KR102497581B1 - 인공신경망을 이용한 무선 측위 방법 및 장치 - Google Patents

인공신경망을 이용한 무선 측위 방법 및 장치 Download PDF

Info

Publication number
KR102497581B1
KR102497581B1 KR1020220086400A KR20220086400A KR102497581B1 KR 102497581 B1 KR102497581 B1 KR 102497581B1 KR 1020220086400 A KR1020220086400 A KR 1020220086400A KR 20220086400 A KR20220086400 A KR 20220086400A KR 102497581 B1 KR102497581 B1 KR 102497581B1
Authority
KR
South Korea
Prior art keywords
image
learning
neural network
artificial neural
mobile node
Prior art date
Application number
KR1020220086400A
Other languages
English (en)
Inventor
이택진
Original Assignee
주식회사 티제이랩스
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 주식회사 티제이랩스 filed Critical 주식회사 티제이랩스
Priority to KR1020220086400A priority Critical patent/KR102497581B1/ko
Application granted granted Critical
Publication of KR102497581B1 publication Critical patent/KR102497581B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
    • G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0268—Control of position or course in two dimensions specially adapted to land vehicles using internal positioning means
    • G05D1/0274—Control of position or course in two dimensions specially adapted to land vehicles using internal positioning means using mapping information stored in a memory device
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30241—Trajectory

Abstract

인공신경망을 이용한 무선 측위 방법 및 장치에 관한 것으로, 고정 노드의 아이디와 그 고정 노드로부터 수신된 신호의 세기로부터 픽셀 값을 생성하고, 그 신호의 수신 지점을 이와 같이 생성된 픽셀 값을 갖는 픽셀로 표현함으로써 이동 노드의 이동경로 이미지를 생성하고, 이동경로 이미지를 인공신경망에 입력함으로써 인공신경망을 이용하여 매우 빠르고 정확하게 이동 노드의 위치를 추정할 수 있다.

