KR102537518B1 - 3차원 모델 기반의 선내 무선 ap 배치 시스템 및 방법, 동 방법을 컴퓨터에서 실행하기 위한 컴퓨터 프로그램이 기록된, 컴퓨터 판독 가능한 기록 매체 - Google Patents

3차원 모델 기반의 선내 무선 ap 배치 시스템 및 방법, 동 방법을 컴퓨터에서 실행하기 위한 컴퓨터 프로그램이 기록된, 컴퓨터 판독 가능한 기록 매체 Download PDF

Info

Publication number
KR102537518B1
KR102537518B1 KR1020210148629A KR20210148629A KR102537518B1 KR 102537518 B1 KR102537518 B1 KR 102537518B1 KR 1020210148629 A KR1020210148629 A KR 1020210148629A KR 20210148629 A KR20210148629 A KR 20210148629A KR 102537518 B1 KR102537518 B1 KR 102537518B1
Authority
KR
South Korea
Prior art keywords
wireless
model
placement
result
machine learning
Prior art date
Application number
KR1020210148629A
Other languages
English (en)
Other versions
KR20230063496A (ko
Inventor
구정민
김인일
진은석
Original Assignee
대우조선해양 주식회사
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 대우조선해양 주식회사 filed Critical 대우조선해양 주식회사
Priority to KR1020210148629A priority Critical patent/KR102537518B1/ko
Publication of KR20230063496A publication Critical patent/KR20230063496A/ko
Application granted granted Critical
Publication of KR102537518B1 publication Critical patent/KR102537518B1/ko

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
    • H04W16/18—Network planning tools
    • H04W16/20—Network planning tools for indoor coverage or short range network deployment
    • 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
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/391—Modelling the propagation channel

Abstract

본 발명은 3차원 모델 기반의 선내 무선 AP 배치 시스템 및 방법, 동 방법을 컴퓨터에서 실행하기 위한 컴퓨터 프로그램이 기록된, 컴퓨터 판독 가능한 기록 매체에 관한 것이다. 본 발명의 실시예에 따른 3차원 모델 기반의 선내 무선 AP 배치 시스템은, 3차원 원본 파일을 메쉬 형태로 변환하고, 메쉬 형태로 변환된 3차원 원본 파일의 메쉬 숫자를 최소화하며, 3차원 모델을 로딩 후 무선 AP(Access Point)를 수동 배치 후 입력 정보로서 입력하고, 3차원 그래픽 형태의 전파 수신 강도(coverage) 결과를 출력하며, 무선 AP의 가상 배치 기준으로 레이 트레이싱 기법을 이용한 전파 영역을 계산하고, 최소한의 수량으로 3차원 모델의 구역을 커버하는 AP 배치 결과를 출력하며, AP 배치 결과가 출력된 3차원 모델을 Top view로 변환하고, 2차원 이미지로 변환하며, 3차원 모델과 동일한 구역의 2차원 도면 이미지를 입력 받고, 2차원 도면 이미지를 2차원 이미지와 동일한 격자 크기로 변환하며, 3차원 모델과 AP 배치 결과 이미지를 매칭하여 AP 위치를 추출하고, 2차원 도면 이미지에 AP 위치를 표기하여 매핑 결과를 출력한다.

Description

3차원 모델 기반의 선내 무선 AP 배치 시스템 및 방법, 동 방법을 컴퓨터에서 실행하기 위한 컴퓨터 프로그램이 기록된, 컴퓨터 판독 가능한 기록 매체{SYSTEM AND METHOD FOR DEPLOYMENT OF ONBOARD WIRELESS AP BASED ON 3D MODEL AND COMPUTER-READABLE RECORDING MEDIUM INCLUDING THE SAME}
본 발명은 3차원 모델 기반의 선내 무선 AP 배치 시스템 및 방법, 동 방법을 컴퓨터에서 실행하기 위한 컴퓨터 프로그램이 기록된, 컴퓨터 판독 가능한 기록 매체에 관한 것으로, 보다 구체적으로는 선박의 3차원 모델을 변환하여 형성된 2차원 모델을 이용하여 무선 AP(Access Point)의 전파 수신 강도를 시뮬레이션 할 수 있는 3차원 모델 기반의 선내 무선 AP 배치 시스템 및 방법, 동 방법을 컴퓨터에서 실행하기 위한 컴퓨터 프로그램이 기록된, 컴퓨터 판독 가능한 기록 매체에 관한 것이다.
