KR102372368B1 - 인공지능을 이용한 재난대응 피구조자 위치예측시스템 - Google Patents

Abstract

본 발명은 다양한 무선주파수를 이용하는 다양한 센서를 피구조자가 소지한 상태에서 주파수 신호를 발생 혹은 수신하는 특성을 이용하여 그 측위를 수행할 때 피 구조자의 위치값을 수신단의 애플리케이션을 통해 파싱 하고, 그 파싱된 주파수 데이터를 이용하여 피 구조자의 위치측위를 하게 된다. 이렇게 피구조자의 측위에 사용되는 다양한 위치 값들을 Tagging된 데이터로 변환 후 기계학습을 통해 미래의 예측 가능한 위치 즉, 피구조자의 위치를 예측하는 시스템을 만드는 것이 본 발명의 핵심 내용으로써 주파수를 발생 혹은 수신하는 피구조자의 센서의 위치측위에서의 파원과 관측자인 수신센서 사이에서 발생하는 주파수 왜곡과 도플러 효과에 의한 오차를 감안하여 피구조자 센서의 미래 위치를 예측하는 시스템을 만드는 것을 목적으로 하며 그 방식은 위치측위에 사용되는 무선신호 데이터를 맵에 매핑하여 그 데이터를 통한 위치값을 Tagging된 데이터로 변환한 후 기계학습을 통해 피구조자의 미래 예측 위치를 산출해내는 방법을 기술한 것이다.
본 발명에 대해 보다 상세하게 설명을 하면 3차원의 공간에 존재하는 피구조자 즉, 파원을 특정 공간에 위치시킨 후 주파수를 일정한 주기로 방송토록 하고, 구조자를 통해 파원의 위치를 측위 하는 데이터를 얻고, 그 위치데이터를 통해 미래의 그 피구조자가 위치하게 될 위치데이터를 예측하는 방법을 기술한 발명이다. 구체적으로는 피구조자의 현재 위치데이터에 대하여 Tagging하게 되는데 그 Tagging하는 방법이 피구조자 위치측위 알고리즘이며,Tagging된 데이터를 이용하여 예측모형을 구현하는 것이 인공지능 피구조자 위치예측 알고리즘이다. 본 발명에서는 예측가능한 모형의 생성 및 훈련 및 학습 그리고 예측평가 부분을 융합한 것으로써 슈퍼바이즈드 러닝의 추상화와 일반화 모델을 통한 예측 모형으로 저장된 데이터를 좀 더 포괄적 형태와 개념으로 변환하고, 또한 그 저장된 데이터에 숨겨져 있는 패턴을 구체적으로 예측하도록 하는 방식을 표현하는 것이다.
본 발명을 구체화 하기위해 피구조 대상자의 주파수 인식단계, 피구조자 소유 센서의 3차원 위치값 부여단계, 2차원 센서 위치값으로 변환단계, 2차원 위치값에 대한 예측변수포함단계, 2차원 위치값을 데이터베이스에 저장단계, 머신러닝을 통한 위치 예측값 도출단계, 위치 예측값의 데이터베이스에 저장하는 단계, 피구조자 센서의 위치예측값 도출단계, 피구조자 위치 예측값과 실제값 확인단계로 구현할 수 있으며,
첫 단계인 피구조자로부터 발생되는 주파수의 발생과 인식단계부터 마지막 단계인 피구조자의 위치예측값과 실제 현재 위치값 확인단계를 통해 보다 높은 정확도의 위치예측 값을 계속적으로 도출해내는 과정을 반복함으로써 위치데이터가 많이 쌓이면 쌓일수록 피구조자의 위치예측의 정확도가 높아진다. 이것을 구체화하기 위해 3차원 공간에서 센서네트워크를 형성함으로서 그 공간을 측위를 위한 환경으로 구성하는 것이고, 스캐너를 통해 그 피구조자의 현재 위치를 측위 할 수 있게 된다. 이런 센서네트워크에서 공간의 인식을 3차원 즉, 실제 공간 그 자체로 그대로 2차원 좌표값을 부여하며, 그 2차원 좌표값이 실제 3차원 좌표 값이 되는 것을 증명한다. 이 실제 좌표 값은 본 발명에서 최종적으로 위치예측데이터의 예측 값과 비교되어 미래의 가장 정확성이 높은 예측 값을 다시 채택하여 위치예측의 정확도를 높인다. 구체적으로는 3차원의 큐브로 도출한 큐브는 V0부터 V7까지의 꼭짓점 값으로 함축하여 위치데이터를 표현할 수 있다. 즉, V0,V1,V2,V3,V4,V5,V6,V7이 V0,V1,V2,V3,V6,V7로 데이터 값을 함축할 수 있다. 또한 V0,V1,V2,V3,V6,V7는 다시 V0,V1,V6,V7로 사각형을 형성하며 4개의 값을 가지는 2차원 위치데이터로 변환할 수 있다. 이때 이 위치데이터는 실제 위치데이터가 아닌 실제 센서가 위치한 3차원 좌표값의 전체 큐브 중 피구조자가 포함되어 있는 큐브의 위치데이터가 된다. 이렇게 도출된 큐브의 꼭짓점 값인 V0,V1,V6,V7은 2차원 좌표값에 표시하기 위해 사용되어 지는데, 이것은 본 발명에서 피구조자의 실제 위치인 3차원의 위치값을 2차원의 위치값으로 변환하는 방법에 대한 발명이다. 즉, 3차원의 위치측위값은 큐브의 재 정의를 통해 2차원의 위치값으로 변경된다.
변경되는 방식은 A=V0,V1,V6,V7 로서 2차원 좌표값에서 A의 값을 지정한다. A의 좌표값은 가로축인 VX와 세로축인 VY가 교차하는 점으로써 A=V0,V1,V6,V7 은 AVX, AVY로 치환할 수 있다.
즉, V0,V1,V2,V3,V4,V5,V6,V7의 꼭짓점을 갖는 3차원의 큐브가 V0,V1,V6,V7의 꼭짓점을 갖는 2차원의 평면으로 변경되었다. 이 변경된 위치값은 2차원의 평면에서 위치값으로써 도면의 교차점에 좌표로 표시할 수 있다. 2차원 공간의 B의 위치값 V0,V1,V6,V7은 V0,V1,V2,V3,V4,V5,V6,V7의 꼭짓점을 갖는 3차원의 큐브에 속한 위치값을 가지게 된다.
본 발명에서는 일반적인 좌표값이 교차되는 지점이 아닌 피구조자가 존재하는 큐브를 3차원 좌표값 큐브를 예측 위치값으로 가정할 수 있다. 이것이 위치예측을 위한 2차원과 3차원의 위치측위를 위한 데이터의 전환 알고리즘이다.
실제로 3차원에 존재하는 피구조자의 위치값을 2차원으로 변환하여 예측데이터를 생성하고 그것을 다시 실제 3차원데이터로 변환하여 실제 위치와 비교하여 실제 위치를 측위 함으로써 위치예측데이터를 쉽게 도출할 수 있다.
만약 현재의 3차원에서의 피구조자의 위치가 A라는 값을 가진다면 이 피구조자의 향후 위치는 A나 B나 C로 이동할 수 있다는 것이고, 그 이동경로는 기준점인

를 기준으로 설정된

1,

2,

3을 기준으로

A,

B,

C로 그 경로를 예측할 수 있다. 그렇게 이동할 수 있는 기준점과 기준선 그리고 기준경로가 정해져 있으므로 A에서 B 그리고 C로 이동하여 A의 향후 예측위치가 A , B , C중 한곳으로 정해질 수 있음을 반증한다.
3차원 공간에서 A의 위치가 A, B, C로 변경되는 예측모델은 기준점

