KR102448930B1 - 파티클 필터를 기반으로 가중치 학습을 통한 실내측위 시스템 및 방법 - Google Patents

파티클 필터를 기반으로 가중치 학습을 통한 실내측위 시스템 및 방법 Download PDF

Info

Publication number
KR102448930B1
KR102448930B1 KR1020210174652A KR20210174652A KR102448930B1 KR 102448930 B1 KR102448930 B1 KR 102448930B1 KR 1020210174652 A KR1020210174652 A KR 1020210174652A KR 20210174652 A KR20210174652 A KR 20210174652A KR 102448930 B1 KR102448930 B1 KR 102448930B1
Authority
KR
South Korea
Prior art keywords
weight
learning
particle
survey
indoor positioning
Prior art date
Application number
KR1020210174652A
Other languages
English (en)
Inventor
임진순
홍성표
이성전
유병상
이효영
Original Assignee
(주)피플앤드테크놀러지
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 (주)피플앤드테크놀러지 filed Critical (주)피플앤드테크놀러지
Priority to KR1020210174652A priority Critical patent/KR102448930B1/ko
Application granted granted Critical
Publication of KR102448930B1 publication Critical patent/KR102448930B1/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
    • 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)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Remote Sensing (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Distillation Of Fermentation Liquor, Processing Of Alcohols, Vinegar And Beer (AREA)
  • Position Fixing By Use Of Radio Waves (AREA)
  • Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)

Abstract

본 발명은 파티클 필터를 기반으로 가중치 학습을 통한 실내측위 시스템 및 방법이 개시된다.
본 발명에 일 실시예에 따르면, 통신망 상에서 실내 측위를 위한 시스템으로서, 실내에 위치하며 무선신호를 송출하는 다수의 무선 송신장치로부터 수신된 상기 무선신호를 기초로 사용자 단말장치의 위치정보를 측량하는 위치 측량부; 측량된 상기 위치정보를 기초로 파티클 위치존재 여부를 확인하여, 파티클을 이동하거나, 초기 파티클을 설정하는 파티클 탐색부; 상기 파티클 마다 기계학습에 의한 가중치 학습을 통해 학습된 가중치를 적용하는 가중치 학습부; 및 학습된 상기 가중치에 따라 상기 사용자 단말장치의 위치를 추정하여 결정하는 위치 결정부를 포함하는 것을 특징으로 하는 지능형 실내측위 시스템을 포함하는 것을 특징으로 한다.

