KR102525604B1 - 불확실성을 갖는 백스캐터 통신을 위한 신호 대 데이터 번역 모델 - Google Patents

Abstract

본 명세서는 백스캐터 통신을 위한 신호 대 데이터 번역 모델을 학습시키기 위해, 리더(reader)가 학습 데이터를 수집하는 방법에 있어서, 데이터 검증을 위한 랜덤한 라운드 넘버들을 멤버로 포함하는 랜덤 라운드 넘버 리스트를 생성하고, 상기 랜덤 라운드 넘버 리스트에 근거하여, 제1 데이터 프레임을 생성하는 단계로서, 상기 제1 데이터 프레임은 상기 라운드 넘버 및 랜덤 넘버를 포함하고, 태그(Tag)로, 상기 제1 데이터 프레임을 전달하며, 상기 태그로부터, 제1 데이터 프레임의 응답으로서, 제2 데이터 프레임을 수신하고, 상기 제1 데이터 프레임 및 상기 제2 데이터 프레임을 저장할 수 있다.

Description

불확실성을 갖는 백스캐터 통신을 위한 신호 대 데이터 번역 모델 {SIGNAL-TO-DATA TRANSLATION MODEL FOR BACKSCATTER COMMUNICATIONS IN UNCERTAIN}

본 명세서는 백스캐터 통신으로 수신한 약하고 잡음이 섞인 신호를 원본 데이터로 번역하여 해독하는 심층 학습 모델을 제안한다.

인공지능 학습 데이터란, 머신러닝, 딥러닝 등 AI 모델 학습을 위해 사용되는 데이터를 총칭한다. 사용자의 활자 또는 스트로크 방식으로 입력된 문자를 판독하기 위한 인공지능 모델에 있어서, 기존의 인공지능 학습 데이터 수집은 개발자의 인위적인 행위를 통해 수집된다.

백스캐터 통신과 관련하여, 종래기술은 백스캐터 신호에서 프리엠블 패턴을 찾은 후, bit 단위의 sub-signal을, 후보 symbol 유형 중 가장 유사한 하나로 결정하여, 신호를 해독한다. 그러나 백스캐터 신호는 주위 환경에 민감하게 영향을 받아, 태그의 위치 및 환경의 작은 변화만으로도 그 세기와 위상이 크게 변화한다. 이는 규칙 기반의 종래기술로 sub-signal과 후보 symbol 유형 간의 유사도를 계산할 때 오차로 작용한다.

또한, 종래기술은 각 sub-signal의 시작 위치와 길이를 정확히 추정하여야, 신호를 정확히 해독할 수 있다. 그러나 태그의 하드웨어적 한계로 BLF(Backscatter Link Frequency)는 설정된 값보다 최대 4%까지 오차가 발생할 수 있다. 만일, 각 sub-signal의 길이의 부정확한 추정이 절반을 넘어서면, 이후 sub-signal들은 해독될 수 없다는 문제가 있다.

본 명세서의 목적은, 리더와 태그 간 통신 거리를 확장하기 위한 방법을 제안한다.

또한, 본 명세서의 목적은, 태그의 수정 없이 리더의 컴퓨팅 파워만 사용하여, 상용 RFID 태그와의 통신에도 적용될 수 있는 리더와 태그 간 통신 거리를 확장하기 위한 방법을 제안한다.

또한, 본 명세서의 목적은, 본 명세서가 적용될 수 있는 학습 모델을 학습하기 위한 데이터셋을 구축하는 방법을 제안한다.

본 명세서가 이루고자 하는 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 이하의 명세서의 상세한 설명으로부터 본 명세서가 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.

본 명세서의 일 양상은, 백스캐터 통신을 위한 신호 대 데이터 번역 모델을 학습시키기 위해, 리더(reader)가 학습 데이터를 수집하는 방법에 있어서, 데이터 검증을 위한 랜덤한 라운드 넘버들을 멤버로 포함하는 랜덤 라운드 넘버 리스트를 생성하는 단계; 상기 랜덤 라운드 넘버 리스트에 근거하여, 제1 데이터 프레임을 생성하는 단계로서, 상기 제1 데이터 프레임은 상기 라운드 넘버 및 랜덤 넘버를 포함함; 태그(Tag)로, 상기 제1 데이터 프레임을 전달하는 단계; 상기 태그로부터, 제1 데이터 프레임의 응답으로서, 제2 데이터 프레임을 수신하는 단계; 및 상기 제1 데이터 프레임 및 상기 제2 데이터 프레임을 저장하는 단계; 를 포함할 수 있다.

또한, 상기 라운드 넘버 리스트는 기설정된 최대 라운드 값만큼, 생성된 상기 랜덤한 라운드 넘버들을 멤버로 갖을 수 있다.

또한, 상기 태그는 프로그래밍 가능한 RFID(Radio-Frequency Identification) 태그일 수 있다.