스마트쉽(Smart Ship) 기술이 확대됨에 따라서 선내의 무선통신 환경 구축의 중요성이 증가하고 있다.
기존에는 무선 AP(Access Point)가 선실 공간에 국한되어 설치되었으나, 각종 기계/전기 장비가 있는 공간에도 배치가 필요하게 되었다.
기존의 무선 AP 설치 위치의 확인은 2명의 작업자가 무선 전파 송신기와 수신기를 각각 소지하고 이동하면서 전파의 세기를 측정하여서 많은 시간이 소요되는 문제점이 있다.
한국 공개특허공보 제10-2015-0086417호 (선내와 육상에서 선박의 효율적 운영을 위한 통합 정보 시스템, 2015.7.28.)
본 발명은 종래 기술의 문제점을 해결하기 위해 안출된 것으로, 선박의 3차원 모델을 변환하여 형성된 2차원 모델을 이용하여 무선 AP(Access Point)의 전파 수신 강도를 시뮬레이션 할 수 있는 3차원 모델 기반의 선내 무선 AP 배치 시스템 및 방법, 동 방법을 컴퓨터에서 실행하기 위한 컴퓨터 프로그램이 기록된, 컴퓨터 판독 가능한 기록 매체를 제공한다.
본 발명의 일 실시예에 따른 3차원 모델 기반의 선내 무선 AP 배치 시스템은, 선박의 3차원 모델의 전처리를 수행하는 3차원 모델 전처리 모듈; 상기 전처리된 선박의 3차원 모델에 다수의 무선 AP(Access Point)를 배치하고, 전파의 수신 강도 정보를 형성하는 무선 AP 전파 분석 모듈; 상기 선박의 3차원 모델에 상기 다수의 무선 AP를 일정간격으로 배치하고, 상기 수신 강도 정보를 이용하여 3차원 무선 AP 배치 결과를 형성하는 무선 AP 최적화 배치 모듈; 상기 3차원 무선 AP 배치 결과를 2차원 무선 AP 배치 결과로 변환하는 무선 AP 배치 2차원 매핑 모듈; 및 상기 2차원 무선 AP 배치 결과를 이용하여 기계 학습을 수행하고, 기계 학습 결과를 이용하여 선박의 2차원 모델 수신 시 최적의 무선 AP 배치 결과를 산출하는 AP 배치 매핑 학습부를 포함한다.
여기서, 상기 무선 AP 전파 분석 모듈은, 레이 트레이싱(Ray Tracing) 기법을 이용하여 전파의 수신 강도 정보를 형성할 수 있다.
또한, 상기 3차원 모델 전처리 모듈은, 상기 선박의 3차원 구조를 3차원 메쉬(Mesh) 모델로 변환하는 메쉬 변환부, 및 상기 3차원 메쉬 모델의 정점들 및 표면들의 개수를 감소시켜 상기 선박의 3차원 모델을 형성하는 3차원 메쉬 축소부를 포함할 수 있다.
또한, 상기 무선 AP 배치 2차원 매핑 모듈은, 상기 3차원 무선 AP 배치 결과를 2차원 모델로 변환하는 2차원 변환부, 상기 2차원 모델을 미리 설정된 격자 크기로 변환하여 전처리를 수행하는 제1 데이터 전처리부, 상기 전처리된 2차원 모델에서 무선 AP의 배치 위치를 추출하는 무선 AP 배치 위치 추출부, 및 상기 무선 AP의 배치 위치를 이용하여 상기 2차원 무선 AP 배치 결과를 형성하는 2차원 도면 매핑부를 포함할 수 있다.