Description

파티클 필터를 기반으로 가중치 학습을 통한 실내측위 시스템 및 방법 {SYSTEM AND METHOD FOR INDOOR POSITIONING USING WEIGHT LEARING BASED ON PARTICLE FILTER}
본 발명은 파티클 필터를 기반으로 가중치 학습을 통한 실내측위 시스템 및 방법에 관한 것이다. 보다 상세하게는, 파티클 필터를 기반으로 AI 기계학습에 의해 학습된 가중치를 적용하여 보다 정밀한 실내 측위를 구현할 수 있는 기술에 관한 것이다.
최근 들어, 측위 기술(Location Determination Technology)은 네비게이션, 자율주행 등과 같이 현실 좌표계의 위치를 다루는 분야뿐만 아니라, 증강현실, 가상현실 등과 같이 현실과 가상세계를 융합하는 기술들에 있어서도 주목받고 있다.
이러한 무선통신 인프라를 이용한 위치측정 기술에는 인프라 종류 및 측정 방법 등에 따라 다양한 방식으로 존재하는데, 수신신호 기반 측위, 영상 기반 측위, 관성 센서 기반 측위 등이 있다. 이 중에서도 가장 대표적인 방식 중 하나가 수신신호 기반 측위인데, 이러한 수신신호 기반 측위는 일반적으로 실외 영역에서 GPS(Global Positioning System)를 이용한 위치측정 기술로 사용되고 있는데 반하여, 건물, 터널, 지하주차장 등과 같은 실내에서는 GPS 위성신호가 완전 또는 부분적으로 신호차단 되는 현상으로 인하여 연속적인 위치 정보를 제공하지 못해 신뢰성이 저하되는 경향이 있다.
이와 같은 문제점 해결을 위하여, 최근 실내 환경에서는 Wi-Fi, BLE Beacon(Bluetooth Low Energy Beacon), UWB(Ultra-Wide Band) 등의 신호세기나 도달 시간을 측정하여 현재위치를 추정하는 실내 측위 기술이 활용되고 있다.
하지만, 이러한 실내 측위 기술은 환경에 영향을 많이 받아 측량값에 큰 오차를 포함하게 되며, 상기 오차는 대부분 외란(disturbance)으로써 예측이 불가한 불규칙적인 요소이다. 이러한 한계를 극복하기 위하여, 실내 위치 추정과정에서 파티클 필터(Particle Filter)가 사용되고 있는데, 측위 안정성과 정확도를 향상시키는 측면에서는 어느 정도 측량 오차 성분을 줄일 수 있으나, 큰 외란이 발생할 경우에는 측위 오차가 더 커지는 현상을 발생시킬 수 있다.
특히, 종래의 파티클 필터(Particle Filter)의 경우, 다수의 이동하는 파티클 위치와 측량값에 의한 가중치로 위치를 추정하기 때문에, 환경적인 외란에 의하여 측량값의 오차가 발생하면, 외란이 포함한 측량값으로 가중치가 계산되어 측위가 불안정해지고 오차가 더 커질 수 있다.
따라서, 이상에서 설명된 바와 같이, 파티클 필터(Particle Filter)에서, 가중치의 민감도를 낮추어, 외란에 의한 측위오차를 줄일 수 있는 새로운 방식의 실내 측위 기술에 대한 개발이 요구되고 있다.
등록특허공보 제10-1267405호(등록일자: 2013.05.20.)
따라서, 본 발명은 상기와 같은 종래 기술의 제반 문제점을 해결하기 위한 것으로서, 파티클 필터(Particle Filter)를 기반으로 인공지능(AI) 기계학습에 의한 가중치 학습을 통해, 보다 정밀한 실내 측위를 구현하는데 그 목적이 있다.
또한, 본 발명은 상기 가중치 학습을 측량 필터링, 학습률 계산 및 가중치 학습적용으로 세분화하여 단계별로 수행할 수 있도록 하는데 다른 목적이 있다.
본 발명의 상기 목적은, 통신망 상에서 실내 측위를 위한 시스템으로서, 실내에 위치하며 무선신호를 송출하는 다수의 무선 송신장치로부터 수신된 상기 무선신호를 기초로 사용자 단말장치의 위치정보를 측량하는 위치 측량부; 측량된 상기 위치정보를 기초로 파티클 위치존재 여부를 확인하여, 파티클을 이동하거나, 초기 파티클을 설정하는 파티클 탐색부; 상기 파티클 마다 기계학습에 의한 가중치 학습을 통해 학습된 가중치를 적용하는 가중치 학습부; 및 학습된 상기 가중치에 따라 상기 사용자 단말장치의 위치를 추정하여 결정하는 위치 결정부를 포함하는 것을 특징으로 하는 지능형 실내측위 시스템에 의해 달성될 수 있다.
이때, 상기 가중치 학습부는, 측량변화 제한 필터를 통해 측량값을 보정하는 상기 측량 필터링부; 상기 측량의 횟수에 따라 가중치 학습률을 산출하는 학습률 계산부; 및 계산된 상기 학습률에 따라 동적 학습으로 상기 학습된 가중치를 적용하는 가중치 학습적용부를 더 포함하며, 단계별로 수행할 수 있다.
상기 학습률 계산부는, 측량수량이 적은 초기에는 학습률이 높고, 상기 측량수량이 증가할수록 학습률이 낮아지며, 상기 측량수량에 상관없이 마지막 측량을 반영하여 최소 학습률을 적용할 수 있다.
상기 가중치 학습적용부는, 상기 학습된 가중치를 아래 수학식
Figure 112021142285537-pat00001
Figure 112021142285537-pat00002
(여기서, 상기
Figure 112021142285537-pat00003
은 m번째 측량에 대한 i번째 파티클의 학습 가중치,
상기
Figure 112021142285537-pat00004
은 상기 m번째 측량 보정값에 대한 i 번째 파티클의 측량 가중치, 상기
Figure 112021142285537-pat00005
은 상기 m번째 측량에 대한 i 번째 파티클의 가중치의 기울기, 상기
Figure 112021142285537-pat00006
은 m번째 데이터가 입력될 때의 학습률, 상기 m 및 상기 i는 자연수)을 통해 구할 수 있다.
상기 위치 결정부는, 상기 학습 가중치를 적용한 위치추정 과정 및 위치 결정으로 파티클 제거 및 복제과정을 수행할 수 있다.
또한, 본 발명의 상기 목적은, 통신망 상에서 실내 측위를 위한 방법으로서, 실내에 위치하며 무선신호를 송출하는 다수의 무선 송신장치로부터 수신된 상기 무선신호를 기초로 사용자 단말장치의 위치정보를 측량하는 위치 측량과정; 측량된 상기 위치정보를 기초로 기초로 파티클 위치존재 여부를 확인하여, 파티클을 이동하거나, 초기 파티클을 설정하는 파티클 탐색과정; 상기 파티클 마다 기계학습에 의한 가중치 학습을 통해 학습된 가중치를 적용하는 가중치 학습과정; 및 학습된 상기 가중치에 따라 상기 사용자 단말장치의 위치를 추정하여 결정하는 위치 결정과정에 의해서도 달성된다.
이 외에도, 본 발명을 구현하기 위한 다른 시스템, 방법 및 상기 방법을 실행하기 위한 컴퓨터 프로그램을 기록하기 위한 컴퓨터 판독 가능한 기록 매체에 의해서도 달성된다.
본 발명에 따르면, 파티클 필터를 기반으로 인공지능(AI) 기계학습에 의한 가중치 학습을 통해, 보다 정밀한 실내 측위를 구할 수 있어 파티클 필터에서, 가중치의 민감도를 낮추어 안정성을 향상시킬 수 있는 효과가 있다.
또한, 본 발명에 따르면, 상기 가중치 학습을 측량 필터링, 학습률 계산 및 가중치 학습적용으로 세분화하여 단계별로 수행할 수 있어서, 측량값을 보정하여 외란의 영향을 줄이고, 측량 횟수에 따라 가중치 학습률을 산출할 수 있고, 이에 따라, 외란에 대한 측위의 정확도와 안정성을 향상시키는 효과가 있다.
도 1은 본 발명의 일 실시예에 따른 파티클 필터를 기반으로 가중치 학습을 통한 실내 측위를 제공하기 위한 전체 시스템의 구성을 나타내는 도면이다.
도 2는 본 발명의 일 실시예에 따른 지능형 실내측위 시스템(400)의 내부 구성을 상세하게 도시한 도면이다.
도 3은 본 발명의 일 실시예에 따른 파티클 필터를 기반으로 가중치 학습을 통한 실내측위 과정의 전체적인 순서도이다.
도 4는 본 발명의 일 실시예에 따른 가중치 학습과정(S430)의 내부과정을 나타내는 순서도이다.
도 5는 종래의 파티클 필터를 기반으로 파티클 가중치 계산을 통한 실내 측위의 결과 그래프이다.
도 6은 본 발명의 일 실시예에 따른 파티클 필터를 기반으로 가중치 학습을 통한 실내 측위의 측량오차와 학습률 그래프이다.
도 7은 본 발명의 일 실시예에 따른 파티클 필터를 기반으로 가중치 학습을 통한 실내 측위의 결과 그래프이다.
후술하는 본 발명에 대한 상세한 설명은, 본 발명이 실시될 수 있는 특정 실시예를 예시로서 도시하는 첨부 도면을 참조한다. 본 발명의 다양한 실시예는 서로 다르지만 상호 배타적일 필요는 없음이 이해되어야 한다. 본 발명에서 첨부된 구성도(블록도)의 각 블록과 흐름도의 각 단계의 조합들은 컴퓨터 프로그램 인스트럭션들에 의해 수행될 수 있다. 이러한 각 블록 또는 각 단계는 특정된 논리적 기능(들)을 실행하기 위한 하나 이상의 실행 가능한 인스트럭션들을 포함하는 모듈, 세그먼트 또는 코드의 일부를 나타낼 수 있다. 또한, 몇 가지 대체 실시예들에서는 블록들 또는 단계들에서 언급된 기능들이 순서를 벗어나서 발생하는 것도 가능함을 주목해야 한다. 예컨대, 인접하거나 순서에 따라 도시되어 있는 두 개의 블록들 또는 단계들은 사실 실질적으로 동시에 수행되는 것도 가능하고 또는 그 블록들 또는 단계들이 해당하는 기능에 따라 역순으로 수행되는 것도 가능하다.
