KR102395858B1 - 복잡한 건물 구조에서의 효과적인 측위 방법 및 장치 - Google Patents

복잡한 건물 구조에서의 효과적인 측위 방법 및 장치 Download PDF

Info

Publication number
KR102395858B1
KR102395858B1 KR1020200093208A KR20200093208A KR102395858B1 KR 102395858 B1 KR102395858 B1 KR 102395858B1 KR 1020200093208 A KR1020200093208 A KR 1020200093208A KR 20200093208 A KR20200093208 A KR 20200093208A KR 102395858 B1 KR102395858 B1 KR 102395858B1
Authority
KR
South Korea
Prior art keywords
model
positioning
latent
mapping
radio
Prior art date
Application number
KR1020200093208A
Other languages
English (en)
Other versions
KR20220013798A (ko
Inventor
이준구
김민석
한동수
Original Assignee
한국과학기술원
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 한국과학기술원 filed Critical 한국과학기술원
Priority to KR1020200093208A priority Critical patent/KR102395858B1/ko
Publication of KR20220013798A publication Critical patent/KR20220013798A/ko
Application granted granted Critical
Publication of KR102395858B1 publication Critical patent/KR102395858B1/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
    • G01S5/0205—Details
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G01S2201/00—Indexing scheme relating to beacons or beacon systems transmitting signals capable of being detected by non-directional receivers and defining directions, positions, or position lines fixed relatively to the beacon transmitters
    • G01S2201/01—Indexing scheme relating to beacons or beacon systems transmitting signals capable of being detected by non-directional receivers and defining directions, positions, or position lines fixed relatively to the beacon transmitters adapted for specific applications or environments
    • G01S2201/02—Indoor positioning, e.g. in covered car-parks, mining facilities, warehouses
    • 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)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Position Fixing By Use Of Radio Waves (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

본 발명은 복잡한 건물 구조에서의 효과적인 측위 방법 및 장치에 관한 것으로서, 본 발명의 송신장치로부터 복수의 수신장치가 수신하는 무선신호를 이용하는 측위 방법은, 복수의 수신장치가 수신하는 무선신호를 기계학습하여 무선측위모델을 생성하는 단계; 및 상기 무선측위모델을 이용하여, 상기 학습 후에 송신장치로부터의 무선신호에 대한 해당 위치 좌표를 생성하는 단계를 포함하고, 상기 무선측위모델의 생성에서, 송신장치에 대하여 해당 수신장치가 일직선 경로 상에 있을 때(uk=1)의 각 뷰 그룹의 수신신호(xk)에 대하여, 상기 기계학습을 통해 해당 송신장치의 위치와의 차이가 최소가 되는 측위 위치값(
Figure 112020078421750-pat00044
)을 산출하기 위한 상기 무선측위모델을 생성한다.