또한, 상기 AP 배치 매핑 학습부는, 상기 2차원 도면 매핑부에 의해 형성된 상기 2차원 무선 AP 배치 결과를 레이블 데이터로 하고, 상기 제1 데이터 전처리부에 의해 전처리된 상기 2차원 모델을 학습 데이터로 하여, 상기 레이블 데이터 및 상기 학습 데이터를 미리 설정된 격자 크기로 변환하여 전처리를 수행하는 제2 데이터 전처리부, 상기 전처리된 레이블 데이터 및 학습 데이터를 이용하여 상기 기계 학습을 수행하는 이미지 기반 학습부, 및 상기 기계 학습 결과를 이용하여, 입력 데이터에 무선 AP 배치 위치가 표시된 AP 배치 이미지를 생성하는 AP 배치 이미지 생성부를 포함할 수 있다.
또한, 상기 AP 배치 매핑 학습부는, 상기 무선 AP 배치 2차원 매핑 모듈로부터 기계 학습용 2차원 도면 이미지들을 획득하고, 상기 기계 학습용 2차원 도면 이미지들로부터 기계 학습용 무선 AP 객체들을 추출하며, 상기 기계 학습용 무선 AP 객체들에 대응하는 무선 AP 배치 위치 정보인 제1 레이블들을 획득하고, 상기 기계 학습용 무선 AP 객체들을 뉴럴 네트워크로 적용하여, 상기 기계 학습용 무선 AP 객체들에 대응하는 기계 학습의 출력들을 생성하며, 상기 기계 학습의 출력들 및 상기 제1 레이블들에 기초하여, 상기 뉴럴 네트워크를 학습시킬 수 있다.
한편, 본 발명의 다른 실시예에 따른 3차원 모델 기반의 선내 무선 AP 배치 방법은, 선박의 3차원 모델의 전처리를 수행하는 단계; 상기 전처리된 선박의 3차원 모델에 다수의 무선 AP(Access Point)를 배치하고, 전파의 수신 강도 정보를 형성하는 단계; 상기 선박의 3차원 모델에 상기 다수의 무선 AP를 일정간격으로 배치하고, 상기 수신 강도 정보를 이용하여 3차원 무선 AP 배치 결과를 형성하는 단계; 상기 3차원 무선 AP 배치 결과를 2차원 무선 AP 배치 결과로 변환하는 단계; 상기 2차원 무선 AP 배치 결과를 이용하여 기계 학습을 수행하는 단계; 및 상기 기계 학습 결과를 이용하여 선박의 2차원 모델 수신 시 최적의 무선 AP 배치 결과를 산출하는 단계를 포함한다.
여기서, 상기 전파의 수신 강도 정보를 형성하는 단계는, 레이 트레이싱(Ray Tracing) 기법을 이용하여 전파의 수신 강도 정보를 형성할 수 있다.
또한, 상기 선박의 3차원 모델의 전처리를 수행하는 단계는, 상기 선박의 3차원 구조를 3차원 메쉬(Mesh) 모델로 변환하는 단계, 및 상기 3차원 메쉬 모델의 정점들 및 표면들의 개수를 감소시켜 상기 선박의 3차원 모델을 형성하는 단계를 포함할 수 있다.
또한, 상기 3차원 무선 AP 배치 결과를 2차원 무선 AP 배치 결과로 변환하는 단계는, 상기 3차원 무선 AP 배치 결과를 2차원 모델로 변환하는 단계, 상기 2차원 모델을 미리 설정된 격자 크기로 변환하여 전처리를 수행하는 단계, 상기 전처리된 2차원 모델에서 무선 AP의 배치 위치를 추출하는 단계, 및 상기 무선 AP의 배치 위치를 이용하여 상기 2차원 무선 AP 배치 결과를 형성하는 단계를 포함할 수 있다.
또한, 상기 기계 학습을 수행하는 단계는, 상기 2차원 무선 AP 배치 결과를 레이블 데이터로 하고, 상기 전처리된 2차원 모델을 학습 데이터로 하여, 상기 레이블 데이터 및 상기 학습 데이터를 미리 설정된 격자 크기로 변환하여 전처리를 수행하는 단계, 상기 전처리된 레이블 데이터 및 학습 데이터를 이용하여 상기 기계 학습을 수행하는 단계, 및 상기 기계 학습 결과를 이용하여 입력 데이터에 무선 AP 배치 위치가 표시된 AP 배치 이미지를 생성하는 단계를 포함할 수 있다.