또한, 각각의 게시된 실시 예 내의 개별 구성요소의 위치 또는 배열은 본 발명의 정신 및 범위를 벗어나지 않으면서 변경될 수 있음이 이해되어야 한다. 따라서, 후술하는 상세한 설명은 한정적인 의미로서 취하려는 것이 아니며, 본 발명의 범위는, 그 청구항들이 주장하는 것과 균등한 모든 범위를 포괄하는 것으로 해석되어야 한다. 또한, 도면에서 유사한 참조부호는 여러 측면에 걸쳐서 동일하거나 유사한 기능을 지칭하며, 그 형태는 편의를 위하여 과장되어 표현될 수도 있다.
한편, 본 발명에서 사용되는 용어들은 본 발명의 바람직한 실시 예를 적절히 표현하기 위해 사용된 용어들로서, 이는 사용자의 의도 또는 본 발명이 속하는 분야의 관례 등에 따라 달라질 수 있다. 따라서, 본 용어들에 대한 정의는 본 명세서 전반에 걸친 내용을 토대로 이해되어야 할 것이다. 명세서 전체에서 어떤 부분이 어떤 구성요소를 "포함" 한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있음을 의미한다. 또한, 명세서에 기재된 "부", "모듈" 등의 용어는 적어도 하나 이상의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어 또는 소프트웨어로 구현되거나 하드웨어와 소프트웨어의 결합으로 구현될 수 있다.
이하에서는, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 본 발명을 용이하게 실시할 수 있도록 하기 위하여, 본 발명의 바람직한 실시 예들에 관하여 첨부된 도면을 참조하여 상세히 설명하기로 한다.
전체 시스템의 구성
도 1은 본 발명의 일 실시예에 따른 파티클 필터를 기반으로 가중치 학습을 통한 실내 측위를 제공하기 위한 전체 시스템의 구성을 나타내는 도면이다.
도 1을 참조하면, 본 발명의 일 실시예에 따른 전체 시스템은 통신망(100), 무선 송신장치(200), 사용자 단말장치(300) 및 지능형 실내측위 시스템(400)을 포함하여 구성될 수 있다.
먼저, 본 발명의 일 실시예에 따른 통신망(100)은, 무선 송신장치(200), 사용자 단말장치(300) 및 지능형 실내측위 시스템(400) 간의 데이터 전송 및 정보 교환을 위한 일련의 데이터 송수신 동작을 수행할 수 있는 네트워크 망으로 구성될 수 있다.
보다 구체적으로, 이러한 통신망(100)은 무선랜(wireless LAN), 와이파이(Wireless Fidelity), UWB(Ultra-Wide Band), BLE Beacon(Bluetooth Low Energy Beacon), 블루투스(Bluetooth) 또는 지그비(ZigBee) 등 중에서 어느 하나이거나, 이들의 조합으로 연계되어 구성될 수 있는 다양한 형태의 무선 통신망일 수 있으나, 이는 하나의 예를 들어 설명한 것으로, 본 발명이 이에 한정되는 것은 아니며, 공지된 무선통신기술을 제한없이 채택하여 사용할 수 있다.
다음으로, 본 발명의 일 실시예에 따른 무선 송신장치(200)는 실내에 위치하며, 무선신호를 송출하여 사용자 단말장치(300)로 제공할 수 있는 다수의 무선신호 송출기일 수 있다.
보다 구체적으로, 이러한 무선 송신장치(200)는 와이파이(WiFi), BLE(Bluetooth Low Energy), UWB(Ultra-Wide Band) 등 다양한 무선신호 중 어느 하나 이상을 전송할 수 있는 무선 통신용 액세스 포인트(Access Point: AP)일 수 있다. 예를 들면, 여러 대의 무선 송신장치(200)에서 송신되는 신호 세기를 가상의 실내 지도(맵)에서 측정되는 신호세기 패턴에 따라 탐색하여 위치를 측정하는 핑거프린팅(Fingerprinting) 기술에 활용될 수 있는 무선 통신용 액세스 포인트일 수 있다.
다음으로, 본 발명의 일 실시예에 따른 사용자 단말장치(300)는, 무선 송신장치(200)에서 송신하는 무선신호 중 어느 하나 이상을 수신하여 자신의 위치정보 및 이와 관련된 정보를 지능형 실내측위 시스템(400)과 송수신할 수 있는 통신기능을 포함하는 디지털 기기일 수 있다.
보다 구체적으로, 사용자 단말장치(300)는 다수의 무선 송신장치(200)로부터 와이파이(WiFi), BLE(Bluetooth Low Energy), UWB(Ultra-Wide Band) 등 다양한 무선신호 중 어느 하나 이상을 수신하여, 신호세기나 도달 시간을 측정하여 자신의 위치정보 및 이와 관련된 정보를 지능형 실내측위 시스템(400)과 통신함으로써, 본 발명에 의한 파티클 필터를 기반으로 가중치 학습을 통해 보다 정밀한 실내측위를 제공받을 수 있다. 이때, 무선 송신장치(200)의 인프라 정보를 기초로 파티클의 위치별로 미리 측량한 측위 기준값의 데이터베이스를 지능형 실내측위 시스템(400)에서 제공받을 수 있다.
또한, 사용자 단말장치(300)는 지능형 실내측위 시스템(400)으로부터 제공하는 위치측정 전용 앱(APP)을 다운로드하여 사용할 수 있는데, 일 예로 스마트폰의 앱(APP) 형태로 본 발명에서 기 탐색된 AP의 기준 정보를 이용하여 별도의 실내측위 시스템(400)과의 연동 없이도 위치정보 측정이 가능할 수도 있다. 이러한 앱 구동을 통하여 이미 설치되어 있는 무선 송신장치(200)의 설치정보를 수집할 수 있는데, 이러한 설치정보에는 각 AP의 위치정보와, SSID, BSSID, Mac Address, RSSI 중 어느 하나 이상의 정보가 포함될 수 있다.
한편, 이상에서 설명된, 본 발명의 실시 예에 따른 사용자 단말장치(300)는 이동통신단말장치, 정보통신기기, 멀티미디어 단말장치 및 무선 단말장치 등의 다양한 공지된 디지털 기기 및 이러한 디지털 기기가 구비된 로봇장치에 제한 없이 채택될 수 있다. 구체적으로, 단말장치는 스마트 폰(Smart Phone), 휴대 단말기(Portable Terminal), 이동 단말기(Mobile Terminal), 폴더블 단말기(Foldable Terminal), 개인 정보 단말기(Personal Digital Assistant: PDA), PMP(Portable Multimedia Player) 단말기, 텔레매틱스(Telematics) 단말기, 슬레이트 PC(Slate PC), 태블릿 PC(Tablet PC), 울트라북(ultrabook), 웨어러블 디바이스(Wearable Device), 지능형 주행 로봇 등과 같이 메모리 수단을 구비하고 마이크로프로세서를 탑재하여 연산 능력을 갖춘 디지털 기기로, 무선의 통신기능을 포함하고 있다면 얼마든지 본 발명에 따른 단말장치로서 채택될 수 있을 것이다.
마지막으로, 본 발명의 일 실시예에 따른 지능형 실내측위 시스템(400)은, 파티클 필터(Particle Filter)를 기반으로 인공지능(AI) 기계학습에 의한 가중치 학습을 통해, 보다 정밀한 실내 측위를 추정할 수 있는 서버의 기능을 수행할 수 있다.
보다 구체적으로, 이러한 지능형 실내측위 시스템(400)은 통신망(100) 상에서 무선 송신장치(200) 및/또는 사용자 단말장치(300)와 정보를 송수신하는 운영 서버의 기능을 수행할 수 있다. 이때, 상기 가중치 학습을 측량 필터링, 학습률 계산 및 가중치 학습적용으로 세분화하여 단계별로 수행할 수 있는데, 무선 송신장치(200)의 인프라 정보를 기초로 파티클의 위치별로 미리 측량한 측위 기준값의 데이터베이스를 더 포함하여 와이파이(WiFi) 기반의 AP(Access Point)부터 수신하는 신호의 세기(RSS: Received Signal Strength)를 이용한 핑거프린팅(Fingerprinting) 방식의 실내 측위를 구현할 수 있다.
이러한 본 발명의 일 실시예에 따른 지능형 실내측위 시스템(400)은 도 2를 참조한 이하의 상세한 설명에 의해 보다 구체적으로 이해될 수 있을 것이다.
한편, 본 발명의 일 실시예를 나타내는 도 1에서는 사용자 단말장치(300)와 지능형 실내측위 시스템(400)이 별개로 구성되어 있는 것으로 도시되어 있지만, 본 발명을 구현 시 필요에 따라, 사용자 단말장치(300)와 지능형 실내측위 시스템(400)을 통합하여 구성할 수 있는 것은 당업자에게 자명할 것이다.
지능형 실내측위 시스템(400)의 구성
이하의 상세한 설명에서는, 본 발명의 구현을 위하여 중요한 기능을 수행하는 지능형 실내측위 시스템(400)의 내부 구성 및 각 구성요소의 기능에 대하여 살펴보기로 한다.
도 2는 본 발명의 일 실시예에 따른 지능형 실내측위 시스템(400)의 내부 구성을 상세하게 도시한 도면이다.
도 2를 참조하면, 본 발명의 일 실시예에 따른 지능형 실내측위 시스템(400)은, 위치 측량부(410), 파티클 탐색부(420), 가중치 학습부(430), 위치 결정부(440), 데이터베이스(450), 통신부(460) 및 제어부(470)를 포함하여 구성될 수 있다.