또한, 상기 태그는 상기 태그가 상기 제1 데이터 프레임에 응답하였음이 확인되기 위해, 상기 라운드 넘버를 저장할 수 있다.

또한, 상기 제1 데이터 프레임 및 상기 제2 데이터 프레임은 증대 기법이 적용될 수 있다.

본 명세서의 또 다른 일 양상은, 백스캐터 통신을 위한 신호 대 데이터 번역 모델을 학습시키기 위해, 학습 데이터를 수집하는 리더(reader)에 있어서, 태그(tag)와 상기 백스캐터 통신을 수행하는 안테나; 메모리; 및 상기 메모리 및 상기 안테나를 제어하는 프로세서;를 포함하며, 상기 프로세서는 데이터 검증을 위한 랜덤한 라운드 넘버들을 멤버로 포함하는 랜덤 라운드 넘버 리스트를 생성하고, 상기 랜덤 라운드 넘버 리스트에 근거하여, 제1 데이터 프레임을 생성하는 단계로서, 상기 제1 데이터 프레임은 상기 라운드 넘버 및 랜덤 넘버를 포함하며,상기 안테나를 통해, 상기 태그로, 상기 제1 데이터 프레임을 전달하고, 상기 태그로부터, 제1 데이터 프레임의 응답으로서, 제2 데이터 프레임을 수신하며, 상기 메모리에 상기 제1 데이터 프레임 및 상기 제2 데이터 프레임을 저장할 수 있다.

본 명세서의 실시예에 따르면, 본 명세서가 적용될 수 있는 학습 모델을 학습하기 위한 데이터셋을 효율적으로 구축할 수 있다.

또한, 본 명세서의 실시예에 따르면, 여러 위치 및 환경의 태그로부터 수신한 신호를 성공률로 해독할 수 있다.

본 명세서에서 얻을 수 있는 효과는 이상에서 언급한 효과로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 명세서가 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.

도 1은 본 명세서가 적용될 수 있는 학습데이터를 획득하기 위한 시스템의 구성을 예시한다.
도 2는 본 명세서가 적용될 수 있는 학습데이터 구축 및 AI 모델 설계를 예시한다.
도 3은 본 명세서가 적용될 수 있는 증대 기법 알고리즘의 예시이다.
도 4는 본 명세서가 적용될 수 있는 학습모델 구조의 예시이다.
도 5는 본 명세서가 적용될 수 있는 일 실시예이다.
도 6은 본 명세서가 적용될 수 있는 데이터 프레임의 예시이다.
도 7은 본 명세서가 적용될 수 있는 리더의 일 실시예이다.
본 명세서에 관한 이해를 돕기 위해 상세한 설명의 일부로 포함되는, 첨부 도면은 본 명세서에 대한 실시예를 제공하고, 상세한 설명과 함께 본 명세서의 기술적 특징을 설명한다.

이하, 첨부된 도면을 참조하여 본 명세서에 개시된 실시예를 상세히 설명하되, 도면 부호에 관계없이 동일하거나 유사한 구성요소는 동일한 참조 번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 이하의 설명에서 사용되는 구성요소에 대한 접미사 "모듈" 및 "부"는 명세서 작성의 용이함만이 고려되어 부여되거나 혼용되는 것으로서, 그 자체로 서로 구별되는 의미 또는 역할을 갖는 것은 아니다. 또한, 본 명세서에 개시된 실시예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 명세서에 개시된 실시예의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 첨부된 도면은 본 명세서에 개시된 실시예를 쉽게 이해할 수 있도록 하기 위한 것일 뿐, 첨부된 도면에 의해 본 명세서에 개시된 기술적 사상이 제한되지 않으며, 본 명세서의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.

제1, 제2 등과 같이 서수를 포함하는 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되지는 않는다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.

어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.

단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다.

본 출원에서, "포함한다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.

도 1은 본 명세서가 적용될 수 있는 학습데이터를 획득하기 위한 시스템의 구성을 예시한다.

백스캐터 신호에서 프리엠블 패턴을 찾은 후, bit 단위의 sub-signal을, 후보 symbol 유형 중 가장 유사한 하나로 결정하여, 신호를 해독하는 종래의 방법은, 백스캐터 신호가 갖는 불확실성에 따른 문제점이 있다.

본 명세서는 수신한 신호로부터 sub-signal의 시작 위치를 추정하고, 정확한 길이로 잘라내고, 정확하게 해독하는 모든 과정을 AI 모델이 수행하도록 설계했다. 이를 통해 AI 모델은 백스캐터 신호의 불확실성까지 학습하여, 해독 성공률을 향상시킨다.

도 1을 살펴보면, 이러한 AI 모델의 학습데이터를 획득하기 위한 시스템의 구성을 예시한다. 도 1을 살펴보면, 백스캐터 신호를 해독하기 위한 디바이스(300)는 프로세서(310), 메모리(330), 통신 모듈(350)을 포함할 수 있다.

