KR102278699B1 - 기계 학습 기반의 실내 위치 측정 장치 및 방법 - Google Patents

기계 학습 기반의 실내 위치 측정 장치 및 방법 Download PDF

Info

Publication number
KR102278699B1
KR102278699B1 KR1020190159708A KR20190159708A KR102278699B1 KR 102278699 B1 KR102278699 B1 KR 102278699B1 KR 1020190159708 A KR1020190159708 A KR 1020190159708A KR 20190159708 A KR20190159708 A KR 20190159708A KR 102278699 B1 KR102278699 B1 KR 102278699B1
Authority
KR
South Korea
Prior art keywords
rssi
machine learning
data
values
value
Prior art date
Application number
KR1020190159708A
Other languages
English (en)
Other versions
KR20210070431A (ko
Inventor
황승훈
샤란 신하 라쉬미
Original Assignee
동국대학교 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 동국대학교 산학협력단 filed Critical 동국대학교 산학협력단
Priority to KR1020190159708A priority Critical patent/KR102278699B1/ko
Publication of KR20210070431A publication Critical patent/KR20210070431A/ko
Application granted granted Critical
Publication of KR102278699B1 publication Critical patent/KR102278699B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
    • G01S5/02—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves
    • G01S5/0252—Radio frequency fingerprinting
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S11/00—Systems for determining distance or velocity not using reflection or reradiation
    • G01S11/02—Systems for determining distance or velocity not using reflection or reradiation using radio waves
    • G01S11/06—Systems for determining distance or velocity not using reflection or reradiation using radio waves using intensity measurements
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W64/00—Locating users or terminals or network equipment for network management purposes, e.g. mobility management
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S2205/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
    • G01S2205/01—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations specially adapted for specific applications
    • G01S2205/02—Indoor

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Position Fixing By Use Of Radio Waves (AREA)

Abstract

기계 학습 기반의 실내 위치 측정 장치 및 방법이 개시된다. 일 실시예에 따른 실내 위치 측정 방법은, 복수의 액세스 포인트가 설치된 대상 공간 내의 복수의 참조 지점 별로, 상기 복수의 AP의 수신 신호 세기 값(RSSI 값)을 측정하여 학습 데이터를 구성하는 단계; 상기 학습 데이터에 파티클 필터(particle filter)를 적용하여, 상기 각 참조 지점 별로 상기 복수의 AP에 대한 RSSI 예측값을 생성하는 단계; 상기 RSSI 예측값을 이용하여 상기 학습 데이터의 적어도 일부를 대체함으로써 상기 학습 데이터를 증강하는 단계; 상기 학습 데이터를 이용하여 실내 위치 측정을 위한 기계 학습 모델의 학습을 수행하는 단계를 포함한다.