이러한 본 발명의 일 실시예에 따르면, 위치 측량부(410), 파티클 탐색부(420), 가중치 학습부(430), 위치 결정부(440), 데이터베이스(450), 통신부(460) 및 제어부(470)는 그 중 적어도 일부가 사용자 단말장치(300)와 데이터를 송수신하는 프로그램 모듈들일 수 있다. 이러한 프로그램 모듈들은 운영 시스템, 응용 프로그램 모듈 및 기타 프로그램 모듈의 형태로 지능형 실내측위 시스템(400)에 포함될 수 있으며, 물리적으로는 여러 가지 공지의 기억 장치 상에 저장될 수 있는데, 하드웨어적인 구성요소(예를 들면, 범용 프로세서, 전용 프로세서) 및/또는 소프트웨어적인 구성요소(예를 들면, 펌웨어, 애플리케이션, 프로그램 모듈)와 이들의 조합으로 구현될 수 있다. 또한, 이러한 프로그램 모듈들은 지능형 실내측위 시스템(400)과 통신 가능한 원격 기억 장치에 저장될 수도 있다. 한편, 이러한 프로그램 모듈들은 본 발명에 따라 후술할 특정 업무를 수행하거나 특정 추상 데이터 유형을 실행하는 루틴, 서브루틴, 프로그램, 오브젝트, 컴포넌트, 데이터 구조 등을 포괄하지만, 본 발명이 이에 한정되는 것은 아니다.
먼저, 본 발명의 일 실시예에 따른 위치 측량부(410)는 실내에 위치하며 무선신호를 송출하는 다수의 무선 송신장치(200)로부터 수신된 상기 무선신호를 기초로 사용자 단말장치(300)의 위치를 측정하는 기능을 수행할 수 있다.
보다 구체적으로, 이러한 위치 측량부(410)는 실내에 위치하며 무선신호를 송출하는 다수의 무선 송신장치(200)로부터 무선신호를 수신한 사용자 단말장치(300)의 위치정보를 측량하는 측량과정을 수행할 수 있다. 이러한 측량과정은 상기 무선신호를 수신한 사용자 단말장치(300)에서 수행될 수도 있지만, 사용자 단말장치(300)에서는 무선신호를 수집한 이후 지능형 실내측위 시스템(400)으로 전송하고 이를 제공받은 지능형 실내측위 시스템(400)에서 수행할 수도 있다.
특히, 상기 위치 측량부(410)에서 측정된 측량값은 실제값 이외에도 노이즈 오차, 편향오차, 외란 등을 포함하고 있기 때문에 외부로부터 발생되는 다양한 오차 성분을 제거한 위해, 이후 설명되는 다양한 구성과 기능이 필요하다. 이러한 본 발명의 일 실시예에 따른 위치 측량부(410)는 도 3을 참조한 이하의 상세한 설명에 의해 보다 구체적으로 이해될 수 있을 것이다.
다음으로, 본 발명의 일 실시예에 따른 파티클 탐색부(420)는, 설정된 파티클 정보를 기준으로 사용자 단말장치(300)의 측정 위치정보를 탐지하는 기능을 수행할 수 있다.
보다 구체적으로, 이러한 파티클 탐색부(420)는 측량된 상기 위치정보를 기초로 파티클 위치존재 여부를 확인하여, 파티클을 이동하거나, 초기 파티클을 설정하는 파티클 탐색과정을 수행할 수 있다. 이러한 파티클 탐색과정은 상기 위치 측량부(410)에서 측량된 위치정보를 기초로 파티클 위치존재 여부를 확인하는 과정, 상기 기존 파티클 위치가 존재할 경우 해당 파티클을 이동하는 과정 또는 상기 기존 파티클 위치가 존재하지 않는 경우 초기 파티클을 설정하는 과정을 수행할 수 있다. 다만 본 발명이 이에 한정되는 것은 아니며 공지된 다양한 방식의 파티클 탐색 기술을 모두 포괄하는 의미로 이해되어야 할 것이다.
다음으로, 본 발명의 일 실시예에 따른 가중치 학습부(430)는, 파티클 필터(Particle Filter)를 기반으로 인공지능(AI) 기계학습에 의한 가중치 학습을 통해, 보다 정밀한 실내 측위를 수행할 수 있다.
보다 구체적으로, 이러한 가중치 학습부(430)는 도시되지는 않았지만, 상기 가중치 학습을 측량 필터링부, 학습률 계산부 및 가중치 학습적용부로 세분화하여 단계별로 수행할 수 있다. 먼저, 상기 측량 필터링부는, 측량값의 급격한 변화를 반영하지 않는 측량변화 제한 필터를 통해, 측량값을 보정하여 외란의 영향을 줄일 수 있다. 또한, 상기 학습률 계산부는, 측량 가중치를 직접 사용하지 않고 측량 횟수에 따라 가중치 학습률을 산출할 수 있다. 또한, 상기 가중치 학습적용부는, 계산된 학습률에 따라 동적 학습으로 학습된 가중치를 적용함으로써, 외란에 대한 측위 민감도를 낮추고 측위의 정확도와 안정성을 향상시킬 수 있다.
이러한 본 발명의 일 실시예에 따른 가중치 학습부(430)는 도 4를 참조한 이하의 상세한 설명에 의해 보다 구체적으로 이해될 수 있을 것이다.
다음으로, 본 발명의 일 실시예에 따른 위치 결정부(440)는 학습된 상기 가중치에 따라 상기 사용자 단말장치(300)의 위치를 추정하여 실내측위 구하고, 위치 결정을 수행할 수 있다.
보다 구체적으로, 이러한 위치 결정부(440)는 상기 가중치 학습부(430)를 통해 도출된 학습 가중치를 적용한 위치추정 과정 및 위치 결정으로 파티클 제거 및 복제과정을 수행할 수 있다. 따라서, 파티클 필터를 기반으로 가중치 학습률을 산출하고, 이에 따라 인공지능(AI) 기계학습에 의해 학습된 가중치를 통해 보다 정밀한 실내 측위를 구할 수 있어, 외란에 대한 측위 민감도를 낮추고 측위의 정확도와 안정성을 향상시킬 수 있다.
다음으로, 본 발명의 일 실시예에 따른 데이터베이스(450)는, AP정보, 인프라 정보, 무선신호정보, 측량정보, 가중치 정보, 파티클 정보, 위치 추정정보 등을 저장할 수 있는 저장장치일 수 있다. 이때, 무선 송신장치(200)의 인프라 정보를 기초로 파티클의 위치별로 미리 측량한 측위 기준값을 저장할 수 있다. 또한, 무선 송신장치(200) 및/또는 사용자 단말장치(300)의 접속(로그인) 정보, 정보 송수신 내역 등을 더 저장할 수도 있다. 이러한, 데이터베이스는 컴퓨터 판독 가능한 기록 매체를 포함하는 개념으로서, 협의의 데이터베이스뿐만 아니라, 파일 시스템에 기반한 데이터 기록 등을 포함하는 넓은 의미의 데이터베이스도 포함하여 지칭하며, 단순한 로그의 집합이라도 이를 검색하여 데이터를 추출할 수 있다면 본 발명에서 말하는 데이터베이스에 포함될 수 있다.
다음으로, 본 발명의 일 실시예에 따른 통신부(460)는, 지능형 실내측위 시스템(400)의 내부 구성들이 무선 송신장치(200) 및/또는 사용자 단말장치(300)와 같은 외부 장치와 데이터(정보)를 송수신할 수 있도록 하는 기능을 수행할 수 있다. 공지된 유/무선의 통신방식을 제한없이 채택할 수 있으며, 인터넷 망과 연계되는 통신방식일 수도 있다.
마지막으로, 본 발명의 일 실시예에 따른 제어부(470)는, 위치 측량부(410), 파티클 탐색부(420), 가중치 학습부(430), 위치 결정부(440), 데이터베이스(450) 및 통신부(460) 간의 데이터의 흐름을 제어하는 기능을 수행할 수 있다. 즉, 본 발명에 따른 제어부(470)는 외부로부터의, 또는 지능형 실내측위 시스템(400)의 각 구성요소 간의 데이터의 흐름을 제어함으로써, 위치 측량부(410), 파티클 탐색부(420), 가중치 학습부(430), 위치 결정부(440), 데이터베이스(450) 및 통신부(460)에서 각각 고유 기능을 수행하도록 제어할 수 있다.
이상에서 설명된 본 발명에 따른 지능형 실내측위 시스템(400)에 대한 이해를 돕기 위해, 이하의 상세한 설명에서는 파티클 필터를 기반으로 가중치 학습을 통한 실내측위 과정(방법)에 대하여, 일례를 들어 설명한다.
가중치 학습을 통한 실내측위 과정
도 3은 본 발명의 일 실시예에 따른 파티클 필터를 기반으로 가중치 학습을 통한 실내측위 과정의 전체적인 순서도이다.
도 3을 참조하면, 먼저, 실내에 위치하며 무선신호를 송출하는 다수의 무선 송신장치(200)로부터 무선신호를 수신한 사용자 단말장치(300)의 위치정보를 측량하는 측량과정(S410)을 수행할 수 있다. 이러한 측량과정(S410)은 상기 무선신호를 수신한 사용자 단말장치(300)에서 수행될 수도 있지만, 사용자 단말장치(300)에서는 무선신호를 수집한 이후 지능형 실내측위 시스템(400)으로 전송하고 이를 제공받은 지능형 실내측위 시스템(400)에서 측량과정(S410)을 수행할 수 있다. 이해를 돕기 위해 아래와 같이 수학식 1를 참조할 수 있다.
[수학식 1]
Figure 112021142285537-pat00007
상기 수학식 1에서, 상기 m번째 측량값(
Figure 112021142285537-pat00008
)은 실제값(
Figure 112021142285537-pat00009
)과 함께 노이즈 오차(
Figure 112021142285537-pat00010
), 편향오차(
Figure 112021142285537-pat00011
), 외란(
Figure 112021142285537-pat00012
) 등을 포함되어 구성될 수 있는데, 이때, 상기 노이즈 오차(Noise Error:
Figure 112021142285537-pat00013
)는 센서(예를 들면, 무선신호 수신센서) 자체에서 발생하는 랜덤 노이즈에 의한 값이며, 상기 편향 오차(Bias Error:
Figure 112021142285537-pat00014
)는 센서 자체의 한 쪽으로 치우친 오차에 의한 값이고, 상기 외란(Disturbance:
Figure 112021142285537-pat00015
)은 외부로부터 발생되는 영향으로 발생되는 오차 성분이다.
이어서, 상기 측량 위치정보를 기초로 파티클 위치존재 여부를 확인하여, 파티클을 이동하거나, 초기 파티클을 설정하는 파티클 탐색과정(S420: S421, S422, S423)을 수행할 수 있다. 이러한 파티클 탐색과정(S420)은 상기 측량과정(S410)에서 측량된 위치정보를 기초로 파티클 위치존재 여부를 확인하는 과정(S421), 상기 기존 파티클 위치가 존재할 경우 해당 파티클을 이동하는 과정(S422) 또는 상기 기존 파티클 위치가 존재하지 않는 경우 초기 파티클을 설정하는 과정(S423)을 수행할 수 있다. 이러한 파티클 위치를 탐색하는 과정을 공지된 기술이므로 본 발명에서는 상세한 설명을 생략하도록 한다.