또한, 상기 기계 학습을 수행하는 단계는, 상기 3차원 무선 AP 배치 결과를 2차원 무선 AP 배치 결과로 변환하는 단계로부터 기계 학습용 2차원 도면 이미지들을 획득하는 단계, 상기 기계 학습용 2차원 도면 이미지들로부터 기계 학습용 무선 AP 객체들을 추출하는 단계, 상기 기계 학습용 무선 AP 객체들에 대응하는 무선 AP 배치 위치 정보인 제1 레이블들을 획득하는 단계, 상기 기계 학습용 무선 AP 객체들을 뉴럴 네트워크로 적용하여, 상기 기계 학습용 무선 AP 객체들에 대응하는 기계 학습의 출력들을 생성하는 단계, 및 상기 기계 학습의 출력들 및 상기 제1 레이블들에 기초하여, 상기 뉴럴 네트워크를 학습시키는 단계를 포함할 수 있다.
한편, 본 발명의 또 다른 실시예에 따른 3차원 모델 기반의 선내 무선 AP 배치 방법은, 3차원 원본 파일을 메쉬 형태로 변환하는 단계; 메쉬 형태로 변환된 상기 3차원 원본 파일의 메쉬 숫자를 최소화하는 단계; 3차원 모델을 로딩 후 무선 AP(Access Point)를 수동 배치 후 입력 정보로서 입력하는 단계; 3차원 그래픽 형태의 전파 수신 강도(coverage) 결과를 출력하는 단계; 무선 AP의 가상 배치 기준으로 레이 트레이싱 기법을 이용한 전파 영역을 계산하는 단계; 최소한의 수량으로 상기 3차원 모델의 구역을 커버하는 AP 배치 결과를 출력하는 단계; 상기 AP 배치 결과가 출력된 3차원 모델을 Top view로 변환하고, 2차원 이미지로 변환하는 단계; 상기 3차원 모델과 동일한 구역의 2차원 도면 이미지를 입력 받고, 상기 2차원 도면 이미지를 상기 2차원 이미지와 동일한 격자 크기로 변환하는 단계; 상기 3차원 모델과 상기 AP 배치 결과 이미지를 매칭하여 AP 위치를 추출하는 단계; 및 상기 2차원 도면 이미지에 상기 AP 위치를 표기하여 매핑 결과를 출력하는 단계를 포함한다.
여기서, 상기 AP 배치가 매핑된 2차원 도면을 레이블 데이터로, 상기 2차원 도면 이미지를 학습 데이터로 입력 받아 기계 학습을 수행하는 단계, 신규 2차원 도면 이미지를 상기 학습 데이터와 동일한 격자 크기로 변환하는 단계, 및 상기 기계 학습의 결과를 기반으로 상기 신규 2차원 도면 이미지에 상기 AP 배치 위치를 표기하여 결과 데이터를 생성하는 단계를 포함할 수 있다.
한편, 본 발명의 또 다른 실시예에 따른 컴퓨터 판독 가능한 기록매체는, 전술한 3차원 모델 기반의 선내 무선 AP 배치 방법을 컴퓨터에서 실행하기 위한 컴퓨터 프로그램이 기록된다.
본 발명의 실시예들에 따르면, 기존 수작업과 대비하여 컴퓨터를 이용하여 무선 AP 배치 결과를 출력하므로 측정 시간이 감소하고, 무선 AP의 강도 측정에 소요되는 인원 소요를 감소시킬 수 있다.
또한, 본 발명의 실시예들에 따르면, 선박의 3차원 모델 상에 무선 AP를 배치한 결과를 출력할 수 있고, 선박의 3차원 모델에 대응하는 2차원 모델을 용이하게 생성할 수 있다.
아울러, 본 발명의 실시예들에 따르면, 무선 AP가 배치된 2차원 모델을 이용한 기계 학습 과정을 통해서 2차원 모델만으로 무선 AP의 배치 위치를 추정할 수 있으므로, 3차원 모델을 이용한 계산에 비해 자원 및 시간 소요를 감소시킬 수 있다.
도 1은 본 발명의 실시예에 따른 3차원 모델 기반의 선내 무선 AP 배치 시스템의 구성을 보이는 예시도이다.
도 2는 본 발명의 실시예에 따른 뉴럴 네트워크의 기계 학습을 설명하기 위한 도면이다.
도 3 및 도 4는 본 발명의 실시예에 따른 선내 무선 AP 배치 프로세스를 설명하기 위한 단계별 예시도이다.
도 5는 본 발명의 실시예에 따른 3차원 모델 기반 무선 AP 배치 방법의 절차를 보이는 흐름도이다.
도 6은 본 발명의 실시예에 따른 2차원 모델 기반 무선 AP 배치 방법의 절차를 보이는 흐름도이다.
본 발명의 실시예들은 본 발명의 기술적 사상을 설명하기 위한 목적으로 예시된 것이다. 본 발명에 따른 권리범위가 이하에 제시되는 실시예들이나 이들 실시예들에 대한 구체적인 설명으로 한정되는 것은 아니다.
이하, 첨부한 도면들을 참조하여, 본 발명의 실시예들을 설명한다. 첨부된 도면에서, 동일하거나 대응하는 구성요소에는 동일한 참조부호가 부여되어 있다. 또한, 이하의 실시예들의 설명에 있어서, 동일하거나 대응하는 구성요소를 중복하여 기술하는 것이 생략될 수 있다. 그러나, 구성요소에 관한 기술이 생략되어도, 그러한 구성요소가 어떤 실시예에 포함되지 않는 것으로 의도되지 않는다.
도 1은 본 발명의 실시예에 따른 3차원 모델 기반의 선내 무선 AP 배치 시스템의 구성을 보이는 예시도이다.
도 1에 도시한 바와 같이, 선내 무선 AP(Access Point) 배치 시스템(100)은, 3차원 모델 전처리 모듈(110), 무선 AP 전파 분석 모듈(122), 무선 AP 최적화 배치 모듈(124), 무선 AP 배치 2차원 매핑 모듈(130), AP 배치 매핑 학습부(140) 및 데이터베이스를 포함할 수 있다. 일 실시예에 따르면, 3차원 모델 전처리 모듈(110)은, 메쉬 변환부(112) 및 3차원 메쉬 축소부(114)를 포함할 수 있다. 일 실시예에 따르면, 무선 AP 배치 2차원 매핑 모듈(130)은, 2차원 변환부(132), 제1 데이터 전처리부(134), 무선 AP 배치 위치 추출부(136) 및 2차원 도면 매핑부(138)를 포함할 수 있다. 일 실시예에 따르면, AP 배치 매핑 학습부(140)는, 제2 데이터 전처리부(142), 이미지 기반 학습부(144) 및 AP 배치 이미지 생성부(146)를 포함할 수 있다.
3차원 모델 전처리 모듈(110)은, 선박의 3차원 모델의 전처리를 수행할 수 있다. 일 실시예에 따르면, 3차원 모델 전처리 모듈(110)은, 선박의 3차원 모델을 입력 데이터로 입력 받아서 3차원 메쉬(Mesh) 모델로 변환하고, 3차원 메쉬 모델의 정점들 및 표면들의 개수를 감소시켜 선박의 3차원 모델을 형성할 수 있다. 3차원 메쉬 모델은 다면체 객체의 모양을 정의하는 정점(vertex) 및 표면(surface)의 집합을 의미하며, 정점들의 집합을 기하정보(Geometry information)라고 일컫고, 표면들의 집합을 연결정보(Connectivity information)라고 일컫는다. 3차원 메쉬 모델의 면(face) 또는 표면(surface)은 주로 삼각형으로 구성되며 삼각형의 세 점은 메쉬의 정점에 대응된다.