프로세서(310)는 하나 이상의 어플리케이션 프로세서(application processor, AP), 하나 이상의 커뮤니케이션 프로세서(communication processor, CP) 또는 적어도 하나 이상의 AI 프로세서(artificial intelligence processor)를 포함할 수 있다. 어플리케이션 프로세서, 커뮤니케이션 프로세서 또는 AI 프로세서는 서로 다른 IC(integrated circuit) 패키지들 내에 각각 포함되거나 하나의 IC 패키지 내에 포함될 수 있다.

어플리케이션 프로세서는 운영체제 또는 응용 프로그램을 구동하여 어플리케이션 프로세서에 연결된 다수의 하드웨어 또는 소프트웨어 구성요소들을 제어하고, 멀티미디어 데이터를 포함한 각종 데이터 처리/연산을 수행할 수 있다. 일 예로, 어플리케이션 프로세서는 SoC(system on chip)로 구현될 수 있다. 프로세서(310)는 GPU(graphic prcessing unit)를 더 포함할 수 있다.

커뮤니케이션 프로세서는 네트워크로 연결된 학습데이터 수집기(100)와의 통신에서 데이터 링크를 관리하고 통신 프로토콜을 변환하는 기능을 수행할 수 있다. 일 예로, 커뮤니케이션 프로세서는 SoC로 구현될 수 있다. 커뮤니케이션 프로세서는 멀티미디어 제어 기능의 적어도 일부를 수행할 수 있다.

또한, 커뮤니케이션 프로세서는 통신 모듈(350)의 데이터 송수신을 제어할 수 있다. 커뮤니케이션 프로세서는 어플리케이션 프로세서의 적어도 일부로 포함되도록 구현될 수도 있다.

어플리케이션 프로세서 또는 커뮤니케이션 프로세서는 각각에 연결된 비휘발성 메모리 또는 다른 구성요소 중 적어도 하나로부터 수신한 명령 또는 데이터를 휘발성 메모리에 로드(load)하여 처리할 수 있다. 또한, 어플리케이션 프로세서 또는 커뮤니케이션 프로세서는 다른 구성요소 중 적어도 하나로부터 수신하거나 다른 구성요소 중 적어도 하나에 의해 생성된 데이터를 비휘발성 메모리에 저장할 수 있다.

메모리(330)는 내장 메모리 또는 외장 메모리를 포함할 수 있다. 내장 메모리는 휘발성 메모리(예를 들면, DRAM(dynamic RAM), SRAM(static RAM), SDRAM(synchronous dynamic RAM) 등) 또는 비휘발성 메모리 비휘발성 메모리(예를 들면, OTPROM(one time programmable ROM), PROM(programmable ROM), EPROM(erasable and programmable ROM), EEPROM(electrically erasable and programmable ROM), mask ROM, flash ROM, NAND flash memory, NOR flash memory 등) 중 적어도 하나를 포함할 수 있다. 일례에 따르면, 내장 메모리는 SSD(solid state drive)의 형태를 취할 수도 있다. 외장 메모리는 플래시 드라이브(flash drive), 예를 들면, CF(compact flash), SD(secure digital), Micro-SD(micro secure digital), Mini-SD(mini secure digital), xD(extreme digital) 또는 메모리 스틱(memory stick) 등을 포함할 수 있다.

통신 모듈(350)은 무선 통신 모듈 또는 RF 모듈를 포함할 수 있다. 무선 통신 모듈은, 예를 들면, Wi-Fi, BT, GPS 또는 NFC를 포함할 수 있다. 예를 들면, 무선 통신 모듈은 무선 주파수를 이용하여 무선 통신 기능을 제공할 수 있다. 추가적으로 또는 대체적으로, 무선 통신 모듈은 학습데이터 수집기(100)를 네트워크(예: Internet, LAN, WAN, telecommunication network, cellular network, satellite network, POTS 또는 5G network 등)와 연결시키기 위한 네트워크 인터페이스 또는 모뎀 등을 포함할 수 있다.

RF 모듈은 데이터의 송수신, 예를 들면, RF 신호 또는 호출된 전자 신호의 송수신을 담당할 수 있다. 일 예로, RF 모듈은 트랜시버(transceiver), PAM(power amp module), 주파수 필터(frequency filter) 또는 LNA(low noise amplifier) 등을 포함할 수 있다. 또한, RF 모듈은 무선 통신에서 자유공간상의 전자파를 송수신하기 위한 부품, 예를 들면, 도체 또는 도선 등을 포함할 수 있다.

프로세서(310)는 AI 프로세서(311), 데이터 학습부(311a), 데이터 전처리부(311b), 데이터 선택부(311c), 모델 평가부(311d) 및 응답 모듈(315) 등을 포함할 수 있다.