Description

인공신경망을 이용한 무선 측위 방법 및 장치 {Method and apparatus for wireless localization using neural network}
무선 신호를 이용하여 이동 노드의 위치를 추정할 수 있는 무선 측위 방법 및 장치에 관한 것이다.
최근, 세계 각 국의 자동차 제조사와 구글, 인텔 등의 글로벌 기업은 자율 주행 자동차의 연구 개발에 열을 올리고 있다. GNSS(Global Navigation Satellite System)를 이용한 실외에서의 부분 자율 주행에 대해서는 어느 정도 성과를 보이고 있으나, GNSS의 실내 측위 불가능으로 인해 실외 및 실내를 아우르는 완전 자율 주행은 아직 요원한 상태이다. 이러한 GNSS의 문제점을 해결하기 위해, 실내 공간에 존재하는 무선 신호를 이용하여 사용자나 차량의 위치를 추정하는 무선 측위 기술에 많은 관심이 모아지고 있다. 무선 측위 기술은 현재 상용화되어 서비스되고 있으나, GNSS에 비해 측위 정확도가 매우 떨어져 다양한 방식의 무선 측위 기술이 개발 중에 있다.
무선 통신은 근거리 무선통신과 광역 무선통신으로 분류될 수 있다. 근거리 무선 통신의 대표적인 예로는 와이파이(Wifi), 블루투스(Bluetooth), 지그비(Zigbee) 등을 들 수 있고, 광역 무선통신의 대표적인 예로는 3G(3rd Generation), 4G(4th Generation), 로라(Lora) 등을 들 수 있다. LTE(Long Term Evolution)는 4G 무선통신의 일종이다. 블루투스, 지그비 등의 근거리 신호는 실내 공간에 사용자의 필요에 따라 일시적으로 발생했다가 사라지는 특성으로 인해 측위용으로는 적합하지 않다. 현재, 대부분의 실내에는 와이파이 신호와 LTE 신호가 분포하고 있는 것으로 알려져 있다.
이에 따라, 2.4GHz 대역의 와이파이 신호를 이용하여 측위를 실시하는 WPS(Wifi Positioning System)가 각광을 받고 있다. 와이파이 신호를 이용한 측위 기법에는 대표적으로 삼각측량(triangulation) 기법과 핑거프린트(fingerprint) 기법을 들 수 있다. 삼각측량 기법은 3 개 이상의 액세스 포인트(AP, Access Point)로부터 수신된 신호의 세기(RSS, Received Signal Strength)를 측정하고 그것을 거리로 환산함으로써 위치를 추정한다. 그러나, 실내 공간에서는 건물의 벽체, 장애물, 사람 등에 의해 무선 신호의 감쇄, 반사, 회절 등이 일어나기 때문에 환산된 거리 값이 엄청난 오차를 포함하게 됨에 따라 삼각측량 기법은 실내 측위용으로는 거의 사용되고 있지 않다.
이러한 이유로 실내 공간에서는 주로 핑거프린트 기법이 사용된다. 이 기법은 실내 공간을 격자 구조로 분할하고 각 단위 지역에서 신호 세기 값을 수집하고 데이터베이스화하여 라디오맵(radio map)을 구축한다. 이와 같이 라디오맵이 구축된 상태에서, 사용자 위치에서 수신된 신호의 세기를 라디오맵의 데이터와 비교함으로써 사용자의 위치로 추정하게 된다. 이 기법은 실내의 공간 특성이 반영된 데이터를 수집하기 때문에 삼각측량 기법에 비해 측위 정확도가 매우 높다는 장점을 갖고 있다. 무선 환경이 양호하고 실내 공간을 촘촘하게 분할하여 많은 신호를 수집할수록 측위 정밀도가 높아지는데 최대 2~3 미터까지 향상될 수 있는 것으로 보고되고 있다.
핑거프린트 기법은 라디오맵을 구축할 때의 시점에서 수집된 신호 세기와 측위 수행 시점에 수집된 신호 세기의 차이가 거의 없을 경우, 비교적 정확한 측위를 수행한다. 그러나, 현실 세계에서 빈번하게 발생하는 통신 채널간의 신호 간섭, 액세스 포인트의 증설, 고장이나 장애물 발생 등의 무선 환경의 변화는 과거에 구축된 라디오맵의 데이터와 차이가 있는 신호 세기의 수집으로 이어져 측위 정확도에 심각한 영향을 주게 된다. 이에 따라, 핑거프린트 기법에 KNN(K-Nearest Neighbor), 파티클 필터(particle filter) 등을 적용하여 측위 정확도를 높이고자 하는 다양한 시도들이 이루어지고 있다.
무엇보다도, 와이파이 신호는 근거리 무선통신의 특성상, 도심 일부에만 분포되어 있다는 현실로 인해 핑거프린트 기법은 실외 및 실내의 전 지역에 대한 측위 서비스가 요구되는 차량 네비게이션 시스템이나 자율주행에서는 단독으로 사용될 수 없다는 태생적인 한계를 갖고 있다. LTE 신호는 실내 및 실외 전역에 고르게 분포되어 있으나, 신호 세기의 변화가 크지 않은 지역이 넓어 측위 정확도를 높이는 데에 한계가 있다. 그 결과, LTE 신호를 이용하는 측위 서비스는 사용자의 위치를 대략적으로 알려주는 수준에 머물고 있으며 측위 오차가 사고로 이어질 수 있는 차량 네비게이션 시스템이나 자율주행용으로 사용되기에는 아직 많은 문제를 안고 있다.
이러한 문제를 해결하기 위하여, 대한민국등록특허 제10-1954676호 "고정확도의 무선 측위 방법 및 장치", 대한민국등록특허 제10-1954677호 "경로 변화에 강인한 고정확도의 복합 측위 방법 및 장치" 등과 같이 이동 노드의 위치의 상대적인 변화에 따른 적어도 하나의 신호 세기의 변화 패턴을 이용하여 이동 노드의 위치를 추정하는 무선 측위 기술이 등장하였다. 그러나, 이 종래기술은 이동 노드의 위치 변화에 따른 신호 세기의 변화 패턴과 지도와의 비교에 기초하여 이동 노드의 위치를 추정하기 때문에 신호 세기의 변화 패턴과 지도와의 비교 과정에서의 매우 많은 데이터 처리량으로 인해 스마트폰과 같은 일반적인 성능의 이동 노드에서는 실시간 측위가 어렵다는 문제점이 있었다.
대한민국등록특허 제10-2308803호 "이미지 기반의 무선 측위 방법 및 장치"는 무선 측위의 정확도 및 실시간성을 향상시키기 위하여 신호 세기의 변화 패턴 대신에, 이동 노드의 이동경로 이미지와 맵 이미지와의 비교에 기초하여 이동 노드의 위치를 추정하는 기술을 제시하고 있다. 이동 노드의 이동경로 이미지와 맵 이미지와의 비교 과정에서의 데이터 처리량은 종래에 비해 크게 대폭 감소되었으나 측위 서비스는 매우 넓은 지역에 제공되기 때문에 맵 이미지는 일반적으로 대용량 데이터로 표현된다. 그 결과, 스마트폰과 같은 일반적인 성능의 이동 노드에서는 실시간 측위가 여전히 어렵다는 문제점이 있었다.
인공신경망을 이용하여 매우 빠르고 정확하게 이동 노드의 위치를 추정할 수 있는 무선 측위 방법 및 장치를 제공하는 데에 있다. 또한, 상기된 무선 측위 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록 매체를 제공하는데 있다. 상기된 바와 같은 기술적 과제들로 한정되지 않으며, 이하의 설명으로부터 또 다른 기술적 과제가 도출될 수도 있다.
본 발명의 일 측면에 따른 무선 측위 방법은 적어도 하나의 고정 노드의 아이디와 상기 적어도 하나의 고정 노드로부터 수신된 적어도 하나의 신호의 세기로부터 픽셀 값을 생성하는 단계; 상기 적어도 하나의 신호의 수신 지점을 상기 생성된 픽셀 값을 갖는 픽셀로 표현함으로써 이동 노드의 이동경로 이미지를 생성하는 단계; 및 상기 생성된 이동경로 이미지를 인공신경망에 입력함으로써 상기 인공신경망으로부터 상기 생성된 이동경로 이미지가 나타내는 이동 노드의 위치를 획득하는 단계를 포함하고, 상기 인공신경망은 상기 이동 노드가 위치하는 지역에 대한 맵 이미지를 이용하여 학습된 것이다.
상기 어느 하나의 픽셀 값을 생성하는 단계는 적어도 한 종류의 컬러 성분으로서의 역할을 하는 적어도 하나의 고정 노드의 아이디와 각 컬러 성분의 값으로서의 역할을 하는 각 신호의 세기를 조합함으로써 상기 어느 하나의 픽셀 값을 생성할 수 있다.
상기 맵 이미지는 상기 이동 노드가 위치하는 지역에 설치된 복수의 고정 노드의 아이디와 상기 복수의 고정 노드로부터 수신된 복수의 신호의 세기로부터 생성된 복수의 픽셀 값을 갖는 복수의 픽셀로 표현될 수 있다.
상기 무선 측위 방법은 상기 맵 이미지가 나타내는 경로 중 일부에 해당하는 제 1 학습용 경로를 나타내는 제 1 학습용 이미지를 상기 맵 이미지로부터 생성하는 단계; 및 상기 인공신경망의 입력층에 상기 제 1 학습용 이미지를 입력하고 상기 인공신경망의 출력층에 상기 제 1 학습용 경로의 종료 지점의 좌표값을 입력함으로써 상기 인공신경망을 학습시키는 단계를 더 포함할 수 있다.
상기 제 1 학습용 이미지를 생성하는 단계는 상기 맵 이미지가 나타내는 경로 내에서 랜덤하게 시작 지점을 지정하고, 상기 지정된 시작 지점으로부터 일정 길이의 궤적을 랜덤하게 설정함으로써 상기 맵 이미지가 나타내는 경로 중 일부를 상기 제 1 학습용 경로로 설정하는 단계; 및 상기 맵 이미지로부터 상기 설정된 제 1 학습용 경로를 포함하는 맵부분 이미지를 분리해냄으로써 상기 제 1 학습용 이미지를 생성하는 단계를 포함할 수 있다.
상기 무선 측위 방법은 상기 맵 이미지가 나타내는 경로 중 일부에 해당하는 제 1 학습용 경로의 궤적을 변경함으로써 상기 제 2 학습용 이미지를 생성하는 단계; 및 상기 인공신경망의 입력층에 상기 제 2 학습용 이미지를 입력하고 상기 인공신경망의 출력층에 상기 제 2 학습용 이미지가 나타내는 위치의 좌표값으로서 상기 제 1 학습용 경로의 종료 지점의 좌표값을 입력함으로써 상기 인공신경망을 학습시키는 단계를 더 포함할 수 있다.
상기 제 2 학습용 이미지를 생성하는 단계는 미리 결정된 궤적 오차의 범위 내에서 상기 제 1 학습용 이미지가 나타내는 학습용 경로의 궤적을 변경함으로써 상기 제 2 학습용 이미지를 생성할 수 있다.
상기 궤적 오차의 범위는 상기 맵 이미지가 나타내는 경로의 궤적 결정에 사용된 상대 측위 알고리즘의 오차 범위에 기초하여 결정될 수 있다.
상기 무선 측위 방법은 상기 맵 이미지가 나타내는 경로 중 일부에 해당하는 제 1 학습용 경로의 컬러를 변경함으로써 상기 제 3 학습용 이미지를 생성하는 단계; 및 상기 인공신경망의 입력층에 상기 제 3 학습용 이미지를 입력하고 상기 인공신경망의 출력층에 상기 제 3 학습용 이미지가 나타내는 위치의 좌표값으로서 상기 제 1 학습용 경로의 종료 지점의 좌표값을 입력함으로써 상기 인공신경망을 학습시키는 단계를 더 포함할 수 있다.
상기 제 3 학습용 이미지를 생성하는 단계는 미리 결정된 컬러 오차의 범위 내에서 상기 제 1 학습용 이미지가 나타내는 학습용 경로의 컬러를 변경함으로써 상기 제 3 학습용 이미지를 생성할 수 있다.
상기 컬러 오차의 범위는 상기 맵 이미지가 나타내는 경로의 컬러 결정에 사용된 신호 세기 측정 방식의 오차 범위에 기초하여 결정될 수 있다.
상기 무선 측위 방법은 상기 맵 이미지가 나타내는 경로 중 일부에 해당하는 제 1 학습용 경로의 궤적과 컬러를 변경함으로써 상기 제 4 학습용 이미지를 생성하는 단계; 및 상기 인공신경망의 입력층에 상기 제 4 학습용 이미지를 입력하고 상기 인공신경망의 출력층에 상기 제 4 학습용 이미지가 나타내는 위치의 좌표값으로서 상기 제 1 학습용 경로의 종료 지점의 좌표값을 입력함으로써 상기 인공신경망을 학습시키는 단계를 더 포함할 수 있다.
본 발명의 다른 측면에 따라 상기 무선 측위 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체가 제공된다.
본 발명의 또 다른 측면에 따른 무선 측위 장치는 적어도 하나의 고정 노드의 아이디와 상기 적어도 하나의 고정 노드로부터 수신된 적어도 하나의 신호의 세기로부터 픽셀 값을 생성하는 픽셀 생성부; 상기 적어도 하나의 신호의 수신 지점을 상기 생성된 픽셀 값을 갖는 픽셀로 표현함으로써 이동 노드의 이동경로 이미지를 생성하는 이미지 생성부; 및 상기 생성된 이동경로 이미지를 인공신경망에 입력함으로써 상기 인공신경망으로부터 상기 생성된 이동경로 이미지가 나타내는 이동 노드의 위치를 획득하는 위치 획득부를 포함한다.
고정 노드로부터 수신된 신호의 수신 지점을 고정 노드의 아이디와 그 신호의 세기로부터 생성된 픽셀 값을 갖는 픽셀로 표현함으로써 이동 노드의 이동경로 이미지를 생성하고, 이동경로 이미지를 인공신경망에 입력함으로써 인공신경망을 이용하여 매우 빠르고 정확하게 이동 노드의 위치를 추정할 수 있다. 종래의 무선 측위 기술에서 실시간 측위의 장애로 작용하였던 신호 세기의 변화 패턴과 지도의 비교 과정, 이동경로 이미지와 맵 이미지와 비교 과정이 사라지게 됨에 따라 측위 과정에서의 데이터 처리량이 대폭 감소되어 스마트폰과 같은 일반적인 성능의 이동 노드에서의 실시간 측위가 가능하게 된다.
이동경로 이미지가 나타내는 이동 경로에는 신호 세기 측정 오차, 상대 측위 오차 등으로 인해 필연적으로 오차가 존재한다. 종래기술에서는 이동 경로 오차가 포함된 이동경로 이미지와 맵 이미지를 비교하기 때문에 필연적으로 측위 오차가 발생된다. 본 발명에 따르면, 인공신경망이 그것에 입력된 이동경로 이미지로부터 이동 노드의 위치를 확률적으로 추정하기 때문에 무수히 많은 학습용 이미지를 이용하여 학습된 인공신경망을 이용하게 되면 인공신경망은 매우 낮은 확률로 발생되는 이동 경로 오차에 대해서는 그것의 영향이 거의 없도록 이동 노드의 위치를 확률적으로 추정하기 때문에 측위 정확도가 대폭 향상될 수 있다.
인공신경망의 충분한 학습을 위해서는 매우 다양한 이동 경로를 나타내는 많은 개수의 서로 다른 학습용 이미지가 요구된다. 이러한 학습용 이미지들의 생성을 위해서는 다양한 이동 경로에 대하여 여러 다른 시점에서 신호 세기 수집과 상대 측위가 선행되어야 하며 매우 많은 리소스와 매우 오랜 시간이 소모되기 때문에 인경신경망의 충분한 학습이 이루어지기 어렵다. 본 발명에 따르면, 맵 이미지가 나타내는 경로 중 일부를 랜덤하게 선정하여 학습용 경로로 사용함으로써 매우 많은 개수의 학습용 이미지를 용이하게 얻을 수 있다. 게다가, 학습용 경로의 궤적과 컬러 중 적어도 하나를 랜덤하게 변경함으로써 무수히 많은 학습용 이미지를 용이하게 얻을 수 있어 인공신경망의 충분한 학습이 많은 리소스 소모 없이 신속하게 이루어질 수 있다.
도 1은 본 발명의 일 실시예에 따른 무선통신 시스템의 구성도이다.
도 2는 도 1에 도시된 이동 노드(1)의 무선 측위 장치와 측위 서버(3)의 구성도이다.
도 3은 본 발명의 일 실시예에 따른 무선 측위 방법의 흐름도이다.
도 4는 도 3에 도시된 440 단계에서 이용되는 인공신경망(36)의 예시도이다.
도 5는 이동 노드(1)가 위치하고 있는 지역의 실내지도 예시이다.
도 6은 도 5에 도시된 지역에 대한 맵 이미지의 예시도이다.
도 7은 도 3의 430 단계에서 생성된 이동경로 이미지의 일례를 도시한 도면이다.
도 8은 도 3에 도시된 430 단계의 상세 흐름도이다.
도 9는 본 발명의 일 실시예에 따른 인공신경망 학습 방법의 흐름도이다.
도 10은 도 9에 도시된 92 단계에서 생성된 학습용 이미지의 다양한 예들을 도시한 도면이다.
도 11은 도 9에 도시된 93 단계에서의 인공신경망(36) 학습의 예시도이다.
이하에서는 도면을 참조하여 본 발명의 실시예를 상세히 설명한다. 이하에서는 사용자에 의해 휴대되어 이동하는 스마트폰, 차량에 탑재되어 이동하는 네비게이션 시스템, 위치추적대상에 부착되는 소형장치 등과 같이 측위의 대상이 되는 모든 이동체를 포괄하여 "이동 노드"로 통칭하기로 한다. 또한, 와이파이 망의 액세스 포인트(AP, Access Point), LTE 망의 기지국(base station)과 같이, 어떤 지역에 고정 설치되어 이동 노드의 무선 통신을 중계하는 통신 기기를 포괄하여 "고정 노드"로 통칭하기로 한다. 또한, 고정 노드로부터 송출되는 RF(Radio Frequency) 신호를 간략하게 "신호"로 호칭하기로 한다.
