가 저장된 모든 종류의 기록 매체를 포함한다. 예를 들어, ROM(Read Only Memory), RAM(Random Access Memory), 자기 테이프, 자기 디스크, 플래쉬 메모리, 광 데이터 저장장치 등이 있을 수 있다. 또한, 컴퓨터가 읽을 수 있는 기록매체는 컴퓨터 통신망으로 연결된 컴퓨터 시스템에 분산되어, 분산방식으로 읽을 수 있는 코드로서 저장되고 실행될 수 있다.
상기에서는 본 발명의 바람직한 실시예를 참조하여 설명하였지만, 해당 기술 분야에서 통상의 지식을 가진 자라면 하기의 특허 청구의 범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.
100: 실내 지도 학습 시스템 110: 훈련 모듈
112: 신호 수집부 114: 가우시안 프로세스 학습부
116: 필터부 118: 궤적 샘플 추정부
120: 실내 지도 학습 모듈 122: 랜드마크 검출부
124: 궤적 샘플 그룹핑부 126: 궤적 학습부
128: 실내 지도 학습 결과 생성부 130: 업데이트부
132: 필터부

Claims (14)

  1. 맵리스(mapless) 위치 측정을 위한 실내 지도 학습 시스템으로서,
    스마트폰의 이동에 따른 2차원 위치와 와이파이 신호세기(RSS) 간의 상관관계에 기초하여 상기 스마트폰의 이동에 관한 궤적 샘플들을 추정하는 훈련 모듈; 및
    상기 궤적 샘플들을 유사성에 따라 그룹핑하고 동일 그룹에 속하는 궤적 샘플들에 대한 대표 궤적을 추정한 후 상기 대표 궤적을 서로 연결하여 실내 지도에 대한 학습을 수행하는 실내 지도 학습 모듈을 포함하되,
    상기 실내 지도 학습 모듈은,
    상기 궤적 샘플을 분석하여 시점과 종점을 그룹핑 기준이 되는 랜드마크(landmark)로 검출하는 랜드마크 검출부;
    상기 랜드마크에 기초하여 상기 궤적 샘플들 중 동일 시점과 종점을 가지는 궤적 샘플들을 동일 그룹으로 그룹핑하는 궤적 샘플 그룹핑부;
    상기 동일 그룹에 속하는 궤적 샘플들에 대해 궤적 학습을 수행하여 상기 대표 궤적을 추정하는 궤적 학습부; 및
    상기 대표 궤적을 연결하여 하나의 통일된 지도 형태로 학습시키는 실내 지도 학습 결과 생성부를 포함하며,
    상기 궤적 학습부는 상이한 길이 및 시간 동기화를 가지는 상기 궤적 샘플들에 대해 칼만 평탄화에 의한 동적 시간 와핑(DTW)을 적용하고,
    상기 훈련 모듈은,
    상기 2차원 위치에 상응하는 상기 와이파이 신호세기를 연속적으로 수집하는 신호 수집부;
    상기 2차원 위치와 상기 와이파이 신호세기의 관계에 대하여 가우시안 프로세스(GP)를 이용하여 학습시키는 가우시안 프로세스 학습부;
    상기 학습 결과에 대해 궤적을 평탄화하면서 궤적에서 동떨어진 구역에 대해서는 파티클을 샘플링하는 파티클 필터링을 수행하는 필터부; 및
    상기 필터부에 의해 샘플링된 파티클을 제외시켜 평탄화된 궤적을 상기 궤적 샘플로서 추정하는 궤적 샘플 추정부를 포함하는 것을 특징으로 하는 실내 지도 학습 시스템.
  2. 삭제
  3. 제1항에 있어서,
    상기 가우시안 프로세스 학습부는 특정 위치에서 하나의 무선 액세스포인트에서 획득되는 와이파이 신호세기에 대한 확률(likelihood)을 출력값으로 추정하는 것을 특징으로 하는 실내 지도 학습 시스템.
  4. 삭제
  5. 삭제
  6. 맵리스(mapless) 위치 측정을 위한 실내 지도 학습 시스템으로서,
    스마트폰의 이동에 따른 2차원 위치와 와이파이 신호세기(RSS) 간의 상관관계에 기초하여 상기 스마트폰의 이동에 관한 궤적 샘플들을 추정하는 훈련 모듈; 및