Description

기계 학습 기반의 실내 위치 측정 장치 및 방법{APPARATUS AND METHOD FOR INDOOR POSITIONING BASED ON MACHINE LEARNING}
본 발명의 실시예들은 실내 위치 측정 기술에 관한 것으로서, 더욱 상세하게는 기계 학습 및 파티클 필터(particle filter)를 이용한 실내 위치 측정 기술에 관한 것이다.
스마트폰 등의 모바일 디바이스의 보급이 늘어나면서, 실내 공간을 위한 위치 기반 서비스를 제공하고자 하는 시도들이 꾸준히 늘어나고 있다. 위성을 이용한 측위 방식이 일반화된 실외 환경과 달리, 실내 공간에서의 위치 측위는 공간의 크기 및 특성에 따라 다양한 기술이 연구되고 있다.
이러한 실내 위치 측위 기술의 하나로 무선랜(Wi-Fi) 액세스 포인트(AP; Access Point)의 수신 신호 강도(RSSI; Received Signal Strength Indicator)를 이용한 핑거프린트(fingerprint) 기반의 실내 위치 측정 기술이 있다. Wi-Fi 핑거프린트는 AP의 MAC 주소와 RSS의 순서쌍을 원소로 가지는 집합을 의미한다.
Wi-Fi 핑거프린트 기반의 실내 위치 측정 방식은 실내에 무선랜 환경이 구축된 경우 별도의 설비 구축이 없이도 실내 위치 측위가 가능한 장점이 있다. 그러나 액세스 포인트의 RSSI는 무선 신호의 특성상 실내 공간의 환경 변화 등에 따라 예측 불가능한 변동(fluctuation)이 발생하는 경우가 많다. 이러한 RSSI의 불규칙한 변화는 실내 위치 측위의 정확성을 방해하는 요소로 작용한다.
대한민국 등록특허공보 제10-1483998호 (2015.01.19.)
본 발명의 실시예들은 무선랜 액세스 포인트의 수신 신호 강도를 이용한 핑거프린트 기반의 실내 위치 측정 기술에 있어 측위의 정확성을 향상시키기 위한 것이다.
예시적인 실시예에 따르면, 하나 이상의 프로세서들, 및 상기 하나 이상의 프로세서들에 의해 실행되는 하나 이상의 프로그램들을 저장하는 메모리를 구비한 컴퓨팅 장치에서 수행되는 방법으로서, 복수의 액세스 포인트(AP; Access Point)가 설치된 대상 공간 내의 복수의 참조 지점(reference point) 별로, 상기 복수의 AP의 수신 신호 세기(RSSI; Received Signal Strength Indicator) 값을 측정하여 학습 데이터(training data)를 구성하는 단계; 상기 학습 데이터에 파티클 필터(particle filter)를 적용하여, 상기 각 참조 지점 별로 상기 복수의 AP에 대한 RSSI 예측값(predicted value)을 생성하는 단계; 상기 RSSI 예측값을 이용하여 상기 학습 데이터의 적어도 일부를 대체함으로써 상기 학습 데이터를 증강하는 단계; 상기 학습 데이터를 이용하여 실내 위치 측정을 위한 기계 학습 모델의 학습을 수행하는 단계를 포함하는, 기계 학습 기반의 실내 위치 측정 방법이 제공된다.
상기 학습 데이터를 증강하는 단계는, 상기 학습 데이터에 포함된 각 AP 별 RSSI 값의 정상 범위를 설정하는 단계; 및 상기 각 AP 별 RSSI 값 중 상기 정상 범위를 벗어나는 값을 상기 RSSI 예측값으로 대체하는 단계를 더 포함할 수 있다.
상기 정상 범위를 설정하는 단계는, 상기 학습 데이터에 포함된 각 AP 별 RSSI 값의 평균 및 분산을 이용하여 상기 각 AP 별 RSSI 값의 정상 범위를 설정하도록 구성될 수 있다.
상기 학습 데이터를 증강하는 단계는, 상기 학습 데이터에 포함된 각 AP 별 RSSI 값 중 0인 값을 상기 RSSI 예측값으로 대체하는 단계를 더 포함할 수 있다.
상기 학습을 수행하는 단계는, 학습된 상기 기계 학습 모델에 검증 데이터(test data)를 입력하여 상기 기계 학습 모델을 검증하는 단계를 더 포함할 수 있다.
상기 검증하는 단계는, 상기 검증 데이터에 포함된 각 AP 별 RSSI 값 중 0인 값을 상기 RSSI 예측값으로 대체하는 단계를 더 포함할 수 있다.
상기 검증하는 단계는, 상기 기계 학습 모델의 출력 레이어로부터 출력되는 각 참조 지점 별 확률값(probability)을 참조하여 복수 개의 후보 참조 지점을 결정하는 단계; 상기 복수 개의 후보 참조 지점에 대응되는 상기 학습 데이터에 파티클 필터를 적용하여 상기 각 후보 참조 지점 별로 상기 복수의 AP에 대한 RSSI 예측값을 생성하는 단계를 더 포함할 수 있다.
상기 각 후보 참조 지점 별로 상기 복수의 AP에 대한 RSSI 예측값을 생성하는 단계는, 상기 복수 개의 후보 참조 지점 별 확률값을 파티클 필터의 초기 가중값(initial weight)으로 설정하는 단계를 더 포함할 수 있다.
상기 검증하는 단계는, 상기 검증 데이터와 상기 각 후보 참조 지점 별 RSSI 예측값 간의 거리를 계산하는 단계; 및 계산된 상기 거리가 최소인 후보 참조 지점을 상기 검증 데이터의 측정 위치로 추정하는 단계를 더 포함할 수 있다.
다른 예시적인 실시예에 따르면, 복수의 액세스 포인트(AP; Access Point)가 설치된 대상 공간 내의 복수의 참조 지점(reference point) 별로, 상기 복수의 AP의 수신 신호 세기(RSSI; Received Signal Strength Indicator) 값을 측정하여 학습 데이터(training data)를 구성하는 학습 데이터 구성 모듈; 상기 학습 데이터에 파티클 필터(particle filter)를 적용하여, 상기 각 참조 지점 별로 상기 복수의 AP에 대한 RSSI 예측값(predicted value)을 생성하며, 상기 RSSI 예측값을 이용하여 상기 학습 데이터의 적어도 일부를 대체함으로써 상기 학습 데이터를 증강하는 학습 데이터 증강 모듈; 및 상기 학습 데이터를 이용하여 실내 위치 측정을 위한 기계 학습 모델의 학습을 수행하는 기계 학습 모듈을 포함하는, 기계 학습 기반의 실내 위치 측정 장치가 제공된다.