와 기준선

1,

2,

3 그리고 기준경로

A,

B,

C 에 예속될 수밖에 없다. 즉,

의 방위각을 갖는 3차원에서 A의 위치이동은 기준점과 기준선 그리고 기준경로에서 벗어날 수 없으므로 그 예측위치 또한 벗어날 수 없다.
이상과 같이 설정된 기준점과 기준선 그리고 기준경로는 최초 A의 위치측위로부터 시작된다.
2차원 좌표값에서 기준점과 기준선 그리고 기준경로 및 현재의 위치를 정의한 후 실제 피구조자의 위치를 관측하는 스캐너(스마트폰)에서는 수신 위치데이터를 기준으로 학습을 위한 데이터를 Tagging하는데, 현재의 위치값과 미래의 위치값을 Clustering = > Classification => Decision Tree를 통해 얻어진 데이터는

1,

2,

3 범위 안에 포함되므로, 예측값의 범위 안에 존재하게 된다는 결론을 얻은 부분에 대해서 최종적으로 기계학습을 통한 위치예측을 수행할 수 있다.
도3의 302그림은 2차원도면위에 존재하는 현재 A의 위치에 존재하는 피구조자의 위치는 Deep Learning을 통해 현재 위치가 A일 경우, A가 아닐 경우, B일 경우, B가 아닐 경우, C일 경우, C가 아닐 경우 의 경우의 케이스를 비 학습데이터를 삽입하여 그것이 위치예측을 위한 기준점

와 근접관계를 형성하는지

A와 근접관계를 형성하는지

B와 근접관계를 형성하는지

C와 근접관계를 형성하는지 판단한다.

,

A,

B,

C로 부터 얻은 데이터를 기반으로 위치의 이동 범위를 설정할 수 있는 가능성을
판단하는 있는 기준선인

1,

2,

3를 재 매핑시킴으로써 최종적으로 현재 피구조자의 위치인 A는 주어진 일정시간 후에 V의 값을 가지게 된다. 이 V는 현재 2차원 좌표값에서 X, Y, Z의 위치값을 가지며, 위치와 시간과 주파수 및 측정시점을 기준으로 현재와 과거 그리고 미래를 아우르는 가능성 높은 위치예측값을 도출할 수 있다. 이렇게 도출된 V의 값은 2차원의 V0,V1,V6,V7이므로 도2에서 기술한 것처럼 V0,V1,V2,V3,V4,V5,V6,V7의 꼭짓점을 갖는 3차원의 큐브에 속한 위치값으로 변환된다.
이상이 본 발명의 두 번째 알고리즘인 인공지능 기계학습의 예측가능한 모형의 생성 및 훈련 및 학습 부분이다.
서두에서 밝힌바와 같이 본 발명은 위치측위 알고리즘과 인공지능의 학습 및 예측을 융합한 발명이다. 측위알고리즘을 통해 얻어진 데이터에 대하여 데이터 Tagging작업을 수행하고, 그 Tagging된 데이터를 기반으로 어떤 방식으로 학습과 예측모델을 구현해 내는지가 본 발명의 인공지능 예측 알고리즘이다.
본 발명은 위치데이터의 재사용 및 기계학습을 적용함으로써 향후 피구조자의 예측위치를 도출할 수 있으며, 이 기술은 관찰대상자(노약자, 어린이, 범죄자)의 예상동선과 목적지 추적 및 재난안전 대피기술, 피구조자 탐색기술, 해양수중 어로탐지예측기술, 자율주행차 사고예측기술 또한 공장자동화의 작업위치에 대한 생산성증대 기술까지 광범위하게 활용될 수 있다.

Description

인공지능을 이용한 재난대응 피구조자 위치예측시스템{The disaster response rescuer location prediction system using the artificial intelligence}

본 발명은 인공지능기술과 위치측위기술을 융합하여 재난 시에 피구조자의 위치를 예측하는 시스템을 만드는 것으로 목적으로 한다. 먼저 인공지능기술이란 특정한 목적을 가진 데이터를 저장하고, 그 데이터를 추상화하며, 그 추상화된 데이터를 일반화를 통하여 구체화하며, 마지막으로 그 일반화된 데이터에 대한 평가를 수행한다.

이상의 일련의 기계학습 과정을 통해 분류(classification), 수치 예측(numeric prediction), 패턴 발견(pattern detection), 군집화(clustering), 결정(Decision)등의 데이터성질을 규정한다.

위치측위기술은 특정한 공간에서 무선주파수 혹은 전파를 이용하여 위치를 측위 하는 기술이 가장 많이 그리고 여러 가지로 형태로 개발되어 왔다. 특히 GPS의 경우에는 차량의 내비게이션 부터 군사 및 방송용으로 실생활과 밀접하게 발전되어 왔다. 그러나 GPS는 범위가 미치지 못하는 공간 즉 지하나 실내 그리고 건물이 많이 존재하는 곳에서는 큰 효용을 발휘하지 못한다. 따라서 실내나 지하 공간 같은 GPS신호가 미치지 못하는 지역은 그 공간에 대한 무선주파수나 물리적인 센서를 이용한 위치측위기술이 여러 가지 형태로 많이 제안되어 왔다.

예로 들면 지구물리과학을 이용한 지구자기장, 관성법 그리고 중력 등을 이용한 실내위치측위나 무선전파를 송수신하는 각종 센서를 통한 위치측위들이 많이 제안되어 왔다.

여기서 전파를 이용한 전파측위기술은 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.

본 발명에서는 이상의 인공지능기술과 위치측위기술을 융합하여 재난발생시 피 구조자의 위치를 사전에 미리 예측가능하게 하는 시스템을 만드는 것을 목적으로 한다.

본 발명을 구체화하기 위한 배경기술은 인공지능기술과 전파 위치측위기술의 융합으로 정의할 수 있다. 먼저 인공지능기술 즉, 데이터의 기계 학습은 데이터를 실행 가능한 지식으로 전환하는 알고리즘을 제공하고, 세상에 가득 차 있는 데이터의 의미를 이해할 수 있도록 우리를 도와주는 역할을 한다.

즉, 기계학습은 스팸 이메일 필터링, 타깃 광고에 활용할 수 있도록 소비자 행위에 기초하여 고객군 분류, 일기 및 기후 변화 예측, 카드 부정사용 방지, 태풍 및 천연 재해로 인한 금전 손실 추정, 선거 결과 예측, 자동 주행, 가정 또는 빌딩 에너지 사용 최적화, 범죄 예방, 질병 진단 등에 많이 사용되고 있다.

자세히 설명하면 기계학습은 첫 번째로 데이터의 저장에서부터 시작하는데, 이런 데이터 저장은 추론에 필요한 사실적 토대를 제공하며, 모든 기계학습은 데이터에서 시작한다.

두 번째로 추상화는 저장된 데이터를 좀 더 포괄적 형태와 개념으로 변환하고, 또한 저장된 데이터를 데이터에 숨겨져 있는 패턴을 구체적으로 묘사한 것에 모형을 이용하여 요약하는 것이다. 모형의 대표적 형태로써 수학 방정식, 수형도, 그래프 등 관계 묘사 그림, 논리적 규칙의 동질적 그룹으로 데이터 분할을 의미하며, 모형의 선택은 주어진 과제와 현재 가지고 있는 데이터에 의해 결정될 수 있다.

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 인공지능기술을 이용하는 목적이 된다.

세 번째는 일반화로써 추상화된 데이터를 이용하여 새로운 상황에 대처할 수 있는 지식과 추론을 만드는 것으로써 과거에 경험했던 것과 유사하지만 동일하지는 않은 미래의 과제에도 적용 가능하도록 추상화 된 지식을 전환하는 과정이라고 할 수 있다. 학습 과정을 통해 발견한 패턴 중에서 미래의 과제에 가장 적합한 것들만 남기는 작업이 일반화 과정에서 이루어진다.

네 번째로 평가는 학습된 지식의 효용을 측정하고 피드백 체계를 제공하여 향후 개선 사항에 대한 정보를 제공한데 목적이 있다.

본 발명은 다양한 무선주파수를 이용하는 다양한 센서를 피구조자가 소지한 상태에서 주파수 신호를 발생 혹은 수신하는 특성을 이용하여 그 측위를 수행할 때 피 구조자의 위치 값을 수신단의 애플리케이션을 통해 파싱 하고, 그 파싱된 주파수 데이터를 이용하여 피 구조자의 위치측위를 하게 된다. 이렇게 피구조자의 측위에 사용되는 다양한 위치 값들을 Tagging된 데이터로 변환 후 기계학습을 통해 미래의 예측 가능한 위치 즉, 피구조자의 위치를 예측하는 시스템을 만드는 것이 본 발명의 핵심 내용이다.

본 발명에서 피구조자가 전파의 수신 혹은 발신기(스마트폰 or 비콘)를 소지하고 있다고 가정할 경우 일반적인 피구조자에 대한 위치측위기술은 건물 내부에 고정으로 부착된 3개 이상의 센서로 부터 전송받은 RF 또는 초음파 신호를 이용해 각 신호발생센서와 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.

본 발명은 이러한 주파수를 발생 혹은 수신하는 피구조자의 센서의 위치측위에서의 파원과 관측자인 수신센서 사이에서 발생하는 주파수 왜곡과 도플러 효과에 의한 오차를 감안하여 피구조자 센서의 미래 위치를 예측하는 시스템을 만드는 것을 목적으로 하며 그 방식은 위치측위에 사용되는 무선신호 데이터를 맵에 매핑하여 그 데이터를 통한 위치 값을 Tagging된 데이터로 변환한 후 기계학습을 통해 피구조자의 미래 예측 위치를 산출해내는 방법을 기술한 것이다.

본 발명은 주파수를 이용한 피구조자 센서의 위치측위를 위한 알고리즘과 그 피구조자의 위치측위기술로부터 파생된 데이터에 대한 기계학습의 알고리즘이 융합된 것으로써 물리적인 센서로부터 수신한 센서의 위치 값들을 활용하여 Tagging된 데이터로 변환하는 방법과 그 변환된 데이터를 어떤 방식으로 기계학습알고리즘을 적용하는지에 대한 기술이 적용되어 궁극적으로 피구조자의 미래 예측 가능한 위치 즉, 센서의 위치를 예측하는 시스템을 만드는 것이 본 발명의 핵심 내용이다.

본 발명에서 위치측위를 위한 공간좌표를 구성하기 위해 우리가 존재하는 공간인 3차원 직교좌표계는 xy, xz, yz 평면으로 이루어지는데 이 세 평면은 서로 직교하며 평면을 이루는 x축(수평 방향)과 y축(수직 방향) 그리고 z축 또한 서로 직교한다. x, y, z축이 만나는 점을 원점이라고 부르는데 이러한 성질을 가지는 3차원 공간에서 주파수를 이용한 위치측위 알고리즘과 인공지능 기계학습의 예측가능한 모형의 생성 및 훈련 및 학습 그리고 예측평가 부분을 융합한 것으로써 슈퍼바이즈드 러닝의 추상화와 일반화 모델을 통한 예측 모형으로 저장된 데이터를 좀 더 포괄적 형태와 개념으로 변환하고, 또한 그 저장된 데이터에 숨겨져 있는 패턴을 구체적으로 예측하도록 하는 방식을 표현하는 것이다.

예측모형을 만들기 위해서는 주파수를 수신하는 위치측위방식 발명이 필요하고, 데이터 Tagging방식에서 기존의 방식이 아닌 다른 방식의 접근과 데이터 취득이 필요하다. 즉, 본 발명에서는 데이터 취득과 Tagging 그리고 추상화 및 일반화 그리고 훈련 및 학습 그리고 예측의 평가를 규정하는 과정이며, 데이터 속에 들어 있던 원천 정보는 학습된 모형에 의해 예측 가능한 형태로 전환된다.

본 발명에서 위치측위방식발명은 주파수의 왜곡과 부정확성에 대비하여 3차원 맵을 2차원 맵으로 변경함으로써 위치 측위 값의 왜곡 가능성을 최대한 낮추고, 그것을 인공지능기술을 통한 위치데이터의 훈련 및 학습 데이터 전환을 위한 데이터 Tagging방식을 발명하고, 그것을 기계학습을 통해 추상화 및 일반화 그리고 훈련 및 학습 그리고 예측의 평가를 규정하는 방식을 발명한 것이다.

상기 목적은, 본 발명에 따라,

피구조 대상자의 주파수 인식단계,

피구조자 소유 센서의 3차원 위치값 부여단계,

2차원 센서 위치값으로 변환단계,

2차원 위치값에 대한 예측변수포함단계,

2차원 위치값을 데이터베이스에 저장단계,

머신러닝을 통한 위치 예측값 도출단계,

위치 예측값의 데이터베이스에 저장하는 단계,

피구조자 센서의 위치예측값 도출단계,

피구조자 위치 예측값과 실제값 확인단계를 통해 피구조자 대상자의 위치 예측 값과 실제 현재 값 확인단계의 반복적인 확인을 통해 보다 높은 정확도의 피구조자 위치예측 값을 계속적으로 도출해내는 과정을 반복함으로써 피구조자의 인식 시간 위치데이터가 많이 쌓이면 쌓일수록 위치예측의 정확도가 높아진다.

본 발명에 따르면, 피구조대상자가 가지고 있는 센서(스마트폰 or 비콘)주파수를 활용하여 송신 혹은 수신하는 센서로써의 위치측위대상을 지정하고 그 위치측위 대상의 현재위치와 향후 예상위치를 예측하는 알고리즘을 설명하고 있다. 즉, 일반적으로 주파수를 발생시키는 파원 센서(스마트폰, BEACON 등)를 특정한 공간에 두었을 때 그 3차원공간에서 그 파원센서는 스캐너(스마트폰, BEACON Scanner 등) 입장에서 파원이 되고, 스캐너는 관측자 입장이 된다. 즉, 3차원공간에서 파원의 위치는 피구조자의 위치가 되고, 특정한 공간에서 대상개체의 위치측위 기준점이 된다. 이 파원의 위치측위를 통해 나온 데이터들을 위치측위에 맞게 Tagging하고 그 Tagging된 데이터를 기계학습을 통해 현재의 위치를 구하고, 시간의 흐름에 따라 일정시간 뒤에 예상되는 예측위치를 도출해내는 것이 본 발명의 핵심이다. 여기서 부여되는 미래의 일정시간은 관측자가 지정하게 함으로써 시간에 따른 위치의 성질을 계속적으로 학습데이터로써 재활용할 수 있다. 3차원에서 위치는 시간과 거리와 방향에 비례하고, 물리적 에너지에 반비례한다. 본 발명에서는 산업 상으로 공간에 존재하는 무선주파수(모바일, 방송주파수,기지국주파수,기타통신주파수,RF, Bluetooth, FID, Zigbee, UWB, GPS)등 주파수 신호를 발생 혹은 수신하는 센서를 기반으로 한 센서위치측위방식에서 시간에 따라 향후 앞으로의 위치를 예측할 수 있는 모형을 제공할 수 있는데, 기존의 RF, Bluetooth, FID, Zigbee, UWB, GPS 등은 단순히 실시간으로 위치를 측위하고 위치값의 데이터들을 저장만 하고 사용하지 않는 경우가 많았다. 하지만 본 발명을 통해 위치데이터의 재사용 및 기계학습을 적용함으로써 향후 피구조자의 예측위치를 도출할 수 있으며, 이 기술은 관찰대상자(노약자, 어린이, 범죄자)의 예상동선과 목적지 추적 및 재난안전 대피기술, 피구조자 탐색기술, 해양수중 어로탐지예측기술, 자율주행차 사고예측기술 또한 공장자동화 생산성기술에서 까지 광범위하게 활용될 수 있다.

도 1은 공간에서 피구조자의 센서 인식(Rescuer Sensor Recognition in the Space)
도 2는 차원간의 상관계수 변환(Correlation Coefficient for Dimension)
도 3은 2차원 위치값의 기계학습(Machine Learning of Location Values on based Two Dimension)
도 4는 재난대피시스템의 센서위치(Sensor Location of Disaster Evacuation System)
도 5는 센서네트워크에서 피구조자의 위치(Rescuer location in the Sensor Networking Area)
도 6은 피구조자 위치예측을 위한 순서도(Flowchart for Rescuer Location Prediction)

본 발명은 발명의 내용을 구체화하기 위해 파원을 발생시키는 센서(스마트폰, BEACON 등)를 피구조자가 소지한 상태에서 그 파원을 관측하는 스캐너(스마트폰, BEACON Scanner 등)를 활용하였다.

먼저 피구조자가 특정 공간에서 정지 혹은 이동하고 있다고 가정할 경우 피구조자가 소지한 센서(스마트폰, BEACON 등)는 일정한 주기로 주파수를 방송하며, 그 공간에 근접되어 있는 스캐너(스마트폰, BEACON Scanner 등)를 통해 파원의 위치를 측위 하는 데이터를 얻을 수 있다.

이렇게 스캐너(스마트폰, BEACON Scanner 등)의 입장에서 피구조자에 대한 위치데이터를 얻을 수 있고, 그 데이터를 기계학습을 위한 데이터로 Tagging하여 저장한다.

그 Tagging된 저장된 데이터는 주파수를 이용한 위치측위 알고리즘과 인공지능 기계학습의 예측가능한 모형의 생성 및 훈련 및 학습 그리고 예측평가 부분을 융합한 것으로써 기계학습의 추상화와 일반화 모델을 통한 예측 모형으로 저장된 데이터를 좀 더 포괄적 형태와 개념으로 변환하고, 또한 그 저장된 데이터에 숨겨져 있는 패턴을 구체적으로 예측하도록 하는 방식을 표현하는 것이다.

피구조자의 예측모형을 만들기 위해서는 주파수를 수신하는 위치측위방식의 발명이 필요하고, 피구조자로부터 수신된 데이터의 Tagging방식에서 기존의 방식이 아닌 다른 방식의 접근과 데이터 취득이 필요하다. 즉, 본 발명에서는 데이터 취득과 Tagging 그리고 추상화 및 일반화 그리고 훈련 및 학습 그리고 예측의 평가를 규정하는 과정이며, 데이터 속에 들어 있던 원천 정보는 학습된 모형에 의해 예측 가능한 형태로 전환된다.

이상의 프로세스를 진행하기 위해 본 발명에서는 피구조 대상자의 주파수 인식단계,

피구조자 소유 센서의 3차원 위치값 부여단계, 2차원 센서 위치값으로 변환단계,

2차원 위치값에 대한 예측변수포함단계, 2차원 위치값을 데이터베이스에 저장단계,

머신러닝을 통한 위치 예측값 도출단계, 위치 예측값의 데이터베이스에 저장하는 단계,

피구조자 센서의 위치예측값 도출단계, 피구조자 위치 예측값과 실제값 확인단계로 구현할 수 있으며,

첫 단계인 피구조자 대상자의 센서로부터 발생되는 주파수의 발생과 인식단계부터 마지막 단계인 피구조자 위치 예측값과 실제값 확인단계를 통해 보다 높은 정확도의 위치예측 값을 계속적으로 도출해내는 과정을 반복함으로써 학습데이터가 많이

쌓이면 쌓일수록 위치예측의 정확도가 높아진다.

이상과 같이 피구조자 위치 예측 프로세스에 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 센서위치예측시스템에 대해서 상세히 설명한다.

본 발명의 일실시예에 도 1은 공간에서 피구조자의 센서 인식(Rescuer Sensor Recognition in the Space)이고, 도 2는 차원간의 상관계수 변환(Correlation Coefficient for Dimension), 도 3은 2차원 위치값의 기계학습(Machine Learning of Location Values on based Two Dimension), 도 4는 재난대피시스템의 센서위치(Sensor Location of Disaster Evacuation System), 도 5는 센서네트워크에서 피구조자의 위치(Rescuer location in the Sensor Networking Area), 도 6은 피구조자 위치예측을 위한 순서도(Flowchart for Rescuer Location Prediction)를 나타낸 것으로, 피구조대상자가 가지고 있는 센서(스마트폰 or 비콘)주파수를 활용하여 송신 혹은 수신하는 센서로써의 위치측위대상을 지정하고 그 위치측위 대상의 현재위치와 향후 예상위치를 예측하는 알고리즘을 설명하고 있다.

도 1은 도시된 바와 같이, 본 발명의 일실시예에 따른 3차원의 실제 공간은 110그림 인공위성,111그림 기지국, 112그림 중계기, 113그림 클라우드 서버 , 114그림 모바일과 같은 다양한 전파를 송신 혹은 수신하는 전파의 파원들이 존재한다. 그리고 120그림처럼 피구조자 센서(스마트폰, BEACON 등)는 주파수의 송수신을 수행한다. 이런 3차원의 공간에서 피구조자의 센서(스마트폰, BEACON 등)는 160그림처럼 무선신호를 수신할 수 있고,170그림처럼 인공위성의 지구좌표값을 수신할수 있으며,또한 180그림처럼 Bluetooth신호를 송수신 할 수 있다. 즉, 피구조자의 센서는 주파수를 송신 및 수신할수 있는 역할을 한다. 그리고 이 피구조자가 소유한 센서는 130그림의 3차원에서 140그림처럼 한 개의 큐브로써 그 위치를 특정할 수 있다.

즉, 3차원 공간에서 피구조자의 파원은 항상 관측자들의 인근에 존재하게 된다. 이것이 현재의 우리 일상생활의 전파환경이다. 이런 3차원 공간의 전파환경에서 위치측위의 대상이 되는 것은 파원이 되는 피구조자가 소지한 센서이며, 그것을 관측하는 기기 또한 피구조자가 소지한 센서가 될 수 있음을 의미한다. 스마트폰을 예로 들면 피구조자의 스마트폰이 3차원의 특정한 공간에 있다면 그 3차원 공간을 3개의 계층구조를 갖는 큐브로 규정할 때 그 한 개의 큐브에 피구조자의 스마트폰 즉, 피구조자가 위치하게 됨을 의미한다. 마찬가지로 관측자인 스캐너또한 스마트폰이 될수 있으므로 관측자가 가지고 있는 스마트폰이 관측자 및 스캐너가 될수 있다.

즉, 피구조자의 애플리케이션과 관측자의 애플리케이션은 상호 연동될 수 있다.

도 2은 도시된 바와 같이, 본 발명의 일실시예에 따른 차원간의 상관계수 변환(Correlation Coefficient for Dimension)를 표현한 것으로, 우리의 일상생활속에 있는 3차원공간에 특정큐브에 속한 피구조자의 스마트폰의 위치를 2차원으로 변경했을 때 변경방식을 설명하고 있다.

본 발명에서는 일반적인 좌표 값이 교차되는 지점이 아닌 피구조자가 존재하는 큐브를 3차원 좌표값 큐브를 위치값으로 가정한다. 이렇게 하면 전파의 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.

그러나 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 측위의 오차 범위를 상쇄할 수 있는 효과를 가진다. 그러나 3차원의 위치데이터를 그대로 사용한다면 큐브로 정의하였으므로 큐브의 위치를 특정할 수 있는 2차원데이터로 표현을 하면 휠씬 정교한 학습데이터를 생성할수 있다. 따라서 기존의 큐브에 속한 피구조자의 위치데이터 3차원큐브값을 2차원 좌표값으로 바꾸는 방식사용 한다.

본 발명에서는 이런 위치측위기술에서 3차원의 큐브위치값을 2차원의 좌표값으로 변환하여 사용하는 방식을 사용하였다.

201그림처럼 3차원의 공간에서 A, B , C의 위치는 각각의 다른 큐브에 포함된다.

도2의 201그림에서 추출된 피구조자의 위치가 속하는 큐브를 도2의 203그림과 같이 추출하여 그 추출된 큐브의 꼭짓점에 각각 고유의 값을 부여한다. 그 부여된 값들은 이렇게 3차원의 큐브로 도출한 203그림의 큐브는 204그림처럼 V0부터 V7까지의 꼭짓점 값으로 함축하여 위치데이터를 표현할 수 있다. 또한 205그림처럼 V0,V1,V2,V3,V6,V7는 다시 V0,V1,V6,V7로 사각형을 형성하며 4개의 값을 가지는 2차원 위치데이터로 변환할 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 꼭짓점 값인 V0,V1,V6,V7은

2차원 좌표값에 표시하기 위해 사용되어 지는데, 이것은 202그림처럼 3차원의 위치값을 2차원의 위치값으로 변환하는 방법을 나타낸 것이다. 즉, 3차원의 위치측위값은 큐브의 재 정의를 통해 2차원의 위치값으로 변경된다.

즉, V0,V1,V2,V3,V4,V5,V6,V7의 꼭짓점을 갖는 3차원의 큐브가 V0,V1,V6,V7의 꼭짓점을 갖는 2차원의 평면으로 변경되었다. 이 변경된 위치값은 2차원의 평면에서 위치값으로써 도면의 교차점에 좌표로 표시할 수 있다.

본 발명에서는 일반적인 좌표값이 교차되는 지점이 아닌 피구조자의 스마트폰이 존재하는 큐브를 3차원 좌표값 큐브를 예측 위치값으로 가정할 수 있다. 이것이 위치예측을 위한 2차원과 3차원의 위치측위의 데이터의 전환 알고리즘이다.

실제로 3차원에 존재하는 센서의 위치값을 2차원으로 변환하여 예측데이터를 생성하고 그것을 다시 실제 3차원데이터로 변환하여 실제 위치와 비교하여 실제 위치를 측위 함으로써 위치예측데이터를 쉽게 도출할 수 있다. 즉, 3차원과 2차원간의 데이터 변환 목적은 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 측위의 오차 범위를 상쇄할 수 있는 효과를 가지기 때문이며, 인공지능의 학습을 위한 데이터 Tagging의 효율과 데이터 훈련과 학습을 용이하게 하여 예측모델의 정확도를 향상시키기 위함이다.

도 3은 도시된 바와 같이, 본 발명의 일실시예에 따른 여러 개의 큐브로 이루어진 3차원 공간에서 2차원의 좌표값으로 정해진 A와 B 그리고 C가 속한 큐브는 서로 다른 큐브를 의미한다. 여기서 B와 C는 A가 미래 혹은 과거에 측위 되거나 측위 될 위치를 의미한다. 301그림에서 보는 바와 같이 X는 현재 A의 위치에서 B 그리고 C로 위치가 변경될 때 기준점을 의미한다.

라는 기준점을 기준으로 A와 B사이는

1,A와 C사이는

3, B와 C사이는

2가 기준선으로 설정된다. 여기서 기준점인

P가 이동할 경우 기준선

1과

2사이로 기준점이 이동하는 경로는

B로 설정하고, 기준선

1과

3사이로 기준점이 이동하는 경로는

A로 설정하고, 기준선

2과

3사이로 기준점이 이동하는 경로는

C로 설정한다. 이렇게 설정된 이동예상경로는 3차원 좌표에서

의 방위각을 가지는 좌표값으로 표현될 수 있다.

즉, 301그림은 3차원 큐브로부터 도출된 2차원 위치값을 이용하여 처음에 A위치에서 측위 되었던 피구조자의 위치가 B나 C로 이동할 수 있음을 표현 한것으로써,

여기서 본 발명의 핵심은 만약 현재의 공간에서의 피구조자의 위치가 A라는 값을 가진다면 이 센서의 향후 위치는 A나 B나 C로 이동할 수 있다는 것이고, 그 이동경로는 기준점인

를 기준으로 설정된

1,

2,

3을 기준으로

A,

B,

C로 그 경로를 예측할 수 있다. 그렇게 이동할 수 있는 기준점과 기준선 그리고 기준경로가 정해져 있으므로 A에서 B 그리고 C로 이동하여 A의 향후 예측위치가 A , B , C중 한곳으로 정해질 수 있음을 반증한다.

3차원 공간에서 A의 위치가 A, B, C로 변경되는 예측모델은 기준점

와 기준선

1,

2,

3 그리고 기준경로

A,

B,

C 에 예속될 수밖에 없다. 즉,

의 방위각을 갖는 3차원에서 A의 위치이동은 기준점과 기준선 그리고 기준경로에서 벗어날 수 없으므로 그 예측위치 또한 벗어날 수 없다. 이렇게 설정된 2차원의 좌표에서 A의 위치는 2차원 좌표값으로는 VX, VY, VZ의 좌표값을 가진다. 여기서 2차원 좌표값에서 기준점이 되는 A, B, C의 위치값은 P(Point)로써 가중치를 부여할 수 있는데 이것은 기준점

의 2차원 좌표값을 부여하는 것과 같음을 의미한다.

이렇게 2차원 좌표값에서 기준점과 기준선 그리고 기준경로 및 현재의 위치를 정의한 후 실제 피구조자의 위치를 관측하는 스캐너(스마트폰)에서는 수신 위치데이터를 기준으로 학습을 위한 데이터를 Tagging하는데, 현재의 위치값과 미래의 위치값을 Clustering = > Classification => Decision Tree를 통해 얻어진 데이터는

1,

2,

3 범위 안에 포함되므로, 예측값의 범위 안에 존재하게 된다는 결론을 얻은 부분에 대해서 최종적으로 기계학습을 통한 위치예측을 수행할 수 있다.

도3의 302그림은 2차원도면위에 존재하는 현재 A의 위치에 존재하는 피구조자의 위치는 Deep Learning을 통해 현재 위치가 A일 경우, A가 아닐 경우, B일 경우, B가 아닐 경우, C일 경우, C가 아닐 경우 의 경우의 케이스를 비 학습데이터를 삽입하여 그것이 위치예측을 위한 기준점

와 근접관계를 형성하는지

A와 근접관계를 형성하는지

B와 근접관계를 형성하는지

C와 근접관계를 형성하는지 판단한다.

,

A,

B,

C로 부터 얻은 데이터를 기반으로 위치의 이동 범위를 설정할 수 있는 가능성을

판단하는 있는 기준선인

1,

2,

3를 재 매핑시킴으로써 최종적으로 현재 피구조자의 위치인 A는 주어진 일정 시간후에 V의 값을 가지게 된다. 이 V는 현재 2차원좌표값에서 X, Y, Z의 위치값을 가지며, 위치와 시간과 주파수 및 측정시점을 기준으로 현재와 과거 그리고 미래를 아우르는 가능성 높은 위치예측값을 도출할 수 있다. 이렇게 도출된 V의 값은 2차원의 V0,V1,V6,V7이므로 도2에서 기술한 것처럼 V0,V1,V2,V3,V4,V5,V6,V7의 꼭짓점을 갖는 3차원의 큐브에 속한 위치값으로 변환된다.

이상이 본 발명의 두 번째 알고리즘인 인공지능 기계학습의 예측가능한 모형의 생성 및 훈련 및 학습 부분이다.

도 4은 도시된 바와 같이, 본 발명의 일실시예에 따른 재난대피시스템의 센서위치(Sensor Location of Disaster Evacuation System)를 나타낸 도면으로써 401그림과 402그림은 피구조자가 소지한 센서를 의미하며, 그것은 3차원공간에서 Access Point가 됨을 의미한다. 406그림은 피구조자가 소지한 센서(스마트폰, BEACON 등)을 제어하는 기지국을 의미하는 것으로 피구조자가 소지한 센서로부터 각종 데이터를 수신하고 하드웨어적인 Control을 수행할 수 있다. 즉, 그림 403의 관측자(스마트폰, BEACON Scanner 등)는 직접 그림401이나 그림402의 센서를 Control하거나 데이터를 수신하지 않고,406그림의 기지국을 통해서 피구조자의 센서정보를 획득할 수도 있다. 재난대피시스템에서 그림404는 스캐너의 관리자용 애플리케이션으로써 다수의 관측자를 관리할수 있는 기능을 제공하고 있으며,405그림은 스캐너의 사용자용 애플리케이션으로써 피구조자가 정보를 취득하거나 관리자와 커뮤니케이션을 수행할 수 있는 기능을 제공한다. 410그림은 관측자의 피구조자 통합관리시스템으로써 모든 데이터는 407그림,408그림,409그림처럼 콘텐츠만 데이터베이스에 저장하여 메타데이터를 생성하고, 입출력은 Flag값을 이용하며, 직접 AP(Access Point) Manager를 통해 피구조자의 애플리케이션과 센서를 Control할 수 있다.

본 발명을 통해 구축된 재난대피시스템은 411그림처럼 재난알림, 재난대피경로선택, 재난수준관리, 재난대응방법 매뉴얼 제공 등 다양한 애플리케이션을 피구조자에게 제공할 수 있으며, 무엇보다도 관측자에게 피 구조자의 위치를 주어진 일정시간을 감안하여 위치를 예측할 수 있는 기능을 제공한다. 이것은 현재의 재난상황 발생시 피구조자의 위치를 예측함으로써 다양한 2차 재난피해를 미연에 방지할 수 있는 효과를 볼수 있으며,예로 들어 화재재난현장의 경우 화재현장의 다양한 위치관련 데이터를 학습하여 피 구조자의 가장 생존확률이 높은 경로를 안내하거나 소방관이 화재 현장으로 진입할 수 예측경로를 안내해 줄 수 있다.

도 5는 도시된 바와 같이, 본 발명의 일실시예에 따른 센서네트워크에서 피구조자의 위치(Rescuer location in the Sensor Networking Area)를 나타낸 도면으로써 첫 번째로 실외의 경우에는 재난시 피구조자는 503그림처럼 스마트폰을 소유하고 있다고 가정했을 때 일반적인 501그림 ~ 504그림처럼 스마트폰 중계기의 통신 Cell 권역 안에 포함된다. 통신 Cell의 경우 가장 작은 Pico Cell의 경우 반경 50M를 신호반경으로 가질수 있으므로,실외의 경우에는 피구조자가 이동통신중계기의 센서네트워크에 포함됨을 의미한다. 여기서 파원은 스마트폰이며,관측자는 이동통신중계기이다.

두 번째로 실내나 대형탈것들(비행기, 기차, 버스, 배 등)의 경우에도 마찬가지로 피구조자가 스마트폰을 소지한 경우에는 이동통신중계기가 관측자가 될수 있다. 504그림 ~ 506그림처럼 스마트폰 중계기의 통신 Cell 권역 안에 포함된다. 통신 Cell의 경우 가장 작은 Pico Cell의 경우 반경 50M를 신호반경으로 가질 수 있으므로 피구조자가 이동통신중계기의 센서네트워크에 포함됨을 의미한다.

세 번째 탈것들(비행기, 기차, 버스, 배 등)의 경우에도 마찬가지로 피구조자가 만약 스마트폰을 소지하지 않은 경우나 이동통신 중계기가 근처에 없는 경우에는 Beacon이나 Beacon Scanner가 그 역할을 대신할 수 있다. 만약 피구조자가 Beacon등 주파수 발생시키는 특정한 센서를 가지고 있다면 이동통신중계기가 없는 환경에서의 스마트폰 한 개 혹은 Beacon Scanner나 관측자의 역할을 대신할 수 있다. 즉, 파원과 관측자 관계가 설정될 수 있는 센서네트워크에서는 항상 본 발명을 통해 파원을 창출하는 피구조자의 위치를 특정으로 주어진 시간에 대하여 예측위치를 추정할 수 있다. 이상이 본 발명의 산업의 이용가능성부분이다.

도 6은 도시된 바와 같이, 본 발명의 일실시예에 따른 피구조자 위치예측을 위한 순서도(Flowchart for Rescuer Location Prediction)를 나타낸 것으로, 피구조 대상자의 주파수 인식단계, 피구조자 소유 센서의 3차원 위치값 부여단계, 2차원 센서 위치값으로 변환단계, 2차원 위치값에 대한 예측변수포함단계, 2차원 위치값을 데이터베이스에 저장단계, 머신러닝을 통한 위치 예측값 도출단계, 위치 예측값의 데이터베이스에 저장하는 단계, 피구조자 센서의 위치예측값 도출단계, 피구조자 위치 예측값과 실제값 확인단계로 구현할 수 있으며,

첫 단계인 피구조자 대상자의 센서로부터 발생되는 주파수의 발생과 인식단계부터 마지막 단계인 피구조자 위치 예측값과 실제값 확인단계를 통해 보다 높은 정확도의 위치예측 값을 계속적으로 도출해내는 과정을 반복하는 순서를 나타낸 것으로 611그림과 612그림은 각각 피구조자의 파원과 구조자의 관측자를 동시에 표현한 것이다. 즉, 피구조자의 센서와 관측자의 센서는 근거리에 위치하면서 서로 주파수를 송수신할 수 있는 형태를 구성한다. 마찬가지로 691그림과 692그림은 근거리에 있는 파원과 관측자의 실제위치의 검증을 통해 다시 위치예측을 위한 학습데이터로 재활용함으로써 본 발명인 도6의 프로세스를 반복하면 할수록 예측위치의 정확도는 올라간다.

본 발명에 대해 보다 상세하게 설명을 하면

3차원의 공간에 존재하는 피구조자 즉, 파원을 특정 공간에 위치시킨 후 주파수를 일정한 주기로 방송토록 하고, 구조자를 통해 파원의 위치를 측위 하는 데이터를 얻고, 그 위치데이터를 통해 미래의 그 피구조자가 위치하게 될 위치데이터를 예측하는 방법을 기술한 발명이다. 구체적으로는 피구조자의 현재 위치데이터에 대하여 Tagging하게 되는데 그 Tagging하는 방법이 피구조자 위치측위 알고리즘이며,Tagging된 데이터를 이용하여 예측모형을 구현하는 것이 인공지능 피구조자 위치예측 알고리즘이다. 본 발명에서는 예측가능한 모형의 생성 및 훈련 및 학습 그리고 예측평가 부분을 융합한 것으로써 슈퍼바이즈드 러닝의 추상화와 일반화 모델을 통한 예측 모형으로 저장된 데이터를 좀 더 포괄적 형태와 개념으로 변환하고, 또한 그 저장된 데이터에 숨겨져 있는 패턴을 구체적으로 예측하도록 하는 방식을 표현하는 것이다.

본 발명을 구체화 하기위해 피구조 대상자의 주파수 인식단계, 피구조자 소유 센서의 3차원 위치값 부여단계, 2차원 센서 위치값으로 변환단계, 2차원 위치값에 대한 예측변수포함단계, 2차원 위치값을 데이터베이스에 저장단계, 머신러닝을 통한 위치 예측값 도출단계, 위치 예측값의 데이터베이스에 저장하는 단계, 피구조자 센서의 위치예측값 도출단계, 피구조자 위치 예측값과 실제값 확인단계로 구현할 수 있으며,

첫 단계인 피구조자로부터 발생되는 주파수의 발생과 인식단계부터 마지막 단계인 피구조자의 위치예측값과 실제 현재 위치값 확인단계를 통해 보다 높은 정확도의 위치예측 값을 계속적으로 도출해내는 과정을 반복함으로써 위치데이터가 많이 쌓이면 쌓일수록 피구조자의 위치예측의 정확도가 높아진다. 이것을 구체화하기 위해 3차원 공간에서 센서네트워크를 형성함으로서 그 공간을 측위를 위한 환경으로 구성하는 것이고, 스캐너를 통해 그 피구조자의 현재 위치를 측위 할 수 있게 된다. 이런 센서네트워크에서 공간의 인식을 3차원 즉, 실제 공간 그 자체로 그대로 2차원 좌표값을 부여하며, 그 2차원 좌표값이 실제 3차원 좌표 값이 되는 것을 증명한다. 이 실제 좌표 값은 본 발명에서 최종적으로 위치예측데이터의 예측 값과 비교되어 미래의 가장 정확성이 높은 예측 값을 다시 채택하여 위치예측의 정확도를 높인다. 구체적으로는 3차원의 큐브로 도출한 큐브는 V0부터 V7까지의 꼭짓점 값으로 함축하여 위치데이터를 표현할 수 있다. 즉, V0,V1,V2,V3,V4,V5,V6,V7이 V0,V1,V2,V3,V6,V7로 데이터 값을 함축할 수 있다. 또한 V0,V1,V2,V3,V6,V7는 다시 V0,V1,V6,V7로 사각형을 형성하며 4개의 값을 가지는 2차원 위치데이터로 변환할 수 있다. 이때 이 위치데이터는 실제 위치데이터가 아닌 실제 센서가 위치한 3차원 좌표값의 전체 큐브 중 피구조자가 포함되어 있는 큐브의 위치데이터가 된다. 이렇게 도출된 큐브의 꼭짓점 값인 V0,V1,V6,V7은 2차원 좌표값에 표시하기 위해 사용되어 지는데, 이것은 본 발명에서 피구조자의 실제 위치인 3차원의 위치값을 2차원의 위치값으로 변환하는 방법에 대한 발명이다. 즉, 3차원의 위치측위값은 큐브의 재 정의를 통해 2차원의 위치값으로 변경된다.

변경되는 방식은 A=V0,V1,V6,V7 로서 2차원 좌표값에서 A의 값을 지정한다. A의 좌표값은 가로축인 VX와 세로축인 VY가 교차하는 점으로써 A=V0,V1,V6,V7 은 AVX, AVY로 치환할 수 있다.

즉, V0,V1,V2,V3,V4,V5,V6,V7의 꼭짓점을 갖는 3차원의 큐브가 V0,V1,V6,V7의 꼭짓점을 갖는 2차원의 평면으로 변경되었다. 이 변경된 위치값은 2차원의 평면에서 위치값으로써 도면의 교차점에 좌표로 표시할 수 있다. 2차원 공간의 B의 위치값 V0,V1,V6,V7은 V0,V1,V2,V3,V4,V5,V6,V7의 꼭짓점을 갖는 3차원의 큐브에 속한 위치값을 가지게 된다.

본 발명에서는 일반적인 좌표값이 교차되는 지점이 아닌 피구조자가 존재하는 큐브를 3차원 좌표값 큐브를 예측 위치값으로 가정할 수 있다. 이것이 위치예측을 위한 2차원과 3차원의 위치측위를 위한 데이터의 전환 알고리즘이다.

실제로 3차원에 존재하는 피구조자의 위치값을 2차원으로 변환하여 예측데이터를 생성하고 그것을 다시 실제 3차원데이터로 변환하여 실제 위치와 비교하여 실제 위치를 측위 함으로써 위치예측데이터를 쉽게 도출할 수 있다.

만약 현재의 3차원에서의 피구조자의 위치가 A라는 값을 가진다면 이 피구조자의 향후 위치는 A나 B나 C로 이동할 수 있다는 것이고, 그 이동경로는 기준점인

를 기준으로 설정된

1,

2,

3을 기준으로

A,

B,

C로 그 경로를 예측할 수 있다. 그렇게 이동할 수 있는 기준점과 기준선 그리고 기준경로가 정해져 있으므로 A에서 B 그리고 C로 이동하여 A의 향후 예측위치가 A , B , C중 한곳으로 정해질 수 있음을 반증한다.

3차원 공간에서 A의 위치가 A, B, C로 변경되는 예측모델은 기준점

와 기준선

1,

2,

3 그리고 기준경로

A,

B,

C 에 예속될 수밖에 없다. 즉,

의 방위각을 갖는 3차원에서 A의 위치이동은 기준점과 기준선 그리고 기준경로에서 벗어날 수 없으므로 그 예측위치 또한 벗어날 수 없다.

이상과 같이 설정된 기준점과 기준선 그리고 기준경로는 최초 A의 위치측위로부터 시작된다.

2차원 좌표값에서 기준점과 기준선 그리고 기준경로 및 현재의 위치를 정의한 후 실제 피구조자의 위치를 관측하는 스캐너(스마트폰)에서는 수신 위치데이터를 기준으로 학습을 위한 데이터를 Tagging하는데, 현재의 위치값과 미래의 위치값을 Clustering = > Classification => Decision Tree를 통해 얻어진 데이터는

1,

2,

3 범위 안에 포함되므로, 예측값의 범위 안에 존재하게 된다는 결론을 얻은 부분에 대해서 최종적으로 기계학습을 통한 위치예측을 수행할 수 있다.

도3의 302그림은 2차원도면위에 존재하는 현재 A의 위치에 존재하는 피구조자의 위치는 Deep Learning을 통해 현재 위치가 A일 경우, A가 아닐 경우, B일 경우, B가 아닐 경우, C일 경우, C가 아닐 경우 의 경우의 케이스를 비 학습데이터를 삽입하여 그것이 위치예측을 위한 기준점

와 근접관계를 형성하는지

A와 근접관계를 형성하는지

B와 근접관계를 형성하는지

C와 근접관계를 형성하는지 판단한다.

,

A,

B,

C로 부터 얻은 데이터를 기반으로 위치의 이동 범위를 설정할 수 있는 가능성을

판단하는 있는 기준선인

1,

2,

3를 재 매핑시킴으로써 최종적으로 현재 피구조자의 위치인 A는 주어진 일정시간 후에 V의 값을 가지게 된다. 이 V는 현재 2차원 좌표값에서 X, Y, Z의 위치값을 가지며, 위치와 시간과 주파수 및 측정시점을 기준으로 현재와 과거 그리고 미래를 아우르는 가능성 높은 위치예측값을 도출할 수 있다. 이렇게 도출된 V의 값은 2차원의 V0,V1,V6,V7이므로 도2에서 기술한 것처럼 V0,V1,V2,V3,V4,V5,V6,V7의 꼭짓점을 갖는 3차원의 큐브에 속한 위치값으로 변환된다.

이상이 본 발명의 두 번째 알고리즘인 인공지능 기계학습의 예측가능한 모형의 생성 및 훈련 및 학습 부분이다.

서두에서 밝힌바와 같이 본 발명은 위치측위 알고리즘과 인공지능의 학습 및 예측을 융합한 발명이다. 측위알고리즘을 통해 얻어진 데이터에 대하여 데이터 Tagging작업을 수행하고, 그 Tagging된 데이터를 기반으로 어떤 방식으로 학습과 예측모델을 구현해 내는지가 본 발명의 인공지능 예측 알고리즘이다.

이상에서, 본 발명의 실시 예를 구성하는 모든 구성 요소들이 하나로 결합 하

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

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

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 기술분야에서 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 기술분야에서 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.

GPS Global Positioning System

Claims (7)

1. 피구조자가 소지한, 주파수를 발생시키는 센서; 및
   상기 센서에 연결되고, 관측자가 소지하며, 상기 센서의 위치를 측위하는 데이터를 획득하는 스캐너;를 포함하는 피구조자 위치예측시스템의 제어 방법에 있어서,
   상기 스캐너가, 상기 센서의 주파수를 인식하는 단계;
   상기 스캐너가, 상기 인식된 주파수 값에 대한 3차원 위치값을 부여하는 단계;
   상기 스캐너가, 상기 3차원 위치값을 2차원 위치값으로 변환하는 단계;
   상기 스캐너가, 상기 변환된 2차원 위치값에 대한 예측변수를 상기 2차원 위치값에 포함시키는 단계;
   상기 스캐너가, 상기 예측변수가 포함된 2차원 위치값을 데이터베이스에 저장하는 단계;
   상기 스캐너가, 상기 데이터베이스에 저장된 2차원 위치값에 대한 머신러닝을 통한 위치 예측값을 도출하는 단계;
   상기 스캐너가, 상기 도출된 위치 예측값을 상기 데이터베이스에 저장하는 단계;
   상기 스캐너가, 상기 데이터베이스에 저장된 상기 위치 예측값을 3차원 위치값으로 변환한 미래의 위치값을 도출하는 단계; 및
   상기 스캐너가, 상기 미래의 위치값 및 상기 피구조자의 실제 위치값을 비교하는 단계; 를 포함하고,
   상기 피구조자 위치예측시스템의 제어 방법은,
   상기 센서로부터 수신된 계속적인 시계열 주파수 위치정보를 이용하여 머신러닝 학습을 통해 피구조자의 미래 시간에 대한 위치를 예측하는, 피구조자 위치예측시스템의 제어 방법.
2. 제1항에 있어서,
   상기 인식된 주파수 값에 대한 3차원 위치값을 부여하는 단계는,
   파원의 위치를 측위 하는 데이터를 획득하고,
   상기 변환된 2차원 위치값에 대한 예측변수를 상기 2차원 위치값에 포함시키는 단계는,
   측정된 위치데이터를 머신러닝을 위한 학습데이터를 생성하며,
   상기 미래의 위치값 및 상기 피구조자의 실제 위치값을 비교하는 단계는,
   비교를 통해 머신러닝을 통한 학습한 데이터를 생성하여 미래의 피구조자가 위치하게 될 위치데이터를 예측하는, 피구조자 위치예측시스템의 제어 방법.
3. 제1항 또는 제2항에 있어서,
   상기 3차원 위치값을 2차원 위치값으로 변환하는 단계는,
   자연계의 공간을 3차원 큐브들의 집합으로 가정하여, 공간에 존재하는 임의의 1개의 큐브는 V0부터 V7까지의 꼭짓점 값으로 특정 공간위치에 대한 위치데이터를 표현하고,
   상기 인식된 주파수 값에 대한 3차원 위치값을 부여하는 단계는,
   상기 V0부터 V7까지의 꼭짓점 값 V0, V1, V2, V3, V4, V5, V6, V7로 부여하고,
   상기 3차원 위치값을 2차원 위치값으로 변환하는 단계는,
   상기 꼭짓점 값 V0, V1, V2, V3, V4, V5, V6, V7를 V0, V1, V6, V7로 4개의 값을 가지는 2차원 사각협의 꼭지점 위치데이터로 변환하고,
   상기 센서의 위치예측을 위한 2차원과 3차원의 차원변환 위치측위를 이용하는, 피구조자 위치예측시스템의 제어 방법.
4. 제1항에 있어서,
   상기 변환된 2차원 위치값에 대한 예측변수를 상기 2차원 위치값에 포함시키는 단계는
   A의 위치가 A, B, C 중 어느 하나로 변경되는 것을 예측하기 위해, 기준점

   

   , 기준선

   

   1,

   

   2,

   

   3, 기준경로

   

   A,

   

   B,

   

   C에 예속되며,

   

   의 방위각을 갖는 3차원에서 상기 A의 위치이동은, 기준점, 기준선, 기준경로에서 벗어날 수 없 도록 하는 예측모델을 통해 수행하고,
   상기 데이터베이스에 저장된 2차원 위치값에 대한 머신러닝을 통한 위치 예측값을 도출하는 단계는
   상기 기준점인

   

   를 기준으로 설정된

   

   1,

   

   2,

   

   3을 기준으로 상기

   

   A,

   

   B,

   

   C로 이동경로를 예측하고, 기준점, 기준선, 기준경로가 정해져 있으므로 A에서 B 그리고 C로 이동하여 A의 향후 위치가 A, B, C 중 한 곳의 영역으로 정해지도록 하는 알고리즘을 통해 수행하는, 피구조자 위치예측시스템의 제어 방법.
5. 제1항 또는 제4항에 있어서,
   상기 데이터베이스에 저장된 2차원 위치값에 대한 머신러닝을 통한 위치 예측값을 도출하는 단계는,
   상기 2차원 위치값에서 기준점, 기준선, 기준경로 및 현재의 위치를 정의한 후 위치데이터를 기준으로 상기 2차원 위치값에 대한 데이터를 태깅(Tagging)하고,
   상기 미래의 위치값과 상기 피구조자의 실제 위치값을 비교하는 단계는,
   상기 실제 위치값과 상기 미래의 위치값을 Clustering => Classification => Decision Tree를 통해 얻어진 데이터가

   

   1,

   

   2,

   

   3 범위 안에 포함되도록 하는 머신러닝 알고리즘을 통해 상기 위치예측을 수행하는, 피구조자 위치예측시스템의 제어 방법.
6. 삭제
7. 삭제

Images