이어서, 상기 파티클에 가중치 학습하여 적용하는 가중치 학습과정(S430)을 수행할 수 있다. 이러한 가중치 학습과정(S430)은, 파티클 필터를 기반으로 가중치 학습률을 산출하고, 이에 따라 인공지능(AI) 기계학습에 의해 학습된 가중치를 통해 보다 정밀한 실내 측위를 구현할 수 있는데, 이러한 가중치 학습과정(S430)은 도 4를 참조한 이하의 상세한 설명에 의해 보다 명확하게 이해될 수 있다.
다만, 종래의 파티클 가중치 산출과정을 살펴보면, 본 발명과 같은 가중치 학습을 통한 과정이 없이 각 파티클의 가중치를 계산하여 적용하였는데, 이해를 돕기 위해 아래와 같이 수학식 2를 참조할 수 있다.
[수학식 2]
Figure 112021142285537-pat00016
상기 수학식 2에서, 측위에 적용되는 파티클 필터에서 측량값을 이용해 유사도로 계산된 가중치를 ‘측량 가중치'라고 할 수 있는데, 일반적으로 측량 가중치는 파티클의 위치(
Figure 112021142285537-pat00017
)와 상기 측량값(
Figure 112021142285537-pat00018
)을 이용하여, 유사도(Similarity)로 각 파티클의 가중치(
Figure 112021142285537-pat00019
)를 산출할 수 있다.
이때, 상기
Figure 112021142285537-pat00020
은 현재(m번째) 측량값 벡터이며, 상기
Figure 112021142285537-pat00021
은 측위 측량값의 표준편차이고, 상기
Figure 112021142285537-pat00022
은 현재(m번째) 측량에 대한 i 번째 파티클의 측량 가중치이다. 특히, 상기
Figure 112021142285537-pat00023
은 전체 파티클 중 i 번째 파티클 위치를 의미하는 것이며, 상기
Figure 112021142285537-pat00024
은 위치별로 미리 측량한 측위 기준값의 데이터베이스로부터 얻어진 i 번째 파티클 위치의 측위 기준값이다. 여기서, 상기 데이터베이스는 와이파이(WiFi)나 무선 네트워크의 AP(Access Point)부터 수신하는 신호의 세기(RSSI: Received Signal Strength Indicator)를 이용한 핑거프린팅(Fingerprinting) 방식의 측위정보를 저장하는 저장장치일 수 있다.
이어서, 학습된 상기 가중치에 따라 상기 사용자 단말장치(300)의 위치를 추정하여 실내측위 구하는 위치 결정과정(S440: S441, S442)을 수행할 수 있다.
보다 구체적으로, 이러한 위치 결정과정(S440)은 상기 가중치 학습과정(S430)을 통해 도출된 학습 가중치를 적용한 위치추정 과정(S441) 및 파티클 제거 및 복제과정(S442)을 수행할 수 있다. 이해를 돕기 위해 아래와 같이 수학식 3을 참조할 수 있다.
[수학식 3]
Figure 112021142285537-pat00025
Figure 112021142285537-pat00026
상기 수학식 3에서, 상기 파티클 필터의 실내측위는 수식과 같이 파티클의 위치(
Figure 112021142285537-pat00027
)와 가중치 학습과정(S430)을 통해 도출된 학습 가중치(
Figure 112021142285537-pat00028
)로 마지막 측량시각의 위치(
Figure 112021142285537-pat00029
)를 추정할 수 있다. 따라서, 파티클 필터를 기반으로 가중치 학습률을 산출하고, 이에 따라 인공지능(AI) 기계학습에 의해 학습된 가중치를 통해 보다 정밀한 실내 측위를 구할 수 있어, 외란에 대한 측위 민감도를 낮추고 측위의 정확도와 안정성을 향상시킬 수 있다.
가중치 학습과정(S430)
이하의 상세한 설명에서는, 본 발명의 구현을 위하여 중요한 기능을 수행하는 파티클 가중치 학습과정(S430)의 내부 과정에 대하여 살펴보기로 한다.
도 4는 본 발명의 일 실시예에 따른 가중치 학습과정(S430)의 내부과정을 나타내는 순서도이다.
도 4를 참조하면, 파티클 탐색과정(S420: S421, S422, S423)을 통해 산출된 파티클의 가중치를 학습하기 위한 과정으로, 먼저, 측량값의 급격한 변화를 반영하지 않는 측량변화 제한 필터를 통해, 측량값을 보정하여 외란의 영향을 줄일 수 있는 측량 필터링 과정(S431)을 수행할 수 있다.
보다 구체적으로, 이러한 측량 필터링 과정(S431)은 변화 제한 필터로 보정한 측량값을 나타낼 수 있는데, 이해를 돕기 위해 아래와 같이 수학식 4를 참조할 수 있다.
[수학식 4]
Figure 112021142285537-pat00030
Figure 112021142285537-pat00031
상기 수학식 4에서, 상기
Figure 112021142285537-pat00032
은 변화 제한 필터로 보정한 측량값이며, 상기
Figure 112021142285537-pat00033
은 현재(m번째) 측량값 벡터을 의미할 수 있다. 추가적인 설명을 위해 아래와 같이 수학식 5를 참조할 수 있다.
[수학식 5]
Figure 112021142285537-pat00034
Figure 112021142285537-pat00035
Figure 112021142285537-pat00036
추가적으로 수학식 5를 참조하면, 상기
Figure 112021142285537-pat00037
은 측량 변화량의 부호를 나타내며, 상기
Figure 112021142285537-pat00038
은
Figure 112021142285537-pat00039
번 측량값 변화량 평균 벡터를 나타낼 수 있다. 이때, 상기
Figure 112021142285537-pat00040
은 측량값 변화 감시 측량수, 마지막에 측량값의 변화량을 확인 하기위한 측량수이며, 상기
Figure 112021142285537-pat00041
은 필터링할 때 제한 값(Limit Value) 벡터를 의미하고 상기
Figure 112021142285537-pat00042
의 1 내지 5배 값을 이용할 수 있다. 이해를 돕기 위해 아래와 같이 수학식 6을 더 참조할 수 있다.
[수학식 6]
Figure 112021142285537-pat00043
Figure 112021142285537-pat00044
참고적으로 수학식 6을 참조하면, m번째 측량 값 벡터를 나타내는 상기
Figure 112021142285537-pat00045
의 수학식이며, 상기
Figure 112021142285537-pat00046
은 m번째 측량 변화 값 벡터를 나타내는 수학식이다.
따라서, 측량값의 급격한 변화를 반영하지 않는 측량변화 제한 필터를 통해, 측량값을 보정하여 외란의 영향을 줄일 수 있는 측량 필터링 과정(S431)을 수행할 수 있다.
이어서, 측량 가중치(
Figure 112021142285537-pat00047
)를 직접 사용하지 않고, 측량 횟수에 따라 가중치 학습률을 산출할 수 있는 학습률 계산과정(S432)을 수행할 수 있다.
보다 구체적으로, 이러한 학습률 계산과정(S432)은 신규 데이터가 최종 결과에 반영되는 비율을 학습률(
Figure 112021142285537-pat00048
)이라 하면, 초기 학습률(
Figure 112021142285537-pat00049
), m번째 학습률(
Figure 112021142285537-pat00050
), 및 최소 학습률(
Figure 112021142285537-pat00051
)로 구별할 수 있는데, 이해를 돕기 위해 아래와 같이 수학식 7을 참조할 수 있다.
[수학식 7]
Figure 112021142285537-pat00052
,
Figure 112021142285537-pat00053
상기 수학식 7에서, 일반적인 기계학습에서 m 번째 학습률은 상기 수학식과 같이 변동 학습률을 적용할 수 있다. 이때, 상기
Figure 112021142285537-pat00054
은 m번째 데이터가 입력될 때의 학습률이며, 상기
Figure 112021142285537-pat00055
은 첫 번째 데이터가 입력될 때 학습률이고 대부분 1을 적용할 수 있다. 또한, 상기
Figure 112021142285537-pat00056
은 상기
Figure 112021142285537-pat00057
를 계산하는 학습률 함수이다.
이러한 학습률 함수(
Figure 112021142285537-pat00058
)은 측량수량(데이터 수)이 적은 초기에는 학습률이 높아 빠르게 학습할 수 있고, 측량수량(데이터)이 증가할수록 학습률이 낮아져 외란에 민감하지 않게 된다. 이때, 측량수량(데이터)에 상관없이 마지막(최근)의 측량을 반영하기 위하여, 최소 학습률(
Figure 112021142285537-pat00059
)을 적용할 수 있는데, 실내측위는 가장 마지막의 측량 값으로 위치를 추정할 수 있다. 즉, 동적 학습에서 최근의 측량정보를 학습하기 위하여, 학습률 저하를 막는 최소 학습률(
Figure 112021142285537-pat00060
)이 필요하며, 이해를 돕기 위해 아래와 같이 수학식 8을 참조할 수 있다.