상기 학습 데이터 증강 모듈은, 상기 학습 데이터에 포함된 각 AP 별 RSSI 값의 정상 범위를 설정하고, 상기 각 AP 별 RSSI 값 중 상기 정상 범위를 벗어나는 값을 상기 RSSI 예측값으로 대체할 수 있다.
상기 학습 데이터 증강 모듈은, 상기 학습 데이터에 포함된 각 AP 별 RSSI 값의 평균 및 분산을 이용하여 상기 각 AP 별 RSSI 값의 정상 범위를 설정할 수 있다.
상기 학습 데이터 증강 모듈은, 상기 학습 데이터에 포함된 각 AP 별 RSSI 값 중 0인 값을 상기 RSSI 예측값으로 대체할 수 있다.
상기 기계 학습 모듈은, 학습된 상기 기계 학습 모델에 검증 데이터(test data)를 입력하여 상기 기계 학습 모델을 검증할 수 있다.
상기 기계 학습 모듈은, 상기 검증 데이터에 포함된 각 AP 별 RSSI 값 중 0인 값을 상기 RSSI 예측값으로 대체할 수 있다.
상기 기계 학습 모듈은, 상기 기계 학습 모델의 출력 레이어로부터 출력되는 각 참조 지점 별 확률값(probability)을 참조하여 복수 개의 후보 참조 지점을 결정하고, 상기 복수 개의 후보 참조 지점에 대응되는 상기 학습 데이터에 파티클 필터를 적용하여 상기 각 후보 참조 지점 별로 상기 복수의 AP에 대한 RSSI 예측값을 생성할 수 있다.
상기 기계 학습 모듈은, 상기 각 후보 참조 지점 별로 상기 복수의 AP에 대한 RSSI 예측값을 생성하고, 상기 복수 개의 후보 참조 지점 별 확률값을 파티클 필터의 초기 가중값(initial weight)으로 설정할 수 있다.
상기 기계 학습 모듈은, 상기 검증 데이터와 상기 각 후보 참조 지점 별 RSSI 예측값 간의 거리를 계산하고, 계산된 상기 거리가 최소인 후보 참조 지점을 상기 검증 데이터의 측정 위치로 추정할 수 있다.
다른 예시적인 실시예에 따르면, 비일시적 컴퓨터 판독 가능한 저장매체(non-transitory computer readable storage medium)에 저장된 컴퓨터 프로그램으로서, 상기 컴퓨터 프로그램은 하나 이상의 명령어들을 포함하고, 상기 명령어들은 하나 이상의 프로세서들을 갖는 컴퓨팅 장치에 의해 실행될 때, 상기 컴퓨팅 장치로 하여금, 복수의 액세스 포인트(AP; Access Point)가 설치된 대상 공간 내의 복수의 참조 지점(reference point) 별로, 상기 복수의 AP의 수신 신호 세기(RSSI; Received Signal Strength Indicator) 값을 측정하여 학습 데이터(training data)를 구성하는 단계; 상기 학습 데이터에 파티클 필터(particle filter)를 적용하여, 상기 각 참조 지점 별로 상기 복수의 AP에 대한 RSSI 예측값(predicted value)을 생성하는 단계; 상기 RSSI 예측값을 이용하여 상기 학습 데이터의 적어도 일부를 대체함으로써 상기 학습 데이터를 증강하는 단계; 상기 학습 데이터를 이용하여 실내 위치 측정을 위한 기계 학습 모델의 학습을 수행하는 단계를 포함하는 단계들을 수행하도록 하는, 컴퓨터 프로그램이 제공된다.
본 발명의 실시예들에 따를 경우, 무선랜 액세스 포인트의 수신 신호 강도를 이용한 핑거프린트 기반의 실내 위치 측정시 측위의 정확성을 높일 수 있다.
도 1은 일 실시예에 따른 실내 위치 측정 장치(100)을 설명하기 위한 블록도이다.
도 2는 일 실시예에 따른 학습 데이터를 예시하여 설명하기 위한 예시도이다.
도 3은 일 실시예에 따른 검증 데이터를 예시하여 설명하기 위한 예시도이다.
도 4는 본 발명의 일 실시예에 따른 실내 위치 측정 방법(200)을 설명하기 위한 흐름도이다.
도 5는 예시적인 실시예들에서 사용되기에 적합한 컴퓨팅 장치를 포함하는 컴퓨팅 환경(10)을 예시하여 설명하기 위한 블록도이다.
이하, 도면을 참조하여 본 발명의 구체적인 실시형태를 설명하기로 한다. 이하의 상세한 설명은 본 명세서에서 기술된 방법, 장치 및/또는 시스템에 대한 포괄적인 이해를 돕기 위해 제공된다. 그러나 이는 예시에 불과하며 본 발명은 이에 제한되지 않는다.
본 발명의 실시예들을 설명함에 있어서, 본 발명과 관련된 공지기술에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략하기로 한다. 그리고, 후술되는 용어들은 본 발명에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례 등에 따라 달라질 수 있다. 그러므로 그 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다. 상세한 설명에서 사용되는 용어는 단지 본 발명의 실시예들을 기술하기 위한 것이며, 결코 제한적이어서는 안 된다. 명확하게 달리 사용되지 않는 한, 단수 형태의 표현은 복수 형태의 의미를 포함한다. 본 설명에서, "포함" 또는 "구비"와 같은 표현은 어떤 특성들, 숫자들, 단계들, 동작들, 요소들, 이들의 일부 또는 조합을 가리키기 위한 것이며, 기술된 것 이외에 하나 또는 그 이상의 다른 특성, 숫자, 단계, 동작, 요소, 이들의 일부 또는 조합의 존재 또는 가능성을 배제하도록 해석되어서는 안 된다.