    상기 궤적 샘플들을 유사성에 따라 그룹핑하고 동일 그룹에 속하는 궤적 샘플들에 대한 대표 궤적을 추정한 후 상기 대표 궤적을 서로 연결하여 실내 지도에 대한 학습을 수행하는 실내 지도 학습 모듈을 포함하되,
    상기 실내 지도 학습 모듈은,
    상기 궤적 샘플을 분석하여 시점과 종점을 그룹핑 기준이 되는 랜드마크(landmark)로 검출하는 랜드마크 검출부;
    상기 랜드마크에 기초하여 상기 궤적 샘플들 중 동일 시점과 종점을 가지는 궤적 샘플들을 동일 그룹으로 그룹핑하는 궤적 샘플 그룹핑부;
    상기 동일 그룹에 속하는 궤적 샘플들에 대해 궤적 학습을 수행하여 상기 대표 궤적을 추정하는 궤적 학습부; 및
    상기 대표 궤적을 연결하여 하나의 통일된 지도 형태로 학습시키는 실내 지도 학습 결과 생성부를 포함하며,
    상기 랜드마크 검출부는 선형 구별 분석(LDA)과 주성분 분석(PCA)을 조합한 차원수 축소 및 데이터포인트의 클러스터링을 통해 2차원 위치 및 와이파이 신호세기의 상관관계로부터 상기 랜드마크를 검출하고,
    상기 훈련 모듈은,
    상기 2차원 위치에 상응하는 상기 와이파이 신호세기를 연속적으로 수집하는 신호 수집부;
    상기 2차원 위치와 상기 와이파이 신호세기의 관계에 대하여 가우시안 프로세스(GP)를 이용하여 학습시키는 가우시안 프로세스 학습부;
    상기 학습 결과에 대해 궤적을 평탄화하면서 궤적에서 동떨어진 구역에 대해서는 파티클을 샘플링하는 파티클 필터링을 수행하는 필터부; 및
    상기 필터부에 의해 샘플링된 파티클을 제외시켜 평탄화된 궤적을 상기 궤적 샘플로서 추정하는 궤적 샘플 추정부를 포함하는 것을 특징으로 하는 실내 지도 학습 시스템.
  7. 맵리스(mapless) 위치 측정을 위한 실내 지도 학습 시스템으로서,
    스마트폰의 이동에 따른 2차원 위치와 와이파이 신호세기(RSS) 간의 상관관계에 기초하여 상기 스마트폰의 이동에 관한 궤적 샘플들을 추정하는 훈련 모듈; 및
    상기 궤적 샘플들을 유사성에 따라 그룹핑하고 동일 그룹에 속하는 궤적 샘플들에 대한 대표 궤적을 추정한 후 상기 대표 궤적을 서로 연결하여 실내 지도에 대한 학습을 수행하는 실내 지도 학습 모듈을 포함하되,
    상기 실내 지도 학습 모듈은,
    상기 궤적 샘플을 분석하여 시점과 종점을 그룹핑 기준이 되는 랜드마크(landmark)로 검출하는 랜드마크 검출부;
    상기 랜드마크에 기초하여 상기 궤적 샘플들 중 동일 시점과 종점을 가지는 궤적 샘플들을 동일 그룹으로 그룹핑하는 궤적 샘플 그룹핑부;
    상기 동일 그룹에 속하는 궤적 샘플들에 대해 궤적 학습을 수행하여 상기 대표 궤적을 추정하는 궤적 학습부; 및
    상기 대표 궤적을 연결하여 하나의 통일된 지도 형태로 학습시키는 실내 지도 학습 결과 생성부를 포함하며,
    상기 궤적 학습부는 상기 궤적 샘플들의 공분산의 놈(norm)을 조사하여 미리 설정된 임계값 이상의 구별되는 값을 가지는 궤적 샘플을 이상점 궤적으로 보고, 궤적 학습에서 제외시키고,
    상기 훈련 모듈은,
    상기 2차원 위치에 상응하는 상기 와이파이 신호세기를 연속적으로 수집하는 신호 수집부;
    상기 2차원 위치와 상기 와이파이 신호세기의 관계에 대하여 가우시안 프로세스(GP)를 이용하여 학습시키는 가우시안 프로세스 학습부;
    상기 학습 결과에 대해 궤적을 평탄화하면서 궤적에서 동떨어진 구역에 대해서는 파티클을 샘플링하는 파티클 필터링을 수행하는 필터부; 및