Description

복잡한 건물 구조에서의 효과적인 측위 방법 및 장치{Method and Apparatus for Effectively Positioning in Complex Building Structures}
본 발명은 측위 방법 및 장치에 관한 것으로서, 특히, 복잡한 건물 구조나 실외에서 CSI(Channel State Information) 패킷을 이용하여 효과적으로 위치를 정확하게 측위할 수 있는 방법 및 장치에 관한 것이다.
실내에서는 GPS 신호를 수신하기 어렵기 때문에 실내에서는 와이파이(WiFi) 신호를 사용한 위치 측정 기술이 가능하고, 실외에서는 GPS 신호나 이동통신망 자원을 사용한 위치 측정 기술이 활용될 수 있다. 위치 측정 기술은 다양한 위치기반 서비스에 광범위하게 활용되고 있다.
그러나, 종래의 위치 측정 기술은 복잡한 건물 구조 또는 실외에서, Non Line of Sight (NLos), 즉, 다중 경로 상의 (multi-path) 통신 신호와, Line of Sight (LoS), 즉, 일직선 경로 상 (single path)의 통신 신호를 구분하여 처리하지 못함에 따라, 측위에 필요한 유용한 정보가 없는 NLos 신호에 의한 왜곡이나 손실이 발생하여, 측위의 정확성이 떨어지는 문제점이 있다.
따라서, 본 발명은 상술한 문제점을 해결하기 위하여 안출된 것으로, 본 발명의 목적은, CSI(Channel State Information) 패킷을 이용하여 복잡한 건물 구조 등에서 효과적으로 위치를 정확하게 측위할 수 있는 방법 및 장치를 제공하는 데 있다.
또한, 본 발명의 목적은, 패킷 분석 이후에 측위 시 정확도 향상을 위해, CSI 데이터에 지도학습(supervised learning) 형태의 다양한 뷰(view) 기반의 확장성있는 기계학습을 적용하여, CSI 패킷의 무선 특성에 의한 왜곡현상에도 불구하고, 정확하게 측위할 수 있는 방법 및 장치를 제공하는 데 있다.
먼저, 본 발명의 특징을 요약하면, 상기의 목적을 달성하기 위한 본 발명의 일면에 따른 송신장치로부터 복수의 수신장치가 수신하는 무선신호를 이용하는 측위 방법은, 복수의 수신장치가 수신하는 무선신호를 기계학습하여 무선측위모델을 생성하는 단계; 및 상기 무선측위모델을 이용하여, 상기 학습 후에 송신장치로부터의 무선신호에 대한 해당 위치 좌표를 생성하는 단계를 포함하고, 상기 무선측위모델의 생성에서, 송신장치에 대하여 해당 수신장치가 일직선 경로 상에 있을 때(uk=1)의 각 뷰 그룹의 수신신호(xk)에 대하여, 상기 기계학습을 통해 해당 송신장치의 위치와의 차이가 최소가 되는 측위 위치값(
Figure 112020078421750-pat00001
)을 산출하기 위한 상기 무선측위모델을 생성한다.
상기 복수의 수신장치가 수신하는 무선신호는, CSI(Channel State information) 패킷을 포함하고, 상기 무선측위모델을 생성하는 측위 장치가 상기 CSI 패킷에 대하여 생성하는 CSI 데이터셋을 이용하여 상기 무선측위모델을 생성한다.
상기 CSI 패킷은, 상기 무선신호에 포함되는 복수의 서브캐리어(subcarrier) 중에서, 미리 설정된 인덱스(index)에 대응하는 각각의 서브캐리어에 대한 채널정보를 포함한다.
상기 CSI 데이터셋은, 상기 CSI 패킷에 대한 상기 복수의 수신장치의 안테나들에서의 진폭과 위상차에 대한 정보를 포함한다.
상기 무선측위모델을 생성하는 단계는, (A) 상기 일직선 경로 상에 있을 때(uk=1)의 각 뷰 그룹의 수신신호(xk)에 대하여, 잠재 위치 매핑을 위한 모델(hk(xk))을 생성하는 단계; (B) 상기 잠재 위치 매핑을 위한 모델(hk(xk))로부터의 각각의 잠재 위치값(zk)에 대하여, 잠재위치 회귀매핑을 위한 모델(gk(xk))을 생성하는 단계; (C) 상기 잠재 위치 매핑을 위한 모델(hk(xk))로부터의 각각의 잠재 위치값(zk)을 합산한 잠재위치 합산위치값(z)에 대하여, 뷰 그룹 분류의 매핑을 위한 모델(hQ(z))을 생성하는 단계; 및 (D) 상기 뷰 그룹 분류의 매핑을 위한 모델(hQ(z))로부터의 뷰 분류값(
Figure 112020078421750-pat00002
)과 상기 각각의 잠재 위치값(zk)을 element-wise multiplication(동일위치원소곱셈) 연산한 값들을 합산한 뷰반영 합산위치값(z')에 대하여, 출력위치 회귀매핑을 위한 모델(hR(z'))을 생성하는 단계를 포함한다.
(A) 단계는, 각각의 잠재위치 신경망에서, 잠재 위치 매핑을 위한 모델(hk(xk))을 구성하는 제1가중치(Wk)와 제1성향(bk)을 학습하여, 상기 각각의 잠재 위치값(zk)을 산출한다.
(B) 단계는, 각각의 잠재위치 회귀신경망에서, 상기 잠재위치 회귀매핑을 위한 모델(gk(xk))을 구성하는 제2가중치(Wk')와 제2성향(bk')을 학습하여, 해당 송신장치의 위치와의 차이가 최소가 되도록, 상기 각각의 뷰 그룹 방향으로의 잠재회귀 위치값(
Figure 112020078421750-pat00003
)을 산출한다.
(C) 단계는, 뷰 분류 신경망에서, 상기 뷰 그룹 분류의 매핑을 위한 모델(hQ(z))을 구성하는 제3가중치(WQ)와 제3성향(bQ)을 학습하여, 송신장치에 대하여 해당 수신장치의 뷰 그룹에 대한 정보적 경로 여부의 실제 바이너리 값(u) 및 상기 뷰 분류값(
Figure 112020078421750-pat00004
)의 차이가 최소가 되도록, 상기 뷰 분류값(
Figure 112020078421750-pat00005
)을 산출한다. 상기 뷰 분류값(
Figure 112020078421750-pat00006
)은 상기 측위 방법에 의한 측위 위치가 k번째 뷰 그룹에 속할 확률에 해당한다.
(D) 단계는, 출력위치 회귀신경망에서, 상기 출력위치 회귀매핑을 위한 모델(hR(z'))를 구성하는 제4가중치(WR)와 제4성향(bR)을 학습하여, 상기 잠재위치 회귀매핑을 위한 모델(gk(xk))로부터의 각각의 뷰 그룹 방향으로의 잠재회귀 위치값(
Figure 112020078421750-pat00007
)을 기초로 해당 송신장치의 위치와의 차이가 최소가 되도록, 상기 측위 위치값(
Figure 112020078421750-pat00008
)을 산출한다.
그리고, 본 발명의 다른 일면에 따른, 송신장치로부터 복수의 수신장치가 수신하는 무선신호를 이용하는 측위 장치는, 복수의 수신장치가 수신하는 무선신호에 대하여, 기계학습하여 무선측위모델을 생성하는 모델 생성부; 및 상기 무선측위모델을 이용하여, 상기 학습 후에 송신장치로부터의 무선신호에 대한 해당 위치 좌표를 생성하는 측위부를 포함하고, 상기 모델 생성부는, 송신장치에 대하여 해당 수신장치가 일직선 경로 상에 있을 때(uk=1)의 각 뷰 그룹의 수신신호(xk)에 대하여, 상기 기계학습을 통해 해당 송신장치의 위치와의 차이가 최소가 되는 측위 위치값(
Figure 112020078421750-pat00009
)을 산출하기 위한 상기 무선측위모델을 생성한다.
본 발명에 따른 측위 방법 및 장치에 따르면, CSI(Channel State Information) 패킷을 이용하되, 패킷 분석 이후에 측위 시 정확도 향상을 위해, CSI 데이터에 지도학습 형태의 다양한 뷰(view) 기반의 확장성있는 기계학습을 적용함으로써, 복잡한 건물 구조에서 CSI 패킷의 무선 특성에 의한 왜곡현상에 불구하고 효과적으로 위치를 정확하게 측위할 수 있다.
또한, 본 발명에 따른 측위 방법 및 장치에 따르면, WiFi 또는 이동통신망에서의 실내외 측위를 가능하게 하여 광범위한 모바일 서비스에 응용될 수 있도록 하였다.
본 발명에 관한 이해를 돕기 위해 상세한 설명의 일부로 포함되는 첨부도면은, 본 발명에 대한 실시예를 제공하고 상세한 설명과 함께 본 발명의 기술적 사상을 설명한다.
도 1은 본 발명의 일 실시예에 의한 측위 시스템을 나타내는 개략도이다.
도2는 본 발명의 일 실시예에 의한 측위장치(100)를 나타내는 블록도이다.
도 3은 본 발명의 일 실시예에 따른 모델생성부(130)의 구체적인 블록도이다.
도 4는 본 발명의 일 실시예에 따른 측위 장치(100)의 구현 방법의 일례를 설명하기 위한 도면이다.
이하에서는 첨부된 도면들을 참조하여 본 발명에 대해서 자세히 설명한다. 이때, 각각의 도면에서 동일한 구성 요소는 가능한 동일한 부호로 나타낸다. 또한, 이미 공지된 기능 및/또는 구성에 대한 상세한 설명은 생략한다. 이하에 개시된 내용은, 다양한 실시 예에 따른 동작을 이해하는데 필요한 부분을 중점적으로 설명하며, 그 설명의 요지를 흐릴 수 있는 요소들에 대한 설명은 생략한다. 또한 도면의 일부 구성요소는 과장되거나 생략되거나 또는 개략적으로 도시될 수 있다. 각 구성요소의 크기는 실제 크기를 전적으로 반영하는 것이 아니며, 따라서 각각의 도면에 그려진 구성요소들의 상대적인 크기나 간격에 의해 여기에 기재되는 내용들이 제한되는 것은 아니다.
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 실시 예들을 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.
또한, 제1, 제2 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되는 것은 아니며, 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.
도 1은 본 발명의 일 실시예에 의한 측위 시스템을 나타내는 개략도이다.
도 1을 참조하면, 본 발명의 일 실시예에 의한 측위시스템은, 복잡한 건물 구조 등 대상공간에 위치하는 복수의 무선수신장치(예, AP1 ~ AP7)를 이용하는 측위장치(100)를 포함할 수 있다.
이하, 도 1을 참조하여 본 발명의 일 실시예에 의한 측위시스템을 설명한다.
대상공간은 집이나 회사, 학교, 쇼핑몰 등의 건물 내의 현관문 안밖의 공간 또는 LTE, 5G 등의 이동통신망을 이용하는 외부 공간일 수도 있으며, 대상공간 내에는 복수의 노드(N, 하얀점)들이 설정되어 있을 수 있다. 이때, 각각의 노드(N)들의 좌표정보는 미리 설정되어 있을 수 있으며, 각각의 노드(N)에 무선송신장치(미도시)들이 위치하여 무선신호를 발신할 수 있다. 도면에서 검은점(L)은 학습 후에 테스트에 사용될 위치이다.
여기서, 무선송신장치들은 무선랜을 이용하여 무선신호를 발신할 수 있다. 즉, 802.11n 채널을 이용하여 무선신호를 발신할 수 있으며, 무선신호 내에는 CSI(Channel State Information) 패킷이 포함될 수 있다. 무선송신장치는 20MHz 또는 40MHz의 대역폭을 사용할 수 있으며, 64개 또는 128개의 OFDM(Orthogonal Frequency Division Multiplexing) 서브 캐리어(subcarrier)를 포함할 수 있다.
측위장치(100)는 복수의 무선수신장치(예, AP1 ~ AP7)를 이용하여 무선송신장치가 발신하는 무선신호를 각각 수신할 수 있으며, 무선신호에 포함된 CSI 패킷들을 이용하여 무선송신장치의 위치를 측위할 수 있다. 실시예에 따라서는, 측위장치(100)가 무선신호에 포함된 서브 캐리어 중에서, [-28, -26, -24, -22, -20, -18, -16, -14, -12, -10, -8, -6, -4, -2, -1, 1, 3, 5, 7, 9, 11, 13, 15, 17, 19, 21, 23, 25, 27, 28]의 인덱스를 가지는 총 30개의 서브캐리어에 대한 CSI 패킷을 각각 복소수 형태로 검출할 수 있다.
일반적으로, WiFi 통신이나 LTE, 5G 등의 이동통신시 CSI 패킷을 추출하여 분석할 수 있으며, CSI 패킷에 대한 분석을 통하여 무선측위를 수행하는 것이 가능하다. 즉, CSI 패킷을 수신하는 복수의 무선수신장치(예, AP1 ~ AP7)를 이용하여 무선측위를 수행할 수 있다. 구체적으로, 무선수신장치(예, AP1 ~ AP7)에는 2개 이상의 안테나(예, 3개의 안테나)가 장착될 수 있으며, 각각의 안테나에서 수신한 CSI 패킷들 사이의 위상 차를 구하는 것이 가능하다. 이때 구해진 위상 차는 무선송신장치와 무선수신장치(예, AP1 ~ AP7)의 안테나 사이의 입사각과 밀접한 관련이 있다.
따라서, 2개 이상의 안테나(예, 3개의 안테나)를 장착한 무선수신장치(예, AP1 ~ AP7)를 이용하면 각각의 무선수신장치(예, AP1 ~ AP7)에서의 입사각을 구할 수 있으며, 복수의 무선수신장치(예, AP1 ~ AP7)에 대한 각각의 입사각으로부터, 무선송신장치의 위치를 삼각측량법을 활용하여 구하는 것이 가능하다.
다만, 무선수신장치(예, AP1 ~ AP7)가 수신하는 CSI 패킷의 경우, 무선으로 전파되는 특성 때문에 왜곡현상이 심하게 발생할 수 있으며, 이로 인하여 CSI 패킷으로부터 구한 위상차에는 오차가 포함될 수 있다. 따라서, 삼각측량법으로 계산한 무선송신장치의 위치는 실제 위치와 오차가 크게 발생하여, 정확한 위치측정이 어려울 수 있다.
이를 해결하기 위하여, 본 발명의 일 실시예에 의한 측위장치(100)는, CSI 패킷을 이용하되, 패킷 분석 이후에 측위 시 정확도 향상을 위해, 수신 CSI의 안테나 별 진폭과 안테나 간 위상 차이를 입력 데이터로 사용하는, 지도학습 형태의 다양한 뷰(view) 기반의 확장성있는 기계학습(machine learning) 을 적용함으로써, 복잡한 건물 구조에서 CSI 패킷의 무선 특성에 의한 왜곡현상에 불구하고 효과적으로 위치를 정확하게 측위할 수 있도록 하였다. 예를 들어, 여러 구역으로 나뉘어지는 복도가 존재하는 경우, 특정 AP 수신부에 대해 Line of Sight (LoS), 즉 일직선 경로 상 (single path)의 통신 신호를 받지 못하는 경우가 생긴다. 따라서 Non Line of Sight (NLos), 즉 다중 경로 상의 (multi-path) CSI를 받게 되는 경우 해당 정보는 측위에 필요한 유용한 정보를 담고 있지 않다. 본 발명은 이러한 유용한 정보를 담고 있지 않는 정보를 기계학습에서 배제하고, 유용한 정보를 가진 CSI 에 대한 선별을 통해 측위 성능을 개선할 수 있도록 하였다. 또한, 이에 따라 본 발명에서는, WiFi 또는 LTE, 5G 등의 이동통신망에서의 실내외 측위를 가능하게 하여 광범위한 모바일 서비스에 응용될 수 있도록 하였다.
이하, 본 발명의 일 실시예에 의한 측위장치(100)를 설명한다.
도2는 본 발명의 일 실시예에 의한 측위장치(100)를 나타내는 블록도이다.
도2를 참조하면 본 발명의 일 실시예에 의한 측위장치(100)는, 수신부(110), 데이터처리부(120), 모델생성부(130) 및 측위부(140)를 포함할 수 있다.
수신부(110)는 대상공간 내에 포함된 복수의 노드(N)에서 무선송신장치에 의해 전송된 무선신호를 수신할 수 있다. 수신부(110)는 복수의 무선수신장치(예, AP1 ~ AP7)들을 포함할 수 있으며, 복수의 무선수신장치(예, AP1 ~ AP7)를 통해 입력되는 무선신호들을 각각 입력받을 수 있다. 여기서, 복수의 노드(N)에서 무선송신장치가 기계학습을 위해 발신하는 샘플 무선신호를 학습에 이용할 수 있다.
한편, 학습 시, 무선송신장치(미도시)는 각각의 노드(N)에 위치할 수 있으며, 복수의 무선수신장치(예, AP1 ~ AP7)들도 미리 설정된 특정 위치에 고정될 수 있다. 이후, 특정 노드에서 무선송신장치가 샘플 무선신호를 발신하면, 무선수신장치(예, AP1 ~ AP7)는 해당 무선송신장치가 발신하는 샘플 무선신호를 각각 수신하여, 수신부(110)로 제공할 수 있다. 학습 결과가 반영된 사용자 등의 임의의 수신단말에서 측위장치(100)를 구비하여, 임의의 송신단말에서 상기와 같은 무선신호를 발신할 때 해당 위치를 측정하는 측위에 이용될 수 있다.
실시예에 따라서는, 무선송신장치를 각각의 노드(N)로 순차적으로 위치시킨 후 무선신호를 발신할 수 있으며, 수신부(110)는 각각의 노드(N)에서 발신하는 무선신호를, 특정 위치에 고정된 복수의 무선수신장치(예, AP1 ~ AP7)를 통하여 개별적으로 입력받을 수 있다.
여기서, 무선신호에는 CSI 패킷이 포함될 수 있으며, CSI 패킷에는 무선신호에 포함되는 복수의 서브캐리어 중에서, 미리 설정된 인덱스에 대응하는 각각의 서브캐리어의 채널정보들이 포함될 수 있다.
데이터처리부(120)는 수신한 무선신호를 기계학습에 적용하기 위하여, 수신 무선신호로부터 CSI 데이터셋을 생성할 수 있다. 즉, 데이터처리부(120)는 무선신호의 CSI 패킷에 대한 진폭 및 위상차를 이용하여, 각각의 노드(N)에 대응하는 CSI 패킷의 실수부(Real)와 허수부(Image)를 포함하는 CSI 데이터셋을 생성할 수 있다. 여기서, 안테나가 복수인 경우 각 안테나에서의 진폭과 위상차에 대한 정보를 반영한 CSI 데이터셋을 생성하여 이용할 수 있다.
모델생성부(130)는 무선송신장치로부터의 수신된 무선 신호에 대하여, 즉, 상기 CSI 데이터셋에 대하여, 지도학습(supervised learning) 기반으로 기계학습하여, 대상공간에 대한 무선측위모델을 생성할 수 있다. 여기서, 무선측위모델을 생성하기 위하여, 먼저 데이터셋들을 신경망, 예를 들어, 부분연결 신경망(Partially Connected Neural Network)으로 연결할 수 있다. 즉, 모델생성부(130)는 신경망에 입력되는 각각의 데이터셋에 대해 가중치(weight)와 성향(bias)을 적용하여 학습함으로써, 무선신호를 송신하는 대상공간 상의 무선송신장치의 임의의 2차원 위치 y={y1, y2}에 대한 추정에 이용될 무선측위모델을 생성한다. 여기서, 수직한 XY 두 좌표축 상의 위치를 나타내기 위한 XY 좌표계에서, y1은 X축 상의 값, y2는 Y축 상의 값이다.
모델생성부(130)에서의 학습 후에, 측위부(140)는 생성된 무선측위모델을 이용하여, 대상공간 임의의 위치에서 출력되는 무선송신장치로부터의 무선신호에 대한 위치 좌표를 생성할 수 있다. 즉, 측위부(140)는 무선측위모델을 이용하여, 학습과정과 유사하게, 무선신호를 적용해 그에 대응하는 위치좌표를 측위할 수 있다.
모델생성부(130)는 상기 무선측위모델의 생성에서, 각 노드(N)의 무선송신장치에 대하여 해당 무선수신장치(어느 노드의 무선송신장치가 발신하는 무선 신호를 수신하는 어느 하나의 무선수신장치)가 일직선 경로 상에 있을 때(uk=1)의 각 뷰 그룹(예, 도 1에서 각 복도(corriddor1,2)의 일직선 경로 상에 있는 무선송신장치와 무선수신장치 그룹들로서, corriddor1의 그룹과 corriddor2의 그룹)의 수신신호(xk)에 대하여, 상기 기계학습을 통해 해당 송신장치의 위치와의 차이가 최소가 되는 측위 위치값(
Figure 112020078421750-pat00010
)을 산출하기 위한 상기 무선측위모델을 생성하게 된다. 무선측위모델은, 하기하는 바와 같이, 잠재 위치 매핑을 위한 모델(hk(xk)), 잠재위치 회귀매핑을 위한 모델(gk(xk)), 뷰 그룹 분류의 매핑을 위한 모델(hQ(z)), 출력위치 회귀매핑을 위한 모델(hR(z')) 등을 포함한다.
이하, 도 3을 참조하여 본 발명의 일 실시예에 따른 모델생성부(130)의 동작을 좀 더 자세히 설명한다.
도 3은 본 발명의 일 실시예에 따른 모델생성부(130)의 구체적인 블록도이다.
도 3을 참조하면, 본 발명의 일 실시예에 따른 모델생성부(130)는, 입력층(310), 각 뷰(view) 그룹(k)의 수신신호들(xk)에 대하여 학습하기 위한 제1신경망(320), 수신신호들(xk)에 대한 뷰를 결정하기 위한 학습과 측위 위치값(
Figure 112020078421750-pat00011
)을 결정하기 위한 학습을 수행하는 제2신경망(330), 및 출력층(340)을 포함한다. 여기서, 수신신호들(xk)은 데이터처리부(120)에서 생성하는 CSI 데이터셋에 해당한다. 다만, 이에 한정되지 않으며 OFDM 프리앰플 신호 등 복수의 노드(N)에서 무선송신장치에 의해 전송된 다양한 무선신호의 수신신호들(xk)이 무선측위모델의 생성에 이용될 수 있다.
입력층(310)은 각 뷰(view) 그룹(k)의 수신신호들(xk), 즉, CSI 데이터셋 x={x1, x2,..., xn}을 수신하여 은닉층인 제1신경망(320)으로 전달한다. 이외에도 입력층(310)은 학습 동안에 해당 노드(N)의 무선송신장치의 2차원 좌표계 상의 위치 y={y1, y2}, 뷰 그룹(k)에 대한 정보적(informative) 경로 여부의 바이너리 값(uk)(예, 정보적(informative)인 경우 '1'의 값, 비정보적(non-informative)인 경우 '0'의 값), 즉, u={u1, u2,..., un}을 제1신경망(320)으로 전달한다.
여기서, 뷰(view) 그룹(k)은 무선수신장치가 무선송신장치를 일직선으로 바라보는 뷰 구역을 그루핑한 구분자이다. 예를 들어, 도 1과 같이, AP1 ~ AP7의 무선송신장치들이 어느 노드(N)의 무선송신장치로부터 무선신호를 수신할 때, 다양한 경로로 무선신호를 수신할 수 있다. 도 1의 예에서 뷰(view) 그룹(k)의 수는 복도(corriddor1,2)의 수=2와 같고, 이때, 일직선 경로 상에 있는 무선송신장치와 무선수신장치 그룹들로서, corriddor1의 그룹(k=1)은 AP1~AP5을 포함하고, corriddor2의 그룹(k=2)은 AP3~AP7을 포함한다. 즉, corriddor1의 그룹(k=1)의 AP1~AP5에서 수신되는 CSI 데이터셋은 x1, corriddor2의 그룹(k=2)의 AP3~AP7에서 수신되는 CSI 데이터셋은 x2와 같이 되고, 각각 다수의 벡터 성분을 가질 수 있다.
이와 같이, 뷰(view) 그룹(k)을 구분하는 이유는, 정보적(informative)인 CSI, 또는 비정보적(non-informative)인 CSI를 구분하여 학습이 이루어지도록 하기 위함이다. 예를 들어, 도 1에서 무선수신장치 AP1은 corriddor2의 그룹(k=2)에 존재하는 무선송신장치와 일직선 경로 상에 있지 않고, 따라서 수신 신호는 비정보적(non-informative)인 것으로 취급하게 된다.
뷰 그룹(k)에 대한 정보적(informative) 경로 여부의 바이너리 값(uk), 즉, u={u1, u2,..., un}은 이와 같은 정보적(informative)인 CSI에 대한 선별적 학습을 위해 사용된다. 예를 들어, 어느 노드(N)의 무선송신장치에 대하여 해당 무선수신장치(어느 노드의 무선송신장치가 발신하는 무선 신호를 수신하는 어느 하나의 무선수신장치)가 일직선 경로 상에 있을 때, 정보적(informative)인 CSI 수신을 나타내기 위하여 uk=1로 설정된다. 또한, 무선 신호를 수신하는 어느 하나의 무선수신장치가 무선송신장치와 다중 경로 상에 있는 경우, 비정보적(non-informative)인 CSI 수신을 나타내기 위하여 uk=0로 설정된다. 각각의 바이너리 값(uk)은 각 k마다, xk에 대응되는 다수의 벡터 성분을 가질 수 있다.
입력층(310)은 각 뷰(view) 그룹(k)의 수신신호들(xk), 즉, CSI 데이터셋 x={x1, x2,..., xn}을 수신하여 은닉층인 제1신경망(320)으로 전달한다. 이외에도 입력층(310)은 학습 동안에 해당 노드(N)의 무선송신장치의 2차원 좌표계 상의 위치 y={y1, y2}, 뷰 그룹(k)에 대한 정보적(informative) 경로 여부의 바이너리 값(uk)(예, 정보적(informative)인 경우 '1'의 값, 비정보적(non-informative)인 경우 '0'의 값), 즉, u={u1, u2,..., un}을 제1신경망(320)으로 전달한다. 학습 후에, 대상공간 임의의 위치에서 출력되는 무선송신장치로부터의 무선신호에 대한 위치 좌표를 생성하기 위한 측위에서는, 바이너리 값(uk) 없이 제1신경망(320) 및 제2신경망(330)의 파라미터들을 적용하여 무선송신장치의 위치 y={y1, y2}에 대한 측위 위치값(
Figure 112020078421750-pat00012
)을 산출할 수 있게 된다.
제1신경망(320)은, 각 뷰(view) 그룹(k)의 수신신호들(xk)에 대하여 학습하여 각각의 잠재 위치값(zk)을 산출하는 복수의 잠재위치 신경망(321), 및 각각의 잠재 위치값(zk)에 대하여 학습하여, 해당 무선송신장치의 위치{y1, y2}와의 차이가 최소가 되도록, 각각의 뷰 그룹 방향으로의 잠재회귀 위치값(
Figure 112020078421750-pat00013
)을 산출하는 복수의 잠재위치 회귀신경망(322)를 포함한다.
잠재위치 신경망(321) 각각은, 무선송신장치에 대하여 해당 무선수신장치가 일직선 경로 상에 있을 때(uk=1)의 각 뷰 그룹의 수신신호(xk)에 대하여, 잠재 위치 매핑을 위한 모델(hk(xk))을 생성한다.
즉, 잠재위치 신경망(321) 각각은, 상기 일직선 경로 상에 있을 때(uk=1)의 각 뷰 그룹의 수신신호(xk)에 대하여, 잠재 위치 매핑을 위한 모델(hk(xk))을 구성하는 제1가중치(Wk)와 제1성향(bk)을 학습하여, 각각의 잠재 위치값(zk)을 산출한다. 이때, 반복 학습 시마다 제1가중치(Wk)와 제1성향(bk)이 업데이트되고, 회귀 손실, 즉, 해당 송신장치의 위치와의 차이가 최소가 되도록 업데이트된 제1가중치(Wk)와 제1성향(bk) 각 벡터를 포함하는 잠재 위치 매핑을 위한 모델(hk(xk))의 함수가 업데이트되어 측위부(140)로 제공된다. 여기서, 해당 송신장치의 위치와의 차이
Figure 112020078421750-pat00014
을 최소화하는 방법으로 Gradient descent based back-propagation(경사하강기반 역전파) 등의 알고리즘을 적용해 모델(hk(xk))의 함수가 업데이트될 수 있다.
위에서도 기술한 바와 같이, 본 발명에서는 각각의 신경망(321, 322)에서 uk=1 일 경우에만 파라미터들을 업데이트한다. 즉, 정보적인 CSI 에 대해서만 학습한다. 비록 비정보적인 CSI 에 대해서도 모델(hk(xk))로부터의 각각의 잠재 위치값(zk)은 생성되지만, 학습된 모델을 사용하여 이후 테스트 위치(L, 검은점)의 각 뷰 그룹에 대하여 정보적인지 여부를 판단될 수 있다. 각각의 잠재 위치값(zk)은 입력 데이터 xk 벡터의 차원 축소 개념으로도 볼 수 있으며, xk 벡터를 가장 근접하게 표현함과 동시에 잠재위치 신경망(321)을 통해 각 뷰 그룹의 회귀(regression) 결과를 최적화하여 적절한 특징 정보를 포함하게 된다.
잠재위치 회귀신경망(322) 각각은, 상기 잠재 위치 매핑을 위한 모델(hk(xk))로부터의 각각의 잠재 위치값(zk)에 대하여, 잠재위치 회귀매핑을 위한 모델(gk(xk))을 생성한다.
즉, 잠재위치 회귀신경망(322) 각각은, 상기 각각의 잠재 위치값(zk)에 대하여, 잠재위치 회귀매핑을 위한 모델(gk(xk))을 구성하는 제2가중치(Wk')와 제2성향(bk')을 학습하여, 해당 송신장치의 위치와의 차이가 최소가 되도록, 각각의 뷰 그룹 방향으로의 잠재회귀 위치값(
Figure 112020078421750-pat00015
)을 산출한다. 이때, 반복 학습 시마다 제2가중치(Wk')와 제2성향(bk')이 업데이트되고, 회귀 손실, 즉, 해당 송신장치의 위치와의 차이가 최소가 되도록 업데이트된 제2가중치(Wk')와 제2성향(bk') 각 벡터를 포함하는 잠재위치 회귀매핑을 위한 모델(gk(xk))의 함수가 업데이트되어 측위부(140)로 제공된다. 여기서, 해당 송신장치의 위치와의 차이
Figure 112020078421750-pat00016
을 최소화하는 방법으로 Gradient descent based back-propagation(경사하강기반 역전파) 등의 알고리즘을 적용해 모델(gk(xk))의 함수가 업데이트될 수 있다.
제2신경망(330)은, 수신신호들(xk)에 대한 뷰를 결정하기 위한 학습과 측위 위치값(
Figure 112020078421750-pat00017
)을 결정하기 위하여, 각각의 잠재 위치값(zk)을 합산한 잠재위치 합산위치값(z)에 대하여 학습하여, 뷰 분류값(
Figure 112020078421750-pat00018
)(측위 위치가 k번째 뷰 그룹에 속할 확률)을 산출하는 뷰 분류 신경망(331), 및 뷰 분류값(
Figure 112020078421750-pat00019
)을 상기 각각의 잠재 위치값(zk)과 element-wise multiplication(동일위치원소곱셈) 연산한 값들을 합산한 뷰반영 합산위치값(z')에 대하여 학습하여 당 송신장치의 위치와의 차이가 최소가 되는 측위 위치값(
Figure 112020078421750-pat00020
)을 산출하는 출력위치 회귀신경망(332)을 포함한다.
뷰 분류 신경망(331)은, 상기 잠재 위치 매핑을 위한 모델(hk(xk))로부터의 각각의 잠재 위치값(zk)을 합산한 잠재위치 합산 위치값(z)에 대하여, 뷰 그룹 분류의 매핑을 위한 모델(hQ(z))을 생성한다.
즉, 뷰 분류 신경망(331)은, 상기 각각의 잠재 위치값(zk)을 합산한 잠재위치 합산위치값(z)에 대하여, 뷰 그룹 분류의 매핑을 위한 모델(hQ(z))을 구성하는 제3가중치(WQ)와 제3성향(bQ)을 학습하여, 뷰 분류값(
Figure 112020078421750-pat00021
)(측위 위치가 k번째 뷰 그룹에 속할 확률)을 산출한다. 이때, 반복 학습 시마다 제3가중치(WQ)와 제3성향(bQ)이 업데이트되고, 회귀 손실, 즉 해당 송신장치의 위치와의 차이가 최소가 되도록 업데이트된 제3가중치(WQ)와 제3성향(bQ) 각 벡터를 포함하는 뷰 그룹 분류의 매핑을 위한 모델(hQ(z))의 함수가 업데이트되어 측위부(140)로 제공된다.
출력위치 회귀신경망(332)은, 상기 뷰 그룹 분류의 매핑을 위한 모델(hQ(z))로부터의 뷰 분류값(
Figure 112020078421750-pat00022
)과 상기 각각의 잠재 위치값(zk)을 element-wise multiplication(동일위치원소곱셈)(k가 같은 값끼리 곱셈) 연산한 값들을 합산한 뷰반영 합산위치값(z')에 대하여, 출력위치 회귀매핑을 위한 모델(hR(z'))을 생성한다.
즉, 출력위치 회귀신경망(332)은, 상기 뷰 분류값(
Figure 112020078421750-pat00023
)을 상기 각각의 잠재 위치값(zk)과
Figure 112020078421750-pat00024
(
Figure 112020078421750-pat00025
는, element-wise multiplication, 동일위치원소곱셈) 연산한 값들을 합산한 뷰반영 합산위치값(z')에 대하여, 출력위치 회귀매핑을 위한 모델(hR(z'))를 구성하는 제4가중치(WR)와 제4성향(bR)을 학습하여, 송신장치에 대하여 해당 수신장치의 뷰 그룹에 대한 정보적 경로 여부의 실제 바이너리 값(u) 및 상기 뷰 분류값(
Figure 112020078421750-pat00026
)의 차이가 최소가 되고, 상기 각각의 뷰 그룹 방향으로의 잠재회귀 위치값(
Figure 112020078421750-pat00027
)을 기초로 해당 송신장치의 위치와의 차이가 최소가 되는, 측위 위치값(
Figure 112020078421750-pat00028
)을 산출한다. 이때, 반복 학습 시마다 제4가중치(WR)와 제4성향(bR)이 업데이트되고, 회귀 손실, 즉, 해당 송신장치의 위치와의 차이가 최소가 되도록 업데이트된 제4가중치(WR)와 제4성향(bR)각 벡터를 포함하는 출력위치 회귀매핑을 위한 모델(hR(z'))의 함수가 업데이트되어 측위부(140)로 제공된다.
결국, 뷰 분류 신경망(331)을 통해 실제 바이너리 값(u) 및 상기 뷰 분류값(
Figure 112020078421750-pat00029
)의 차이, 즉, 회귀 손실
Figure 112020078421750-pat00030
이 최소화되고, 출력위치 회귀신경망(332)을 통해 해당 송신장치의 위치와의 차이, 즉, 회귀 손실
Figure 112020078421750-pat00031
이 최소화되도록, Gradient descent based back-propagation(경사하강기반 역전파) 등의 알고리즘을 적용해 모델(hR(z'))의 함수가 업데이트될 수 있다. 즉, 제2신경망(330)의 전체적인 회귀 손실
Figure 112020078421750-pat00032
가 최소화된다.
출력층(340)은, 출력위치 회귀신경망(332)으로부터 측위 위치값(
Figure 112020078421750-pat00033
)을 전달받아, 사용자에게 가시적인 정보를 제공한다. 출력층(340)은, 무선송신장치의 위치 y={y1, y2}, 측위 위치값(
Figure 112020078421750-pat00034
) 이외에도 수신신호들(xk), 바이너리 값(uk) 등을 제공할수 있다.
이와 같이 기계 학습을 통하여, 모델생성부(130)은 잠재 위치 매핑을 위한 모델(hk(xk)), 잠재위치 회귀매핑을 위한 모델(gk(xk)), 뷰 그룹 분류의 매핑을 위한 모델(hQ(z)), 출력위치 회귀매핑을 위한 모델(hR(z')) 등을 포함하는 무선측위모델을 생성한다.
모델생성부(130)에서의 학습 후에, 측위부(140)는 생성된 무선측위모델을 이용하여, 대상공간 임의의 위치에서 출력되는 무선송신장치로부터의 무선신호에 대한 위치 좌표를 생성할 수 있다. 즉, 측위부(140)는 무선측위모델을 이용하여, 학습과정과 유사하게, 무선신호를 적용해 그에 대응하는 위치좌표를 측위할 수 있다.
도 4는 본 발명의 일 실시예에 따른 측위 장치(100)의 구현 방법의 일례를 설명하기 위한 도면이다.
본 발명의 일 실시예에 따른 측위 장치(100)는, 하드웨어, 소프트웨어, 또는 이들의 결합으로 이루어질 수 있다. 예를 들어, 본 발명의 측위 장치(100)는 위와 같은 기능/단계/과정들을 수행하기 위한 적어도 하나의 프로세서를 갖는 도 4와 같은 컴퓨팅 시스템(1000) 또는 인터넷 상의 서버 형태로 구현될 수 있다.
컴퓨팅 시스템(1000)은 버스(1200)를 통해 연결되는 적어도 하나의 프로세서(1100), 메모리(1300), 사용자 인터페이스 입력 장치(1400), 사용자 인터페이스 출력 장치(1500), 스토리지(1600), 및 네트워크 인터페이스(1700)를 포함할 수 있다. 프로세서(1100)는 중앙 처리 장치(CPU) 또는 메모리(1300) 및/또는 스토리지(1600)에 저장된 명령어들에 대한 처리를 실행하는 반도체 장치일 수 있다. 메모리(1300) 및 스토리지(1600)는 다양한 종류의 휘발성 또는 불휘발성 저장 매체를 포함할 수 있다. 예를 들어, 메모리(1300)는 ROM(Read Only Memory)(1310) 및 RAM(Random Access Memory)(1320)을 포함할 수 있다.
따라서, 본 명세서에 개시된 실시예들과 관련하여 설명된 방법 또는 알고리즘의 단계는 프로세서(1100)에 의해 실행되는 하드웨어, 소프트웨어 모듈, 또는 그 2 개의 결합으로 직접 구현될 수 있다. 소프트웨어 모듈은 RAM 메모리, 플래시 메모리, ROM 메모리, EPROM 메모리, EEPROM 메모리, 레지스터, 하드 디스크, 착탈형 디스크, CD-ROM과 같이 컴퓨터 등 장치로 판독 가능한 저장/기록 매체(즉, 메모리(1300) 및/또는 스토리지(1600))에 상주할 수도 있다. 예시적인 저장 매체는 프로세서(1100)에 커플링되며, 그 프로세서(1100)는 저장 매체로부터 정보(코드)를 판독할 수 있고 저장 매체에 정보(코드)를 기입할 수 있다. 다른 방법으로, 저장 매체는 프로세서(1100)와 일체형일 수도 있다. 프로세서 및 저장 매체는 주문형 집적회로(ASIC) 내에 상주할 수도 있다. ASIC는 사용자 단말기 내에 상주할 수도 있다. 다른 방법으로, 프로세서 및 저장 매체는 사용자 단말기 내에 개별 컴포넌트로서 상주할 수도 있다.
상술한 바와 같이, 본 발명에 따른 측위장치(100)는, CSI(Channel State Information) 패킷을 이용하되, 패킷 분석 이후에 측위 시 정확도 향상을 위해, , CSI 데이터에 지도학습 형태의 다양한 뷰(view) 기반의 확장성있는 기계학습을 적용함으로써, 복잡한 건물 구조에서 CSI 패킷의 무선 특성에 의한 왜곡현상에도 불구하고 효과적으로 위치를 정확하게 측위할 수 있다. 또한, 본 발명에 따른 측위장치(100)는, WiFi 또는 이동통신망에서의 실내외 측위를 가능하게 하여 광범위한 모바일 서비스에 효과적으로 응용될 수 있다.
이상과 같이 본 발명에서는 구체적인 구성 요소 등과 같은 특정 사항들과 한정된 실시예 및 도면에 의해 설명되었으나 이는 본 발명의 보다 전반적인 이해를 돕기 위해서 제공된 것일 뿐, 본 발명은 상기의 실시예에 한정되는 것은 아니며, 본 발명이 속하는 분야에서 통상적인 지식을 가진 자라면 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다. 따라서, 본 발명의 사상은 설명된 실시예에 국한되어 정해져서는 아니 되며, 후술하는 특허청구범위뿐 아니라 이 특허청구범위와 균등하거나 등가적 변형이 있는 모든 기술 사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.
입력층(310)
제1신경망(320)
잠재위치 신경망(321)
잠재위치 회귀신경망(322)
제2신경망(330)
뷰 분류 신경망(331)
출력위치 회귀신경망(332)
출력층(340)

Claims (11)

  1. 송신장치로부터 복수의 수신장치가 수신하는 무선신호를 이용하는 측위 방법에 있어서,
    복수의 수신장치가 수신하는 무선신호를 기계학습하여 무선측위모델을 생성하는 단계; 및
    상기 무선측위모델을 이용하여, 상기 기계학습 후에 송신장치로부터의 무선신호에 대한 해당 위치 좌표를 생성하는 단계를 포함하고,
    상기 무선측위모델의 생성에서, 송신장치에 대하여 해당 수신장치가 일직선 경로 상에 있을 때(uk=1)의 각 뷰 그룹의 수신신호(xk)에 대하여, 상기 기계학습을 통해 해당 송신장치의 위치와의 차이가 최소가 되는 측위 위치값(
    Figure 112022500999729-pat00035
    )을 산출하기 위한 상기 무선측위모델을 생성하기 위하여,
    상기 무선측위모델을 생성하는 단계는,
    (A) 상기 일직선 경로 상에 있을 때(uk=1)의 각 뷰 그룹의 수신신호(xk)에 대하여, 잠재 위치 매핑을 위한 모델(hk(xk))을 생성하는 단계;
    (B) 상기 잠재 위치 매핑을 위한 모델(hk(xk))로부터의 각각의 잠재 위치값(zk)에 대하여, 잠재위치 회귀매핑을 위한 모델(gk(xk))을 생성하는 단계;
    (C) 상기 잠재 위치 매핑을 위한 모델(hk(xk))로부터의 각각의 잠재 위치값(zk)을 합산한 잠재위치 합산위치값(z)에 대하여, 뷰 그룹 분류의 매핑을 위한 모델(hQ(z))을 생성하는 단계; 및
    (D) 상기 뷰 그룹 분류의 매핑을 위한 모델(hQ(z))로부터의 뷰 분류값(
    Figure 112022500999729-pat00049
    )과 상기 각각의 잠재 위치값(zk)을 element-wise multiplication(동일위치원소곱셈) 연산한 값들을 합산한 뷰반영 합산위치값(z')에 대하여, 출력위치 회귀매핑을 위한 모델(hR(z'))을 생성하는 단계
    를 포함하는 측위 방법.
  2. 제1항에 있어서,
    상기 복수의 수신장치가 수신하는 무선신호는, CSI(Channel State information) 패킷을 포함하고, 상기 무선측위모델을 생성하는 측위 장치가 상기 CSI 패킷에 대하여 생성하는 CSI 데이터셋을 이용하여 상기 무선측위모델을 생성하는 측위 방법.
  3. 제2항에 있어서,
    상기 CSI 패킷은, 상기 무선신호에 포함되는 복수의 서브캐리어(subcarrier) 중에서, 미리 설정된 인덱스(index)에 대응하는 각각의 서브캐리어에 대한 채널정보를 포함하는 측위 방법.
  4. 제3항에 있어서,
    상기 CSI 데이터셋은, 상기 CSI 패킷에 대한 상기 복수의 수신장치의 안테나들에서의 진폭과 위상차에 대한 정보를 포함하는 측위 방법.
  5. 삭제
  6. 제1항에 있어서,
    (A) 단계는, 각각의 잠재위치 신경망에서, 잠재 위치 매핑을 위한 모델(hk(xk))을 구성하는 제1가중치(Wk)와 제1성향(bk)을 학습하여, 상기 각각의 잠재 위치값(zk)을 산출하는, 측위 방법.
  7. 제1항에 있어서,
    (B) 단계는, 각각의 잠재위치 회귀신경망에서, 상기 잠재위치 회귀매핑을 위한 모델(gk(xk))을 구성하는 제2가중치(Wk')와 제2성향(bk')을 학습하여, 해당 송신장치의 위치와의 차이가 최소가 되도록, 상기 각각의 뷰 그룹 방향으로의 잠재회귀 위치값(
    Figure 112021137979250-pat00037
    )을 산출하는, 측위 방법.
  8. 제1항에 있어서,
    (C) 단계는, 뷰 분류 신경망에서, 상기 뷰 그룹 분류의 매핑을 위한 모델(hQ(z))을 구성하는 제3가중치(WQ)와 제3성향(bQ)을 학습하여, 송신장치에 대하여 해당 수신장치의 뷰 그룹에 대한 정보적 경로 여부의 실제 바이너리 값(u) 및 상기 뷰 분류값(
    Figure 112021137979250-pat00038
    )의 차이가 최소가 되도록, 상기 뷰 분류값(
    Figure 112021137979250-pat00039
    )을 산출하는, 측위 방법.
  9. 제8항에 있어서,
    상기 뷰 분류값(
    Figure 112020078421750-pat00040
    )은 상기 측위 방법에 의한 측위 위치가 k번째 뷰 그룹에 속할 확률인, 측위 방법.
  10. 제1항에 있어서,
    (D) 단계는, 출력위치 회귀신경망에서, 상기 출력위치 회귀매핑을 위한 모델(hR(z'))를 구성하는 제4가중치(WR)와 제4성향(bR)을 학습하여, 상기 잠재위치 회귀매핑을 위한 모델(gk(xk))로부터의 각각의 뷰 그룹 방향으로의 잠재회귀 위치값(
    Figure 112021137979250-pat00041
    )을 기초로 해당 송신장치의 위치와의 차이가 최소가 되도록, 상기 측위 위치값(
    Figure 112021137979250-pat00042
    )을 산출하는, 측위 방법.
  11. 송신장치로부터 복수의 수신장치가 수신하는 무선신호를 이용하는 측위 장치에 있어서,
    복수의 수신장치가 수신하는 무선신호에 대하여, 기계학습하여 무선측위모델을 생성하는 모델 생성부; 및
    상기 무선측위모델을 이용하여, 상기 기계학습 후에 송신장치로부터의 무선신호에 대한 해당 위치 좌표를 생성하는 측위부를 포함하고,
    상기 모델 생성부는, 송신장치에 대하여 해당 수신장치가 일직선 경로 상에 있을 때(uk=1)의 각 뷰 그룹의 수신신호(xk)에 대하여, 상기 기계학습을 통해 해당 송신장치의 위치와의 차이가 최소가 되는 측위 위치값(
    Figure 112022500999729-pat00043
    )을 산출하기 위한 상기 무선측위모델을 생성하기 위하여,
    상기 모델 생성부는,
    상기 일직선 경로 상에 있을 때(uk=1)의 각 뷰 그룹의 수신신호(xk)에 대하여, 잠재 위치 매핑을 위한 모델(hk(xk))을 생성하고, 상기 잠재 위치 매핑을 위한 모델(hk(xk))로부터의 각각의 잠재 위치값(zk)에 대하여, 잠재위치 회귀매핑을 위한 모델(gk(xk))을 생성하는 제1 신경망; 및
    상기 잠재 위치 매핑을 위한 모델(hk(xk))로부터의 각각의 잠재 위치값(zk)을 합산한 잠재위치 합산위치값(z)에 대하여, 뷰 그룹 분류의 매핑을 위한 모델(hQ(z))을 생성하며, 상기 뷰 그룹 분류의 매핑을 위한 모델(hQ(z))로부터의 뷰 분류값(
    Figure 112022500999729-pat00050
    )과 상기 각각의 잠재 위치값(zk)을 element-wise multiplication(동일위치원소곱셈) 연산한 값들을 합산한 뷰반영 합산위치값(z')에 대하여, 출력위치 회귀매핑을 위한 모델(hR(z'))을 생성하는 제2 신경망
    을 포함하는 측위 장치.
KR1020200093208A 2020-07-27 2020-07-27 복잡한 건물 구조에서의 효과적인 측위 방법 및 장치 KR102395858B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200093208A KR102395858B1 (ko) 2020-07-27 2020-07-27 복잡한 건물 구조에서의 효과적인 측위 방법 및 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200093208A KR102395858B1 (ko) 2020-07-27 2020-07-27 복잡한 건물 구조에서의 효과적인 측위 방법 및 장치

Publications (2)

Publication Number Publication Date
KR20220013798A KR20220013798A (ko) 2022-02-04
KR102395858B1 true KR102395858B1 (ko) 2022-05-10

Family

ID=80268120

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200093208A KR102395858B1 (ko) 2020-07-27 2020-07-27 복잡한 건물 구조에서의 효과적인 측위 방법 및 장치

Country Status (1)

Country Link
KR (1) KR102395858B1 (ko)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101945320B1 (ko) * 2017-11-23 2019-02-08 가천대학교 산학협력단 기계학습을 이용한 실내 무선 측위 서비스 방법, 장치 및 컴퓨터 판독가능 기록 매체
KR101974002B1 (ko) * 2018-11-14 2019-04-30 국방과학연구소 이동단말의 연속적인 고정밀 측위 방법

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110691981A (zh) * 2017-03-28 2020-01-14 自动化公司 用于定位rfid标签的方法和设备

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101945320B1 (ko) * 2017-11-23 2019-02-08 가천대학교 산학협력단 기계학습을 이용한 실내 무선 측위 서비스 방법, 장치 및 컴퓨터 판독가능 기록 매체
KR101974002B1 (ko) * 2018-11-14 2019-04-30 국방과학연구소 이동단말의 연속적인 고정밀 측위 방법

Also Published As

Publication number Publication date
KR20220013798A (ko) 2022-02-04

Similar Documents

Publication Publication Date Title
Kotaru et al. Spotfi: Decimeter level localization using wifi
CN110022523B (zh) 用于终端设备定位的方法、装置及系统
Wang et al. CSI-based fingerprinting for indoor localization: A deep learning approach
Fang et al. A novel algorithm for multipath fingerprinting in indoor WLAN environments
Wu et al. CSI-based indoor localization
Zhang et al. A novel CSI-based fingerprinting for localization with a single AP
US11467248B2 (en) Position estimation device and communication device
Zhang et al. Toward reliable non-line-of-sight localization using multipath reflections
Cai et al. Self-deployable indoor localization with acoustic-enabled IoT devices exploiting participatory sensing
Manickam et al. Range‐based localisation of a wireless sensor network using Jaya algorithm
Zhan et al. Deepmtl pro: Deep learning based multiple transmitter localization and power estimation
Aditya et al. Localization of multiple targets with identical radar signatures in multipath environments with correlated blocking
Li et al. Configurable multipath-assisted indoor localization using active relay
Zaidi et al. Cooperative Scheme ToA-RSSI and Variable Anchor Positions for Sensors Localization in 2D Environments
Al-Qaisi et al. Quantized lower bounds on grid-based localization algorithm for wireless sensor networks
KR102293205B1 (ko) 실내측위장치 및 실내측위방법
Tian et al. MIMO CSI-based super-resolution AoA estimation for Wi-Fi indoor localization
KR102395858B1 (ko) 복잡한 건물 구조에서의 효과적인 측위 방법 및 장치
Han et al. DSCP: Depthwise Separable Convolution‐Based Passive Indoor Localization Using CSI Fingerprint
Sundar et al. WALE: A weighted adaptive location estimation algorithm
Wang et al. A 3D indoor positioning method of wireless network with single base station in multipath environment
Gao Channel state information fingerprinting based indoor localization: a deep learning approach
Lu et al. A survey for cloud data security
Gui et al. Performance analysis of indoor localization based on channel state information ranging model
Tian et al. SAPIL: single access point based indoor localisation using Wi‐Fi L‐shaped antenna array

Legal Events

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