도 1은 일 실시예에 따른 실내 위치 측정 장치(100)을 설명하기 위한 블록도이다. 일 실시예에 따른 실내 위치 측정 장치(100)는 복수의 액세스 포인트(AP; Access Point)가 설치된 대상 공간 내의 위치를 측정하기 위한 장치를 의미한다. 이때 상기 대상 공간은 건물 등의 실내에 구비된 공간일 수 있다. 예를 들어, 상기 대상 공간은 사무실 또는 공장 등의 내부 공간, 쇼핑몰, 백화점 등의 상업 공간 등일 수 있으며, 본 발명의 실시예들은 특정 종류의 공간에 한정되는 것은 아니다.
도시된 바와 같이, 본 발명의 일 실시예에 따른 실내 위치 측정 장치(100)는 학습 데이터 구성 모듈(102), 학습 데이터 증강 모듈(104), 기계 학습 모듈(106) 및 위치 측정 모듈(108)을 포함한다.
학습 데이터 구성 모듈(102)은 복수의 액세스 포인트(AP; Access Point)가 설치된 대상 공간 내의 복수의 참조 지점(reference point) 별로, 상기 복수의 액세스 포인트의 수신 신호 세기(RSSI; Received Signal Strength Indicator) 값을 측정하여 학습 데이터(training data)를 구성한다.
도 2는 일 실시예에 따른 학습 데이터를 예시하여 설명하기 위한 예시도이다. 도 2에 도시된 바와 같이, 학습 데이터 구성 모듈(102)은 특정 참조 지점에서 인식 가능한 N개(N은 1 이상의 자연수)의 액세스 포인트(AP1 ~ APN) 각각으로부터 수신 신호 세기를 측정하고 이를 이용하여 학습 데이터를 생성할 수 있다. 도시된 실시예에서는 각 액세스 포인트 별 M개(M은 1 이상의 자연수)의 RSSI 값를 측정하여 학습 데이터를 구성한 예를 나타내었다. 무선랜 엑세스 포인트는 그 특성상 주변 환경에 따라 RSSI가 불규칙하게 변화하는 경우가 많다. 따라서 동일한 액세스 포인트로부터 측정되는 RSSI 값의 개수가 많을수록 정확한 학습을 수행할 수 있다.
학습 데이터 증강 모듈(104)은 학습 데이터 생성 모듈(102)에 의해 생성된 학습 데이터에 파티클 필터(particle filter)를 적용하여, 상기 각 참조 지점 별로 상기 복수의 액세스 포인트에 대한 RSSI 예측값(predicted value)을 생성한다. 개시되는 실시예들에서, 파티클 필터란 시행착오(trial and error)에 기반한 시뮬레이션을 통한 예측 기술의 하나로서, 순차적 몬테 카를로(SMC; Sequential Monte Carlo) 방법이라고도 한다. 예를 들어, 특정 참조 지점에서 측정된 각 액세스 포인트의 RSSI 값을 파티클 필터에 입력하면, 파티클 필터는 상기 각 액세스 포인트의 RSSI 값의 분포를 바탕으로 각 액세스 포인트의 RSSI 예측값을 출력할 수 있다.
이와 같이 참조 지점 별 각 엑세스 포인트의 RSSI 예측값이 생성되면, 학습 데이터 증강 모듈(104)은 상기 RSSI 예측값을 이용하여 상기 학습 데이터를 증강함으로써 증강된 학습 데이터(augmented training data)를 생성한다. 구체적으로 학습 데이터 증상 모듈(104)은 상기 RSSI 예측값을 이용하여 상기 학습 데이터의 적어도 일부를 대체함으로써 상기 학습 데이터를 증강한다. 이를 좀 더 구체적으로 설명하면 다음과 같다.
일 실시예에서, 학습 데이터 증강 모듈(104)은 상기 학습 데이터에 포함된 각 액세스 포인트별 RSSI 값의 정상 범위를 설정하고, 상기 각 액세스 포인트별 RSSI 값 중 상기 정상 범위를 벗어나는 값을 상기 RSSI 예측값으로 대체할 수 있다. 이때, 상기 정상 범위는 상기 학습 데이터에 포함된 각 액세스 포인트별 RSSI 값의 평균 및 분산을 이용하여 상기 각 AP 별 RSSI 값의 정상 범위를 설정하도록 구성될 수 있다. 예를 들어, 특정 액세스 포인트의 RSSI 값의 평균을 m, 분산을 v라 할 때, 해당 액세스 포인트의 RSSI 값의 정상 범위는 (m-v) ~ (m+v) 로 정해질 수 있다. 학습 데이터에 포함된 RSSI 값들 중 상기 정상 범위를 벗어나는 값들은 갑작스러운 외부 환경 변화, 액세스 포인트 또는 측정 장치의 오류 등으로 인해 잘못 측정된 것으로, 해당 참조 지점에서 RSSI 값의 특성을 정확히 파악하는 데 장애로 작용할 가능성이 높다. 따라서 이러한 값들을 파티클 필터에 의한 예측값으로 대체할 경우, 학습 데이터의 정확성을 높일 수 있다.
일 실시예에서, 학습 데이터 증강 모듈(104)은 상기 학습 데이터에 포함된 각 액세스 포인트별 RSSI 값 중 그 값이 0인 RSSI 값을 선택하여 상기 RSSI 예측값으로 대체할 수 있다. 학습 데이터에 포함된 RSSI 값들 중 0으로 기록된 값들은 해당 액세스 포인트 또는 측정 장치의 오류 등으로 인해 제대로 측정되지 못한 값일 가능성이 높다. 따라서 이러한 값들을 파티클 필터에 의한 예측값으로 대체할 경우, 학습 데이터의 정확성을 높일 수 있다.
다음으로, 기계 학습 모듈(106)은 학습 데이터 증강 모듈(104)에 의하여 증강된 학습 데이터를 이용하여 실내 위치 측정을 위한 기계 학습 모델의 학습을 수행한다. 일 실시예에서 상기 기계 학습 모델은 컨볼루션 뉴럴 네트워크(CNN; Convolution Neural Network) 모델일 수 있다. 그러나 개시되는 실시예들은 특정 기계 학습 모델에 한정되는 것은 아니다.