이하에서 설명될 본 발명의 실시예는 와이파이 신호, LTE(Long Term Evolution) 신호 등과 같은 무선 신호를 이용하여 측위 서비스를 제공하는 무선 측위 방법 및 장치에 관한 것으로서, 특히 인공신경망을 이용하여 매우 빠르고 정확하게 이동 노드의 위치를 추정할 수 있는 무선 측위 방법 및 장치에 관한 것이다. 이하에서는 이러한 무선 측위 방법 및 무선 측위 장치를 간략하게 "무선 측위 방법"과 "무선 측위 장치"로 호칭하기로 한다. 이동 노드는 스마트폰과 같이 사용자에 의해 휴대되거나 네비게이션 시스템과 같이 사용자 주변에 위치하여 사용자와 함께 이동하기 때문에 이동 노드의 위치는 사용자의 위치로 해석될 수도 있다.
도 1은 본 발명의 일 실시예에 따른 무선통신 시스템의 구성도이다. 도 1을 참조하면, 본 실시예에 따른 무선통신 시스템은 복수의 이동 노드(1), 복수의 고정 노드(2), 및 측위 서버(3)로 구성된다. 복수의 이동 노드(1) 각각은 사용자에 의해 휴대되거나 차량에 탑재되어 이동하면서 적어도 한 종류의 무선통신 망을 통해 다른 노드와의 무선통신을 수행한다. 일반적으로, 각 이동 노드(1)는 적어도 두 종류의 무선통신 망, 예를 들어 와이파이 망과 LTE 망을 통해 무선 통신을 수행한다. 복수의 고정 노드(2) 각각은 각 이동 노드(1)가 무선통신 망에 접속하여 다른 노드와의 무선 통신을 수행할 수 있도록 각 이동 노드(1)의 무선 통신을 중계한다. 이동 노드(1)가 와이파이 망을 통해 무선 통신을 수행하는 경우에 고정 노드(2)는 액세스 포인트일 수 있고, LTE 망을 통해 무선 통신을 수행하는 경우에 고정 노드(2)는 기지국일 수 있다. 측위 서버(3)는 각 이동 노드(1)에 각 이동 노드(1)의 절대 위치를 제공한다.
도 2는 도 1에 도시된 이동 노드(1)의 무선 측위 장치와 측위 서버(3)의 구성도이다. 도 2를 참조하면, 도 1에 도시된 이동 노드(1)의 무선 측위 장치는 무선통신부(11), 센서부(12), 스캔부(13), 신호 처리부(14), 상대위치 추정부(15), 측위 요청부(16), 측위응답 수신부(17), 및 절대위치 추정부(18)로 구성된다. 본 실시예가 속하는 기술분야에서 통상의 지식을 가진 자라면 이러한 구성 요소들은 특정 기능을 제공하는 하드웨어로 구현될 수도 있고, 특정 기능을 제공하는 소프트웨어가 기록된 메모리, 프로세서, 버스 등의 조합으로 구현될 수도 있음을 이해할 수 있다. 상기된 각 구성 요소는 반드시 별개의 하드웨어로 구현되는 것은 아니며, 여러 개의 구성 요소가 공통 하드웨어, 예를 들어 프로세서, 메모리, 버스 등의 조합에 의해 구현될 수도 있다. 아래에서 설명되는 측위 서버(3)의 무선 측위 장치의 구성 요소도 마찬가지이다.
상술한 바와 같이, 이동 노드(1)는 사용자에 의해 휴대되는 스마트폰일 수도 있고, 차량에 탑재되는 네비게이션 시스템일 수도 있다. 도 2에 도시된 실시예는 무선 측위 장치에 관한 것으로서 도 2에 도시된 무선 측위 장치의 구성 외에 스마트폰의 다른 구성이나 네비게이션 시스템의 다른 구성이 도 2에 도시되면 본 실시예의 특징이 흐려질 수 있기 때문에 생략된다. 본 실시예가 속하는 기술분야에서 통상의 지식을 가진 자라면 이동 노드(1)가 스마트폰이나 네비게이션 시스템 등으로 구현될 경우에 도 2에 도시된 구성 요소 외에 다른 구성 요소가 추가될 수 있음을 이해할 수 있다.
무선통신부(11)는 적어도 하나의 무선통신망을 통해 신호를 송수신한다. 센서부(12)는 이동 노드(1)의 움직임을 감지하는 적어도 하나의 센서로 구성된다. 센서부(12)는 이동 노드(1)의 가속도를 측정하는 가속도 센서(acceleration sensor)와 이동 노드(1)의 각속도를 측정하는 자이로 센서(gyro sensor)로 구성될 수 있다. 이동 노드(1)가 어떤 종류의 기기로 구현되는가에 따라 센서부(12)의 센서 종류가 달라질 수 있다. 이동 노드(1)가 스마트폰으로 구현되는 경우, 센서부(12)는 상술한 바와 같은 가속도 센서와 자이로 센서로 구성될 수 있다. 이동 노드(1)가 차량에 탑재되는 네비게이션 시스템으로 구현되는 경우, 센서부(12)는 상술한 바와 같은 가속도 센서와 자이로 센서로 구성될 수도 있고, 이러한 센서 대신에 엔코더(encoder), 지자기 센서 등이 사용될 수도 있다.
도 2를 참조하면, 도 1에 도시된 측위 서버(3)의 무선 측위 장치는 유선통신부(31), 측위요청 수신부(32), 픽셀 생성부(33), 이미지 생성부(34), 절대위치 획득부(35), 인공신경망(36), 측위 응답부(37), 인공신경망 학습부(38), 버퍼(39), 및 스토리지(40)로 구성된다. 유선통신부(31)는 적어도 하나의 유선통신망을 통해 신호를 송수신한다. 이동 노드(1)가 일반적으로 스마트폰으로 구현되는 것과 달리, 측위 서버(3)는 다수의 이동 노드에게 측위 서비스를 제공하는 서버로서 일반적으로 유선 통신을 하는 대형 컴퓨터로 구현된다. 버퍼(39)는 픽셀 생성부(33)에 의해 생성된 픽셀 값을 축적하여 이동경로 이미지를 생성하기 위한 용도로 사용된다. 스토리지(40)는 맵 이미지를 저장하기 위한 용도로 사용된다. 이동 노드(1)의 하드웨어 성능이 우수한 경우, 이동 노드(1) 스스로 인공신경망을 이용하여 그것의 절대 위치를 추정할 수도 있다. 이 경우, 픽셀 생성부(33), 이미지 생성부(34), 절대위치 획득부(35), 인공신경망(36), 측위 응답부(37), 버퍼(39) 등은 측위 서버(3)의 구성이 아닌, 이동 노드(1)의 구성이 될 수도 있다.
도 3은 본 발명의 일 실시예에 따른 무선 측위 방법의 흐름도이다. 도 3을 참조하면, 본 실시예에 따른 무선 측위 방법은 도 2에 도시된 이동 노드(1)와 측위 서버(3)의 무선 측위 장치에 의해 실행되는 다음과 같은 단계들로 구성된다. 이하에서는 도 3을 참조하면서, 도 2에 도시된 이동 노드(1)와 측위 서버(3)의 무선 측위 장치를 상세하게 설명하기로 한다.
110 단계에서 이동 노드(1)의 스캔부(13)는 무선통신부(11)를 통하여 무선통신의 주파수 대역을 주기적으로 스캔함으로써 적어도 하나의 고정 노드(2)로부터 송출된 적어도 하나의 신호를 수신한다. 아래에 설명된 바와 같이, 스캔부(13)의 스캔 주기마다 이동 노드(1)의 현재 위치를 나타내는 이동경로 이미지의 한 픽셀이 생성되기 때문에 스캔부(13)의 스캔 주기가 짧을수록 이동경로 이미지의 분해능이 향상될 수 있고, 결과적으로 본 실시예에 따라 추정된 이동 노드(1)의 위치의 정밀도가 향상될 수 있다. 이동경로 이미지의 분해능이 높아지게 되면 이동경로 이미지의 데이터량이 증가하게 되므로 이동 노드(1)의 데이터 처리 부하가 증가되면서 이동 노드(1)의 위치 추정에 소요되는 시간이 증가될 수 있다. 사용자의 위치 추적, 차량의 네비게이션 등의 용도로 활용되는 무선 측위의 특성상 실시간으로 사용자에게 현재 위치가 제공되어야 하기 때문에 이동 노드(1)의 하드웨어 성능, 본 실시예가 적용되는 분야에서 요구하는 측위 정밀도 등을 고려하여 스캔부(13)의 스캔 주기가 결정됨이 바람직하다.
이동 노드(1)의 현재 위치에서 그 통신가능범위 내에 하나의 고정 노드(2)만이 존재하는 경우라면, 스캔부(13)는 스캔 과정을 통하여 하나의 고정 노드(2)로부터 하나의 신호를 수신하게 된다. 이동 노드(1)의 현재 위치에서 그 통신가능범위 내에 복수의 고정 노드(2)가 존재하는 경우라면, 스캔부(13)는 스캔 과정을 통하여 복수의 고정 노드(2)로부터 그 고정 노드(2)의 개수만큼의 복수의 신호를 수신하게 된다. 도 1에는 이동 노드(1)가 세 개의 고정 노드(21, 22, 23)로부터 3 개의 신호를 수신하는 예가 도시되어 있다. 다른 하나의 고정 노드(24)는 이동 노드(1)의 통신가능범위 밖에 위치해 있음을 알 수 있다. 본 실시예는 무선통신 인프라가 비교적 잘 갖춰진 지역에 적용될 수 있기 때문에 이동 노드(1)는 대부분 복수의 고정 노드(2)의 신호를 수신하게 되나, 무선통신 인프라가 취약한 일부 지역에서는 하나의 고정 노드(2)의 신호만을 수신할 수도 있다. 한편, 스캔 과정에서 어떤 신호도 수신되지 않은 경우에는 본 실시예에 따른 측위 자체가 불가능한 경우에 해당하기 때문에 이동 노드(1)는 고정 노드(2)의 신호를 수신할 때까지 대기하게 된다.
120 단계에서 이동 노드(1)의 신호 처리부(14)는 110 단계에서 수신된 적어도 하나의 신호로부터 110 단계에서 수신된 적어도 하나의 신호를 송출한 적어도 하나의 고정 노드(2)의 아이디를 추출하고, 110 단계에서 수신된 적어도 하나의 신호의 세기를 측정한다. 어떤 고정 노드(2)로부터 송출된 신호에는 그 고정 노드(2)의 아이디가 실려 있기 때문에 고정 노드(2)로부터 송출된 신호로부터 그 고정 노드(2)의 아이디를 알 수 있다.
210~230 단계에서 이동 노드(1)의 상대위치 추정부(15)는 110 단계에서의 적어도 하나의 신호의 수신 시점에서의 이동 노드(1)의 상대 위치를 추정한다. 210 단계에서 이동 노드(1)의 상대위치 추정부(15)는 110 단계에서의 적어도 하나의 신호의 수신 시점에서 센서부(12)의 출력 신호를 수신한다. 220 단계에서 이동 노드(1)의 상대위치 추정부(15)는 210 단계에서 수신된 센서부(12)의 출력 신호의 값으로부터 이동 노드(1)의 이동 거리와 이동 방향을 산출한다. 230 단계에서 이동 노드(1)의 상대위치 추정부(15)는 220 단계에서 산출된 이동 노드(1)의 이동 거리와 이동 방향에 기초하여 이동 노드(1)의 이전 위치에 대한 이동 노드(1)의 현재 위치의 상대적인 변화를 산출함으로써 이동 노드(1)의 이전 위치에 대한 이동 노드(1)의 현재 상대 위치를 추정한다.
이동 노드(1)의 위치가 2차원 좌표계로 표현된다면, 230 단계에서 추정된 이동 노드(1)의 상대 위치의 좌표값은 수평축인 x축의 좌표값과 수직축인 y축의 좌표값, 즉 (x, y)으로 이루어진다. 본 실시예에 따른 무선 측위 방법이 처음으로 실행될 때에, 230 단계에서 상대위치 추정부(15)는 이동 노드(1)의 상대 위치의 좌표값을 원점 (0, 0)으로 설정한다. 본 실시예에 따른 무선 측위 방법이 두 번째로 실행될 때에, 상대위치 추정부(15)는 상술한 바와 같이 산출된 이동 노드(1)의 이전 위치에 대한 이동 노드(1)의 현재 위치의 상대적인 변화로부터 이전 위치의 좌표값 (0, 0)에 대한 현재 상대 위치의 좌표값 (x1, 0)을 추정한다.
이것은 본 실시예에 따른 무선 측위 방법이 처음으로 실행될 때와 두 번째 실행될 때에 이동 노드(1)의 위치가 변화되었음을 전제로 한다. 만약 본 실시예에 따른 무선 측위 방법이 처음으로 실행될 때와 두 번째 실행될 때에 이동 노드(1)의 위치 변화가 없으면 이동 노드(1)의 상대 위치의 좌표값은 두 경우 모두 (0, 0)가 된다. 이러한 상대 위치 추정 방식은 220 단계에서 최초로 산출된 이동 노드(1)의 이동 방향을 x축의 "+" 방향으로 설정하고, 220 단계에서 최초로 산출된 이동 노드(1)의 이동 거리로부터 2차원 좌표계에서의 상대적 이동 거리 x1을 산출하고, 그 상대적 이동 거리 x1을 x 좌표값으로 설정하는 방식이다.
2차원 좌표계에서의 상대적 이동 거리 x1은 220 단계에서 산출된 이동 노드(1)의 이동 거리를 2차원 좌표계의 스케일로 변환한 값이다. 예를 들어, 2차원 좌표계의 x축 분해능과 y축 분해능 각각이 무선 측위 서비스가 제공되는 현실 세계의 1 미터이면 x축 분해능과 y축 분해능은 각각 1 미터가 된다. 이 경우, 상대위치 추정부(15)는 220 단계에서 최초로 산출된 이동 노드(1)의 x축 방향 이동 거리가 1 미터미만이면 이동 노드(1)의 현재 상대 위치의 x 좌표값을 이전 상대 위치의 x 좌표값과 동일하게 설정한다. 상대위치 추정부(15)는 220 단계에서 최초로 산출된 이동 노드(1)의 x축 방향 이동 거리가 1 미터 이상이고 2 미터 미만이면 이동 노드(1)의 현재 상대 위치의 x 좌표값을 "이전 상대 위치의 x 좌표값 + 1"로 설정한다.
즉, 상대위치 추정부(15)는 220 단계에서 산출된 이동 노드(1)의 x축 방향 이동 거리를 2차원 좌표계의 분해능인 미터 단위로 표현함으로써 220 단계에서 산출된 이동 노드(1)의 이동 거리를 2차원 좌표계의 스케일로 변환한다. 이상에서 설명된 실시예에서는 미터 단위 아래의 값은 버림 처리되었으나 반올림 처리 등 다른 방식으로 처리될 수도 있다. 그 후, 상대위치 추정부(15)는 220 단계에서 산출된 이동 노드(1)의 임의 방향의 이동 거리를 2차원 좌표계의 x축의 미터 단위와 y 축 미터 단위로 표현함으로써 220 단계에서 산출된 이동 노드(1)의 이동 거리 및 이동 방향을 2차원 좌표계의 스케일로 변환할 수 있다. 이와 같이 x축의 미터 단위와 y 축 미터 단위로 표현된 값이 이동 노드(1)의 상대 위치의 x 좌표값과 y 좌표값이 된다. 2차원 좌표계의 분해능은 본 실시예에 따른 무선 측위 장치의 성능에 따라 1 미터 외에 10 센티, 50 센티, 2 미터 등 다양한 값이 될 수 있다.
본 실시예의 상대 위치 추정 방식에 따르면, 이동 노드(1)가 x축의 "+" 방향의 반대 방향으로 이동할 경우에 x축 좌표값은 음수가 될 수도 있다. x축의 "+" 방향의 수직 상방은 y축의 "+" 방향이 되고 수직 하방은 y축의 "-" 방향이 되며, y축 좌표값도 마찬가지로 양수가 될 수도 있고, 음수가 될 수도 있다. 이 후의 이동 노드(1)의 상대 위치 좌표값은 본 실시예에 따른 무선 측위 방법의 반복 실행에 따라 220 단계에서 반복해서 산출되는 이동 노드(1)의 이동 거리 및 이동 방향에 따라 결정된다. 본 실시예가 속하는 기술분야에서 통상의 지식을 가진 자라면 이러한 상대 위치 추정 방식은 다양하게 변경될 수도 있음을 이해할 수 있다. 예를 들어, 220 단계에서 최초로 산출된 이동 노드(1)의 이동 방향은 y축의 "+" 방향으로 설정될 수도 있다.
상술한 바와 같이, 상대위치 추정부(15)는 스캔부(13)의 스캔 주기에 동기되어 이동 노드(1)의 상대 위치를 주기적으로 산출한다. 이동 노드(1)의 상대 위치의 정밀도를 높이기 위하여, 상대위치 추정부(15)는 스캔부(13)의 스캔 주기보다 짧은 주기로 이동 노드(1)의 상대 위치를 산출할 수도 있다. 상술한 바와 같이, 이동 노드(1)가 어떤 종류의 기기로 구현되는가에 따라 센서부(12)의 센서 종류가 달라질 수 있기 때문에 이동 노드(1)의 상대 위치의 추정에는 이동 노드(1)가 어떤 종류의 기기로 구현되는가에 따라 서로 다른 항법 알고리즘이 사용될 수 있다.
예를 들어, 이동 노드(1)가 스마트폰인 경우에 상대위치 추정부(15)는 PDR(Pedestrian Dead Reckoning) 알고리즘을 사용하여 이동 노드(1)의 상대 위치를 추정할 수 있다. 보다 상세하게 설명하면, 상대위치 추정부(15)는 센서부(12)의 가속도 센서의 출력 신호의 값을 적분함으로써 이동 노드(1)의 이동 거리를 산출하고, 센서부(12)의 자이로 센서의 출력 신호의 값을 적분함으로써 이동 노드(1)의 이동 방향을 산출할 수 있다. 이동 노드(1)가 네비게이션 시스템으로서 차량에 탑재되는 경우에 상대위치 추정부(15)는 DR(Dead Reckoning) 알고리즘을 사용하여 이동 노드(1)의 상대 위치를 추정할 수 있다. 예를 들어, 상대위치 추정부(15)는 차량의 휠(wheel)에 센서부(12)의 가속도 센서와 자이로 센서를 부착함으로써 이동 노드(1)의 이동 거리와 이동 방향을 산출할 수 있다.
도 3에 도시된 무선 측위 방법이 실행된 후에 다시 실행될 때, 상대위치 추정부(15)는 아래에서 설명될 330 단계에서의 이동 노드(1)의 절대 위치의 추정 이후에는 330 단계에서 추정된 이동 노드(1)의 절대 위치에 대한 이동 노드의 상대 위치를 추정한다. 본 실시예에 따르면, 이동 노드(1)의 상대 위치는 계속적으로 이동 노드(1)의 이전 상대 위치를 기준으로 추정되는 것이 아니라, 이동 노드(1)의 상대 위치가 절대 위치로 교체된 때에는 그 절대 위치를 기준으로 추정되기 때문에 이동 노드(1)의 상대 위치 추정이 적용되는 구간은 매우 짧게 되어 상대 위치 추정의 반복에 따른 상대 위치의 오차 누적으로 인한 이동 노드(1)의 절대 위치 오차가 거의 발생하지 않게 된다.
상술한 바와 같이, 이동 노드(1)의 상대 위치를 추정하기 위한 PDR, DR 알고리즘은 센서의 출력 신호 값의 적분을 통해 이동 노드(1)의 상대 위치를 추정하기 때문에 이동 노드(1)의 상대 위치 추정이 반복될수록 이동 노드(1)의 상대 위치의 오차가 누적된다. 이에 따라, 이동 노드(1)의 상대 위치 추정이 적용되는 구간이 길수록 이동 노드(1)의 상대 위치의 오차는 증가하게 된다. 본 실시예는 이동 노드(1)의 상대 위치가 추정되는 중간 중간에 이동 노드(1)의 상대 위치가 절대 위치로 교체되기 때문에 상대 위치 추정의 반복에 따른 상대 위치의 오차 누적이 거의 발생하지 않게 된다. 이에 따라, 본 실시에 따른 측위의 정확도는 종래의 무선 측위 기술에 PDR, DR 등의 상대 위치 추정 알고리즘을 융합시킨 기법에 비해 매우 높다.
본 실시예에 따라 이동 노드(1)의 절대 위치가 추정된 후에는 이후 추정되는 이동 노드(1)의 상대 위치마다 절대 위치가 추정될 수도 있고, 이후 추정되는 이동 노드(1)의 상대 위치를 복수 회 추정한 후에 하나의 절대 위치가 추정될 수도 있다. 전자의 경우, 이동 노드(1)의 절대 위치가 추정된 후에는 이동 노드(1)의 이전 위치는 항상 현재 추정하고자 하는 상대 위치의 직전에 추정된 절대 위치가 된다. 후자의 경우, 이동 노드(1)의 이전 위치는 이동 노드(1)의 절대 위치가 추정된 직후에는 현재 추정하고자 하는 상대 위치의 직전에 추정된 절대 위치가 되지만, 그 후에는 상기된 회수만큼 상대 위치가 추정될 때까지는 현재 추정하고자 하는 상대 위치의 직전에 추정된 상대 위치가 된다.
310 단계에서 이동 노드(1)의 측위 요청부(16)는 무선통신부(11)를 통하여 측위 서버(3)에 120 단계에서 추출된 적어도 하나의 고정 노드(2)의 아이디, 120 단계에서 측정된 적어도 하나의 신호 세기, 및 230 단계에서 추정된 이동 노드(1)의 상대 위치를 나타내는 데이터를 전송함으로써 측위 서버(3)에 이동 노드(1)의 절대 위치를 요청한다. 상술한 바와 같이, 이동 노드(1)의 하드웨어 성능이 우수한 경우, 이동 노드(1)는 이러한 절대 위치 요청 없이, 직접 인공신경망을 이용하여 이동 노드(1)의 절대 위치를 추정할 수도 있다.
410 단계에서 측위 서버(3)의 측위요청 수신부(32)는 유선통신부(31)를 통하여 이동 노드(1)로부터 120 단계에서 추출된 적어도 하나의 고정 노드(2)의 아이디, 120 단계에서 측정된 적어도 하나의 신호 세기, 및 230 단계에서 추정된 이동 노드(1)의 상대 위치를 나타내는 데이터를 수신함으로써 이동 노드(1)의 절대 위치 요청을 수신한다. 310 단계에서 전송되어 410 단계에서 수신되는 데이터는 이동 노드(1)의 절대 위치 요청임을 나타내는 데이터 타입이 기록된 필드, 120 단계에서 추출된 적어도 하나의 고정 노드(2)의 아이디가 기록된 필드, 120 단계에서 측정된 적어도 하나의 신호 세기 값이 기록된 필드, 230 단계에서 추정된 이동 노드(1)의 상대 위치의 좌표값이 기록된 필드 등으로 구현될 수 있다.
420 단계에서 측위 서버(3)의 픽셀 생성부(33)는 410 단계에서 측위요청 수신부(32)에 의해 수신된 데이터가 나타내는 적어도 하나의 고정 노드(2)의 아이디와 적어도 하나의 신호 세기, 즉 120 단계에서 추출된 적어도 하나의 고정 노드(2)의 아이디와 120 단계에서 측정된 적어도 하나의 신호 세기로부터 어느 하나의 픽셀 값을 생성한다. 보다 상세하게 설명하면, 420 단계에서 픽셀 생성부(33)는 적어도 한 종류의 컬러 성분으로서의 역할을 하는 적어도 하나의 고정 노드(2)의 아이디와 각 컬러 성분의 값으로서의 역할을 하는 각 신호의 세기를 조합함으로써 어느 하나의 픽셀 값을 생성한다. 이와 같이 생성된 어느 하나의 픽셀 값은 110 단계에서 수신된 각 신호 별로 각 신호를 송출한 고정 노드(2)의 아이디 및 120 단계에서 측정된 각 신호의 세기를 하나의 세트로 묶은 픽셀 값이다.
110 단계에서 수신된 신호의 개수가 n개인 경우, 130 단계에서 생성된 픽셀 값은 {(ID1, RSS1), (ID2, RSS2), ㆍㆍㆍ, (IDn, RSSn)}가 된다. 여기에서, ID는 고정 노드(2)의 아이디를 나타내고, RSS는 "Received Signal Strength"의 약자로 고정 노드(2)가 송출한 신호의 세기를 나타내고, 아래첨자 "n"은 고정 노드(2)의 아이디 순번을 나타낸다. 예를 들어, "ID1"은 첫 번째 고정 노드(2)의 아이디를 나타내고, "RSS1"은 첫 번째 고정 노드(2)가 송출한 신호의 세기를 나타낸다. 즉, (ID1, RSS1)은 어느 한 종류의 컬러 성분에 해당하는 첫 번째 고정 노드(2)의 아이디와 그 컬러 성분의 값에 해당하는 첫 번째 고정 노드(2)의 신호 세기의 세트이다. (ID2, RSS2)는 다른 한 종류의 컬러 성분에 해당하는 두 번째 고정 노드(2)의 아이디와 그 컬러 성분의 값에 해당하는 두 번째 고정 노드(2)의 신호 세기의 세트이다. 다른 세트들도 마찬가지이다.
예를 들어, 도 3에 도시된 무선 측위 방법이 세 번 반복하여 실행되면, 스캔부(13)는 세 번에 걸쳐 주변의 신호를 스캔하게 된다. 스캔부(13)가 첫 번째 신호 스캔 시에 첫 번째 아이디를 갖는 고정 노드(2)로부터 송출된 신호를 수신한다면, 130 단계에서 생성된 픽셀 값은 {(ID1, RSS1)}이 된다. 스캔부(13)가 두 번째 신호 스캔 시에 첫 번째 아이디를 갖는 고정 노드(2)로부터 송출된 신호를 수신한다면, 130 단계에서 생성된 픽셀 값은 {(ID1, RSS1)}이 된다. 스캔부(13)가 세 번째 신호 스캔 시에 두 번째 아이디를 갖는 고정 노드(2)로부터 송출된 신호와 세 번째 아이디를 갖는 고정 노드(2)로부터 송출된 신호를 수신한다면, 130 단계에서 생성된 픽셀 값은 {(ID2, RSS2), (ID3, RSS3)}이 된다.
첫 번째 신호 스캔 시의 픽셀 값 {(ID1, RSS1)}과 두 번째 신호 스캔 시의 픽셀 값 {(ID1, RSS1)}에서 두 개의 RSS1 값은 서로 동일할 수도 있고, 다를 수도 있다. 일반적으로, 전자는 이동 노드(1)가 동일 지점에 위치한 상태에서 무선 측위 방법이 두 번 실행된 경우이고, 후자는 이동 노드(1)가 서로 다른 지점에 위치한 상태에서 무선 측위 방법이 두 번 실행된 경우이다. 다만, 이동 노드(1)가 동일 지점에 위치한 상태에서도 무선 환경 변화 등 여러 가지 원인으로 인해 두 개의 RSS1 값은 서로 다를 수도 있다. 무선 환경 변화의 대표적인 예로는 보행자나 차량 등의 주변 이동체에 의한 신호 수신 방해를 들 수 있다. 두 번째 신호 스캔 시의 픽셀 값 {(ID1, RSS1)}과 세 번째 신호 스캔 시의 픽셀 값 {(ID2, RSS2), (ID3, RSS3)}은 서로 차이가 크기 때문에 이동 노드(1)가 서로 다른 지점에 위치한 상태에서 두 번째 무선 측위와 세 번째 무선 측위가 실행되었을 가능성이 매우 높다.
430 단계에서 이동 노드(1)의 이미지 생성부(34)는 410 단계에서 측위요청 수신부(32)에 의해 수신된 데이터가 나타내는 이동 노드(1)의 상대 위치, 즉 230 단계에서 추정된 이동 노드(1)의 상대 위치가 지시하는 110 단계에서의 적어도 하나의 신호의 수신 지점을 420 단계에서 생성된 픽셀 값을 갖는 픽셀로 표현함으로써 이동 노드(1)의 이동경로 이미지를 생성한다. 이미지 생성부(34)는 110 단계에서의 적어도 하나의 신호의 수신 지점을 420 단계에서 생성된 픽셀 값을 갖는 복수의 픽셀로 표현할 수도 있다. 110 단계에서의 적어도 하나의 신호의 수신 지점이 복수의 픽셀로 표현되면, 이동경로 이미지의 해상도가 증가되나 측위 정확도가 향상될 수 있다. 어떤 신호의 수신 지점의 주변 지점들에서는 거의 동일한 신호가 수신되기 때문에 110 단계에서의 적어도 하나의 신호의 수신 지점이 복수의 픽셀로 표현됨이 바람직하다.
이미지 생성부(34)가 110 단계에서의 적어도 하나의 신호의 수신 지점을 130 단계에서 생성된 픽셀 값을 갖는 픽셀로 표현하는 것은 230 단계에서 추정된 이동 노드(1)의 상대 위치의 지시 지점에 대응되는 버퍼(39)의 어드레스에 420 단계에서 생성된 픽셀 값을 저장하는 방식으로 구현될 수 있다. 버퍼(39)의 어느 하나의 어드레스는 어느 하나의 픽셀의 좌표값에 대응하고, 그 어드레스에 저장된 픽셀 값은 그 픽셀의 값이 된다. 즉, 버퍼(39)의 어떤 어드레스에 어떤 픽셀 값이 저장되면, 그 어드레스의 버퍼(39)의 저장 공간은 그 픽셀 값을 갖는 픽셀로서의 역할을 하게 된다.
현실 세계에서의 적어도 하나의 신호의 수신 지점은 이동 노드(1)가 위치하는 지역에 대한 맵 이미지의 좌표계와 동일한 좌표계에서의 230 단계에서 추정된 이동 노드(1)의 상대 위치의 지시 지점이 된다. 도 3에 도시된 무선 측위 방법이 반복 실행됨에 따라 버퍼(39)의 여러 어드레스에 픽셀 값이 저장되게 되고, 버퍼(39)의 여러 어드레스에 저장된 픽셀 값들의 집합은 버퍼(39)에 저장된 이동 노드(1)의 이동경로 이미지가 된다. 결과적으로, 도 3에 도시된 무선 측위 방법의 반복 실행 회수가 증가함에 따라 버퍼(39)에 저장된 이동경로 이미지가 나타내는 이동 경로의 길이가 늘어나게 된다. 이동경로 이미지의 좌표계와 맵 이미지의 좌표계가 서로 동일하다는 것은 양 좌표계의 종류, 차원, 및 스케일이 서로 동일함을 말한다.
440 단계에서 측위 서버(3)의 절대위치 획득부(35)는 430 단계에서 이미지 생성부(34)에 의해 생성된 이동경로 이미지, 즉 버퍼(39)에 저장된 이동경로 이미지를 인공신경망(36)에 입력함으로써 인공신경망(36)으로부터 430 단계에서 생성된 이동경로 이미지가 나타내는 이동 노드(1)의 절대 위치를 획득한다. 여기에서, 인공신경망(36)은 이동 노드(1)가 위치하는 지역에 대한 맵 이미지를 이용하여 학습된 것으로 인공신경망(36)의 학습에 관해서는 아래에서 상세하게 설명하기로 한다. 이러한 맵 이미지는 이동 노드(1)가 위치하는 지역에 설치된 복수의 고정 노드(2)의 아이디와 복수의 고정 노드(2)로부터 110 단계에서의 신호 수신 시점의 과거 시점에서 수신된 복수의 신호의 세기로부터 생성된 복수의 픽셀 값을 갖는 복수의 픽셀로 표현된다.
도 4는 도 3에 도시된 440 단계에서 이용되는 인공신경망(36)의 예시도이다. 도 4에 도시된 인공신경망(36)은 이미지의 특징 추출 및 학습에 적합한 구조를 갖고 있는 CNN(Convolutional Neural Network)의 일종이다. 도 4를 참조하면, CNN은 일반적으로 입력층(input layer), 컨볼루션층(convolution layer), 풀링층(pooling layer), 완전연결층(fully connected layer), 출력층(output layer) 등 계층적 구조로 이루어져 있다. 컨볼루션층과 풀링층이 여러 겹 쌓는 구조로 이미지의 특징 추출이 이루어지고, 완전연결층은 이미지를 분류하는 역할을 한다. 인공신경망의 내부 동작은 본 실시예의 특징과 관련이 없으므로 더 이상의 설명을 생략하기로 한다. 절대위치 획득부(35)가 도 4에 도시된 바와 같은 인공신경망(36)의 입력층에 430 단계에서 생성된 이동경로 이미지를 입력하면, 인공신경망(36)의 출력층으로부터 430 단계에서 생성된 이동경로 이미지가 나타내는 이동 노드(1)의 절대 위치의 좌표값이 출력된다. 이에 따라, 절대위치 획득부(35)는 이동 노드(1)의 절대 위치의 좌표값을 획득할 수 있다.
대한민국등록특허 제10-1954676호 "고정확도의 무선 측위 방법 및 장치", 대한민국등록특허 제10-1954677호 "경로 변화에 강인한 고정확도의 복합 측위 방법 및 장치", 대한민국등록특허 제10-2308803호 등과 같은 종래기술에서는 신호 세기의 변화 패턴과 지도의 비교 또는 이동경로 이미지와 맵 이미지와 비교 과정에서의 많은 데이터 처리량으로 인해 스마트폰과 같은 일반적인 성능의 이동 노드(1)에서는 실시간 측위가 불가능하였다. 본 실시예에 따르면, 종래의 무선 측위 기술에서 실시간 측위의 장애로 작용하였던 신호 세기의 변화 패턴과 지도의 비교 과정, 이동경로 이미지와 맵 이미지와 비교 과정이 사라지게 됨에 따라 측위 과정에서의 데이터 처리량이 대폭 감소되어 스마트폰과 같은 일반적인 성능의 이동 노드에서의 실시간 측위가 가능하게 된다.
이동경로 이미지가 나타내는 이동 경로에는 신호 세기 측정 오차, 상대 측위 오차 등으로 인해 필연적으로 오차가 존재한다. 종래기술에서는 이동 경로 오차가 포함된 이동경로 이미지와 맵 이미지를 비교하기 때문에 필연적으로 측위 오차가 발생된다. 본 실시예에 따르면, 인공신경망이 그것에 입력된 이동경로 이미지로부터 이동 노드(1)의 절대 위치를 확률적으로 추정하기 때문에 무수히 많은 학습용 이미지를 이용하여 학습된 인공신경망을 이용하게 되면 인공신경망은 매우 낮은 확률로 발생되는 이동 경로 오차에 대해서는 그것의 영향이 거의 없도록 이동 노드(1)의 절대 위치를 확률적으로 추정하기 때문에 측위 정확도가 대폭 향상될 수 있다.
450 단계에서 측위 서버(3)의 측위 응답부(37)는 유선통신부(31)를 통하여 440 단계에서 절대위치 획득부(35)에 의해 획득된 이동 노드(1)의 절대 위치를 나타내는 데이터를 전송함으로써 410 단계에서 측위요청 수신부(32)에 의해 수신된 이동 노드(1)의 절대 위치 요청에 대한 응답을 전송한다.
320 단계에서 이동 노드(1)의 측위응답 수신부(17)는 무선통신부(11)를 통하여 440 단계에서 획득된 이동 노드(1)의 절대 위치를 나타내는 데이터를 수신함으로써 310 단계에서의 이동 노드(1)의 절대 위치 요청에 대한 응답을 수신한다. 450 단계에서 전송되어 320 단계에서 수신되는 데이터는 이동 노드(1)의 절대 위치 요청에 대한 응답임을 나타내는 데이터 타입이 기록된 필드, 440 단계에서 획득된 이동 노드(1)의 절대 위치의 좌표값이 기록된 필드 등으로 구현될 수 있다.
330 단계에서 이동 노드(1)의 절대위치 추정부(18)는 320 단계에서 측위응답 수신부(17)에 의해 수신된 데이터가 나타내는 이동 노드(1)의 절대 위치를 이동 노드(1)의 현재 위치로 추정한다. 절대위치 추정부(18)는 320 단계에서 측위응답 수신부(17)에 의해 수신된 데이터로부터 이동 노드(1)의 절대 위치의 좌표값을 추출하고, 이와 같이 추출된 이동 노드(1)의 절대 위치의 좌표값을 이동 노드(1)의 현재 위치의 좌표값으로 추정한다.
도 5는 이동 노드(1)가 위치하고 있는 지역의 실내지도 예시이다. 이동 노드(1)는 도 5에 도시된 바와 같은 지하상가에 위치하고 있다. 도 5에 도시된 굵은 실선은 이동 노드(1)가 지나다닐 수 있는 통로의 중심선을 나타낸다. 도 6은 도 5에 도시된 지역에 대한 맵 이미지의 예시도이다. 440 단계에서 절대위치 획득부(35)는 도 5에 도시된 바와 같은 지하상가 내에서 이동 노드(1)의 이동에 따라 생성된 이동경로를 이미지를 도 6에 도시된 바와 같은 맵 이미지를 이용하여 학습된 인공신경망(36)에 입력함으로써 인공신경망(36)으로부터 그 이동경로 이미지가 나타내는 이동 노드(1)의 절대 위치를 획득할 수 있다.
도 7은 도 3의 430 단계에서 생성된 이동경로 이미지의 일례를 도시한 도면이다. 도 7을 참조하면, 430 단계에서 생성된 이동경로 이미지의 좌표계는 2차원 좌표계이며, 각 픽셀의 좌표값은 수평축인 x축의 좌표값과 수직축인 y축의 좌표값, 즉 (x, y)으로 이루어진다. 도 7에는 이동 경로의 시작 지점에 해당하는 픽셀이 "S"로, 이동 경로의 종료 지점에 해당하는 픽셀이 "E"로 과장된 크기로 도시되어 있다. 이동 노드(1)의 위치가 2차원 평면상의 위치 외에 이동 노드(1)의 고도도 함께 표현될 경우에 이동경로 이미지의 좌표계는 3차원 좌표계가 될 수도 있다. 이 경우, 각 픽셀의 좌표값은 x축의 좌표값, y축의 좌표값, 및 z축의 좌표값, 즉 (x, y, z)으로 이루어지고 맵 이미지의 좌표계도 이동경로 이미지의 좌표계와 동일한 3차원 좌표계가 된다.
본 실시예에 따른 무선 측위 방법이 처음으로 실행될 때에, 이미지 생성부(34)는 230 단계에서 추정된 이동 노드(1)의 상대 위치의 좌표값 (0, 0)이 지시하는 2차원 좌표계의 지점 (0, 0)에 130 단계에서 생성된 픽셀 값을 갖는 픽셀을 배치함으로써, 즉 그 픽셀 값을 2차원 좌표계의 지점 (0, 0)에 대응되는 버퍼(39)의 어드레스에 저장함으로써 이동 노드(1)의 이동경로 이미지를 생성한다. 본 실시예에 따른 무선 측위 방법이 두 번째로 실행될 때에, 이미지 생성부(34)는 230 단계에서 추정된 이동 노드(1)의 상대 위치의 좌표값 (x1, 0)이 지시하는 2차원 좌표계의 지점 (x1, 0)에 420 단계에서 생성된 픽셀 값을 갖는 픽셀을 배치함으로써, 즉 그 픽셀 값을 2차원 좌표계의 지점 (x1, 0)에 대응되는 버퍼(39)의 어드레스에 저장함으로써 이동 노드(1)의 이동경로 이미지를 생성한다.
이와 같이, 430 단계에서 이미지 생성부(34)는 맵 이미지의 좌표계와 동일한 좌표계에서의 230 단계에서 추정된 상대 위치의 지시 지점에 420 단계에서 생성된 픽셀 값을 갖는 픽셀을 생성하여 배치하는 방식으로 110 단계에서의 적어도 하나의 신호의 수신 지점을 420 단계에서 생성된 픽셀 값을 갖는 픽셀로 표현한다. 상술한 바와 같이, 버퍼(39)의 어떤 어드레스에 대한 어떤 픽셀 값의 저장이 완료되면, 그 어드레스의 버퍼(39)의 저장 영역은 그 픽셀 값을 갖는 픽셀로서의 역할을 하게 된다. 따라서, 이미지 생성부(34)가 230 단계에서 추정된 상대 위치의 지시 지점에 420 단계에서 생성된 픽셀 값을 갖는 픽셀을 생성하여 배치하는 것은 230 단계에서 추정된 상대 위치의 지시 지점에 따라 버퍼(39)의 어드레스를 선정하고, 이와 같이 선정된 버퍼(39)의 어드레스에 420 단계에서 생성된 픽셀 값을 저장하는 방식으로 구현될 수 있다.
예를 들어, 이동 노드(1)의 상대 위치 좌표의 분해능 단위가 1 미터라면 이전 위치와 현재 위치의 이동 거리가 1 미터가 될 때마다 새로운 픽셀이 배치될 수 있다. 이동 경로의 시작 지점에 해당하는 픽셀 "S"의 위치는 현실 세계의 이동 노드(1)의 최초 위치를 나타내고, 이동 경로의 종료 지점에 해당하는 픽셀 "E"의 위치는 이동 노드(1)의 마지막 위치, 즉 현재 위치를 나타낸다. 픽셀 "S"와 픽셀 "E" 사이의 픽셀들은 이동 노드(1)의 이동 경로를 나타낸다. 상술한 바와 같이, 스캔부(11)의 스캔 주기가 짧을수록 이동경로 이미지의 분해능이 향상될 수 있다. 이동 노드(1)의 상대 위치 좌표의 분해능에 비해 스캔부(11)의 스캔 주기가 길 경우에 이미지 보간 등을 이용하여 42 단계에서 생성된 픽셀 값 외에 추가적인 픽셀 값을 생성함으로써 이동 노드(1)의 상대 위치 좌표의 분해능에 맞추어 이동경로 이미지의 분해능을 향상시킬 수도 있다.
도 8은 도 3에 도시된 430 단계의 상세 흐름도이다. 도 8을 참조하면, 도 3에 도시된 430 단계는 도 2에 도시된 이미지 생성부(34)에 의해 실행되는 다음과 같은 단계들로 구성된다. 도 3에 도시된 무선 측위 방법이 반복 실행될 때마다 그 반복 회수만큼 도 8에 도시된 430 단계의 세부 단계들도 반복 실행된다. 431 단계에서 이미지 생성부(34)는 410 단계에서 이동 노드(1)의 절대 위치 요청이 수신될 때마다 420 단계에서 생성된 픽셀 값에 대응하는 이동 노드(1)의 상대 위치의 좌표값을 410 단계에서 수신된 데이터로부터 추출한다. 이와 같이, 431 단계에서 이미지 생성부(34)는 410 단계에서 이동 노드(1)의 절대 위치 요청이 수신될 때마다 새로운 픽셀 값과 상대 위치의 좌표값을 얻게 된다.
432 단계에서 이미지 생성부(34)는 431 단계에서 추출된 상대 위치의 좌표값과 430 단계의 반복 과정에서 431 단계에서의 상대 위치 좌표값 추출 이전에 추출된 이동 노드(1)의 상대 위치의 좌표값과 동일한가를 확인한다. 432 단계에서의 확인 결과, 431 단계에서 추출된 상대 위치의 좌표값과 그 이전에 추출된 이동 노드(1)의 상대 위치의 좌표값과 동일하면 433 단계로 진행하고, 그렇지 않으면 434 단계로 진행한다. 이동 노드(1)의 현재 상대 위치의 좌표값과 이 상대 위치의 추출 이전에 추출된 이동 노드(1)의 상대 위치의 좌표값이 동일한 경우는 주로 이동 노드(1)가 한 장소에 머물러 있는 경우이다. 드물지만, 이동 노드(1)가 이전 진행경로로 정확하게 되돌아가는 경우에도 이동 노드(1)의 현재 상대 위치의 좌표값과 이 상대 위치의 추정 이전에 추정된 이동 노드(1)의 상대 위치의 좌표값이 동일하게 될 수 있다.
433 단계에서 이미지 생성부(34)는 버퍼(39)에 저장되어 있는 이동경로 이미지의 픽셀들 중 431 단계에서 추출된 상대 위치의 좌표값이 지시하는 지점의 픽셀의 값을 420 단계에서 생성된 픽셀 값으로 갱신함으로서 버퍼(14)에 저장되어 있는 이동경로 이미지를 갱신한다. 이와 같이, 이동 노드(1)의 현재 상대 위치의 좌표값과 이 상대 위치의 추출 이전에 추출된 이동 노드(1)의 상대 위치의 좌표값이 동일한 경우에 이동 노드(1)의 현재 상대 위치의 좌표값의 지시 지점의 기존 픽셀 값은 420 단계에서 생성된 새로운 픽셀 값으로 교체된다. 본 실시예에서 이동 노드(1)의 현재 위치는 마지막으로 생성된 픽셀 값을 갖는 픽셀의 위치이다. 433 단계에서 갱신된 픽셀 값을 갖는 픽셀도 420 단계에서 생성된 픽셀 값을 갖는 픽셀이므로 433 단계에서 갱신된 픽셀 값을 갖는 픽셀이 마지막으로 생성된 픽셀 값을 갖는 픽셀이 될 수도 있다. 이 경우, 이동 노드(1)의 위치는 대부분 이동경로를 나타내는 픽셀들 중에서 중간 위치의 픽셀 위치가 된다.
434 단계에서 이미지 생성부(34)는 버퍼(39)에 저장되어 있는 이동경로 이미지의 2차원 좌표계에서의 431 단계에서 추출된 상대 위치 좌표값의 지시 지점에 420 단계에서 생성된 픽셀 값을 갖는 픽셀을 배치함으로써 버퍼(39)에 저장되어 있는 이동경로 이미지를 갱신한다. 434 단계가 반복 실행될수록 이동경로 이미지가 나타내는 이동 경로의 길이는 점점 더 늘어나게 된다. 본 실시예에 따른 무선 측위 방법이 처음으로 실행되는 경우에는 버퍼(39)에 저장되어 있는 기존 이동경로 이미지가 없다. 이 경우, 이미지 생성부(34)는 431 단계에서 추출된 픽셀 값을 원점 (0,0)에 대응되는 버퍼(39)의 어드레스에 저장함으로써 하나의 픽셀만을 갖는 이동경로 이미지를 생성한다. 그 후, 이동경로 이미지의 생성은 버퍼(39)에 저장되어 있는 기존 이동경로 이미지가 갱신되는 방식으로 이루어진다.
435 단계에서 이미지 생성부(34)는 434 단계에서 갱신된 이동경로 이미지, 즉 버퍼(39)에 저장되어 있는 이동경로 이미지가 나타내는 이동 경로의 길이가 기준 길이를 초과하는가를 확인한다. 435 단계에서의 확인 결과, 이동경로 이미지가 나타내는 이동 경로의 길이가 기준 길이를 초과하면 436 단계로 진행하고, 그렇지 않으면 440 단계로 진행한다. 436 단계에서 이미지 생성부(34)는 버퍼(39)에 저장되어 있는 이동경로 이미지의 픽셀들 중 가장 오래 전에 생성된 픽셀 값을 갖는 픽셀을 제거함으로써 버퍼(39)에 저장되어 있는 이동경로 이미지를 갱신한다.
이에 따라, 본 실시예의 이동경로 이미지가 나타내는 이동 경로의 길이는 도 3에 도시된 무선 측위 방법의 반복 실행에 따라 점차적으로 늘어나다가 기준 길이를 유지하게 된다. 여기에서, 기준 길이는 이동 노드(1)의 위치를 정확하게 추정할 수 있는 이동 노드(1)의 이동 경로의 최소 길이를 의미한다. 이동 노드(1)의 이동 경로가 너무 짧으면 이동 노드(1)의 측위 정확도가 떨어질 수 있고, 이동 노드(1)의 이동 경로가 너무 길면 인공신경망으로부터의 절대 위치 획득에 많은 시간이 소요되어 이동 노드(1)의 측위 실시간성이 떨어질 수 있다. 기준 길이는 본 실시예에 따른 무선 측위 방법에 대한 반복 시뮬레이션을 통해 이동 노드(1)의 측위 정확도와 이동 노드(1)의 측위 실시간성 모두 충족될 수 있도록 결정됨이 바람직하다. 기준 길이는 고정 값이 아닌, 이동 노드(1)가 위치한 지역의 무선 환경 등을 고려하여 최적의 측위 서비스가 제공될 수 있도록 조정될 수도 있다.
도 6에 도시된 맵 이미지는 430 단계에서의 이동경로 이미지 생성 방식과 동일한 방식으로 생성된다. 따라서, 맵 이미지 생성에 관한 설명은 이동경로 이미지 생성에 관한 설명으로 갈음하기로 한다. 다만, 430 단계에서 생성되는 이동경로 이미지는 기준 길이 만큼의 이동 경로의 표현 크기로 생성되나 본 실시예에 따른 측위 서비스가 제공되는 전 지역에 대한 맵 이미지는 전 지역의 도로나 골목길 등 이동 가능한 모든 경로에 대해 생성된다. 도 6에 도시된 맵 이미지는 흑백 이미지이나, 매우 많은 개수의 고정 노드(2)의 아이디를 나타내기 위해 일반적으로 컬러 이미지로 구현된다.
즉, 이동 노드(1)의 일종으로서 맵 이미지 생성에 사용되는 맵작성 노드가 전 지역의 도로나 골목길 등 이동 가능한 모든 경로를 돌아다니면서 그 모든 경로를 나타내는 이미지를 생성한다. 특히, 이동경로 이미지의 각 픽셀의 좌표값은 상대 위치 좌표값이나 맵 이미지의 각 픽셀의 좌표값은 절대 위치 좌표값이다. 맵 이미지의 각 픽셀에는 GPS(Global Positioning System) 좌표, 각 나라별 주소 등과 같은 다른 정보가 함께 매핑되어 저장될 수 있다. 이 경우, 본 실시예에 따른 무선 측위 장치는 측위 서비스가 제공되는 지역에서의 현재 위치 표시와 함께 이동 노드(1)의 사용자에게 사용자가 현재 위치한 지점의 GPS 좌표, 각 나라별 주소 등의 정보를 제공할 수 있다.
도 9는 본 발명의 일 실시예에 따른 인공신경망 학습 방법의 흐름도이다. 도 9를 참조하면, 본 실시예에 따른 인공신경망 학습 방법은 도 2에 도시된 측위 서버(3)의 인공신경망 학습부(38)에 의해 실행되는 다음과 같은 단계들로 구성된다. 본 실시예에 따른 인공신경망 학습 방법은 도 3에 도시된 무선 측위 방법에 선행하는 무선 측위 방법의 일부 과정에 해당된다. 도 9에 도시된 인공신경망 학습 방법은 측위 서버(3)가 아닌 별도의 컴퓨터에 의해 실행될 수도 있다. 이하에서는 도 9를 참조하면서, 도 2에 도시된 측위 서버(3)의 인공신경망 학습부(38)를 상세하게 설명하기로 한다.
91, 92 단계에서 측위 서버(3)의 인공신경망 학습부(38)는 스토리지(40)에 저장된 맵 이미지가 나타내는 경로 중 일부에 해당하는 학습용 경로를 나타내는 학습용 이미지를 맵 이미지로부터 생성한다. 91 단계에서 측위 서버(3)의 인공신경망 학습부(38)는 스토리지(40)에 저장된 맵 이미지가 나타내는 경로 중 일부를 랜덤하게 선정하고 그 선정된 경로 일부를 학습용 경로로 설정한다. 보다 상세하게 설명하면, 인공신경망 학습부(38)는 맵 이미지가 나타내는 경로 내에서 랜덤하게 학습용 경로의 시작 지점을 지정하고, 이와 같이 지정된 시작 지점으로부터 맵 이미지가 나타내는 경로 내에서 일정 길이의 궤적을 랜덤하게 설정함으로써 맵 이미지가 나타내는 경로 중 일부를 랜덤하게 선정하여 학습용 경로로 설정한다.
이와 같이 랜덤하게 설정되는 궤적의 일정 길이는 인공신경망(36)에 입력되는 이동경로 이미지가 나타내는 이동 경로의 길이, 즉 435 단계에서의 기준 길이와 동일하게 설계됨이 바람직하다. 인공신경망(36)은 그것에 입력된 이동경로 이미지로부터 이동 노드(1)의 절대 위치를 확률적으로 추정하기 때문에 인공신경망(36)의 학습 환경과 인공신경망(36)의 사용 환경의 유사도가 높을수록 인공신경망(36)으로부터 획득된 이동 노드(1)의 절대 위치의 정확도가 높아지게 된다.
92 단계에서 측위 서버(3)의 인공신경망 학습부(38)는 스토리지(40)에 저장된 맵 이미지로부터 91 단계에서 설정된 학습용 경로를 포함하는 맵부분 이미지를 분리해냄으로써 91 단계에서 설정된 학습용 경로를 나타내는 학습용 이미지를 생성한다. 인공신경망 학습부(38)는 스토리지(40)에 저장된 맵 이미지로부터 91 단계에서 설정된 학습용 경로를 포함하는 맵부분 이미지를 분리해내고, 이와 같이 분리해낸 맵부분 이미지에 대하여 91 단계에서 설정된 학습용 경로에 해당하는 픽셀들을 제외한 나머지 픽셀들의 값을 어떤 고정 노드로부터 수신된 신호가 없음을 나타내는 값으로 설정함으로써 91 단계에서 설정된 학습용 경로를 나타내는 학습용 이미지를 생성한다.
도 7에는 430 단계에서 생성된 이동경로 이미지의 일례가 도시되어 있다. 도 7에 도시된 이미지는 92 단계에서 생성된 학습용 이미지의 일례가 될 수도 있다. 이 경우, 인공신경망 학습부(38)는 스토리지(40)에 저장된 맵 이미지로부터 도 7에 도시된 바와 같은 학습용 경로를 포함하는 최소 크기의 맵부분 이미지를 분리해내고, 이와 같이 분리해낸 맵부분 이미지에 대하여 도 7에 도시된 바와 같은 학습용 경로에 해당하는 픽셀들을 제외한 나머지 픽셀들의 값을 어떤 고정 노드로부터 수신된 신호가 없음을 나타내는 값으로 설정함으로써 도 7에 도시된 바와 같은 학습용 경로를 나타내는 학습용 이미지를 생성할 수 있다.
도 10은 도 9에 도시된 92 단계에서 생성된 학습용 이미지의 다양한 예들을 도시한 도면이다. 상술한 바와 같이, 인공신경망 학습부(38)는 맵 이미지가 나타내는 경로 내에서 랜덤하게 학습용 경로의 시작 지점을 지정하고, 이와 같이 지정된 시작 지점으로부터 궤적을 랜덤하게 설정함으로써 학습용 경로를 설정하기 때문에 스토리지(40)에 저장된 하나의 맵 이미지로부터 도 10에 도시된 예들과 같이 매우 많은 학습용 이미지의 생성이 가능하게 된다. 도 10에 도시된 예들과 같이, 인공신경망 학습부(38)는 학습용 경로의 길이를 다양하게 설정함으로써 훨씬 더 많은 학습용 이미지를 생성할 수도 있다.