AI 프로세서(311)는 메모리(330)에 저장된 프로그램을 이용하여 신경망을 학습할 수 있다. 특히, AI 프로세서(311)는 학습데이터 수집기(100) 간로부터 입력된 백스캐터 신호를 해독하기 위한 신경망을 학습할 수 있다. 여기서, 신경망은 인간의 뇌 구조(예를 들어, 인간의 신경망의 뉴런 구조)를 컴퓨터 상에서 모의하도록 설계될 수 있다. 신경망은 입력층(input layer), 출력층(output layer) 및 적어도 하나의 은닉층(hidden layer)를 포함할 수 있다. 각 층은 가중치를 갖는 적어도 하나의 뉴런을 포함하고, 신경망은 뉴런과 뉴런을 연결하는 시냅스(synapse)를 포함할 수 있다. 신경망에서 각 뉴런은 시냅스를 통해 입력되는 입력 신호를 가중치(weight) 및/또는 편향(bias)에 대한 활성함수(activation function)의 함수값으로 출력할 수 있다.

복수의 네트워크 모드들은 뉴런이 시냅스를 통해 신호를 주고받는 뉴런의 시냅틱 활동을 모의하도록 각각 연결 관계에 따라 데이터를 주고받을 수 있다. 여기서 신경망은 신경망 모델에서 발전한 딥러닝 모델을 포함할 수 있다. 딥러닝 모델에서 복수의 네트워크 노드들은 서로 다른 레이어에 위치하면서 콘볼루션(convolution) 연결 관계에 따라 데이터를 주고받을 수 있다. 신경망 모델의 예는 심층 신경망(deep neural network, DNN), 합성곱 신경망(convolutional neural network, CNN), 순환 신경망(recurrent neural network), 제한 볼츠만 머신(restricted Boltzmann machine), 심층 신뢰 신경망(deep belief network), 심층 Q-네트워크(deep Q-Network)와 같은 다양한 딥러닝 기법들을 포함하며, 비전인식, 음성인식, 자연어처리, 음성/신호처리 등의 분야에서 적용될 수 있다.

한편, 상술한 바와 같은 기능을 수행하는 프로세서(310)는 범용 프로세서(예를 들어, CPU)일 수 있으나, 인공지능 학습을 위한 AI 전용 프로세서(예를 들어, GPU)일 수 있다.

메모리(330)는 학습데이터 수집기(100) 및/또는 백스캐터 신호를 해독하기 위한 디바이스(300)의 동작에 필요한 각종 프로그램 및 데이터를 저장할 수 있다. 메모리(330)는 AI 프로세서(311)에 의해 액세스되며, AI 프로세서(311)에 의한 데이터의 독취/기록/수정/삭제/갱신 등이 수행될 수 있다. 또한, 메모리(330)는 본 명세서의 일 실시예에 따른 데이터 분류/인식을 위한 학습 알고리즘을 통해 생성된 신경망 모델(예를 들어, 딥러닝 모델)을 저장할 수 있다. 나아가, 메모리(330)는 학습 모델(221) 뿐만 아니라, 입력 데이터, 학습 데이터, 학습 히스토리 등을 저장할 수도 있다.

한편, AI 프로세서(311)는 데이터 분류/인식을 위한 신경망을 학습하는 데이터 학습부(311a)를 포함할 수 있다. 데이터 학습부(311a)는 데이터 분류/인식을 판단하기 위하여 어떤 학습 데이터를 이용할지, 학습 데이터를 이용하여 데이터를 어떻게 분류하고 인식할지에 관한 기준을 학습할 수 있다. 데이터 학습부(311a)는 학습에 이용될 학습 데이터를 획득하고, 획득된 학습데이터를 딥러닝 모델에 적용함으로써, 딥러닝 모델을 학습할 수 있다.

데이터 학습부(311a)는 적어도 하나의 하드웨어 칩 형태로 제작되어 백스캐터 신호를 해독하기 위한 디바이스(300)에 탑재될 수 있다. 일 예로, 데이터 학습부(311a)는 인공지능을 위한 전용 하드웨어 칩 형태로 제작될 수 있고, 범용 프로세서(CPU) 또는 그래픽 전용 프로세서(GPU)의 일부로 제작되어 백스캐터 신호를 해독하기 위한 디바이스(300)에 탑재될 수 있다. 또한, 데이터 학습부(311a)는 소프트웨어 모듈로 구현될 수도 있다. 소프트웨어 모듈(또는 인스트럭션(instruction)을 포함하는 프로그램 모듈)로 구현되는 경우, 소프트웨어 모듈은 컴퓨터로 읽을 수 있는 판독 가능한 비일시적 판독 가능 기록 매체(non-transitory computer readable media)에 저장될 수 있다. 이 경우에 적어도 하나의 소프트웨어 모듈은 OS(operating system)에 제공되거나, 애플리케이션에 의해 제공될 수 있다.