일 실시예에서, 기계 학습 모듈(106)은 상기 학습 과정을 통해 학습된 상기 기계 학습 모델에 검증 데이터(test data)를 입력하여 상기 기계 학습 모델을 검증할 수 있다.
도 3은 일 실시예에 따른 검증 데이터를 예시하여 설명하기 위한 예시도이다. 도시된 바와 같이, 일 실시예에 따른 검증 데이터는 특정 참조 지점에서 측정된 RSSI 값의 집합을 의미한다. 기계 학습 모듈(106)은 검증 데이터를 기계 학습 모델에 입력하고, 기계 학습 모델의 출력값과 검증 데이터의 측정 위치가 일치하는지 여부에 따라 기계 학습의 정확도를 검증할 수 있다.
일 실시예에서, 기계 학습 모듈(106)은 상기 검증 데이터를 기계 학습 모델에 입력하기 전, 상기 검증 데이터에 포함된 각 액세스 포인트별 RSSI 값 중 0으로 기록된 값을 학습 데이터 증강 모듈(104)에서 생성된 상기 RSSI 예측값으로 대체할 수 있다. 검증 데이터에 포함된 RSSI 값들 중 0으로 기록된 값들은 해당 액세스 포인트 또는 측정 장치의 오류 등으로 인해 제대로 측정되지 못한 값일 가능성이 높다. 따라서 이러한 값들을 파티클 필터에 의한 예측값으로 대체할 경우, 학습 데이터의 정확성을 높일 수 있다.
상기와 같은 과정을 거쳐 검증 데이터의 증강(augmentation)이 완료되면, 기계 학습 모듈(106)은 증강된 검증 데이터를 기계 학습 모델에 입력한다. 그러면 기계 기계 학습 모듈은 상기 대상 공간 내의 각 참조 지점 별 확률값(probability)을 출력하게 된다. 일 실시예에서, 상기 기계 학습 모델의 출력 레이어는 소프트맥스(softmax) 레이어로 구성될 수 있다. 이 경우 상기 출력 레이어는 상기 상기 대상 공간 내의 각 참조 지점 별로 0에서 1 사이의 확률값을 출력한다. 그러면 기계 학습 모듈(106)은 출력된 상기 확률값을 참조하여 확률값이 높은 순서로 복수 개의 참조 지점을 후보 참조 지점으로 선택한다.
이후, 기계 학습 모듈(106)은 선택된 복수 개의 후보 참조 지점에 대응되는 학습 데이터에 파티클 필터를 적용하여 상기 각 후보 참조 지점 별로 상기 복수의 액세스 포인트에 대한 RSSI 예측값을 생성한다. 이때 기계 학습 모듈(106)은 상기 출력 레이어에서 출력된 복수 개의 후보 참조 지점 별 확률값을 파티클 필터의 초기 가중값(initial weight)으로 설정하여 상기 RSSI 예측값을 생성한다.
다음으로, 기계 학습 모듈(106)은 상기 검증 데이터와 상기 각 후보 참조 지점 별 RSSI 예측값 간의 거리를 계산하고, 계산된 상기 거리가 최소인 후보 참조 지점을 상기 검증 데이터의 측정 위치로 추정할 수 있다.
이를 예를 들어 설명하면 다음과 같다. 검증 데이터를 기계 학습 모델에 입력한 결과, 출력 레이어의 확률값이 높은 순서로 L1, L2, L3 3개의 후보 참조 지점이 선택되었다고 가정하자. 그러면, 기계 학습 모듈(106)은 상기 L1, L2, L3 각각의 확률값을 초기 가중값으로 설정하여 L1, L2, L3 지점의 학습 데이터를 파티클 필터에 입력함으로써 각 후보 참조 지점 별 RSSI 예측값을 생성할 수 있다. 이후, 학습 모델은 L1의 RSSI 예측값과 검증 데이터간의 거리, L2의 RSSI 예측값과 검증 데이터간의 거리, L3의 RSSI 예측값과 검증 데이터간의 거리를 각각 계산하고, 계산된 3개의 거리 중 최소값을 가지는 지점을 검증 데이터의 측정 위치로 추정한다. 이때 상기 거리는 후보 참조 지점의 RSSI 예측값과 검증 데이터에 포함된 RSSI 값의 차를 이용하여 계산될 수 있으나, 개시되는 실시예들은 특정 거리 계산 방법에 한정되는 것은 아니다. 이후, 기계 학습 모듈(106)은 추정된 검증 데이터의 측정 위치와 실제 측정 위치의 일치 여부에 따라 기계 학습 결과를 검증할 수 있다.
다음으로, 위치 측정 모듈(108)은, 기계 학습 모듈(106)에 의하여 학습이 완료된 기계 학습 모델을 이용하여 위치 측정을 수행한다. 일 실시예에서, 위치 측정 모듈(108)은 상기 대상 공간 내의 특정 지점에서 식별되는 복수의 액세스 포인트의 RSSI 값을 상기 기계 학습 모델에 입력할 수 있다. 그러면 상기 기계 학습 모델은 입력된 RSSI 값과 그 특성이 가장 유사한 참조 지점을 출력값으로 출력한다. 위치 측정 모듈(108)은 출력된 참조 지점을 상기 특정 지점의 위치로 추정할 수 있다.
도 4는 본 발명의 일 실시예에 따른 실내 위치 측정 방법(200)을 설명하기 위한 흐름도이다. 도 4에 도시된 방법은 예를 들어, 전술한 실내 위치 측정 장치(100)에 의해 수행될 수 있다. 도시된 흐름도에서는 상기 방법을 복수 개의 단계로 나누어 기재하였으나, 적어도 일부의 단계들은 순서를 바꾸어 수행되거나, 다른 단계와 결합되어 함께 수행되거나, 생략되거나, 세부 단계들로 나뉘어 수행되거나, 또는 도시되지 않은 하나 이상의 단계가 부가되어 수행될 수 있다.
단계 402에서, 실내 위치 측정 장치(100)의 학습 데이터 구성 모듈(102)은 복수의 액세스 포인트가 설치된 대상 공간 내의 복수의 참조 지점 별로, 상기 복수의 AP의 수신 신호 세기(RSSI; Received Signal Strength Indicator) 값을 측정하여 학습 데이터(training data)를 구성한다.
단계 404에서, 학습 데이터 증강 모듈(104)은 상기 학습 데이터에 파티클 필터(particle filter)를 적용하여, 상기 각 참조 지점 별로 상기 복수의 AP에 대한 RSSI 예측값(predicted value)을 생성한다.