딥러닝 구조의 고성능 인공신경망의 경우, 이와 같이 다양한 길이의 학습용 경로를 나타내는 학습용 이미지를 사용한 학습이 가능하게 된다. 이 경우, 인공신경망(36)에 입력되는 이동경로 이미지가 나타내는 이동 경로의 길이가 다양한 경우에도 인공신경망(36)으로부터 획득된 이동 노드(1)의 절대 위치의 정확도가 보장될 수 있다. 예를 들어, 본 실시예에 따른 무선 측위의 시작 후 얼마 지나지 않아 인공신경망(36)에 입력되는 이동경로 이미지가 나타내는 이동 경로의 길이가 435 단계에서의 기준 길이에 도달하지 않지 못하는 경우에도 어느 정도의 이동 노드(1)의 절대 위치의 정확도가 보장될 수 있다.
93, 94 단계에서 측위 서버(3)의 인공신경망 학습부(38)는 92 단계에서 생성된 학습용 이미지가 나타내는 학습용 경로의 궤적을 변경함으로써 새로운 학습용 이미지를 생성한다. 본 실시예에서 학습용 경로의 궤적은 학습용 경로의 형태를 의미하며, 230 단계에서의 상대 측위에 의해 결정되는 이동 경로의 궤적에 대응된다. 이동 노드(1)가 서로 다른 시점에 동일한 경로를 이동하면서 상대 위치를 추정하면 일반적으로 상대 측위 오차로 인해 상대 측위 시점에 따라 위치 값이 조금씩 달라지게 된다. 이로 인해, 이동 노드(1)가 서로 다른 시점에 동일한 경로를 이동하면서 생성된 이동경로 이미지가 나타내는 이동 경로의 궤적 또한 상대 측위 시점에 따라 달라지게 된다. 인공신경망 학습부(38)는 아래와 같은 방식으로 학습용 경로의 궤적을 변경하는 것만으로 마치 서로 다른 시점에서의 상대 측위로부터 생성된 것과 같은 새로운 학습용 이미지를 용이하게 얻을 수 있다.
93 단계에서 측위 서버(3)의 인공신경망 학습부(38)는 92 단계에서 생성된 학습용 이미지가 나타내는 학습용 경로의 에지를 형성하는 복수의 픽셀 중 적어도 하나의 픽셀을 랜덤하게 선정한다. 인공신경망 학습부(38)는 학습용 경로의 에지에 해당하는 복수의 픽셀 중 하나의 픽셀을 선정할 수도 있고, 연속해서 배치된 복수의 픽셀을 선정할 수도 있고, 띄엄띄엄 배치된 복수의 픽셀을 선정할 수도 있다.
94 단계에서 측위 서버(3)의 인공신경망 학습부(38)는 미리 결정된 궤적 오차의 범위 내에서 93 단계에서 선정된 적어도 하나의 픽셀 각각의 주변의 적어도 하나의 픽셀의 값을 93 단계에서 선정된 각 픽셀의 값과 동일한 값으로 랜덤하게 변경하거나, 93 단계에서 선정된 적어도 픽셀의 값을 어떤 고정 노드로부터 수신된 신호가 없음을 나타내는 값으로 랜덤하게 변경함으로써 91 단계에서 설정된 학습용 경로의 궤적을 랜덤하게 변경한다. 인공신경망 학습부(38)는 미리 설정된 궤적 오차의 범위 내에서 93 단계에서 선정된 적어도 픽셀의 하나의 값과 함께 그 각 픽셀 주변의 적어도 하나의 픽셀의 값을 어떤 고정 노드로부터 수신된 신호가 없음을 나타내는 값으로 변경할 수도 있다.
전자의 경우, 93 단계에서 선정된 각 픽셀 주변의 적어도 하나의 픽셀은 93 단계에서 선정된 각 픽셀에 인접해서 배치된 픽셀들 중 어떤 고정 노드로부터 수신된 신호가 없음을 나타내는 값을 갖는 픽셀을 말한다. 후자의 경우, 93 단계에서 선정된 각 픽셀 주변의 적어도 하나의 픽셀은 93 단계에서 선정된 각 픽셀에 인접해서 배치된 픽셀들 중 어떤 고정 노드로부터 수신된 신호가 있음을 나타내는 값을 갖는 픽셀을 말한다. 예를 들어, 94 단계에서의 궤적 오차의 범위는 변경 대상이 되는 픽셀 개수의 범위로 구현될 수 있다. 이러한 궤적 오차의 범위는 스토리지(40)에 저장된 맵 이미지가 나타내는 경로의 궤적 결정에 사용된 PDR, DR 등 상대 측위 알고리즘의 오차 범위에 기초하여 결정된다.
95 단계에서 측위 서버(3)의 인공신경망 학습부(38)는 91 단계에서 설정된 학습용 경로의 궤적 변경 횟수가 미리 결정된 목표 횟수에 도달하였는가를 확인한다. 95 단계에서의 확인 결과, 91 단계에서 설정된 학습용 경로의 궤적 변경 횟수가 미리 결정된 목표 횟수에 도달하였으면 99 단계로 진행되고, 그렇지 않으면 93 단계로 돌아간다. 93 단계로 돌아가게 되면, 인공신경망 학습부(38)는 91 단계에서 설정된 학습용 경로의 궤적을 변경함으로써 새로운 학습용 이미지를 생성하는 과정을 반복하게 된다. 93, 94 단계의 반복 횟수만큼 그 횟수에 대응하는 개수의 새로운 학습용 이미지가 생성된다. 95 단계에서의 목표 횟수가 지나치게 작으면 93, 94 단계에서 생성되는 학습용 이미지의 개수가 적어 인공신경망(36)의 학습이 충분히 이루어지지 않을 수 있다. 95 단계에서의 목표 횟수가 지나치게 크면 93, 94 단계의 반복 과정에서 동일하거나 거의 유사한 학습용 이미지가 생성될 수 있다. 이 경우, 인공신경망(36)의 학습 소요 시간 대비 인공신경망(36)의 학습 효과가 떨어질 수 있다.
96, 97 단계에서 측위 서버(3)의 인공신경망 학습부(38)는 92 단계에서 생성된 학습용 이미지가 나타내는 학습용 경로의 컬러를 변경함으로써 새로운 학습용 이미지를 생성한다. 본 실시예에서 학습용 경로의 컬러는 120 단계에서의 신호 세기 측정에 의해 결정되는 이동 경로의 컬러에 대응된다. 이동 노드(1)가 서로 다른 시점에 동일한 경로를 이동하면서 수신된 신호의 세기를 측정하면 일반적으로 신호 세기 측정 오차로 인해 측정 시점에 따라 측정값이 조금씩 달라지게 된다. 이로 인해, 이동 노드(1)가 서로 다른 시점에 동일한 경로를 이동하면서 생성된 이동경로 이미지가 나타내는 이동 경로의 컬러 또한 측정 시점에 따라 달라지게 된다. 인공신경망 학습부(38)는 아래와 같은 방식으로 학습용 경로의 컬러를 변경하는 것만으로 마치 서로 다른 시점에서의 신호 세기 측정으로부터 생성된 것과 같은 새로운 학습용 이미지를 용이하게 얻을 수 있다.
96 단계에서 측위 서버(3)의 인공신경망 학습부(38)는 92 단계에서 생성된 학습용 이미지가 나타내는 학습용 경로에서 일부 영역을 랜덤하게 선정한다. 여기에서, 학습용 경로의 일부 영역은 학습용 경로 내에서의 하나의 영역일 수도 있고, 서로 떨어져 있는 복수의 영역일 수도 있다. 각 영역은 하나의 픽셀로 이루어질 수도 있고 복수의 픽셀로 이루어질 수도 있다.
97 단계에서 측위 서버(3)의 인공신경망 학습부(38)는 미리 설정된 컬러 오차의 범위 내에서 96 단계에서 선정된 학습용 경로의 일부 영역에 해당하는 복수의 픽셀 각각의 값을 랜덤하게 변경함으로써 96 단계에서 설정된 학습용 경로의 컬러를 랜덤하게 변경한다. 예를 들어, 인공신경망 학습부(38)는 미리 설정된 컬러 오차의 범위 내에서 96 단계에서 선정된 일부 영역에 해당하는 복수의 픽셀 각각의 값을 랜덤하게 변경함으로써 96 단계에서 설정된 학습용 경로의 일부 영역의 컬러 성분의 밝기를 변경할 수 있다. 이 경우, 97 단계에서의 컬러 오차의 범위는 각 픽셀 값의 변경 범위로 구현될 수 있다. 이러한 컬러 오차의 범위는 스토리지(40)에 저장된 맵 이미지를 나타내는 경로의 컬러 결정에 사용된 신호 세기 측정 방식의 오차 범위에 기초하여 결정된다. 신호 세기 측정 방식의 예로는 수신 신호의 전력 값을 측정하는 RSSI(Received Signal Strength Indicator) 측정을 들 수 있다.
98 단계에서 측위 서버(3)의 인공신경망 학습부(38)는 91 단계에서 설정된 학습용 경로의 컬러 변경 횟수가 미리 결정된 목표 횟수에 도달하였는가를 확인한다. 98 단계에서의 확인 결과, 91 단계에서 설정된 학습용 경로의 컬러 변경 횟수가 미리 결정된 목표 횟수에 도달하였으면 99 단계로 진행되고, 그렇지 않으면 96 단계로 돌아간다. 96 단계로 돌아가게 되면, 인공신경망 학습부(38)는 91 단계에서 설정된 학습용 경로의 컬러를 변경함으로써 새로운 학습용 이미지를 생성하는 과정을 반복하게 된다. 96, 97 단계의 반복 횟수만큼 그 횟수에 대응하는 개수의 새로운 학습용 이미지가 생성된다. 98 단계에서의 목표 횟수가 지나치게 작으면 96, 97 단계에서 생성되는 학습용 이미지의 개수가 적어 인공신경망(36)의 학습이 충분히 이루어지지 않을 수 있다. 98 단계에서의 목표 횟수가 지나치게 크면 96, 97 단계의 반복 과정에서 동일하거나 거의 유사한 학습용 이미지가 생성될 수 있다. 이 경우, 인공신경망(36)의 학습 소요 시간 대비 인공신경망(36)의 학습 효과가 떨어질 수 있다.
도 9에는 생략되어 있으나, 측위 서버(3)의 인공신경망 학습부(38)는 91 단계에서 설정된 학습용 경로의 궤적과 컬러를 동시에 변경함으로써 새로운 학습용 이미지를 생성할 수도 있다. 이 경우, 학습용 경로의 궤적 변경은 94 단계에서의 학습용 경로의 궤적 변경이 사용될 수 있고, 학습용 경로의 컬러 변경은 97 단계에서의 학습용 경로의 컬러 변경이 사용될 수 있다. 이와 같이 생성된 학습용 이미지는 94 단계에서의 학습용 경로, 97 단계에서의 학습용 경로에 대해 아래에서 설명된 방식과 동일한 방식으로 인공신경망(36) 학습에 사용될 수 있다.
인공신경망(36)의 충분한 학습을 위해서는 매우 다양한 이동 경로를 나타내는 많은 개수의 서로 다른 학습용 이미지가 요구된다. 이러한 학습용 이미지들의 생성을 위해서는 다양한 이동 경로에 대하여 여러 다른 시점에서 신호 세기 수집과 상대 측위가 선행되어야 하며 매우 많은 리소스와 매우 오랜 시간이 소모되기 때문에 인경신경망의 충분한 학습이 이루어지기 어렵다. 상술한 바와 같이, 맵 이미지가 나타내는 경로 중 일부를 랜덤하게 선정하여 학습용 경로로 사용함으로써 매우 많은 개수의 학습용 이미지를 용이하게 얻을 수 있다. 게다가, 학습용 경로의 궤적과 컬러 중 적어도 하나를 랜덤하게 변경함으로써 무수히 많은 학습용 이미지를 용이하게 얻을 수 있어 인공신경망의 충분한 학습이 많은 리소스 소모 없이 신속하게 이루어질 수 있다.
99 단계에서 측위 서버(3)의 인공신경망 학습부(38)는 92 단계에서 생성된 학습용 이미지, 95 단계에서 생성된 복수의 학습용 이미지, 98 단계에서 생성된 복수의 학습용 이미지를 인공신경망(36)의 입력층에 차례대로 입력하고, 92 단계에서 생성된 학습용 이미지가 나타내는 절대 위치의 좌표값으로서 92 단계에서 생성된 학습용 이미지가 나타내는 학습용 경로의 종료 지점의 좌표값을 인공신경망(36)의 출력층에 입력함으로써 인공신경망(36)을 학습시킨다. 인공신경망 학습부(38)는 92 단계, 95 단계, 98 단계에서 학습용 이미지가 생성되는 즉시 학습용 이미지를 인공신경망(36)의 입력층에 입력하고, 92 단계에서 생성된 학습용 이미지가 나타내는 학습용 경로의 종료 지점의 좌표값을 인공신경망(36)의 출력층에 입력함으로써 인공신경망(36)을 학습시킬 수도 있다. 여기에서, 학습용 경로의 종료 지점의 좌표값은 학습용 경로가 이동 노드(1)의 이동 경로라고 할 때에 이동 노드(1)의 현재 위치의 좌표값이 된다.
인공신경망 학습부(38)는 인공신경망(36)의 입력층에 95 단계에서 생성된 어떤 학습용 이미지를 입력하고, 인공신경망(36)의 출력층에 그 학습용 이미지가 나타내는 절대 위치의 좌표값으로서 92 단계에서 생성된 학습용 경로의 종료 지점의 좌표값을 입력함으로써 인공신경망(36)을 학습시킨다. 여기에서, 92 단계에서 생성된 학습용 경로는 그 학습용 이미지의 원본 학습용 이미지가 나타내는 학습용 경로를 의미한다. 95 단계에서 생성된 어떤 학습용 이미지는 궤적 오차 범위 내에서 92 단계에서 생성된 학습용 경로의 궤적을 변경한 것이므로 92 단계에서 생성된 원본 학습용 경로의 종료 지점이 이것이 나타내는 위치가 된다.
마찬가지로, 인공신경망 학습부(38)는 인공신경망(36)의 입력층에 97 단계에서 생성된 어떤 학습용 이미지를 입력하고, 인공신경망(36)의 출력층에 그 학습용 이미지가 나타내는 절대 위치의 좌표값으로서 92 단계에서 생성된 학습용 경로의 종료 지점의 좌표값을 입력함으로써 인공신경망(36)을 학습시킨다. 여기에서, 92 단계에서 생성된 학습용 경로는 그 학습용 이미지의 원본 학습용 이미지가 나타내는 학습용 경로를 의미한다. 97 단계에서 생성된 어떤 학습용 이미지는 컬러 오차 범위 내에서 92 단계에서 생성된 학습용 경로의 컬러를 변경한 것이므로 92 단계에서 생성된 원본 학습용 경로의 종료 지점이 이것이 나타내는 위치가 된다.
910 단계에서 측위 서버(3)의 인공신경망 학습부(38)는 91 단계에서의 학습용 경로의 설정 횟수를 카운트함으로써 인공신경망(36)의 학습이 완료되었는가를 확인한다. 인공신경망 학습부(38)는 91 단계에서의 학습용 경로의 설정 횟수가 목표 회수에 도달하였으면 인공신경망(36)의 학습이 완료된 것으로 결정한다. 910 단계에서의 확인 결과, 인공신경망(36)의 학습이 완료되지 않았으면 91 단계로 돌아가서 상술한 바와 같은 과정 전체를 반복하게 된다.
도 11은 도 9에 도시된 93 단계에서의 인공신경망(36) 학습의 예시도이다. 도 11에는 도 4에 도시된 인공신경망(36)과 동일한 CNN이 도시되어 있다. 도 4에 도시된 인공신경망(36)은 학습이 완료된 상태로, 그것에 어떤 이동경로 이미지가 입력되면 이동 노드(1)의 절대 위치의 좌표값이 출력된다. 반면, 도 11에 도시된 인공신경망(36)은 학습이 완료되지 않은 상태로 그것에 학습용 이미지와 학습용 경로의 종료 지점의 좌표값을 동시에 입력함으로써 인공신경망 학습이 이루어지게 된다. 이와 같이 93 단계에서 인공신경망(36)에 입력되는 학습용 경로의 종료 지점의 좌표값은 440 단계에서의 인공신경망 활용 단계에서는 이동 노드(1)의 절대 위치의 좌표값으로 출력된다. 이와 같이 이상적인 경우는 거의 존재하지 않으며, 93 단계를 포함하여 수많은 학습 과정을 거친 인공신경망(36)은 그것에 입력된 이동경로 이미지로부터 이동 노드(1)의 절대 위치를 확률적으로 추정하게 된다.
한편, 상술한 바와 같은 본 발명의 일 실시예에 따른 무선 측위 방법은 컴퓨터의 프로세서에서 실행 가능한 프로그램으로 작성 가능하고, 이 프로그램을 컴퓨터로 읽을 수 있는 기록매체에 기록하여 실행시키는 컴퓨터에서 구현될 수 있다. 컴퓨터는 데스크탑 컴퓨터, 노트북 컴퓨터, 스마트폰, 임베디드 타입의 컴퓨터 등 프로그램을 실행시킬 수 있는 모든 타입의 컴퓨터를 포함한다. 또한, 상술한 본 발명의 일 실시예에서 사용된 데이터의 구조는 컴퓨터로 읽을 수 있는 기록매체에 여러 수단을 통하여 기록될 수 있다. 컴퓨터로 읽을 수 있는 기록매체는 램(RAM), 롬(ROM), 마그네틱 저장매체(예를 들면, 플로피 디스크, 하드디스크 등), 광학적 판독 매체(예를 들면, 시디롬, 디브이디 등)와 같은 저장매체를 포함한다.
이제까지 본 발명에 대하여 그 바람직한 실시예들을 중심으로 살펴보았다. 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자는 본 발명이 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 변형된 형상으로 구현될 수 있음을 이해할 수 있을 것이다. 그러므로 개시된 실시예들은 한정적인 관점이 아니라 설명적인 관점에서 고려되어야 한다. 본 발명의 범위는 전술한 설명이 아니라 특허청구범위에 나타나 있으며, 그와 동등한 범위 내에 있는 모든 차이점은 본 발명에 포함된 것으로 해석되어야 할 것이다.
1 ... 이동 노드
11 ... 무선통신부
12 ... 센서부
13 ... 스캔부
14 ... 신호 처리부
15 ... 상대위치 추정부
16 ... 측위 요청부
17 ... 측위응답 수신부
18 ... 절대위치 추정부
2, 21, 22, 23, 24 ... 고정 노드
3 ... 측위 서버
31 ... 유선통신부
32 ... 측위요청 수신부
33 ... 픽셀 생성부
34 ... 이미지 생성부
35 ... 절대위치 획득부
36 ... 인공신경망
37 ... 측위 응답부
38 ... 인공신경망 학습부
39 ... 버퍼
40 ... 스토리지