[수학식 8]
Figure 112021142285537-pat00061
상기 수학식 8에서, 상기
Figure 112021142285537-pat00062
은 m번째 데이터가 입력될 때의 학습률이며, 상기
Figure 112021142285537-pat00063
은 첫 번째 데이터가 입력될 때 학습률이고, 상기
Figure 112021142285537-pat00064
은 상술된 바와 같이
Figure 112021142285537-pat00065
으로 상기
Figure 112021142285537-pat00066
를 계산하는 학습률 함수이며, 상기
Figure 112021142285537-pat00067
은 최소 학습률이다. 따라서, 측량 가중치(
Figure 112021142285537-pat00068
)를 직접 사용하지 않고, 측량 횟수에 따라 가중치 학습률을 산출할 수 있는 학습률 계산과정(S432)을 수행할 수 있다.
이어서, 계산된 학습률에 따라 동적 학습으로 학습된 가중치(
Figure 112021142285537-pat00069
)를 적용함으로써, 외란에 대한 측위 민감도를 낮추고 측위의 정확도와 안정성을 향상시킬 수 있는 가중치 학습적용 과정(S433)을 수행할 수 있다.
보다 구체적으로, 이러한 가중치 학습적용 과정(S433)은, 각 파티클의 측량 가중치(
Figure 112021142285537-pat00070
) 데이터를 통해 학습된 가중치, 즉 학습 가중치(
Figure 112021142285537-pat00071
)는 아래와 같은 식으로 구할 수 있다. 이해를 돕기 위해 아래와 같이 수학식 9를 참조할 수 있다.
[수학식 9]
Figure 112021142285537-pat00072
Figure 112021142285537-pat00073
상기 수학식 9에서, 상기
Figure 112021142285537-pat00074
은 m번째(상기 m은 자연수) 측량에 대한 i번째 파티클의 학습 가중치이며, 상기
Figure 112021142285537-pat00075
은 상기 m번째 측량 보정값에 대한 i 번째 파티클의 측량 가중치이다. 또한, 상기
Figure 112021142285537-pat00076
은 상기 m번째 측량에 대한 i 번째 파티클의 가중치의 기울기(Gradient)를 의미할 수 있다. 따라서, 계산된 학습률에 따라 동적 학습으로 학습된 가중치(
Figure 112021142285537-pat00077
)를 적용함으로써, 외란에 대한 측위 민감도를 낮추고 측위의 정확도와 안정성을 향상시킬 수 있는 가중치 학습적용 과정(S433)을 수행할 수 있다.
파티클 필터를 기반으로 가중치 학습을 통한 실내측위의 예시
이하의 상세한 설명에서는, 본 발명에 의한 파티클 필터를 기반으로 가중치 학습을 통한 실내측위에 있어서, 일 예로, 본 발명에 의한 가중치 학습부(430)에 의한 파티클 가중치 학습과정(S430)을 적용한 경우의 측정값과 종래의 파티클 가중치 계산만을 수행한 경우의 측정값에 대하여, 예시로 설명하지만, 이는 설명의 편의를 위해 예를 들어 설명한 것으로, 본 발명이 이에 한정되는 것은 아니다.
도 5는 종래의 파티클 필터를 기반으로 파티클 가중치 계산을 통한 실내 측위의 결과 그래프이다.
도 5를 참조하면, 파티클 가중치 학습과정(S430)을 수행하지 않고 종래의 파티클 가중치 계산만을 적용한 실내 측위의 결과를 보여주고 있다. 먼저, 그래프 (a)는 상술된 수학식 1에서와 같이 m번째 측량값(
Figure 112021142285537-pat00078
)은 실제값(
Figure 112021142285537-pat00079
)과 함께 노이즈 오차(
Figure 112021142285537-pat00080
), 편향오차(
Figure 112021142285537-pat00081
), 외란(
Figure 112021142285537-pat00082
) 등을 포함되어 구성된 경우, 일 예로 측량횟수 15mm에서 외란에 의한 측정오차가 크게 발생하는 것을 보여주고 있다. 이러한, 외란에 의한 측정오차는 이동하는 장애물에 의한 전파 신호세기 변화, 도달 거리 변화 등이 될 수 있고, 자기장 측량에서는 엘리베이터, 운반체 등 자성체의 이동이나 자지장이 발생하는 전기/전자 장비의 동작에 의한 갑작스러운 자기장 변화가 될 수도 있다.
이어서, 그래프 (b)는 본 발명과 같은 가중치 학습을 통한 과정이 없이 각 파티클의 가중치를 계산하여 적용하였는데, 상술된 수학식 2에서와 같이, 가중치는 파티클의 위치(
Figure 112021142285537-pat00083
)와 상기 측량값(
Figure 112021142285537-pat00084
)을 이용하여, 유사도(Similarity)로 각 파티클의 가중치(
Figure 112021142285537-pat00085
)를 산출하여 적용할 수 있다. 이때, 그래프와 같이 일 예로 측량횟수 15m에서 외란에 의한 가중치 오차가 직접적으로 영향을 받아서, 측위 정확도와 안정성에 영향을 주는 문제점이 있다.
도 6은 본 발명의 일 실시예에 따른 파티클 필터를 기반으로 가중치 학습을 통한 실내 측위의 측량오차와 학습률 그래프이다.
도 7은 본 발명의 일 실시예에 따른 파티클 필터를 기반으로 가중치 학습을 통한 실내 측위의 결과 그래프이다.
먼저, 도 6을 참조하면, 그래프 (a)는 측량값의 급격한 변화를 반영하지 않는 측량변화 제한 필터를 통해 상술된 측량 필터링 과정(S431)을 수행할 수 있는데, 그래프 (a)는 상술된 수학식 4 내지 6에서와 같이 측량값을 보정하여 외란의 영향을 줄일 수 있다.
이어서, 그래프 (b)는 측량횟수에 따른 학습률을 그래프로 나타내고 있는데, 측량 가중치(
Figure 112021142285537-pat00086
)를 직접 사용하지 않고, 측량 횟수에 따라 가중치 학습률을 산출할 수 있는 학습률 계산과정(S432)을 수행할 수 있는데, 상술된 수학식 7 및 8에서와 같이 측량수량(데이터 수)이 적은 초기에는 학습률이 높아 빠르게 학습할 수 있고, 데이터가 증가할수록 학습률이 낮아져 외란에 민감하지 않게 될 수 있다.
다음으로, 도 7을 참조하면, 계산된 학습률에 따라 동적 학습으로 학습된 가중치(
Figure 112021142285537-pat00087
)를 적용함으로써 가중치 학습적용 과정(S433)을 수행할 수 있는데, 상술된 수학식 9에서와 같이, 각 파티클의 측량 가중치(
Figure 112021142285537-pat00088
) 데이터를 통해 학습된 가중치로 외란에 대한 측위 민감도를 낮추고 측위의 정확도와 안정성을 향상시킬 수 있다. 따라서, 그래프와 같이, 외란에 의한 측량가중치 오차가 크게 줄어드는 것을 볼 수 있고 노이즈에 의한 가중치 오차도 감소되는 것을 알 수 있다.
이상 설명된 본 발명에 따른 실시 예들은 다양한 컴퓨터 구성요소를 통하여 수행될 수 있는 프로그램 명령어의 형태로 구현되어 컴퓨터 판독 가능한 기록 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능한 기록 매체는 프로그램 명령어, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 컴퓨터 판독 가능한 기록 매체에 기록되는 프로그램 명령어는 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 분야의 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능한 기록 매체의 예에는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM, DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 ROM, RAM, 플래시 메모리 등과 같은 프로그램 명령어를 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령어의 예에는, 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드도 포함된다. 상기 하드웨어 장치는 본 발명에 따른 처리를 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
또한, 본 발명의 상세한 설명에서는 구체적인 구성요소 등과 같은 특정 사항들과 한정된 실시예 및 도면에 의해 설명되었으나, 이는 본 발명의 보다 전반적인 이해를 돕기 위해서 제공된 것일 뿐, 본 발명이 상기 실시 예들에 한정되는 것은 아니며, 본 발명이 속하는 기술 분야에서 통상적인 지식을 가진 자라면 이러한 기재로부터 다양한 수정 및 변형을 꾀할 수 있다. 따라서, 본 발명의 사상은 상기 설명된 실시 예에 국한되어 정해지는 것은 아니며, 후술하는 특허청구범위뿐만 아니라 그 특허청구범위와 균등하게 또는 등가적으로 변형된 모든 것들은 본 발명의 사상의 범주에 속한다고 할 것이다.
100: 통신망
200: 무선 송신장치
300: 사용자 단말장치
400: 지능형 실내측위 시스템
410: 위치 측량부
420: 파티클 탐색부
430: 가중치 학습부
440: 위치 결정부
450: 데이터베이스
460: 통신부
470: 제어부

Claims (10)

  1. 통신망 상에서 실내 측위를 위한 시스템으로서,
    실내에 위치하며 무선신호를 송출하는 다수의 무선 송신장치로부터 수신된 상기 무선신호를 기초로 사용자 단말장치의 위치정보를 측량하는 위치 측량부;
    측량된 상기 위치정보를 기초로 파티클 위치존재 여부를 확인하여, 파티클을 이동하거나, 초기 파티클을 설정하는 파티클 탐색부;
    상기 파티클 마다 기계학습에 의한 가중치 학습을 통해 학습된 가중치를 적용하는 가중치 학습부; 및
    학습된 상기 가중치에 따라 상기 사용자 단말장치의 위치를 추정하여 결정하는 위치 결정부;를 포함하며,
    상기 가중치 학습부는,
    측량변화 제한 필터를 통해 측량값을 보정하는 측량 필터링부; 상기 측량의 횟수에 따라 가중치 학습률을 산출하는 학습률 계산부; 및 계산된 상기 학습률에 따라 동적 학습으로 상기 학습된 가중치를 적용하는 가중치 학습적용부;를 포함하는 것을 특징으로 하는 지능형 실내측위 시스템.
  2. 삭제
  3. 제1항에 있어서,
    상기 학습률 계산부는,
    측량수량이 적은 초기에는 학습률이 높고, 상기 측량수량이 증가할수록 학습률이 낮아지며,
    상기 측량수량에 상관없이 마지막 측량을 반영하여 최소 학습률을 적용하는 것을 특징으로 하는 지능형 실내측위 시스템.
  4. 제1항에 있어서,
    상기 가중치 학습적용부는,
    상기 학습된 가중치를 아래 수학식
    Figure 112022061233047-pat00089