단계 406에서, 학습 데이터 증강 모듈(104)은 생성된 상기 RSSI 예측값을 이용하여 상기 학습 데이터의 적어도 일부를 대체함으로써 상기 학습 데이터를 증강한다. RSSI 예측값 생성 및 학습 데이터의 증강에 대해서는 앞서 상세히 설명하였으므로, 여기서는 반복되는 설명을 생략한다.
단계 408에서, 기계 학습 모듈(106)은 증강된 상기 학습 데이터를 이용하여 실내 위치 측정을 위한 기계 학습 모델의 학습을 수행한다.
단계 410에서, 위치 측정 모듈(108)은, 기계 학습 모듈(106)에 의하여 학습이 완료된 기계 학습 모델을 이용하여 위치 측정을 수행한다.
도 5는 예시적인 실시예들에서 사용되기에 적합한 컴퓨팅 장치를 포함하는 컴퓨팅 환경(10)을 예시하여 설명하기 위한 블록도이다. 도시된 실시예에서, 각 컴포넌트들은 이하에 기술된 것 이외에 상이한 기능 및 능력을 가질 수 있고, 이하에 기술되지 것 이외에도 추가적인 컴포넌트를 포함할 수 있다.
도시된 컴퓨팅 환경(10)은 컴퓨팅 장치(12)를 포함한다. 일 실시예에서, 컴퓨팅 장치(12)는 실내 위치 측정 장치(100)일 수 있다. 컴퓨팅 장치(12)는 적어도 하나의 프로세서(14), 컴퓨터 판독 가능 저장 매체(16) 및 통신 버스(18)를 포함한다. 프로세서(14)는 컴퓨팅 장치(12)로 하여금 앞서 언급된 예시적인 실시예에 따라 동작하도록 할 수 있다. 예컨대, 프로세서(14)는 컴퓨터 판독 가능 저장 매체(16)에 저장된 하나 이상의 프로그램들을 실행할 수 있다. 상기 하나 이상의 프로그램들은 하나 이상의 컴퓨터 실행 가능 명령어를 포함할 수 있으며, 상기 컴퓨터 실행 가능 명령어는 프로세서(14)에 의해 실행되는 경우 컴퓨팅 장치(12)로 하여금 예시적인 실시예에 따른 동작들을 수행하도록 구성될 수 있다.
컴퓨터 판독 가능 저장 매체(16)는 컴퓨터 실행 가능 명령어 내지 프로그램 코드, 프로그램 데이터 및/또는 다른 적합한 형태의 정보를 저장하도록 구성된다. 컴퓨터 판독 가능 저장 매체(16)에 저장된 프로그램(20)은 프로세서(14)에 의해 실행 가능한 명령어의 집합을 포함한다. 일 실시예에서, 컴퓨터 판독 가능 저장 매체(16)는 메모리(랜덤 액세스 메모리와 같은 휘발성 메모리, 비휘발성 메모리, 또는 이들의 적절한 조합), 하나 이상의 자기 디스크 저장 디바이스들, 광학 디스크 저장 디바이스들, 플래시 메모리 디바이스들, 그 밖에 컴퓨팅 장치(12)에 의해 액세스되고 원하는 정보를 저장할 수 있는 다른 형태의 저장 매체, 또는 이들의 적합한 조합일 수 있다.
통신 버스(18)는 프로세서(14), 컴퓨터 판독 가능 저장 매체(16)를 포함하여 컴퓨팅 장치(12)의 다른 다양한 컴포넌트들을 상호 연결한다.
컴퓨팅 장치(12)는 또한 하나 이상의 입출력 장치(24)를 위한 인터페이스를 제공하는 하나 이상의 입출력 인터페이스(22) 및 하나 이상의 네트워크 통신 인터페이스(26)를 포함할 수 있다. 입출력 인터페이스(22) 및 네트워크 통신 인터페이스(26)는 통신 버스(18)에 연결된다. 입출력 장치(24)는 입출력 인터페이스(22)를 통해 컴퓨팅 장치(12)의 다른 컴포넌트들에 연결될 수 있다. 예시적인 입출력 장치(24)는 포인팅 장치(마우스 또는 트랙패드 등), 키보드, 터치 입력 장치(터치패드 또는 터치스크린 등), 음성 또는 소리 입력 장치, 다양한 종류의 센서 장치 및/또는 촬영 장치와 같은 입력 장치, 및/또는 디스플레이 장치, 프린터, 스피커 및/또는 네트워크 카드와 같은 출력 장치를 포함할 수 있다. 예시적인 입출력 장치(24)는 컴퓨팅 장치(12)를 구성하는 일 컴포넌트로서 컴퓨팅 장치(12)의 내부에 포함될 수도 있고, 컴퓨팅 장치(12)와는 구별되는 별개의 장치로 컴퓨팅 장치(102)와 연결될 수도 있다.
한편, 본 발명의 실시예는 본 명세서에서 기술한 방법들을 컴퓨터상에서 수행하기 위한 프로그램, 및 상기 프로그램을 포함하는 컴퓨터 판독 가능 기록매체를 포함할 수 있다. 상기 컴퓨터 판독 가능 기록매체는 프로그램 명령, 로컬 데이터 파일, 로컬 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체는 본 발명을 위하여 특별히 설계되고 구성된 것들이거나, 또는 컴퓨터 소프트웨어 분야에서 통상적으로 사용 가능한 것일 수 있다. 컴퓨터 판독 가능 기록매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM, DVD와 같은 광 기록 매체, 및 롬, 램, 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 상기 프로그램의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함할 수 있다.
이상에서 본 발명의 대표적인 실시예들을 상세하게 설명하였으나, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자는 상술한 실시예에 대하여 본 발명의 범주에서 벗어나지 않는 한도 내에서 다양한 변형이 가능함을 이해할 것이다. 그러므로 본 발명의 권리범위는 설명된 실시예에 국한되어 정해져서는 안 되며, 후술하는 특허청구범위뿐만 아니라 이 특허청구범위와 균등한 것들에 의해 정해져야 한다.
100: 실내 위치 측정 장치
102: 학습 데이터 구성 모듈
104: 학습 데이터 증강 모듈
106: 기계 기계 학습 모듈
108: 위치 측정 모듈