Claims (14)

  1. 적어도 하나의 고정 노드의 아이디와 상기 적어도 하나의 고정 노드로부터 수신된 적어도 하나의 신호의 세기로부터 픽셀 값을 생성하는 단계;
    상기 적어도 하나의 신호의 수신 지점을 상기 생성된 픽셀 값을 갖는 픽셀로 표현함으로써 이동 노드의 이동경로 이미지를 생성하는 단계; 및
    상기 생성된 이동경로 이미지를 인공신경망에 입력함으로써 상기 인공신경망으로부터 상기 생성된 이동경로 이미지가 나타내는 이동 노드의 위치를 획득하는 단계를 포함하고,
    상기 이동 노드가 위치하는 지역에 대한 맵 이미지는 상기 이동 노드가 위치하는 지역에 설치된 복수의 고정 노드의 아이디와 상기 복수의 고정 노드로부터 수신된 복수의 신호의 세기로부터 생성된 복수의 픽셀 값을 갖는 복수의 픽셀로 표현되고,
    상기 인공신경망은 상기 맵 이미지로부터 생성된 복수의 학습용 이미지를 이용하여 학습된 것을 특징으로 하는 무선 측위 방법.
  2. 제 1 항에 있어서,
    상기 픽셀 값을 생성하는 단계는 적어도 한 종류의 컬러 성분으로서의 역할을 하는 적어도 하나의 고정 노드의 아이디와 각 컬러 성분의 값으로서의 역할을 하는 각 신호의 세기를 조합함으로써 상기 픽셀 값을 생성하는 것을 특징으로 하는 무선 측위 방법.
  3. 삭제
  4. 제 1 항에 있어서,
    상기 맵 이미지가 나타내는 경로 중 일부에 해당하는 제 1 학습용 경로를 나타내는 제 1 학습용 이미지를 상기 맵 이미지로부터 생성하는 단계; 및
    상기 인공신경망의 입력층에 상기 제 1 학습용 이미지를 입력하고 상기 인공신경망의 출력층에 상기 제 1 학습용 경로의 종료 지점의 좌표값을 입력함으로써 상기 인공신경망을 학습시키는 단계를 더 포함하는 것을 특징으로 하는 무선 측위 방법.
  5. 제 4 항에 있어서,
    상기 제 1 학습용 이미지를 생성하는 단계는
    상기 맵 이미지가 나타내는 경로 내에서 랜덤하게 시작 지점을 지정하고, 상기 지정된 시작 지점으로부터 일정 길이의 궤적을 랜덤하게 설정함으로써 상기 맵 이미지가 나타내는 경로 중 일부를 상기 제 1 학습용 경로로 설정하는 단계; 및
    상기 맵 이미지로부터 상기 설정된 제 1 학습용 경로를 포함하는 맵부분 이미지를 분리해냄으로써 상기 제 1 학습용 이미지를 생성하는 단계를 포함하는 것을 특징으로 하는 무선 측위 방법.
  6. 제 1 항에 있어서,
    상기 맵 이미지가 나타내는 경로 중 일부에 해당하는 제 1 학습용 경로의 궤적을 변경함으로써 제 2 학습용 이미지를 생성하는 단계; 및
    상기 인공신경망의 입력층에 상기 제 2 학습용 이미지를 입력하고 상기 인공신경망의 출력층에 상기 제 2 학습용 이미지가 나타내는 위치의 좌표값으로서 상기 제 1 학습용 경로의 종료 지점의 좌표값을 입력함으로써 상기 인공신경망을 학습시키는 단계를 더 포함하는 것을 특징으로 하는 무선 측위 방법.
  7. 제 6 항에 있어서,
    상기 제 2 학습용 이미지를 생성하는 단계는 미리 결정된 궤적 오차의 범위 내에서 상기 제 1 학습용 이미지가 나타내는 학습용 경로의 궤적을 변경함으로써 상기 제 2 학습용 이미지를 생성하는 것을 특징으로 하는 무선 측위 방법.
  8. 제 7 항에 있어서,
    상기 궤적 오차의 범위는 상기 맵 이미지가 나타내는 경로의 궤적 결정에 사용된 상대 측위 알고리즘의 오차 범위에 기초하여 결정되는 것을 특징으로 하는 무선 측위 방법.
  9. 제 1 항에 있어서,
    상기 맵 이미지가 나타내는 경로 중 일부에 해당하는 제 1 학습용 경로의 컬러를 변경함으로써 제 3 학습용 이미지를 생성하는 단계; 및
    상기 인공신경망의 입력층에 상기 제 3 학습용 이미지를 입력하고 상기 인공신경망의 출력층에 상기 제 3 학습용 이미지가 나타내는 위치의 좌표값으로서 상기 제 1 학습용 경로의 종료 지점의 좌표값을 입력함으로써 상기 인공신경망을 학습시키는 단계를 더 포함하는 것을 특징으로 하는 무선 측위 방법.
  10. 제 9 항에 있어서,
    상기 제 3 학습용 이미지를 생성하는 단계는 미리 결정된 컬러 오차의 범위 내에서 상기 제 1 학습용 이미지가 나타내는 학습용 경로의 컬러를 변경함으로써 상기 제 3 학습용 이미지를 생성하는 것을 특징으로 하는 무선 측위 방법.
  11. 제 10 항에 있어서,
    상기 컬러 오차의 범위는 상기 맵 이미지가 나타내는 경로의 컬러 결정에 사용된 신호 세기 측정 방식의 오차 범위에 기초하여 결정되는 것을 특징으로 하는 무선 측위 방법.
  12. 제 1 항에 있어서,
    상기 맵 이미지가 나타내는 경로 중 일부에 해당하는 제 1 학습용 경로의 궤적과 컬러를 변경함으로써 제 4 학습용 이미지를 생성하는 단계; 및
    상기 인공신경망의 입력층에 상기 제 4 학습용 이미지를 입력하고 상기 인공신경망의 출력층에 상기 제 4 학습용 이미지가 나타내는 위치의 좌표값으로서 상기 제 1 학습용 경로의 종료 지점의 좌표값을 입력함으로써 상기 인공신경망을 학습시키는 단계를 더 포함하는 것을 특징으로 하는 무선 측위 방법.
  13. 제 1 항, 제 2 항 및 제4항 내지 제 12 항 중에 어느 한 항의 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체.
  14. 적어도 하나의 고정 노드의 아이디와 상기 적어도 하나의 고정 노드로부터 수신된 적어도 하나의 신호의 세기로부터 픽셀 값을 생성하는 픽셀 생성부;
    상기 적어도 하나의 신호의 수신 지점을 상기 생성된 픽셀 값을 갖는 픽셀로 표현함으로써 이동 노드의 이동경로 이미지를 생성하는 이미지 생성부; 및
    상기 생성된 이동경로 이미지를 인공신경망에 입력함으로써 상기 인공신경망으로부터 상기 생성된 이동경로 이미지가 나타내는 이동 노드의 위치를 획득하는 위치 획득부를 포함하고,
    상기 이동 노드가 위치하는 지역에 대한 맵 이미지는 상기 이동 노드가 위치하는 지역에 설치된 복수의 고정 노드의 아이디와 상기 복수의 고정 노드로부터 수신된 복수의 신호의 세기로부터 생성된 복수의 픽셀 값을 갖는 복수의 픽셀로 표현되고,
    상기 인공신경망은 상기 맵 이미지로부터 생성된 복수의 학습용 이미지를 이용하여 학습된 것을 특징으로 하는 무선 측위 장치.
KR1020220086400A 2022-07-13 2022-07-13 인공신경망을 이용한 무선 측위 방법 및 장치 KR102497581B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020220086400A KR102497581B1 (ko) 2022-07-13 2022-07-13 인공신경망을 이용한 무선 측위 방법 및 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020220086400A KR102497581B1 (ko) 2022-07-13 2022-07-13 인공신경망을 이용한 무선 측위 방법 및 장치