데이터 학습부(311a)는 획득된 학습 데이터를 이용하여, 신경망 모델이 소정의 데이터를 어떻게 분류/인식할지에 관한 판단기준을 가지도록 학습할 수 있다. 이때, 데이터 학습부(311a)에 의한 학습 방식은 지도 학습(supervised learning), 비지도 학습(unsupervised learning), 강화 학습(reinforcement learning)으로 분류될 수 있다. 여기서, 지도 학습은 학습 데이터에 대한 레이블(label)이 주어진 상태에서 인공 신경망을 학습시키는 방법을 지칭하며, 레이블이란 학습 데이터가 인공 신경망에 입력되는 경우 인공 신경망이 추론해야 하는 정답(또는 결과 값)을 의미할 수 있다. 비지도 학습은 학습 데이터에 대한 레이블이 주어지지 않는 상태에서 인공 신경망을 학습시키는 방법을 의미할 수 있다. 강화 학습은 특정 환경 안에서 정의된 에이전트(agent)가 각 상태에서 누적 보상을 최대화하는 행동 혹은 행동 순서를 선택하도록 학습시키는 방법을 의미할 수 있다. 또한, 데이터 학습부(311a)는 오류 역전파법(backpropagation) 또는 경사 하강법(gradient decent)을 포함하는 학습 알고리즘을 이용하여 신경망 모델을 학습시킬 수 있다. 신경망 모델이 학습되면 학습된 신경망 모델은 학습 모델(331)이라 호칭할 수 있다. 학습 모델(331)은 메모리(330)에 저장되어 학습 데이터가 아닌 새로운 입력 데이터에 대한 결과를 추론하는 데 사용될 수 있다.

한편, AI 프로세서(311)는 학습 모델(331)을 이용한 분석 결과를 향상시키거나, 학습 모델(331)의 생성에 필요한 리소스 또는 시간을 절약하기 위하여 데이터 전처리부(311b) 및/또는 데이터 선택부(311c)를 더 포함할 수도 있다.

데이터 전처리부(311b)는 획득된 데이터가 상황 판단을 위한 학습/추론에 이용될 수 있도록, 획득된 데이터를 전처리할 수 있다.

데이터 선택부(311c)는 데이터 학습부(311a) 또는 데이터 전처리부(311b)에서 전처리된 학습 데이터 중 학습에 필요한 데이터를 선택할 수 있다. 선택된 학습 데이터는 학습 모델(331)에 제공될 수 있다. 또한, 데이터 선택부(311c)는 입력 장치를 통해 획득된 입력 데이터 또는 전처리부에서 전처리된 입력 데이터 중 추론에 필요한 데이터를 선택할 수도 있다.

또한, AI 프로세서(311)는 신경망 모델의 분석 결과를 향상시키기 위하여 모델 평가부(311d)를 더 포함할 수 있다. 모델 평가부(311d)는, 신경망 모델에 평가 데이터를 입력하고, 평가 데이터로부터 출력되는 분석 결과가 소정 기준을 만족하지 못하는 경우, 모델 학습부로 하여금 다시 학습하도록 할 수 있다. 이 경우, 평가 데이터는 학습 모델(331)을 평가하기 위한 기 설정된 데이터일 수 있다. 일 예로, 모델 평가부(311d)는 평가 데이터에 대한 학습된 신경망 모델의 분석 결과 중, 분석 결과가 정확하지 않은 평가 데이터의 개수 또는 비율이 미리 설정된 임계치를 초과하는 경우에 소정 기준을 만족하지 못한 것으로 평가할 수 있다.

통신 모듈(350)은 학습데이터 수집기(100)와 연결되어, 신호를 송수신할 수 있다.

학습데이터 수집기(100)는 태그(Tag)와 리더(reader)를 통해, 학습모델(331)을 학습시키기 위한 학습데이터를 수집할 수 있다.

도 2는 본 명세서가 적용될 수 있는 학습데이터 구축 및 AI 모델 설계를 예시한다.

도 2를 참조하면, 학습데이터 수집기(100)는 학습 모델(331)를 학습시키기 위한 학습데이터를 구축할 수 있다.

예를 들어, 상용 RFID 태그는 항상 같은 데이터를 응답하여 모델이 쉽게 과적합 되고, 다수의 태그를 사용한다면 해독에 성공하기 전에는 어느 태그가 응답하였는지를 알 수 없어 라벨링할 수 없다. 이를 해결하기 위해, 본 명세서에서는 프로그래밍 가능한 RFID 태그인 WISP(Wireless Identification and Sensing Platform)을 제안한다. 이를 통해, 본 명세서에서 태그는 매 round 마다 random한 데이터를 응답하게 프로그래밍되어, 하나의 태그로 무수히 많은 데이터가 생성될 수 있다.