Claims (19)

  1. 하나 이상의 프로세서들, 및
    상기 하나 이상의 프로세서들에 의해 실행되는 하나 이상의 프로그램들을 저장하는 메모리를 구비한 컴퓨팅 장치에서 수행되는 방법으로서,
    복수의 액세스 포인트(AP; Access Point)가 설치된 대상 공간 내의 복수의 참조 지점(reference point) 별로, 상기 복수의 AP의 수신 신호 세기(RSSI; Received Signal Strength Indicator) 값을 측정하여 학습 데이터(training data)를 구성하는 단계;
    상기 학습 데이터에 파티클 필터(particle filter)를 적용하여, 상기 각 참조 지점 별로 상기 복수의 AP에 대한 RSSI 예측값(predicted value)을 생성하는 단계;
    상기 RSSI 예측값을 이용하여 상기 학습 데이터의 적어도 일부를 대체함으로써 상기 학습 데이터를 증강하는 단계;
    상기 학습 데이터를 이용하여 실내 위치 측정을 위한 기계 학습 모델의 학습을 수행하는 단계;
    검증 데이터를 학습된 기계 학습 모델에 입력하여 출력되는 각 참조 지점 별 확률값(probability) 및 상기 검증 데이터를 이용하여 상기 기계 학습 모델을 검증하는 단계를 포함하는, 기계 학습 기반의 실내 위치 측정 방법.
  2. 청구항 1에 있어서,
    상기 학습 데이터를 증강하는 단계는,
    상기 학습 데이터에 포함된 각 AP 별 RSSI 값의 정상 범위를 설정하는 단계; 및
    상기 각 AP 별 RSSI 값 중 상기 정상 범위를 벗어나는 값을 상기 RSSI 예측값으로 대체하는 단계를 더 포함하는, 기계 학습 기반의 실내 위치 측정 방법.
  3. 청구항 2에 있어서,
    상기 정상 범위를 설정하는 단계는,
    상기 학습 데이터에 포함된 각 AP 별 RSSI 값의 평균 및 분산을 이용하여 상기 각 AP 별 RSSI 값의 정상 범위를 설정하도록 구성되는, 기계 학습 기반의 실내 위치 측정 방법.
  4. 청구항 1에 있어서,
    상기 학습 데이터를 증강하는 단계는,
    상기 학습 데이터에 포함된 각 AP 별 RSSI 값 중 0인 값을 상기 RSSI 예측값으로 대체하는 단계를 더 포함하는, 기계 학습 기반의 실내 위치 측정 방법.
  5. 청구항 1에 있어서,
    상기 검증하는 단계는,
    상기 RSSI 예측값을 이용하여 상기 검증 데이터의 적어도 일부를 대체함으로써 상기 검증 데이터를 증강하는 단계를 더 포함하는, 기계 학습 기반의 실내 위치 측정 방법.
  6. 청구항 5에 있어서,
    상기 검증하는 단계는,
    상기 검증 데이터에 포함된 각 AP 별 RSSI 값 중 0인 값을 상기 RSSI 예측값으로 대체하는 단계를 더 포함하는, 기계 학습 기반의 실내 위치 측정 방법.
  7. 청구항 1에 있어서,
    상기 검증하는 단계는,
    상기 기계 학습 모델의 출력 레이어로부터 출력되는 각 참조 지점 별 확률값(probability)을 참조하여 복수 개의 후보 참조 지점을 결정하는 단계;
    상기 복수 개의 후보 참조 지점에 대응되는 상기 학습 데이터에 파티클 필터를 적용하여 상기 각 후보 참조 지점 별로 상기 복수의 AP에 대한 RSSI 예측값을 생성하는 단계를 더 포함하는, 기계 학습 기반의 실내 위치 측정 방법.
  8. 청구항 7에 있어서,
    상기 각 후보 참조 지점 별로 상기 복수의 AP에 대한 RSSI 예측값을 생성하는 단계는,
    상기 복수 개의 후보 참조 지점 별 확률값을 파티클 필터의 초기 가중값(initial weight)으로 설정하는 단계를 더 포함하는, 기계 학습 기반의 실내 위치 측정 방법.
  9. 청구항 7에 있어서,
    상기 검증하는 단계는,
    상기 검증 데이터와 상기 각 후보 참조 지점 별 RSSI 예측값 간의 거리를 계산하는 단계; 및
    계산된 상기 거리가 최소인 후보 참조 지점을 상기 검증 데이터의 측정 위치로 추정하는 단계를 더 포함하는, 기계 학습 기반의 실내 위치 측정 방법.
  10. 복수의 액세스 포인트(AP; Access Point)가 설치된 대상 공간 내의 복수의 참조 지점(reference point) 별로, 상기 복수의 AP의 수신 신호 세기(RSSI; Received Signal Strength Indicator) 값을 측정하여 학습 데이터(training data)를 구성하는 학습 데이터 구성 모듈;
    상기 학습 데이터에 파티클 필터(particle filter)를 적용하여, 상기 각 참조 지점 별로 상기 복수의 AP에 대한 RSSI 예측값(predicted value)을 생성하며, 상기 RSSI 예측값을 이용하여 상기 학습 데이터의 적어도 일부를 대체함으로써 상기 학습 데이터를 증강하는 학습 데이터 증강 모듈; 및
    상기 학습 데이터를 이용하여 실내 위치 측정을 위한 기계 학습 모델의 학습을 수행하고, 검증 데이터를 학습된 기계 학습 모델에 입력하여 출력되는 각 참조 지점 별 확률값(probability) 및 상기 검증 데이터에 기초하여 상기 기계 학습 모델을 검증하는 기계 학습 모듈을 포함하는, 기계 학습 기반의 실내 위치 측정 장치.
  11. 청구항 10에 있어서,
    상기 학습 데이터 증강 모듈은,
    상기 학습 데이터에 포함된 각 AP 별 RSSI 값의 정상 범위를 설정하고,
    상기 각 AP 별 RSSI 값 중 상기 정상 범위를 벗어나는 값을 상기 RSSI 예측값으로 대체하는, 기계 학습 기반의 실내 위치 측정 장치.
  12. 청구항 11에 있어서,
    상기 학습 데이터 증강 모듈은,
    상기 학습 데이터에 포함된 각 AP 별 RSSI 값의 평균 및 분산을 이용하여 상기 각 AP 별 RSSI 값의 정상 범위를 설정하는, 기계 학습 기반의 실내 위치 측정 장치.
  13. 청구항 10에 있어서,
    상기 학습 데이터 증강 모듈은,
    상기 학습 데이터에 포함된 각 AP 별 RSSI 값 중 0인 값을 상기 RSSI 예측값으로 대체하는, 기계 학습 기반의 실내 위치 측정 장치.
  14. 청구항 10에 있어서,
    상기 기계 학습 모듈은,
    상기 RSSI 예측값을 이용하여 상기 검증 데이터의 적어도 일부를 대체함으로써 상기 검증 데이터를 증강하고, 기계 학습 기반의 실내 위치 측정 장치.
  15. 청구항 14에 있어서,
    상기 기계 학습 모듈은,
    상기 검증 데이터에 포함된 각 AP 별 RSSI 값 중 0인 값을 상기 RSSI 예측값으로 대체하는, 기계 학습 기반의 실내 위치 측정 장치.
  16. 청구항 10에 있어서,
    상기 기계 학습 모듈은,
    상기 기계 학습 모델의 출력 레이어로부터 출력되는 각 참조 지점 별 확률값(probability)을 참조하여 복수 개의 후보 참조 지점을 결정하고,
    상기 복수 개의 후보 참조 지점에 대응되는 상기 학습 데이터에 파티클 필터를 적용하여 상기 각 후보 참조 지점 별로 상기 복수의 AP에 대한 RSSI 예측값을 생성하는, 기계 학습 기반의 실내 위치 측정 장치.
  17. 청구항 16에 있어서,
    상기 기계 학습 모듈은,
    상기 각 후보 참조 지점 별로 상기 복수의 AP에 대한 RSSI 예측값을 생성하고,
    상기 복수 개의 후보 참조 지점 별 확률값을 파티클 필터의 초기 가중값(initial weight)으로 설정하는, 기계 학습 기반의 실내 위치 측정 장치.
  18. 청구항 16에 있어서,
    상기 기계 학습 모듈은,
    상기 검증 데이터와 상기 각 후보 참조 지점 별 RSSI 예측값 간의 거리를 계산하고,
    계산된 상기 거리가 최소인 후보 참조 지점을 상기 검증 데이터의 측정 위치로 추정하는, 기계 학습 기반의 실내 위치 측정 장치.
  19. 비일시적 컴퓨터 판독 가능한 저장매체(non-transitory computer readable storage medium)에 저장된 컴퓨터 프로그램으로서,
    상기 컴퓨터 프로그램은 하나 이상의 명령어들을 포함하고, 상기 명령어들은 하나 이상의 프로세서들을 갖는 컴퓨팅 장치에 의해 실행될 때, 상기 컴퓨팅 장치로 하여금,
    복수의 액세스 포인트(AP; Access Point)가 설치된 대상 공간 내의 복수의 참조 지점(reference point) 별로, 상기 복수의 AP의 수신 신호 세기(RSSI; Received Signal Strength Indicator) 값을 측정하여 학습 데이터(training data)를 구성하는 단계;
    상기 학습 데이터에 파티클 필터(particle filter)를 적용하여, 상기 각 참조 지점 별로 상기 복수의 AP에 대한 RSSI 예측값(predicted value)을 생성하는 단계;
    상기 RSSI 예측값을 이용하여 상기 학습 데이터의 적어도 일부를 대체함으로써 상기 학습 데이터를 증강하는 단계;
    상기 학습 데이터를 이용하여 실내 위치 측정을 위한 기계 학습 모델의 학습을 수행하는 단계를 포함하는 단계;
    검증 데이터를 학습된 기계 학습 모델에 입력하여 출력되는 각 참조 지점 별 확률값(probability) 및 상기 검증 데이터에 기초하여 상기 기계 학습 모델을 검증하는 단계들을 수행하도록 하는, 컴퓨터 프로그램.
KR1020190159708A 2019-12-04 2019-12-04 기계 학습 기반의 실내 위치 측정 장치 및 방법 KR102278699B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190159708A KR102278699B1 (ko) 2019-12-04 2019-12-04 기계 학습 기반의 실내 위치 측정 장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190159708A KR102278699B1 (ko) 2019-12-04 2019-12-04 기계 학습 기반의 실내 위치 측정 장치 및 방법