Publications (1)

Publication Number Publication Date
KR102497581B1 true KR102497581B1 (ko) 2023-02-08

Family

ID=85225820

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220086400A KR102497581B1 (ko) 2022-07-13 2022-07-13 인공신경망을 이용한 무선 측위 방법 및 장치

Country Status (1)

Country Link
KR (1) KR102497581B1 (ko)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20110026229A (ko) * 2009-09-07 2011-03-15 연세대학교 산학협력단 핑거 프린트 방식의 위치 추적 시스템 및 그 방법
KR20210032694A (ko) * 2019-09-17 2021-03-25 한국과학기술연구원 이미지 기반의 무선 측위 방법 및 장치

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20110026229A (ko) * 2009-09-07 2011-03-15 연세대학교 산학협력단 핑거 프린트 방식의 위치 추적 시스템 및 그 방법
KR20210032694A (ko) * 2019-09-17 2021-03-25 한국과학기술연구원 이미지 기반의 무선 측위 방법 및 장치

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Indoor Localization Fusing WiFi With Smartphone Inertial Sensors Using LSTM Networks, IEEE Internet of Things Journa, 2021.03.* *

Similar Documents

Publication Publication Date Title
JP6906617B2 (ja) 高正確度の無線測位方法及び装置
US11275163B2 (en) Slam method and apparatus robust to wireless environment change
JP5395963B2 (ja) ネットワークに基づくポジショニングシステムの位置データベースの管理
JP5603432B2 (ja) 位置データベースを用いた移動装置の位置の判定
KR102110813B1 (ko) 무선 환경 변화에 강인한 slam 방법 및 장치
EP2849117A1 (en) Methods, apparatuses and computer program products for automatic, non-parametric, non-iterative three dimensional geographic modeling
KR102146339B1 (ko) 다양한 환경에서 위치 정확도가 향상된 무선 측위 방법 및 장치
CN108450060A (zh) 基于wi-fi接入点的定位方法、设备
CN103414995B (zh) 基于四叉树的区域边界探测方法
KR102056720B1 (ko) 링크 형 격자 핑거프린트 데이터베이스 생성 방법 및 장치
KR102497581B1 (ko) 인공신경망을 이용한 무선 측위 방법 및 장치
CN112526572A (zh) 室内外无缝导航的网络切换方法与定位系统
KR102308803B1 (ko) 이미지 기반의 무선 측위 방법 및 장치
KR102128398B1 (ko) 고정확도의 고속 무선 측위 방법 및 장치
WO2018139771A2 (ko) 고정확도의 무선 측위 방법 및 장치
KR102094307B1 (ko) 초기 정확도가 향상된 무선 측위 방법 및 장치
KR102432904B1 (ko) 신호 세기의 그래디언트를 이용하는 고정확도의 측위 방법 및 장치
KR102528487B1 (ko) 스팟 서비스를 제공하기 위한 이미지 타입의 측위 지도를 구축하는 방법 및 장치
Shin et al. Novel indoor fingerprinting method based on RSS sequence matching
Torres-Sospedra et al. A meta-review of indoor positioning systems
Du Map-assisted Indoor Positioning Utilizing Ubiquitous WiFi Signals
Gai et al. A hybrid approach to indoor sensor area localization and coverage

Legal Events

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