    Figure 112022061233047-pat00090

    (여기서, 상기
    Figure 112022061233047-pat00091
    은 m번째 측량에 대한 i번째 파티클의 학습 가중치,
    상기
    Figure 112022061233047-pat00092
    은 상기 m번째 측량 보정값에 대한 i 번째 파티클의 측량 가중치,
    상기
    Figure 112022061233047-pat00093
    은 상기 m번째 측량에 대한 i 번째 파티클의 가중치의 기울기,
    상기
    Figure 112022061233047-pat00094
    은 m번째 데이터가 입력될 때의 학습률, 상기 m 및 상기 i는 자연수)
    을 통해 구하는 것을 특징으로 하는 지능형 실내측위 시스템.
  5. 제1항에 있어서,
    상기 위치 결정부는,
    상기 학습 가중치를 적용한 위치추정 과정 및 위치 결정으로 파티클 제거 및 복제과정을 수행하는 것을 특징으로 하는 지능형 실내측위 시스템.
  6. 통신망 상에서 실내 측위를 위한 방법으로서,
    실내에 위치하며 무선신호를 송출하는 다수의 무선 송신장치로부터 수신된 상기 무선신호를 기초로 사용자 단말장치의 위치정보를 측량하는 위치 측량과정;
    측량된 상기 위치정보를 기초로 기초로 파티클 위치존재 여부를 확인하여, 파티클을 이동하거나, 초기 파티클을 설정하는 파티클 탐색과정;
    상기 파티클 마다 기계학습에 의한 가중치 학습을 통해 학습된 가중치를 적용하는 가중치 학습과정; 및
    학습된 상기 가중치에 따라 상기 사용자 단말장치의 위치를 추정하여 결정하는 위치 결정과정;을 포함하며,
    상기 가중치 학습과정은,
    측량변화 제한 필터를 통해 측량값을 보정하는 측량 필터링 과정; 상기 측량의 횟수에 따라 가중치 학습률을 산출하는 학습률 계산과정; 및 계산된 상기 학습률에 따라 동적 학습으로 상기 학습된 가중치를 적용하는 가중치 학습적용 과정;을 포함하는 것을 특징으로 하는 지능형 실내측위 방법.
  7. 삭제
  8. 제6항에 있어서,
    상기 학습률 계산과정은,
    측량수량이 적은 초기에는 학습률이 높고, 상기 측량수량이 증가할수록 학습률이 낮아지며,
    상기 측량수량에 상관없이 마지막 측량을 반영하여 최소 학습률을 적용하는 것을 특징으로 하는 지능형 실내측위 방법.
  9. 제6항에 있어서,
    상기 가중치 학습적용 과정은,
    상기 학습된 가중치를 아래 수학식
    Figure 112022061233047-pat00095

    Figure 112022061233047-pat00096

    (여기서, 상기
    Figure 112022061233047-pat00097
    은 m번째 측량에 대한 i번째 파티클의 학습 가중치,
    상기
    Figure 112022061233047-pat00098
    은 상기 m번째 측량 보정값에 대한 i 번째 파티클의 측량 가중치,
    상기
    Figure 112022061233047-pat00099
    은 상기 m번째 측량에 대한 i 번째 파티클의 가중치의 기울기,
    상기
    Figure 112022061233047-pat00100
    은 m번째 데이터가 입력될 때의 학습률, 상기 m 및 상기 i는 자연수)
    을 통해 구하는 것을 특징으로 하는 지능형 실내측위 방법.
  10. 제6항에 있어서,
    상기 위치 결정과정은,
    상기 학습 가중치를 적용한 위치추정 과정 및 위치 결정으로 파티클 제거 및 복제과정을 수행하는 것을 특징으로 하는 지능형 실내측위 방법.
KR1020210174652A 2021-12-08 2021-12-08 파티클 필터를 기반으로 가중치 학습을 통한 실내측위 시스템 및 방법 KR102448930B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210174652A KR102448930B1 (ko) 2021-12-08 2021-12-08 파티클 필터를 기반으로 가중치 학습을 통한 실내측위 시스템 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210174652A KR102448930B1 (ko) 2021-12-08 2021-12-08 파티클 필터를 기반으로 가중치 학습을 통한 실내측위 시스템 및 방법

Publications (1)

Publication Number Publication Date
KR102448930B1 true KR102448930B1 (ko) 2022-09-30

Family

ID=83451562

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210174652A KR102448930B1 (ko) 2021-12-08 2021-12-08 파티클 필터를 기반으로 가중치 학습을 통한 실내측위 시스템 및 방법

Country Status (1)

Country Link
KR (1) KR102448930B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102588062B1 (ko) * 2022-12-15 2023-10-12 주식회사 지오플랜 UWB 단일 레인징 기반의 Wi-Fi 및 블루투스 융합 위치 측위 방법 및 장치

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101267405B1 (ko) 2012-09-25 2013-05-30 강우석 실내 측위를 위한 위치 정보 제공 장치, 방법, 및 기록 매체
KR20150068633A (ko) * 2013-12-12 2015-06-22 강원대학교산학협력단 이동 기기의 위치를 예측하는 방법, 및 장치
KR20210070431A (ko) * 2019-12-04 2021-06-15 동국대학교 산학협력단 기계 학습 기반의 실내 위치 측정 장치 및 방법

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101267405B1 (ko) 2012-09-25 2013-05-30 강우석 실내 측위를 위한 위치 정보 제공 장치, 방법, 및 기록 매체
KR20150068633A (ko) * 2013-12-12 2015-06-22 강원대학교산학협력단 이동 기기의 위치를 예측하는 방법, 및 장치
KR20210070431A (ko) * 2019-12-04 2021-06-15 동국대학교 산학협력단 기계 학습 기반의 실내 위치 측정 장치 및 방법

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102588062B1 (ko) * 2022-12-15 2023-10-12 주식회사 지오플랜 UWB 단일 레인징 기반의 Wi-Fi 및 블루투스 융합 위치 측위 방법 및 장치
WO2024128394A1 (ko) * 2022-12-15 2024-06-20 주식회사 지오플랜 Uwb 단일 레인징 기반의 wi-fi 및 블루투스 융합 위치 측위 방법 및 장치

Similar Documents

Publication Publication Date Title
US20200141739A1 (en) Navigate, track, and position mobile devices in gps-denied or gps-inaccurate areas with automatic map generation
KR102319418B1 (ko) 실내 위치의 지리적 좌표를 결정하기 위한 방법 및 장치
CA2843081C (en) Position indication controls for device locations
Park et al. Smartphone-based pedestrian tracking in indoor corridor environments
US9476986B2 (en) Decomposition of error components between angular, forward, and sideways errors in estimated positions of a computing device
KR20150018827A (ko) 액세스 포인트들의 위치들을 결정하기 위한 방법 및 장치
US11337031B2 (en) Systems and methods for tracking a location of a mobile device
US10527430B2 (en) Method and apparatus for beacon data collection
KR101163335B1 (ko) 수신신호강도의 거리 추정 방식에 의거한 실내 무선 측위 방법 및 이 방법을 실시하기 위한 프로그램이 기록된 기록매체
CA3016819C (en) Method and system of crowd-sourced pedestrian localization
US10356556B2 (en) Method for locating mobile devices in a common frame of reference
US11143506B2 (en) Systems and methods for determining a barometric pressure bias of a mobile device
US20180292216A1 (en) Method, device and system for determining an indoor position
US10506546B2 (en) Method of locating an access point to a communication network
US9439043B2 (en) Running location provider processes
KR20190021957A (ko) 실내에서 이동하는 단말의 측위 장치 및 그 방법
KR102448930B1 (ko) 파티클 필터를 기반으로 가중치 학습을 통한 실내측위 시스템 및 방법
Knauth Smartphone PDR positioning in large environments employing WiFi, particle filter, and backward optimization
CA3065025C (en) Method and system of mobile device sequencing for localization
KR101468811B1 (ko) 무선 랜을 이용한 실내 측위 시스템의 위치 보정 방법
KR20140119333A (ko) 위치 정확도 향상을 위한 위치 측위 방법 및 장치
KR20130006019A (ko) 실내 외 핸드오버 지점 결정방법 및 이를 위한 무선 디바이스 및 기록매체
KR20130017990A (ko) 음영지역 환경에서 멀티홉을 이용한 점진적 위치인식 시스템 및 그 방법
KR102603337B1 (ko) Ap 및 imu를 이용한 위치추적 시스템 및 그 방법
KR20150016454A (ko) 무선랜 신호를 이용한 측위장치 및 방법

Legal Events

Date Code Title Description
GRNT Written decision to grant