Publications (2)

Publication Number Publication Date
KR20210070431A KR20210070431A (ko) 2021-06-15
KR102278699B1 true KR102278699B1 (ko) 2021-07-16

Family

ID=76412254

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190159708A KR102278699B1 (ko) 2019-12-04 2019-12-04 기계 학습 기반의 실내 위치 측정 장치 및 방법

Country Status (1)

Country Link
KR (1) KR102278699B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024032895A1 (en) * 2022-08-11 2024-02-15 Nokia Technologies Oy Data augmentation for machine learning training in positioning

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102448930B1 (ko) * 2021-12-08 2022-09-30 (주)피플앤드테크놀러지 파티클 필터를 기반으로 가중치 학습을 통한 실내측위 시스템 및 방법
KR102503444B1 (ko) * 2022-05-20 2023-02-27 (주)플루토솔루션 Wi-Fi 신호를 이용한 위치 정보 제공 장치 및 방법
CN115103441B (zh) * 2022-06-20 2024-04-05 燕山大学 一种基于先验知识和迁移学习的定位方法
US20230417862A1 (en) * 2022-06-27 2023-12-28 Samsung Electronics Co., Ltd. Wireless receive signal strength indicator (rssi)-based positioning

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140274109A1 (en) * 2013-03-12 2014-09-18 Qualcomm Incorporated Positioning performance prediction

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101483998B1 (ko) 2013-06-18 2015-01-19 한국항공대학교산학협력단 무선랜 기반 실내 위치 추정 방법, 서버 및 단말
US9866993B2 (en) * 2015-02-27 2018-01-09 Qualcomm Incorporated Distribution and utilization of antenna information for location determination operations
KR102202950B1 (ko) * 2016-10-28 2021-01-13 에스케이텔레콤 주식회사 핑거프린트 측위 방법 및 이를 위한 장치

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140274109A1 (en) * 2013-03-12 2014-09-18 Qualcomm Incorporated Positioning performance prediction

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024032895A1 (en) * 2022-08-11 2024-02-15 Nokia Technologies Oy Data augmentation for machine learning training in positioning

Also Published As

Publication number Publication date
KR20210070431A (ko) 2021-06-15

Similar Documents

Publication Publication Date Title
KR102278699B1 (ko) 기계 학습 기반의 실내 위치 측정 장치 및 방법
US20230077304A1 (en) Cooperative positioning method and apparatus, device, and storage medium
CN106547678B (zh) 用于白盒测试的方法和装置
US11448494B2 (en) Device and method for generating geomagnetic sensor based location estimation model using artificial neural networks
US9357520B2 (en) Methods and systems for signal diffusion modeling for a discretized map of signal strength
JP2005528622A (ja) 位置決め技法のための確率モデル
US9277483B2 (en) User geo-location pattern analysis
US11842262B2 (en) Techniques for analyzing vehicle design deviations using deep learning with neural networks
TWI544822B (zh) 訊號強度分佈建立方法及無線定位系統
US10715263B2 (en) Information processing apparatus, method and non-transitory computer-readable storage medium
Miyagusuku et al. Improving gaussian processes based mapping of wireless signals using path loss models
Ampeliotis et al. Low complexity multiple acoustic source localization in sensor networks based on energy measurements
KR102076093B1 (ko) 실내 위치 측정 장치 및 방법
KR101258832B1 (ko) 액세스 포인트를 이용한 위치 측정 방법 및 그 장치
US20150003265A1 (en) A-priori information in indoor positioning
KR20190042540A (ko) 인공 신경망을 이용한 자기장 기반 위치 추정 모델 생성 장치 및 방법
KR20160088515A (ko) 액세스 포인트 선택적 이용을 위한 통신 단말기 및 컴퓨터 프로그램
KR20220077233A (ko) 클러스터 기반의 실내 위치 측정 장치 및 방법
CN112560834B (zh) 一种坐标预测模型生成方法、装置及图形识别方法、装置
KR101551122B1 (ko) 사용자 단말에서의 패턴 인식 방법 및 그 장치
KR101642186B1 (ko) 위치 추적 방법, 위치 추적 시스템 및 이를 수행하기 위한 기록매체
KR102297577B1 (ko) 기지국 신호의 세기를 이용한 단말의 위치 측정 방법 및 그 방법을 수행하는 단말
KR101665962B1 (ko) 모델링 코드 검증 방법, 이를 수행하는 모델링 코드 검증 장치 및 이를 저장하는 기록매체
Xue et al. On the improvement of positioning accuracy in WiFi‐based wireless network using correntropy‐based kernel learning algorithms
KR102105032B1 (ko) 시스템의 다중 성능 최적화를 위한 효율적인 파레토 집합 선택 방법

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant