KR102305048B1 - 인공지능을 이용한 센서위치보정시스템 - Google Patents

Abstract

일반적으로 주파수를 발생시키는 센서 디바이스를 특정한 공간에 두었을 때 그 3차원공간에서 그 비콘 디바이스는 스캐너 입장에서 파원이 되고, 스캐너는 관측자 입장이 된다. 그 3차원공간에서 파원의 위치는 공간에서 대상개체의 위치측위의 기준점이 된다. 이 파원의 위치측위를 통해 나온 데이터들을 위치측위에 맞게 Tagging하고 그 Tagging된 데이터를 기계학습을 통해 가장 실제위치와 근접한 값을 도출해내는 것이 본 발명의 목적으로써 구체적으로는 센서로부터 발생되는 주파수의 인식 및 수신단계, 3차원 위치 좌표 값 부여단계, 2차원 위치값의 변환단계, 2차원 위치값에 대한 위치변수포함단계, 2차원 위치값을 데이터 Tagging을 통해 데이터베이스에 저장하는 단계,
기계학습을 통한 위치보정값을 도출하는 단계, 위치보정값을 데이터베이스에 저장하는단계, 센서위치의 정확도 개선 값을 도출하는 단계,2 차원맵의 위치데이터를 3차원 위치데이터값으로 변환하여 실제 좌표값과 확인하는 단계로 구현할 수 있으며,
첫 단계인 센서로부터 발생되는 주파수의 발생과 인식단계부터 마지막 단계인 3차원 위치데이터값으로 변환하여 실제 좌표값과 확인하여 보다 높은 정확도의 값을 계속적으로 도출해내는 과정을 반복함으로써 위치데이터가 많이 쌓이면 쌓일수록 위치측위의 정확도가 높아지는 효과를 볼 수 있는데, 본 발명의 주요 알고리즘으로는
3차원의 큐브로 도출한 3차원 위치좌표값을 V0부터 V7까지의 꼭짓점 값을 가지는 2차원 위치데이터를 표현할 수 있다. 이때 이 위치데이터는 실제 위치데이터가 아닌 실제 센서가 위치한 3차원 좌표값의 전체 큐브중 센서가 포함되어 있는 큐브의 위치데이터가 된다. 이렇게 도출된 큐브의 꼭지점값인 V0부터 V7까지 값은
2차원 좌표값에 표시하기 위해 사용되어 지는데, 이것은 205그림처럼 3차원의 위치값을 2차원의 위치값으로 변환하는 방법을 나타낸 것이다. 즉, 3차원의 위치측위값은 큐브를 통해 2차원의 위치값으로 변경된다. 변경되는 방식은 특정한 알고리즘을 적용하지 않고 205그림처럼 A=V0,V1,V2,V3,V4,V5,V6,V7 로서 2차원좌표값에서 A의 값을 지정한다. A의 좌표값은 가로축인 VX와 세로축인 VY가 교차하는 점으로써 A=V0,V1,V2,V3,V4,V5,V6,V7 은 AVX,AVY로 치환할수 있다.
이상과 같이 3차원의 좌표에 존재하는 센서의 위치값은 2차원의 AVX, AVY 값을 가지는 2차원 값으로 변경할 수 있다.
A와 마찬가지로 센서의 위치값이 B로 변경되거나 C로 변경되면, 센서의 위치값은 BVX,BVY 그리고 CVX, CVY로 변환하여 2차원 값으로 저장할수 있다.
이렇게 3차원 센서위치값을 2차원 위치값으로 변경하는 것은 기계학습을 위한 데이터 Tagging을 위한 방법으로써 본 발명의 단계 중 시작 알고리즘이다.
여기서 2차원 위치값으로 치환된 A = AVX,AVY , B = BVX,BVY , C = CVX,CVY은 650그림처럼 C1은 기존의 2차원 위치값에서 가지고 있던 unique한 serial값이 되며,C2는 초당 인식된 횟수/초당 주파수 방송횟수를 의미하며,C3는 Sensor가 C의 위치에서 인식될 확률 그리고 C4는 측정된 전체 시간에서 C의 값을 반복적으로 대입하며 이렇게 모형화된 C의 값 즉, C=C1C2C3/C4를 도출하게 되고, 660그림처럼 머신러닝을 통한 위치보정값을 도출하는 단계를 수행한다. 이렇게 도출된 C값은
Classification = > Clustering => Decision Tree 과정을 반복하면서 정확도를 개선하는 작업을 수행한다. 이것은 기계학습을 위한 데이터 Tagging작업으로써 위치값의 보정을 수행하는 알고리즘이다. 인공지능의 추상화를 수행하는 과정으로 볼 수 있다.
이렇게 추상화된 데이터는 최종 도출된 위치값은 상기 3차원의 특정한 공간에 611그림처럼 Sensor1과 612그림처럼 Sensor2가 존재할 경우 스캐너(관측자)는 620그림부터 690그림까지의 순서대로 2차원 위치값변환 및 머신러닝을 이용한 위치보정값 도출을 Classification = > Clustering => Decision Tree 과정을 반복하면서 정확도를 개선하는 작업을 수행한다.
즉, 스캐너(관측자)는 시간이 흘러가면 갈수록 많은 위치데이터에 대한 학습을 수행할 수 있으므로 시간이 흐름에 따라 센서의 위치값의 정확도가 개선되는 효과를 볼 수 있다.

Description

인공지능을 이용한 센서위치보정시스템{The sensor position correction system using the artificial intelligence}

본 발명은 다양한 무선신호 (모바일, 방송주파수,기지국주파수,기타통신주파수,RF, Bluetooth, FID, Zigbee, UWB, GPS)등 주파수 신호를 발생 혹은 수신하는 센서를 그 위치측위의 대상으로 보고 위치의 값으로 보는 위치측위기술에서 그 위치를 측위할 때 발생하는 다양한 오차를 위치측위데이터의 기계학습을 통해 보다 정확한 위치측위를 할 수 있도록 하는 시스템을 구성하는 것에 대한 발명이다. 일반적으로 주파수를 방송 혹은 수신하는 장치로는 비콘이나 모바일기기 그리고 다양한 이동 디바이스들이 존재한다. 이러한 이동 디바이스들로 부터의 무선신호들을 수신단에서 3차원의 맵의 위치 값으로 변환하고 그것의 위치 값을 수신단의 어플리케이션을 통해 파싱 하고, 그 파싱된 주파수 데이터를 이용하여 위치측위를 하게 된다. 이렇게 측위에 사용되는 다양한 파라미터 값들을 빅데이터로 변환 후 학습을 통해 보다 정확한 위치를 정하도록 만드는 것이 본 발명의 핵심내용이다.

기본적으로 본 발명에 사용되는 기술은 무선신호를 발생 혹은 수신하는 센서를 이용한 위치측위기술과 그 위치측위데이터들을 이용한 기계학습에 대한 기술이 필요하다. 먼저 위치측위기술로는 특정한 공간에서 무선주파수 혹은 전파를 이용하여 위치를 측위 하는 기술은 여러 가지로 많이 개발되어 왔다. 특히 GPS의 범위가 미치지 못하는 공간 즉 지하나 실내 그리고 건물이 많이 존재하는 곳에서의 무선신호를 이용한 위치추적기술을 여러 가지로 많이 제안되어 왔다.

WSN(Wireless Sensor Network)은 pervasive computing의 기반 기술로서 무선망을 이용하여 각종 센서들로부터 전달되는 정보를 취합하고 분석함으로써 다양한 서비스를 구현할 수 있는 새로운 개념의 정보 통신 기술이 발전하고 있다.

위치측위기술로써 GPS(Global Positioning System) 및 GIS(Geographic Information System)를 통하여 다양한 위치인식서비스가 사용되고 있으며 실내에서는 초음파와 RF, 영상처리를 이용한 위치추적이 연구되고 있다.

GPS 방식은 인공위성으로부터 신호를 수신하므로 실내에서는 사용할 수 없는 한계점이 있으며 실내 위치추적에서 다중 경로 문제, 인식 거리와 범위 등에서 많은 제약 사항이 있다.

일반적인 측위기술은 전파가 도달하는 시간을 측정하여 위치를 구하는 방식으로 단말기에서 기지국 사이의 전파도달 시간 TOA(Time Of Arrival)을 측정하는 방법과, 두개의 기지국으로부터의 전파도달시각의 상대적인 차 TDOA(Time Difference of Arrival)를 측정값으로 이용하는 방법을 사용했다

또한 Cricket과 같은 수동형 위치추적 시스템은 건물 내부에 고정으로 부착된 3개 이상의 비콘으로 부터 전송받은 RF와 초음파 신호를 이용해 각 비콘과 수신기 사이의 거리를 계산하는 방식으로 이동기기에서 직접 3차원의 위치 계산이 이루어질 수 있다. 하지만, 수신기의 이동에 따라 고정되어 있는 각 송신기와의 거리가 가까워지거나 멀어지게 되므로 주파수의 세기변화, 각도변화 등으로 인해 항상 왜곡이 발생하고 또한 주파수의 도플러 효과에 의한 오차도 항상 발생한다. 참고로 도플러 효과는 어떤 파동의 파동 원과 관찰자의 상대 속도에 따라 진동수와 파장이 바뀌는 현상을 가리킨다. 소리와 같이 매질을 통해 움직이는 파동에서는 관찰자와 파동원의 매질에 대한 상대속도에 따라 효과가 변한다.

보통 위치측위기술을 인공지능과 결합할 때 일반적으로 인공지능의 기술을 활용할 때 일반적으로 나와 있는 방법인 Supervised Learning중 이미 나와 있는 알고리즘인 Nearleast Neighbor알고리즘을 살펴보면

이것은 유사한 개체들은 유사한 속성을 지닌다는 명제를 전제로한 알고리즘으로써 예로 들어 새의 속성을 살펴보면 새들은 날개가 있다.

라는 유사한 속성으로 묶을 수 있다. 여러 개체의 동물들을 나열한 후 날개가 있는지 확인하면 그 개체는 동물들 중 새일 확률이 높다.

이런 특정한 개체의 가장 가까운 속성을 기준으로 학습하는 방식이 Nearleast Neighbor 알고리즘이다. 많이 알려진 Nearleast Neighbor이 k-NN(k-nearest neighbors) algorithms이다.

분류대상인 표본과 가장 유사한 k 개 개체들이 어떤 분류에 속하는지를 파악하여 이 표본의 분류를 결정하는 것으로써 표본이 지니는 속성들은 공간상의 좌표로 인식된다. 또한 두 개체 p, q 간 유사성은 Euclidian distance로 측정된다.

즉, 공간좌표의 간의 실제 거리를 실제 물리적인 주파수를 이용한 위치측위기술과 융합함으로써 새로운 형태의 위치측위기술을 만들 수 있다.

도플러 효과(영어: Doppler effect 또는 Doppler shift, 도플러 현상, 도플러 편이 현상)는 어떤 파동의 파동원과 관찰자의 상대 속도에 따라 진동수와 파장이 바뀌는 현상을 가리킨다. 소리와 같이 매질을 통해 움직이는 파동에서는 관찰자와 파동원의 매질에 대한 상대속도에 따라 효과가 변한다. 그러나 빛이나 일반상대성이론에서의 자기력과 같이 매질이 필요 없는 파동의 경우 관찰자와 파동원의 상대속도만이 도플러 효과에 영향을 미친다.

만약 파원과 관찰자 모두 움직일 때 두 속력은 관측되는 주파수가 파원이 관측자로 접근하거나 관측자가 파원 쪽으로 움직일 때에는 증가한다. 주파수는 서로 멀어지는 경우에는 줄어든다.

즉, 파원이 직접 다가오거나 멀어지는 상황을 가정한다. 파원이 관측자에 특정한 각도와 속도를 유지하면서 접근하면, 관측되는 주파수는 처음에는 방출되는 주파수보다 높고, 이후 관측자에 가까워질수록 감소한다. 관측자에 가장 접근했을 때에는 같아지다가 다시 멀어짐에 따라 감소한다. 관측자가 물체의 진행 경로에 매우 가깝다면, 높은 주파수에서 낮은 주파수로 급격히 변환되며, 경로로부터 멀리 떨어져 있으면, 완만히 바뀌게 된다.

일반적으로 도플러 방정식은 파동의 속도가 파원과 관측자의 상대 속도에 비해 훨씬 큰 경우와 파원과 관측자가 전파의 속도에 비해 매우 느린 경우나 파원과 관측자의 거리가 전파의 파장에 비해 매우 큰 경우에 유용하게 활용된다. 이러한 경우에 해당되지 않는다면 도플러 방정식들은 위치측위에서 많은 오차를 포함하게 된다.

본 발명은 이러한 주파수를 발생 혹은 수신하는 센서의 위치측위에서의 파원과 관측자인 수신센서 사이에서 발생하는 주파수 왜곡과 도플러 효과에 의한 오차를 보정하는 방식으로써 위치측위에 사용되는 무선신호 데이터를 맵에 매핑하여 그 데이터를 통한 위치값을 빅데이터로 변환한 후 기계학습을 통해 위치오차를 보정하여 위치측위의 정확도를 높이는 방법을 기술한 것이다.

본 발명의 목적은 인공지능의 단계인 추상화과정인 저장된 데이터를 좀 더 포괄적 형태와 개념으로 변환하고, 또한 저장된 데이터에 숨겨져 있는 패턴을 구체적으로 묘사한 것에 모형을 이용하여 요약 하는 것이다.

추상화의 과정에서 나오는 것이 훈련인데 이것은 데이터 셋에 모형을 맞추는 과정이며, 데이터 속에 들어 있던 원천 정보는 훈련된 모형에 의해 추상적 형태로 전환된다. 데이터에 이미 들어 있었지만 이전에는 알 수 없었던 관계를 훈련된 모형을 통해 발견할 수 있다. 이것이 바로 위치측위기술에 인공지능기술을 이용하는 목적이 된다. 따라서 기존의 위치측위방식을 주파수의 왜곡과 도플러 방정식의 부정확을 개선하기 위하여 위치측위방식을 3차원 맵을 2차원 맵으로 변경함으로써 위치측위에서 왜곡의 가능성을 최대한 낮추고 또한 그것을 통한 위치데이터의 빅데이터 전환을 위한 데이터 Tagging방식을 발명하고, 그것을 기계학습을 통해 위치데이터의 정확도에 대한 확률을 높이는 방식을 발명한 것이다.

결론적으로 본 발명은 인공지능기술을 이용하여 위치측위방식의 개선을 통해서 기계학습을 위한 데이터를 생성하고 그 생성된 데이터를 다시 위치값으로 치환하여 궁극적으로 위치측위를 위해 사용되는 센서의 위치값을 보정하는 것을 목적으로 한다.

상기 목적은, 본 발명에 따라, 센서로부터 발생되는 주파수의 인식 및 수신단계,3차원 위치 좌표 값 부여단계,2차원 위치값의 변환단계,2차원 위치값에 대한 위치변수포함단계,2차원 위치값을 데이터 Tagging을 통해 데이터베이스에 저장하는 단계,

기계학습을 통한 위치보정값을 도출하는 단계,위치보정값을 데이터베이스에 저장하는단계,센서위치의 정확도 개선 값을 도출하는 단계,2차원맵의 위치데이터를 3차원 위치데이터값으로 변환하여 실제 좌표값과 확인하는 단계로 구현할 수 있으며,

첫 단계인 센서로부터 발생되는 주파수의 발생과 인식단계부터 마지막 단계인 3차원 위치데이터값으로 변환하여 실제 좌표 값과 확인하여 보다 높은 정확도의 값을 계속적으로 도출해내는 과정을 반복함으로써 위치데이터가 많이 쌓이면 쌓일수록 위치측위의 정확도가 높아진다.

본 발명에 따르면, 기본적인 센서로써 블루투스 주파수를 활용하여 공간속에서 그 주파수를 발생하는 개체의 위치를 측위하는 방식을 예로 들어 기술하고 있다. 즉, 일반적으로 비콘 디바이스를 특정한 공간에 두었을 때 그 3차원공간에서 그 비콘 디바이스는 스캐너 입장에서 파원이 되고, 스캐너는 관측자 입장이 된다. 그 3차원공간에서 파원의 위치는 공간에서 대상개체의 위치측위의 기준점이 된다. 이 파원의 위치측위를 통해 나온 데이터들을 위치측위에 맞게 Tagging하고 그 Tagging된 데이터를 기계학습을 통해 가장 실제위치와 근접한 값을 도출해내는 것이 본 발명의 핵심이다.

도 1은 특정 공간에서의 센서위치(Sensor Location in the Space)
도 2는 공간차원에 따른 좌표값(Dimension Coordinate Value)
도 3은 무선센서네트워크의 부정확성(Inexactitude Wireless Sensor Network)
도 4는 위치값에 대한 기계학습 적용(Applying Machine Learning to Location Values)
도 5는 위치값에 대한 기계학습 방법(Method for Machine Learning to Location Values)
도 6은 위치정확도 보정을 위한 흐름도(Flowchart for Location Accuracy Correction)

본 발명은 발명의 내용을 구체화하기 위해 파원을 발생시키는 블루투스 주파수를 이용한 비콘을 활용하였다. 비콘은 일반적으로 ISM대역의 주파수를 일정한 주기와 세기로 지속적으로 방송하게 할 수 있고, Coin배터리를 사용하고 또한 크기가 작아서 휴대성이 좋아서 본 발명을 구체화하는데 유용하다.

먼저 비콘을 특정공간에 위치시킨 후 블루투스 주파수 스캐너(스마트폰)을 통해 비콘의 위치를 측위하는 데이터를 얻을 수 있다.

이렇게 스캐너 즉, 관측자의 입장에서 대상물에 대한 위치데이터를 통해 그 데이터를 Tagging한다.

이상과 같이 위치 측위 대상에 대한 정의를 완료한 후 이하, 본 발명의 일부 실시 예들을 예시적인 도면을 통해 상세하게 설명한다. 각 도면의 구성요소들에 참조부호를 부가함에 있어서, 동일한 구성요소들에 대해서는 비록 다른 도면상에 표시되더라도 가능한 다른 부호를 가지도록 하고 있음에 유의해야 한다.

그리고 본 발명의 실시 예를 설명함에 있어, 관련된 공지 구성 또는 기능에 대한

구체적인 설명이 본 발명의 실시 예에 대한 이해를 방해한다고 판단되는 경우

에는 그 상세한 설명은 생략한다.

또한, 본 발명의 실시 예의 구성 요소를 설명하는 데 있어서, 제1차, 제2차, 이것 , 저것, 그것, A, B, (a), (b) 등의 용어를 사용할 수 있다. 이러한 용어는 그 구성 요소를 다른 구성 요소와 구별하기 위한 것일 뿐, 그 용어에 의해 해당 구성 요소의 본질이나 차례 또는 순서 등에 한정되지 않는다.

이하, 첨부된 도면을 참조하여 본 발명의 실시 예에 따른 인공지능을 이용한 센서위치보정시스템에 대해서 상세히 설명한다.

도1은 본 발명의 일실시예에 특정 공간에서의 센서위치(Sensor Location in the Space)를 도시한 것이고, 도 2는 본 발명의 일실시예에 따른 공간차원에 따른 좌표값(Dimension Coordinate Value)이고, 도 3은 본 발명의 일실시예에 따른 무선센서네트워크의 부정확성(Inexactitude Wireless Sensor Network)의 설명을 위한 도면이고, 도 4는 본 발명의 일실시예에 따른 위치값에 대한 기계학습 적용(Applying Machine Learning to Location Values)의 설명을 위한 도면이며, 도 5는 본 발명의 일실시예에 따른 위치값에 대한 기계학습 방법(Method for Machine Learning to Location Values)으로써 추출한 위치데이터에 대한 Tagging을 설명한 것이며, 도 6은 본 발명에 대하여 위치정확도 보정을 위한 흐름도(Flowchart for Location Accuracy Correction)를 표현한 것이다.

도 1에 도시된 바와 같이, 본 발명의 일실시예에 따른 특정 공간에서의 센서위치(Sensor Location in the Space)은 도1의 101 그림은 파원에서 발생되는 블루투스 주파수의 각 파라미터 값들을 나타낸 것으로써 블루투스 주파수의 방송프레임은 UUID,Minor,Major,TxPower,Mac Address등의 값을 가진다. 기본적으로 측위를 위해 활용되는 파라미터는 UUID,Minor,Major,TxPower,Mac Address의 조합값으로써 인코딩을 거치지 않기 때문에 Serial로 나열한 값이 위치데이터값이다. 이런 위치데이터 값을 102그림의 3차원공간에서 Sensor의 위치에서 나오는 값으로 정의할 수 있다.

정의된 값들은 3차원 좌표공간에서 Access Point1~ 무한대까지 특정한 위치값으로 정의할 수 있다. 도3의 102 그림에서 보는바와 같이 센서의 위치는 3차원공간의 가로,세로,높이 등 3가지 값을 가지는 좌표값으로 정의할 수 있다.

이런 정의된 3차원 위치측위 값은 도1의 103그림에서 보는 바와 같이 어떤 특정한 공간에서 특정한 센서네트워크를 형성한다. 센서네트워크의 구성요소는 공간과 센서 그리고 발생되는 주파수를 의미한다. 즉, 3차원 공간에서 센서네트워크를 형성함으로서 그 공간은 측위를 위한 환경을 구성하는것이고,스캐너를 통해 그 센서의 위치를 측위 할수 있게 된다. 이것은 일반적인 위치측위를 위한 센서네트워크의 구성으로써 본 발명에서는 이런 센서네트워크에서 공간의 인식을 3차원 즉, 실제 공간 그 자체로 그대로 좌표값을 부여하며, 그 좌표값이 실제 좌표값이 되는 것을 증명한다. 이 실제 좌표값은 본 발명에서 최종적으로 위치측위데이터의 보정값과 비교되어 가장 정확성이 높은 값을 다시 채택하는 승자독식체계를 가짐으로써 보정의 정확도를 높인다.

도 2에 도시된 바와 같이, 본 발명의 일실시예에 따른 공간차원에 따른 좌표값(Dimension Coordinate Value)은 실제 센서가 존재하는 위치측위 값인 3차원 값을 2차원으로 2변환하는 과정을 표현하는것으로써 201그림에서 나타난것과 같이 실제 202그림의 센서의 위치는 X, Y, Z로 구성되는 3차원 좌표값의 한 큐브에 포함되게 된다. 본 발명에서는 일반적인 좌표값이 교차되는 지점이 아닌 센서가 존재하는 큐브를 3차원 좌표값 큐브를 위치값으로 가정한다. 이렇게 하면 주파수의 왜곡이나 변형 및 도플러 효과 등으로 인한 주파수의 값의 변화로 인한 위치측위 데이터의 변화에 대한 버퍼를 포함하게 됨으로써 큰 오차 범위를 회피할 수 있는 측위방식이다.

이렇게 3차원의 큐브로 도출한 203그림의 큐브는 204그림처럼 V0부터 V7까지의 꼭짓점 값으로 위치데이터를 표현할 수 있다. 이때 이 위치데이터는 실제 위치데이터가 아닌 실제 센서가 위치한 3차원 좌표값의 전체 큐브 중 센서가 포함되어 있는 큐브의 위치데이터가 된다. 이렇게 도출된 큐브의 꼭지점값인 V0부터 V7까지은

2차원 좌표값에 표시하기 위해 사용되어 지는데, 이것은 205그림처럼 3차원의 위치값을 2차원의 위치값으로 변환하는 방법을 나타낸 것이다. 즉, 3차원의 위치측위값은 큐브를 통해 2차원의 위치값으로 변경된다. 변경되는 방식은 특정한 알고리즘을 적용하지 않고 205그림처럼 A=V0,V1,V2,V3,V4,V5,V6,V7 로써 2차원 좌표값에서 A의 값을 지정한다. A의 좌표값은 가로축인 VX와 세로축인 VY가 교차하는 점으로써 A=V0,V1,V2,V3,V4,V5,V6,V7 은 AVX,AVY로 치환할 수 있다.

이상과 같이 3차원의 좌표에 존재하는 센서의 위치값은 2차원의 AVX, AVY 값을 가지는 2차원 값으로 변경할 수 있다.

A와 마찬가지로 센서의 위치값이 B로 변경되거나 C로 변경되면, 센서의 위치값은 BVX,BVY 그리고 CVX, CVY로 변환하여 2차원값으로 저장할 수 있다.

이렇게 3차원 센서위치값을 2차원 위치값으로 변경하는 것은 기계학습을 위한 데이터 Tagging을 위한 방법으로써 본 발명의 단계 중 시작 알고리즘이다.

도 3에 도시된 바와 같이, 본 발명의 일실시예에 따른 무선센서네트워크의 부정확성(Inexactitude Wireless Sensor Network)은 301그림의 센서가 302그림의 3차원공간

좌표에서 어떤 특정한 큐브영역에 포함되는지를 나타낸 것으로 일반적으로 3차원 좌표값에서 실제 좌표값을 가로,세로,높이 등 3가지 값을 가지는 좌표값으로 표현할 경우 주파수가 가지는 다양한 특성인 왜곡이나 변형 및 도플러효과 등의 오차범위를

감안하여 그 범위를 지정할 수 있기　 때문에 그만큼 오차 범위를 상쇄할 수 있는 효과를 가진다. 예로들어 GPS의 경우 지역에 따라 약 10M 내외의 위치오차가 발생할 수 있으며,비콘의 경우 약 5M 내외의 오차 그리고 Zigbee나 UWB의 경우에도 1M내외의 오차가 항상 발생할 개연성을 가지고 있다. 이런 주파수의 특성에 따른 오차를 3차원좌표값에서는 항상 내재되어있는 상존오차로 규정하고 그 상존오차범위를 큐브의 크기로 규정하며, 그 규정된 큐브의 위치를 3차원 위치값으로 간주한다.

이렇게 하면 주파수가 가진 기본적인 상존 오차를 큐브의 값으로 흡수할 수 있어서 위치측위의 정확도와 실제위치의 정확도를 매핑시키는 효율을 향상 시킬 수 있다.

303그림처럼 3차원의 위치값을 2차원 위치값으로 치환하는 과정은 큐브의 각 꼭짓점을 하나의 파라미터로 규정하고 그 규정된 값은 A=AVX,AVY로 정의 할 수 있으며 이것은 하나의 Unique한 Serial 값으로 써 A=123456787처럼 규정할 수 있다.

당연히 B=123456788, C=123456789처럼 A를 기준으로 B와 C의 값은 다른 Serial을 가질 수 있다. 303그림의 하단처럼 일반적인 센서들이 산재해 있는 3차원공간에서는 다양한 센서들이 함께 존재하는 경우가 많다. Sensor1과 Sensor2 그리고 Sensor3은 하나의 규정된 특정 공간에 함께 상존하므로써 서로 영향을 주는 센서네트워크가 형성된다. 이렇게 상존하는 특정공간의 센서들도 3차원 공간의 위치좌표값을 2차원 위치좌표값으로 치환하면 같은 공간의 상존하지만 구분되는 위치값으로 표현될 수 있다. 즉, 3차원에 존재하는 각 위치값은 주파수의 종류나 세기 그리고 서로 영향을 주어도 독립된 파원으로써의 인식이 가능하게 되는 것이다.

본 발명의 시작 알고리즘은 파원의 위치값을 3차원에서 2차원으로 치환하여 데이터를 Tagging하는 방법이다.

도 4에 도시된 바와 같이, 본 발명의 일실시예에 따른 위치값에 대한 기계학습 적용(Applying Machine Learning to Location Values)은 도4는 도3까지 특정한 센서의 위치값을 빅데이터로 Tagging하고 치환하는 방식을 설명한 것을 실제적으로 어떻게 기계학습을 통해 위치보정값을 생성하는지는 보여준다.

401그림은 센서로부터 방송되는 주파수를 스캐너(관측자)에서 수신할 때 3차원의 Sensor1의 위치값이 2차원의 위치값 A=123456787, B=123456788, C=123456789 로 치환되고 그것은 실질적으로 A,B,C 세 개의 위치로 표현될 수 있다. 즉, 401그림에서 보는바와 같이 Sensor1은 초당 30회의 주파수를 방송하게 되는데 위치값은 초 A, B ,C 3개의 값으로 나온다. 즉, 초당 7회는 A, 초당 2회는 B, 초당 21회는 C 위치로 위치값이 취득되었다면, 그림402에서 보는 바와 같이 Sensor의 위치는 Access Point1부터 Access Point3까지의 3개의 값을 가지는 큐브에 포함된다고 할 수 있다. 이런 A,B,C값은

30개까지 기본적으로 가질 수 있으며, 센서가 여러 종류가 포함된 공간에서는 무한대까지 늘어날 수 있다. 이렇게 취해진 Sensor의 2차원 위치값 A,B,C는 Sensor의 위치값으로써 Tagging되어 빅데이터로 저장된다.

404그림은 빅데이터로 저장되는 과정을 표현한 것으로써 데이터의 추상화화여 저장하는 것으로 데이터를 위치측위보정을 위한 좀 더 포괄적 형태와 개념으로 변환하는 과정을 표현한다. 데이터에 Tagging을 하는 방법으로써 숨겨져 있는 패턴을 구체적으로 묘사한 것에 모형을 이용하여 요약하는 것이다. 즉, 분류(classification)하는 과정으로써 센서의 값이 초당 7회는 A, 초당 2회는 B, 초당 21회는 C 위치로 위치값이 취득되었다면 405그림처럼 가장 많은 위치값으로 Clustering(군집화)된 C는 C1C2C3/C4의 값으로 다시 Decision Tree방식으로 입력변수(features)와 출력변수(potential outcomes)간의 관계 설정한 값으로 변환된다.

여기서 C1은 기존의 2차원 위치값에서 가지고 있던 unique한 serial값이 되며,C2는 초당 인식된 횟수/초당 주파수 방송횟수를 의미하며,C3는 Sensor가 C의 위치에서 인식될 확률 그리고 C4는 측정된 전체 시간에서 C의 값을 반복적으로 대입하며 이렇게 모형화된 C의 값은 시간에 따라 계속적으로 데이터를 부분집합으로 분할한 뒤 각 부분집합을 더 작은 부분집합으로 계속해서 반복적으로 분할해서 저장하는 과정을 수행하게 된다.

이와 같이 위에서 나온 추상화의 데이터인 C를 반복적으로 저장하여 측위값이 변화 추이를 훈련(Training)시킨다. 이것은 데이터 셋에 모형을 맞추는 과정으로써, 데이터 속에 들어 있던 원천 위치정보는 훈련된 모형에 의해 추상적 형태로 계속 전환을 반복하게 된다.

인공지능을 이용한 센서위치측위보정시스템의 핵심 알고리즘은 2차원 좌표값으로 변환된 위치값에 대하여 C=C1C2C3/C4연산의 반복을 통해 Classification = > Clustering => Decision Tree => 다시 Classification으로 시간에 따른 위치값의 훈련과정을 통해 최적의 센서의 위치측위값을 도출해 내는 방식이다.

도 5에 도시된 바와 같이, 본 발명의 일실시예에 따른 위치값에 대한 기계학습 방법(Method for Machine Learning to Location Values)은 위치측위값에 대한 기계학습의 원리를 상세하게 표현한 도면으로써 501그림에 데이터베이스에 저장된 Classification된 Sensor의 A, B, C위치값은 502그림처럼 C=C1C2C3/C4연산의 반복을 통해 Classification = > Clustering => Decision Tree 과정을 반복하면서 503그림처럼 데이터베이스에 재 저장된다. 그 저장된 데이터는 3차원의 위치값 실제 Sensor의 위치값이 Location1~Location3으로 시간에 따라 업데이트 되면서 반영된다.

다시 설명하면 501그림부터 503그림까지의 과정은 505그림처럼 3차원의 위치값을 2차원의 위치값으로 변환한 후 나오는 여러 경우의 위치값을 위치변경가능성에 기반한

Classification(분류)를 수행하여,A ,B , C로 나누고 그 경계는 Decision Tree(분배결정)를 수행하는데 그 값은 A = AVX,AVY , B = BVX,BVY , C = CVX,CVY로 정의할 수 있으며,Z는 A,B,C 의 경계를 정하는 중심점이며, Z1은 A 와 B의 경계선을 의미하며,Z2는 B와 C의 경계를 의미하고, Z3은 A 와 C이 경계를 의미한다. 이 경계를 통해 Decision Tree(분배결정)을 수행하는 프로세스로써 Z의 중심축이 A방향으로 이동하면 ZA를 수행하고,B방향으로 이동하면 ZB로 이동하며,C방향으로 이동하면 ZC의 프로세스를 수행한다. 즉, Sensor의 위치값은 3개의 값인 A,B,C 만으로 특정지어지지 않으면 더 많은 수의 임시 위치값으로 정의될 수 있다. 다만 3개로 한정했을 때 혹은 더 많은 임시 위치값이 있더라도 Z 중심축의 이동에 따라 A,B,C값은 변동되며,따라서 Decision Tree(분배결정)에서 결정되는 값(여기 설명에서는 C)가 변경될 수 있다.

즉,505그림 하단에 표시된 것처럼 ABC의 Sorting Porint는 Z에 달려있다.

506그림은 A,B,C의 위치값을 Z기준축을 중심으로 그래프에 표시한 것으로써

Z기준축에 따라 변경되는 Z1~Z3은 시간의 흐름 따른 변동치가 함께 반영된 것이다.

따라서 504그림과 506그림에서 보는바와 같이 Sensor의 A, B, C위치값은 C로 선택되고 502그림처럼 C=C1C2C3/C4연산의 반복을 통해 Classification = > Clustering => Decision Tree 과정을 반복하면서 데이터베이스에 재 저장된다.

본 발명으로 도출되는 위치측위데이터에 대한 인공지능 알고리즘을 수식으로 표현하면

즉, 중심축 Z는

의 직선으로 구성되는데 이 경계선을 기준으로 항상 A위치값은 B보다 작거나 같고,B위치값은 C보다가 작거나 같게 된다.

따라서 A,B,C의 위치값 데이터를 Classification = > Clustering => Decision Tree 과정을 반복하면서 저장할 경우 C가 가장 많은 분포로써 존재한다.

즉, C의 값이 가장 많은 빈도수로 그래프 상에 표시되고 가장 많은 확률로서 표시되게 된다. 따라서 위치측위값은 C의 값이 실제 위치값과 가장 근사한 값이 되므로 현재 C의 값을 기준으로 실제의 위치값을 보정하게 된다.

도 6에 도시된 바와 같이, 본 발명의 일실시예에 따른 위치정확도 보정을 위한 흐름도(Flowchart for Location Accuracy Correction)를 나타낸 것으로써 3차원의 특정한 공간에 611그림처럼 Sensor1과 612그림처럼 Sensor2가 존재할 경우 스캐너(관측자)는 Sensor1과 Sensor2에서 방송되는 주파수를 인식하고 수신하는 단계를 수행한다.

처음으로 수신된 주파수는 큐브로 지칭되는 3차원 위치좌표값을 부여받게 된다. 이렇게 부여받은 3차원 큐브의 꼭지점값을 통해 2차원 위치값으로 변환을 수행하게 되며, 변환된 2차원 위치값은 A = AVX,AVY , B = BVX,BVY , C = CVX,CVY형태로 재 정의 함으로써 2차원 위치값에 대한 변수포함단계를 거치게 된다. 이렇게 변수값은 650그림처럼

C1은 기존의 2차원 위치값에서 가지고 있던 unique한 serial값이 되며,C2는 초당 인식된 횟수/초당 주파수 방송횟수를 의미하며,C3는 Sensor가 C의 위치에서 인식될 확률 그리고 C4는 측정된 전체 시간에서 C의 값을 반복적으로 대입하며 이렇게 모형화된 C의 값 즉, C=C1C2C3/C4를 도출하게 되고, 660그림처럼 머신러닝을 통한 위치보정값을 도출하는 단계를 수행한다. 수행하는 과정은 A,B,C의 위치값 데이터를 Classification = > Clustering => Decision Tree 과정을 반복하면서 저장하여 C가 가장 많은 분포로써 존재하는 그래프를 생성하게 된다. 이렇게 도출된 C의 값은 670그림처럼 위치보정값의 데이터베이스 저장단계를 거치고 되고,680그림처럼 센서위치의 정확도를 개선한 값을 도출하는 단계를 진행하게 된다. 이렇게 도출된 센서위치보정값은 690그림처럼 센서의 위치값과 실제 3차원 좌표값을 확인하는 단계로 평가를 거친 후 다시 691번과 692번의 그림처럼 정확도를 평가한후 다시 620그림처럼 3차원 위치좌표값을 다시 부여하는 단계로 진행된다.

즉,3차원의 특정한 공간에 611그림처럼 Sensor1과 612그림처럼 Sensor2가 존재할 경우 스캐너(관측자)는 620그림부터 690그림까지의 순서대로 2차원 위치값변환 및 머신러닝을 이용한 위치보정값 도출을 Classification = > Clustering => Decision Tree 과정을 반복하면서 정확도를 개선하는 작업을 수행한다.

즉, 스캐너(관측자)는 시간이 흘러가면 갈수록 많은 위치데이터에 대한 학습을 수행할 수 있으므로 시간이 흐름에 따라 정확도가 개선되는 효과를 볼 수 있다.

본 발명에 대해 보다 상세하게 설명을 하면

일반적으로 주파수를 발생시키는 센서 디바이스를 특정한 공간에 두었을 때 그 3차원공간에서 그 비콘 디바이스는 스캐너 입장에서 파원이 되고, 스캐너는 관측자 입장이 된다. 그 3차원공간에서 파원의 위치는 공간에서 대상개체의 위치측위의 기준점이 된다. 이 파원의 위치측위를 통해 나온 데이터들을 위치측위에 맞게 Tagging하고 그 Tagging된 데이터를 기계학습을 통해 가장 실제위치와 근접한 값을 도출해내는 것이 본 발명의 목적으로써 구체적으로는 센서로부터 발생되는 주파수의 인식 및 수신단계, 3차원 위치 좌표 값 부여단계, 2차원 위치값의 변환단계, 2차원 위치값에 대한 위치변수포함단계, 2차원 위치값을 데이터 Tagging을 통해 데이터베이스에 저장하는 단계,

기계학습을 통한 위치보정값을 도출하는 단계, 위치보정값을 데이터베이스에 저장하는 단계, 센서위치의 정확도 개선 값을 도출하는 단계,2 차원맵의 위치데이터를 3차원 위치데이터값으로 변환하여 실제 좌표 값과 확인하는 단계로 구현할 수 있으며,

첫 단계인 센서로부터 발생되는 주파수의 발생과 인식단계부터 마지막 단계인 3차원 위치데이터값으로 변환하여 실제 좌표 값과 확인하여 보다 높은 정확도의 값을 계속적으로 도출해내는 과정을 반복함으로써 위치데이터가 많이 쌓이면 쌓일수록 위치측위의 정확도가 높아지는 효과를 볼 수 있는데, 본 발명의 주요 알고리즘으로는

3차원의 큐브로 도출한 3차원 위치좌표값을 V0부터 V7까지의 꼭짓점 값을 가지는 2차원 위치데이터를 표현할 수 있다. 이때 이 위치데이터는 실제 위치데이터가 아닌 실제 센서가 위치한 3차원 좌표값의 전체 큐브중 센서가 포함되어 있는 큐브의 위치데이터가 된다. 이렇게 도출된 큐브의 꼭지점값인 V0부터 V7까지 값은

2차원 좌표값에 표시하기 위해 사용되어 지는데, 이것은 205그림처럼 3차원의 위치값을 2차원의 위치값으로 변환하는 방법을 나타낸 것이다. 즉, 3차원의 위치측위값은 큐브를 통해 2차원의 위치값으로 변경된다. 변경되는 방식은 특정한 알고리즘을 적용하지 않고 205그림처럼 A=V0,V1,V2,V3,V4,V5,V6,V7 로서 2차원좌표값에서 A의 값을 지정한다. A의 좌표값은 가로축인 VX와 세로축인 VY가 교차하는 점으로써 A=V0,V1,V2,V3,V4,V5,V6,V7 은 AVX,AVY로 치환할수 있다.

이상과 같이 3차원의 좌표에 존재하는 센서의 위치값은 2차원의 AVX, AVY 값을 가지는 2차원 값으로 변경할 수 있다.

A와 마찬가지로 센서의 위치값이 B로 변경되거나 C로 변경되면, 센서의 위치값은 BVX,BVY 그리고 CVX, CVY로 변환하여 2차원 값으로 저장할수 있다.

이렇게 3차원 센서위치값을 2차원 위치값으로 변경하는 것은 기계학습을 위한 데이터 Tagging을 위한 방법으로써 본 발명의 단계 중 시작 알고리즘이다.

여기서 2차원 위치값으로 치환된 A = AVX,AVY , B = BVX,BVY , C = CVX,CVY은 650그림처럼 C1은 기존의 2차원 위치값에서 가지고 있던 unique한 serial값이 되며,C2는 초당 인식된 횟수/초당 주파수 방송횟수를 의미하며,C3는 Sensor가 C의 위치에서 인식될 확률 그리고 C4는 측정된 전체 시간에서 C의 값을 반복적으로 대입하며 이렇게 모형화된 C의 값 즉, C=C1C2C3/C4를 도출하게 되고, 660그림처럼 머신러닝을 통한 위치보정값을 도출하는 단계를 수행한다. 이렇게 도출된 C값은

Classification = > Clustering => Decision Tree 과정을 반복하면서 정확도를 개선하는 작업을 수행한다. 이것은 기계학습을 위한 데이터 Tagging작업으로써 위치값의 보정을 수행하는 알고리즘이다. 인공지능의 추상화를 수행하는 과정으로 볼 수 있다.

이렇게 추상화된 데이터는 최종 도출된 위치값은 상기 3차원의 특정한 공간에 611그림처럼 Sensor1과 612그림처럼 Sensor2가 존재할 경우 스캐너(관측자)는 620그림부터 690그림까지의 순서대로 2차원 위치값변환 및 머신러닝을 이용한 위치보정값 도출을 Classification = > Clustering => Decision Tree 과정을 반복하면서 정확도를 개선하는 작업을 수행한다.

즉, 스캐너(관측자)는 시간이 흘러가면 갈수록 많은 위치데이터에 대한 학습을 수행할 수 있으므로 시간이 흐름에 따라 센서의 위치값의 정확도가 개선되는 효과를 볼 수 있다.

이상에서, 본 발명의 실시 예를 구성하는 모든 구성 요소들이 하나로 결합하

거나 결합하여 동작하는 것으로 설명되었다고 해서, 본 발명이 반드시 이러한 실시

예에 한정되는 것은 아니다. 즉, 본 발명의 목적 범위 안에서라면, 그 모든 구성요

소들이 하나 이상으로 선택적으로 결합하여 동작할 수도 있다.

또한, 이상에서 기재된 "포함하다", "구성하다" 또는 "가지다" 등의 용어는,

특별히 반대되는 기재가 없는 한, 해당 구성 요소가 내재할 수 있음을 의미하는 것

이므로, 다른 구성 요소를 제외하는 것이 아니라 다른 구성 요소를 더 포함할 수

있는 것으로 해석되어야 한다. 기술적이거나 과학적인 용어를 포함한 모든 용어들

은, 다르게 정의되지 않는 한, 본 발명이 속하는 기술 분야에서 통상의 지식을 가

진 자에 의해 일반적으로 이해되는 것과 동일한 의미가 있다. 사전에 정의된 용어

와 같이 일반적으로 사용되는 용어들은 관련 기술의 문맥상의 의미와 일치하는 것

으로 해석되어야 하며, 본 발명에서 명백하게 정의하지 않는 한, 이상적이거나 과

도 하게 형식적인 의미로 해석되지 않는다.

그리고 이상의 설명은 본 발명의 기술 사상을 예시적으로 설명한 것에 불과

한 것으로서, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 발명

의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이

다.

따라서, 본 발명에 개시된 실시 예들은 본 발명의 기술 사상을 한정하기 위

한 것이 아니라 설명하기 위한 것이고, 이러한 실시 예에 의하여 본 발명의 기술 사

상의 범위가 한정되는 것은 아니다. 본 발명의 보호 범위는 아래의 청구범위에 의

하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명의

권리범위에 포함되는 것으로 해석되어야 할 것이다.

=> sign

Claims (7)

1. 센서로부터 발생되는 주파수의 3차원 큐브 위치값 인식단계,
   3차원 큐브의 위치 좌표 값 부여단계, 큐브의 2차원 위치값의 변환단계,
   큐브에서 변환된 평면 2차원 위치값에 대한 위치변수포함단계,
   변환된 2차원 형태의 위치연관 정보를 가지는 값을 데이터 Tagging을 통해 데이터베이스에 저장하는 단계,
   기계학습을 통한 2차원 형태의 위치연관 정보를 가지는 보정값을 도출하는 단계,
   2차원 형태의 위치연관 정보를 가지는 보정값을 데이터베이스에 저장하는 단계,
   센서가 속하는 큐브의 위치 정확도 개선 값을 도출하는 단계,
   큐브에서 변환된 평면 2차원 위치값을 3차원 위치데이터값으로 변환하여 실제 큐브 좌표값과 확인하는 단계,
   첫 단계인 센서로부터 발생되는 주파수의 3차원 큐브 위치값 인식단계부터 마지막 단계인 큐브에서 변환된 평면 2차원 위치값을 3차원 위치데이터값으로 변환하여 실제 큐브 좌표값과 확인하는 단계를 통해 보다 높은 정확도의 값을 계속적으로 도출해내는 과정을 반복함으로써 위치데이터가 많이 쌓이면 쌓일수록 위치측위의 정확도가 높아지는 효과를 볼 수 있는 인공지능기술을 이용한 센서위치보정시스템
   
2. 3차원의 큐브로 도출한 3차원 위치좌표값을 V0부터 V7까지의 꼭짓점 값을 가지는 2차원 위치데이터를 표현할 수 있는데, 이때 이 위치데이터는 실제 위치데이터가 아닌 실제 센서가 위치한 3차원 좌표값의 전체 큐브중 센서가 포함되어 있는 큐브의 위치데이터가 되며, 이렇게 도출된 큐브의 꼭지점값인 V0부터 V7까지 값은 2차원 좌표값에 표시하기 위해 사용되어 지는데, 이 2차원 좌표값을 기계학습을 기초 데이터로 활용하는 인공지능을 이용한 센서위치보정시스템
3. 2차원 위치값으로 치환된 A = AVX,AVY , B = BVX,BVY , C = CVX,CVY은 C1은 기존의 2차원 위치값에서 가지고 있던 unique한 serial값이 되며, C2는 초당 인식된 횟수/초당 주파수 방송횟수를 의미하며, C3는 Sensor가 C의 위치에서 인식될 확률 그리고 C4는 측정된 전체 시간에서 C의 값을 반복적으로 대입하며 이렇게 모형화된 C의 값 즉, C=C1C2C3/C4를 도출하게 되고, 그것을 통해 머신러닝을 통한 위치보정값을 도출하는 단계를 수행하는 인공지능을 이용한 센서위치보정시스템
4. 특정한 공간에 Sensor가 존재할 경우 최종 도출된 위치값은 스캐너(관측자)에서의 관점이 추상화된 데이터로써 인식되고, 2차원 위치값 변환 및 머신러닝을 이용한 위치 보정 값 도출을 위해 인공지능기술의 개념인 Classification => Clustering => Decision Tree 과정을 반복하면서 정확도를 개선하는 작업을 수행하는 인공지능을 이용한 센서위치보정시스템
5. Z는 A,B,C 의 경계를 정하는 중심점이며, Z1은 A 와 B의 경계선을 의미하며,Z2는 B와 C의 경계를 의미하고, Z3은 A 와 C이 경계를 의미하며, 경계를 통해 Decision Tree(분배결정)을 수행하는 프로세스로써 Z의 중심축이 A방향으로 이동하면 ZA를 수행하고, B방향으로 이동하면 ZB로 이동하며, C방향으로 이동하면 ZC의 프로세스를 수행하여 즉, Sensor의 위치값은 3개의 값인 A,B,C 만으로 특정지어지지 않으며 더 많은 수의 임시 위치값으로 정의될 수 있고, 다만 3개로 한정했을 때 혹은 더 많은 임시 위치값이 있더라도 Z 중심축의 이동에 따라 A,B,C값은 변동되며, 따라서 Decision Tree(분배결정)에서 결정되는 값(여기 설명에서는 C)은 변경될 수 있는 이상의 위치측위 알고리즘을 사용하는 인공지능을 이용한 센서위치보정시스템
6. 505그림 하단에 표시된 것처럼 ABC의 Sorting Point는 Z에 있고, 506그림은 A,B,C의 위치값을 Z기준축을 중심으로 그래프에 표시한 것으로써 Z기준축에 따라 변경되는 Z1~Z3은 시간의 흐름 따른 변동치가 함께 반영된 것으로, 504그림과 506그림에서 보는바와 같이 Sensor의 A, B, C위치값은 C로 선택되고 502그림처럼 C=C1C2C3/C4연산의 반복을 통해 Classification = > Clustering => Decision Tree 과정을 반복하면서 데이터베이스에 재 저장되는 과정을 수행하는 인공지능을 이용한 센서위치보정시스템
7. 본 발명으로 도출되는 위치측위데이터에 대한 인공지능 알고리즘을 수식으로 표현하면
   
   

   

   
   
   즉, 중심축 Z는

   

   의 직선으로 구성되는데 이 경계선을 기준으로 항상
   
   A위치값은 B보다 작거나 같고,B위치값은 C보다가 작거나 같게 되어, A,B,C의 위치값 데이터를 Classification = > Clustering => Decision Tree 과정을 반복하면서 저장할 경우 C가 가장 많은 분포로써 존재하는데, C의 값이 가장 많은 빈도수로 그래프 상에 표시되고 가장 많은 확률로써 표시되게 되어, 위치측위값은 C의 값이 실제 위치값과 가장 근사한 값이 되므로 현재 C의 값을 기준으로 실제의 위치값을 보정하게 되는 형태의 인공지능을 이용한 센서위치보정시스템

Images