    상기 필터부에 의해 샘플링된 파티클을 제외시켜 평탄화된 궤적을 상기 궤적 샘플로서 추정하는 궤적 샘플 추정부를 포함하는 것을 특징으로 하는 실내 지도 학습 시스템.
  8. 맵리스(mapless) 위치 측정을 위한 실내 지도 학습 시스템에서 수행되는 실내 지도 학습 방법으로서,
    스마트폰의 이동에 따른 2차원 위치와 와이파이 신호세기(RSS) 간의 상관관계에 기초하여 상기 스마트폰의 이동에 관한 궤적 샘플들을 추정하는 단계 (A); 및
    상기 궤적 샘플들을 유사성에 따라 그룹핑하고 동일 그룹에 속하는 궤적 샘플들에 대한 대표 궤적을 추정한 후 상기 대표 궤적을 서로 연결하여 실내 지도에 대한 학습을 수행하는 단계 (B)을 포함하되,
    상기 단계 (B)는,
    (b1) 상기 궤적 샘플을 분석하여 시점과 종점을 그룹핑 기준이 되는 랜드마크(landmark)로 검출하는 단계;
    (b2) 상기 랜드마크에 기초하여 상기 궤적 샘플들 중 동일 시점과 종점을 가지는 궤적 샘플들을 동일 그룹으로 그룹핑하는 단계;
    (b3) 상기 동일 그룹에 속하는 궤적 샘플들에 대해 궤적 학습을 수행하여 상기 대표 궤적을 추정하는 단계; 및
    (b4) 상기 대표 궤적을 연결하여 하나의 통일된 지도 형태로 학습시켜 실내 지도 학습 결과를 생성하는 단계를 포함하며,
    상기 단계 (b2)는 상이한 길이 및 시간 동기화를 가지는 상기 궤적 샘플들에 대해 칼만 평탄화에 의한 동적 시간 와핑(DTW)을 적용하고,
    상기 단계 (A)는,
    (a1) 상기 2차원 위치에 상응하는 상기 와이파이 신호세기를 연속적으로 수집하는 단계;
    (a2) 상기 2차원 위치와 상기 와이파이 신호세기의 관계에 대하여 가우시안 프로세스(GP)를 이용하여 학습시키는 단계;
    (a3) 상기 학습 결과에 대해 궤적을 평탄화하면서 궤적에서 동떨어진 구역에 대해서는 파티클을 샘플링하는 파티클 필터링을 수행하는 단계; 및
    (a4) 상기 샘플링된 파티클을 제외시켜 평탄화된 궤적을 상기 궤적 샘플로서 추정하는 단계를 포함하는 것을 특징으로 하는 실내 지도 학습 방법.
  9. 삭제
  10. 제8항에 있어서,
    상기 단계 (a2)는 특정 위치에서 하나의 무선 액세스포인트에서 획득되는 와이파이 신호세기에 대한 확률(likelihood)을 출력값으로 추정하는 것을 특징으로 하는 실내 지도 학습 방법.
  11. 삭제
  12. 삭제
  13. 맵리스(mapless) 위치 측정을 위한 실내 지도 학습 시스템에서 수행되는 실내 지도 학습 방법으로서,
    스마트폰의 이동에 따른 2차원 위치와 와이파이 신호세기(RSS) 간의 상관관계에 기초하여 상기 스마트폰의 이동에 관한 궤적 샘플들을 추정하는 단계 (A); 및
    상기 궤적 샘플들을 유사성에 따라 그룹핑하고 동일 그룹에 속하는 궤적 샘플들에 대한 대표 궤적을 추정한 후 상기 대표 궤적을 서로 연결하여 실내 지도에 대한 학습을 수행하는 단계 (B)을 포함하되,
    상기 단계 (B)는,
    (b1) 상기 궤적 샘플을 분석하여 시점과 종점을 그룹핑 기준이 되는 랜드마크(landmark)로 검출하는 단계;
    (b2) 상기 랜드마크에 기초하여 상기 궤적 샘플들 중 동일 시점과 종점을 가지는 궤적 샘플들을 동일 그룹으로 그룹핑하는 단계;
    (b3) 상기 동일 그룹에 속하는 궤적 샘플들에 대해 궤적 학습을 수행하여 상기 대표 궤적을 추정하는 단계; 및
    (b4) 상기 대표 궤적을 연결하여 하나의 통일된 지도 형태로 학습시켜 실내 지도 학습 결과를 생성하는 단계를 포함하며,
    상기 단계 (b1)은 선형 구별 분석(LDA)과 주성분 분석(PCA)을 조합한 차원수 축소 및 데이터포인트의 클러스터링을 통해 2차원 위치 및 와이파이 신호세기의 상관관계로부터 상기 랜드마크를 검출하고,
    상기 단계 (A)는,
    (a1) 상기 2차원 위치에 상응하는 상기 와이파이 신호세기를 연속적으로 수집하는 단계;
    (a2) 상기 2차원 위치와 상기 와이파이 신호세기의 관계에 대하여 가우시안 프로세스(GP)를 이용하여 학습시키는 단계;
    (a3) 상기 학습 결과에 대해 궤적을 평탄화하면서 궤적에서 동떨어진 구역에 대해서는 파티클을 샘플링하는 파티클 필터링을 수행하는 단계; 및
    (a4) 상기 샘플링된 파티클을 제외시켜 평탄화된 궤적을 상기 궤적 샘플로서 추정하는 단계를 포함하는 것을 특징으로 하는 실내 지도 학습 방법.
  14. 맵리스(mapless) 위치 측정을 위한 실내 지도 학습 시스템에서 수행되는 실내 지도 학습 방법으로서,
    스마트폰의 이동에 따른 2차원 위치와 와이파이 신호세기(RSS) 간의 상관관계에 기초하여 상기 스마트폰의 이동에 관한 궤적 샘플들을 추정하는 단계 (A); 및
    상기 궤적 샘플들을 유사성에 따라 그룹핑하고 동일 그룹에 속하는 궤적 샘플들에 대한 대표 궤적을 추정한 후 상기 대표 궤적을 서로 연결하여 실내 지도에 대한 학습을 수행하는 단계 (B)을 포함하되,
    상기 단계 (B)는,
    (b1) 상기 궤적 샘플을 분석하여 시점과 종점을 그룹핑 기준이 되는 랜드마크(landmark)로 검출하는 단계;
    (b2) 상기 랜드마크에 기초하여 상기 궤적 샘플들 중 동일 시점과 종점을 가지는 궤적 샘플들을 동일 그룹으로 그룹핑하는 단계;
    (b3) 상기 동일 그룹에 속하는 궤적 샘플들에 대해 궤적 학습을 수행하여 상기 대표 궤적을 추정하는 단계; 및
    (b4) 상기 대표 궤적을 연결하여 하나의 통일된 지도 형태로 학습시켜 실내 지도 학습 결과를 생성하는 단계를 포함하며,
    상기 단계 (b2)는 상기 궤적 샘플들의 공분산의 놈(norm)을 조사하여 미리 설정된 임계값 이상의 구별되는 값을 가지는 궤적 샘플을 이상점 궤적으로 보고, 궤적 학습에서 제외시키고,
    상기 단계 (A)는,
    (a1) 상기 2차원 위치에 상응하는 상기 와이파이 신호세기를 연속적으로 수집하는 단계;
    (a2) 상기 2차원 위치와 상기 와이파이 신호세기의 관계에 대하여 가우시안 프로세스(GP)를 이용하여 학습시키는 단계;
    (a3) 상기 학습 결과에 대해 궤적을 평탄화하면서 궤적에서 동떨어진 구역에 대해서는 파티클을 샘플링하는 파티클 필터링을 수행하는 단계; 및
    (a4) 상기 샘플링된 파티클을 제외시켜 평탄화된 궤적을 상기 궤적 샘플로서 추정하는 단계를 포함하는 것을 특징으로 하는 실내 지도 학습 방법.
KR1020160046100A 2016-04-15 2016-04-15 와이파이 신호세기를 이용한 실내 지도 학습 방법 및 시스템 KR101954930B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020160046100A KR101954930B1 (ko) 2016-04-15 2016-04-15 와이파이 신호세기를 이용한 실내 지도 학습 방법 및 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020160046100A KR101954930B1 (ko) 2016-04-15 2016-04-15 와이파이 신호세기를 이용한 실내 지도 학습 방법 및 시스템

Publications (2)

Publication Number Publication Date
KR20170119010A KR20170119010A (ko) 2017-10-26
KR101954930B1 true KR101954930B1 (ko) 2019-03-07

Family

ID=60300859

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020160046100A KR101954930B1 (ko) 2016-04-15 2016-04-15 와이파이 신호세기를 이용한 실내 지도 학습 방법 및 시스템

Country Status (1)

Country Link
KR (1) KR101954930B1 (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102333893B1 (ko) 2020-07-02 2021-12-01 한경대학교 산학협력단 실내위치인식 시스템 성능유지를 위한 크라우드소싱 기반 무선신호세기 데이터베이스 갱신 알림 방법 및 장치
KR20230029164A (ko) 2021-08-24 2023-03-03 부산대학교 산학협력단 들로네 삼각분할법을 사용한 실내궤적 데이터 생성방법

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102221695B1 (ko) * 2018-01-15 2021-03-02 에스케이텔레콤 주식회사 자율주행을 위한 고정밀 지도의 업데이트 장치 및 방법
CN111263960B (zh) * 2018-01-15 2022-04-05 Sk电信有限公司 用于更新高清晰度地图的设备和方法
KR102281294B1 (ko) * 2018-12-28 2021-07-23 광운대학교 산학협력단 실내 경로 손실 모델링을 위한 cnn 학습 데이터 생성 방법 및 그 장치와, 이를 이용한 실내 경로 손실 모델링 방법 및 그 장치
KR20230147896A (ko) 2022-04-15 2023-10-24 주식회사 프리그로우 빅데이터 기반의 실내위치 분석을 위한 데이터 공유 플랫폼 및 그 방법
KR20240002835A (ko) * 2022-06-30 2024-01-08 삼성전자주식회사 공간에 대한 맵을 생성하는 전자 장치 및 이의 제어 방법

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100816269B1 (ko) * 2006-09-22 2008-03-25 학교법인 포항공과대학교 언센티드 필터를 적용한 강인한 동시 위치 추정 및 지도작성 방법
KR101176013B1 (ko) * 2011-08-31 2012-08-24 한국항공우주연구원 실내항법을 이용하여 생성된 이동 궤적 매칭을 통한 지도 생성 시스템 및 방법

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20140089105A (ko) * 2013-01-04 2014-07-14 에스케이플래닛 주식회사 보행 경로 안내 시스템 및 방법
KR20150124535A (ko) 2014-04-28 2015-11-06 한국전자통신연구원 실내지도와 와이파이맵 동시 생성 방법 및 시스템
KR101577711B1 (ko) * 2014-05-23 2015-12-15 한양대학교 산학협력단 시간 및 공간적 관계를 이용한 작업 솜씨 학습 방법

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100816269B1 (ko) * 2006-09-22 2008-03-25 학교법인 포항공과대학교 언센티드 필터를 적용한 강인한 동시 위치 추정 및 지도작성 방법
KR101176013B1 (ko) * 2011-08-31 2012-08-24 한국항공우주연구원 실내항법을 이용하여 생성된 이동 궤적 매칭을 통한 지도 생성 시스템 및 방법

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102333893B1 (ko) 2020-07-02 2021-12-01 한경대학교 산학협력단 실내위치인식 시스템 성능유지를 위한 크라우드소싱 기반 무선신호세기 데이터베이스 갱신 알림 방법 및 장치
KR20230029164A (ko) 2021-08-24 2023-03-03 부산대학교 산학협력단 들로네 삼각분할법을 사용한 실내궤적 데이터 생성방법

Also Published As

Publication number Publication date
KR20170119010A (ko) 2017-10-26

Similar Documents

Publication Publication Date Title
KR101954930B1 (ko) 와이파이 신호세기를 이용한 실내 지도 학습 방법 및 시스템
Murata et al. Smartphone-based indoor localization for blind navigation across building complexes
Abdelnasser et al. SemanticSLAM: Using environment landmarks for unsupervised indoor localization
Murata et al. Smartphone-based localization for blind navigation in building-scale indoor environments
Kjærgaard et al. Detecting pedestrian flocks by fusion of multi-modal sensors in mobile phones
Yang et al. Locating in fingerprint space: Wireless indoor localization with little human intervention
Wu et al. Smartphones based crowdsourcing for indoor localization
KR101203261B1 (ko) 이동 장치의 로케이션 역학을 결정하는 시스템 및 방법, 이동 장치를 추적하는 것을 용이하게 하는 머신 구현 시스템, 무선 장치 로케이션 시스템, 및 컴퓨터 판독가능 기록 매체
Yoo et al. Indoor localization without a prior map by trajectory learning from crowdsourced measurements
JP2009159336A (ja) 行動範囲把握方法および行動把握装置
CN104781686A (zh) 路径匹配
Qiu et al. iFrame: Dynamic indoor map construction through automatic mobile sensing
Nowicki et al. Indoor navigation with a smartphone fusing inertial and WiFi data via factor graph optimization
Shokry et al. DynamicSLAM: Leveraging human anchors for ubiquitous low-overhead indoor localization
Vahidnia et al. A hierarchical signal-space partitioning technique for indoor positioning with WLAN to support location-awareness in mobile map services
Kamiya et al. Indoor positioning in large shopping mall with context based map matching
Gu et al. Integration of positioning and activity context information for lifelog in urban city area
Yi et al. Pose invariant activity classification for multi-floor indoor localization
Junoh et al. Crowdsourcing landmark-assisted localization with deep learning
Yoo et al. Mapless indoor localization by trajectory learning from a crowd
De Paola et al. Detection of points of interest in a smart campus
GB2570853A (en) Identifying sites visited by a user device
Atashi et al. Online Dynamic Window (ODW) Assisted Two-Stage LSTM Frameworks For Indoor Localization
Mahida et al. Indoor positioning framework for visually impaired people using Internet of Things
Jackermeier et al. Exploring the limits of PDR-based indoor localisation systems under realistic conditions

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
AMND Amendment
E601 Decision to refuse application
AMND Amendment
E902 Notification of reason for refusal
AMND Amendment
X701 Decision to grant (after re-examination)
GRNT Written decision to grant