만약 태그가 리더의 신호에 응답하지 못했더라도, 신호가 약하면 잡음에 묻혀서 리더는 태그가 응답했는지 알 수 없다. 이를 해결하기 위해, 본 명세서에서는 리더가 태그에게 round number를 보내면, 태그는 수신한 round number를 메모리에 저장하도록 프로토콜을 수정했다. 이를 통해 태그에 저장된 round number에 해당하는 신호만을 태그가 응답한 것으로 구분될 수 있다.

하나의 태그로만 데이터를 수집하면 태그의 하드웨어적 특성에 모델이 과적합될 수 있다. 또한 태그를 여러 위치와 환경을 대변할 수 있도록 촘촘하게 데이터를 수집하는 것은 현실적으로 어렵다. 이를 해결하기 위해 본 명세서에서는 수집한 데이터에 증대 기법(Augmentation)을 적용하였다. 이를 통해, 본 명세서는 하나의 태그로만 제한된 위치와 환경에서 데이터를 수집했지만, 여러 개의 태그로 여러 위치와 환경에서 데이터를 수집한 효과를 발휘 할 수 있다.

또한, 백스캐터 신호가 갖는 불확실성 때문에, 종래기술과 같이 규칙 기반 방식으로 신호로부터 sub-signal을 잘라내는 것은 한계가 있다.

도 2를 다시 참조하면, 학습데이터 수집기(100) 또는 리더는 Data Collection Framework를 통해, 수집한 학습데이터를 증대시키고, 학습모델(331)은 수집한 학습데이터를 입력 데이터로 하여, 학습을 수행할 수 있다. 이를 통해 학습모델(331)은 백스캐터 신호의 불확실성까지 학습하여, 해독 성공률을 향상시킬 수 있다.

도 3은 본 명세서가 적용될 수 있는 증대 기법 알고리즘의 예시이다.

도 3을 참고하면, 학습데이터 수집기(100) 또는 리더는 학습데이터 세트를 증대기법을 통해, 증대시킬 수 있다.

예를 들어, 학습데이터 수집기(100)는 학습 데이터 세트를 8배로 증대시킬 수 있다. 보다 자세하게, 학습데이터 수집기(100)는 38.4kHz에서 41.6kHz까지에서 임의의 8개의 BLF(backscatter Link Frequency)를 선택할 수 있다. 그런 다음, 학습데이터 수집기(100)는 BLF의 변경 비율에 따라 윈도우 크기를 선택하고 각 윈도우에서 샘플을 하나씩 선택하여 제거하거나 복제할 수 있다. 학습모델(331)에는 학습을 위한 학습데이터의 입력 크기가 동일해야 하므로, 학습데이터 수집기(100)는 샘플 확대 시, 크기가 더 커지면 샘플을 원래 신호의 길이만큼 잘라내고, 크기가 작아지면 마지막 샘플을 원래 신호의 길이만큼 복사하여 채울 수 있다.

도 4는 본 명세서가 적용될 수 있는 학습모델 구조의 예시이다.

도 4를 참조하면, 학습모델(331)은 수신한 신호를 sub-signal로 자르지 않고, 전체로 입력을 받을 수 있다. 보다 자세하게, 학습모델(331)은 original data를 한 번에 디코딩 할 수 있도록 설계될 수 있다.

도 5는 본 명세서가 적용될 수 있는 일 실시예이고, 도 6은 본 명세서가 적용될 수 있는 데이터 프레임의 예시이다.

도 5을 참조하면, 학습데이터 수집기(100)는 리더 및 태그로부터 학습 데이터를 획득할 수 있다. 여기서 태그는 프로그래밍 가능한 RFID 태그인 WISP를 포함한다.

리더는 랜덤 라운드 넘버 리스트를 생성한다(S510). 예를 들어, 랜덤 라운드 넘버 리스트는 하나 이상의 랜덤한 라운드 넘버를 멤버로 갖을 수 있다.

보다 자세하게, 랜덤 라운드 넘버 리스트는 설정된 최대값(예를 들어, max round number)만큼 랜덤한 라운드 넘버를 생성하여, 멤버로 갖을 수 있다. 예를 들어, max round number가 5로 설정된 경우, 리더는 5개의 라운드 넘버를 랜덤하게 생성하고 이를 멤버로 갖는 랜덤 라운드 넘버 리스트를 저장할 수 있다. 예를 들어, 랜덤 라운드 넘버 리스트는 3721, 169, 21987, 2589, 98 를 라운드 넘버로 하는 멤버를 포함할 수 있다.

리더는 랜덤 라운드 넘버 리스트에 근거하여, 제1 데이터 프레임을 생성한다(S520). 예를 들어, 리더는 각 라운드 별로, 제1 데이터 프레임을 생성할 수 있다. 보다 자세하게, 도 7을 참조하면, 제1 데이터 프레임은 136-bits로 구성될 수 있으며, 리더 명령어 필드, 라운드 넘버 필드, 랜덤 넘버 필드 및 CRC 비트를 포함할 수 있다. 예를 들어, 첫번째 라운드에서, 리더는 라운드 넘버를 3721로 하며, 랜덤하게 생성되는 랜덤 숫자 필드 및 CRC 비트를 포함하는 제1 데이터 프레임을 생성할 수 있다.

리더는 태그로 제1 데이터 프레임을 전달한다(S530). 예를 들어, 리더와 태그는 백스캐터 방식으로 신호를 송수신할 수 있다.

태그는 수신한 제1 데이터 프레임에 대하여, CRC(cyclic redundancy check) 검사를 수행한다(S540).

태그는 CRC가 유효한 경우, 제1 데이터 프레임의 라운드 넘버를 저장한다(S550). 이를 통해, 학습데이터 수집기(100)는 태그가 응답했음을 판단할 수 있다. 보다 자세하게, 태그가 첫 번째 라운드에서 제1 데이터 프레임의 수신은 실패하고, 두 번째 라운드에서 제1 데이터 프레임을 성공적으로 수신한 경우, 태그는 169를 라운드 넘버로 저장할 수 있다.

태그는 제2 데이터 프레임을 리더에게 전달한다(S560).

다시 도 7을 참조하면, 제2 데이터 프레임은 128-bits로 구성될 수 있으며, 라운드 넘버 필드, 랜덤 넘버 필드 및 CRC 비트를 포함할 수 있다.

리더는 제1 및 제2 데이터 프레임을 저장한다(S570).

학습데이터 수집기(100)는 리더 및 태그에 저장된 데이터를 통해, 학습 데이터를 획득할 수 있다. 이후, 학습데이터 수집기(100) 또는 리더는 획득된 학습 데이터를 전술한 증대 기법을 통해, 학습 모델(331)의 학습에 사용될 수 있도록 증대 시킬 수 있다.

이후, 리더는 다음 라운드에서, 전술한 S520 이후의 단계를 수행할 수 있다.

도 7은 본 명세서가 적용될 수 있는 리더의 일 실시예이다.

도 7을 참조하면, 리더는 학습데이터 수집기(100) 및 태그와 신호를 송수신할 수 있는 안테나, 데이터 프레임 저장을 위한 메모리 및 안테나, 메모리를 제어하기 위한 프로세서를 포함할 수 있다. 또한, 태그도 안테나, 메모리 및 프로세서를 포함할 수 있다.

1. 리더는 데이터 검증을 위한 라운드 넘버들을 멤버로 포함하는 랜덤 라운드 넘버 리스트를 생성한다. 예를 들어, 라운드 넘버 리스트는 기설정된 최대 라운드 값만큼, 생성된 랜덤한 라운드 넘버들을 멤버로 갖을 수 있다..

2. 리더는 랜덤 라운드 넘버 리스트에 근거하여, 제1 데이터 프레임을 생성한다. 예를 들어, 제1 데이터 프레임은 기설정된 최대값보다 당해 라운드가 작은 경우, 생성될 수 있다.

3. 리더는 태그로 제1 데이터 프레임을 전달한다. 예를 들어, 리더는 백스캐터 통신을 통해, 제1 데이터 프레임을 태그로 전달할 수 있다. 보다 자세하게, 태그는 프로그래밍 가능한 RFID(Radio-Frequency Identification) 태그를 포함할 수 있다. 태그는 제1 데이터 프레임의 CRC 검사가 유효할 경우, 제1 데이터 프레임에 포함된 라운드 넘버를 저장할 수 있다.

4. 리더는 제1 데이터 프레임의 응답으로서, 태그로부터 제2 데이터 프레임을 수신한다.

5. 리더는 제1 데이터 프레임 및 제2 데이터 프레임을 저장한다. 리더 또는 학습데이터 수집기(100)는 제1 데이터 프레임 및 제2 데이터 프레임에 전술한 증대 기법을 적용하여, 학습 데이터를 획득할 수 있다.

전술한 본 명세서는, 프로그램이 기록된 매체에 컴퓨터가 읽을 수 있는 코드로서 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 매체는, 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 컴퓨터가 읽을 수 있는 매체의 예로는, HDD(Hard Disk Drive), SSD(Solid State Disk), SDD(Silicon Disk Drive), ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광 데이터 저장 장치 등이 있으며, 또한 캐리어 웨이브(예를 들어, 인터넷을 통한 전송)의 형태로 구현되는 것도 포함한다. 따라서, 상기의 상세한 설명은 모든 면에서 제한적으로 해석되어서는 아니되고 예시적인 것으로 고려되어야 한다. 본 명세서의 범위는 첨부된 청구항의 합리적 해석에 의해 결정되어야 하고, 본 명세서의 등가적 범위 내에서의 모든 변경은 본 명세서의 범위에 포함된다.

또한, 이상에서 서비스 및 실시 예들을 중심으로 설명하였으나 이는 단지 예시일 뿐 본 명세서를 한정하는 것이 아니며, 본 명세서가 속하는 분야의 통상의 지식을 가진 자라면 본 서비스 및 실시 예의 본질적인 특성을 벗어나지 않는 범위에서 이상에 예시되지 않은 여러 가지의 변형과 응용이 가능함을 알 수 있을 것이다. 예를 들어, 실시 예들에 구체적으로 나타난 각 구성 요소는 변형하여 실시할 수 있는 것이다. 그리고 이러한 변형과 응용에 관계된 차이점들은 첨부한 청구 범위에서 규정하는 본 명세서의 범위에 포함되는 것으로 해석되어야 할 것이다.

Claims (10)

1. 백스캐터 통신을 위한 신호 대 데이터 번역 모델을 학습시키기 위해, 백스캐터 신호를 해독하고, 프로세서, 메모리 및 통신 모듈을 포함하는 디바이스인 리더(reader)가 학습 데이터를 수집하는 방법에 있어서,
   상기 리더가 데이터 검증을 위한 랜덤한 라운드 넘버들을 멤버로 포함하는 랜덤 라운드 넘버 리스트를 생성하는 단계;
   상기 리더가 상기 랜덤 라운드 넘버 리스트에 근거하여, 제1 데이터 프레임을 생성하는 단계로서, 상기 제1 데이터 프레임은 상기 라운드 넘버 및 랜덤 넘버를 포함함;
   상기 리더가 통신 모듈을 통해 태그(Tag)로, 상기 제1 데이터 프레임을 전달하는 단계;
   상기 리더가 통신 모듈을 통해 상기 태그로부터, 제1 데이터 프레임의 응답으로서, 제2 데이터 프레임을 수신하는 단계; 및
   상기 리더가 상기 제1 데이터 프레임 및 상기 제2 데이터 프레임을 저장하는 단계;를 포함하는, 학습 데이터 수집방법.
   
2. 제1항에 있어서,
   상기 라운드 넘버 리스트는
   기설정된 최대 라운드 값만큼, 생성된 상기 랜덤한 라운드 넘버들을 멤버로 갖는, 학습 데이터 수집방법.
   
3. 제1항에 있어서,
   상기 태그는
   프로그래밍 가능한 RFID(Radio-Frequency Identification) 태그인, 학습 데이터 수집방법.
   
4. 제2항에 있어서,
   상기 태그는
   상기 태그가 상기 제1 데이터 프레임에 응답하였음이 확인되기 위해, 상기 라운드 넘버를 저장하는, 학습 데이터 수집방법.
   
5. 제4항에 있어서,
   상기 제1 데이터 프레임 및 상기 제2 데이터 프레임은
   증대 기법이 적용되는, 학습 데이터 수집방법.
   
6. 백스캐터 통신을 위한 신호 대 데이터 번역 모델을 학습시키기 위해, 학습 데이터를 수집하는 디바이스인 리더(reader)에 있어서,
   태그(tag)와 상기 백스캐터 통신을 수행하는 안테나;
   메모리; 및
   상기 메모리 및 상기 안테나를 제어하는 프로세서;를 포함하며,
   상기 프로세서는
   데이터 검증을 위한 랜덤한 라운드 넘버들을 멤버로 포함하는 랜덤 라운드 넘버 리스트를 생성하고, 상기 랜덤 라운드 넘버 리스트에 근거하여, 제1 데이터 프레임을 생성하는 단계로서, 상기 제1 데이터 프레임은 상기 라운드 넘버 및 랜덤 넘버를 포함하며, 상기 안테나를 통해, 상기 태그로, 상기 제1 데이터 프레임을 전달하고, 상기 태그로부터, 제1 데이터 프레임의 응답으로서, 제2 데이터 프레임을 수신하며, 상기 메모리에 상기 제1 데이터 프레임 및 상기 제2 데이터 프레임을 저장하는, 리더.
   
7. 제6항에 있어서,
   상기 라운드 넘버 리스트는
   기설정된 최대 라운드 값만큼, 생성된 상기 랜덤한 라운드 넘버들을 멤버로 갖는, 리더.
   
8. 제6항에 있어서,
   상기 태그는
   프로그래밍 가능한 RFID(Radio-Frequency Identification) 태그인, 리더.
   
9. 제7항에 있어서,
   상기 태그는
   상기 태그가 상기 제1 데이터 프레임에 응답하였음이 확인되기 위해, 상기 라운드 넘버를 저장하는, 리더.
   
10. 제9항에 있어서,
    상기 제1 데이터 프레임 및 상기 제2 데이터 프레임은
    증대 기법이 적용되는, 리더.
    

Images