무선 AP 전파 분석 모듈(122)은, 전처리된 선박의 3차원 모델에 다수의 무선 AP(Access Point)를 배치하고, 레이 트레이싱(Ray Tracing) 기법을 이용하여 전파의 수신 강도 정보를 형성할 수 있다. 일 실시예에 따르면, 무선 AP 전파 분석 모듈(122)은, 무선 AP 배치에 대한 정보를 입력 정보로서 입력 받고 무선 AP의 전파 커버리지(coverage)(수신 강도 정보)를 출력 데이터로서 출력할 수 있다. 레이 트레이싱 기법은 가상의 광선이 물체 표면에 반사되는 경로를 추적하여 빛이 반사되는 각각의 점들을 계산해 픽셀로 구현하는 기술이다.
무선 AP 최적화 배치 모듈(124)은, 선박의 3차원 모델에 다수의 무선 AP를 일정간격으로 배치하고, 상기 수신 강도 정보를 이용하여 3차원 무선 AP 배치 결과를 형성할 수 있다. 일 실시예에 따르면, 무선 AP 최적화 배치 모듈(124)은, 무선 AP 전파 분석 모듈(122)에서 출력된 수신 강도 정보를 이용하여 3차원 무선 AP 배치 결과(AP 최적 배치도)를 출력 데이터로서 출력할 수 있다.
무선 AP 배치 2차원 매핑 모듈(130)은 3차원 무선 AP 배치 결과를 2차원 무선 AP 배치 결과로 변환할 수 있다. 일 실시예에 따르면, 무선 AP 배치 2차원 매핑 모듈(130)의 2차원 변환부(132)에서 3차원 무선 AP 배치 결과를 2차원 모델로 변환하고, 제1 데이터 전처리부(134)에서 2차원 모델을 미리 설정된 격자 크기로 변환하여 전처리를 수행하며, 무선 AP 배치 위치 추출부(136)에서 전처리된 2차원 모델에서 무선 AP의 배치 위치를 추출하고, 2차원 도면 매핑부(138)에서 무선 AP의 배치 위치를 이용하여 2차원 무선 AP 배치 결과를 형성할 수 있다.
AP 배치 매핑 학습부(140)는, 2차원 무선 AP 배치 결과를 이용하여 기계 학습을 수행하고, 기계 학습 결과를 이용하여 선박의 2차원 모델 수신 시 최적의 무선 AP 배치 결과를 산출할 수 있다. 일 실시예에 따르면, AP 배치 매핑 학습부(140)의 제2 데이터 전처리부(142)는 레이블 데이터 및 학습 데이터를 입력 받아 미리 설정된 격자 크기로 변환하여 전처리를 수행하고, 이미지 기반 학습부(144)는 전처리된 레이블 데이터 및 학습 데이터를 이용하여 딥러닝(deep learning)과 같은 기계 학습 알고리즘을 이용하여 기계 학습을 수행하며, AP 배치 이미지 생성부(146)는 기계 학습 결과를 이용하여 입력 데이터(신규 2차원 모델)에 무선 AP 배치 위치가 표시된 AP 배치 이미지를 생성할 수 있다.
AP 배치 매핑 학습부(140)는, 기계 학습용 2차원 도면 이미지들을 획득하고, 기계 학습용 2차원 도면 이미지들로부터 기계 학습용 무선 AP 객체들을 추출하며, 기계 학습용 무선 AP 객체들에 대응하는 무선 AP 배치 위치 정보인 제1 레이블들을 획득하고, 기계 학습용 무선 AP 객체들을 뉴럴 네트워크로 적용하여, 기계 학습용 무선 AP 객체들에 대응하는 기계 학습의 출력들을 생성하며, 기계 학습의 출력들 및 제1 레이블들에 기초하여, 뉴럴 네트워크를 학습시킬 수 있다.
데이터베이스는, 다양한 데이터를 저장할 수 있다. 데이터베이스에 저장되는 데이터는, 선내 무선 AP 배치 시스템(100)의 적어도 하나의 구성요소에 의해 획득되거나, 처리되거나, 사용되는 데이터로서, 소프트웨어(예를 들어: 프로그램)를 포함할 수 있다. 데이터베이스는, 휘발성 및/또는 비휘발성 메모리를 포함할 수 있다. 일 실시예로서, 데이터베이스는, 선박의 3차원 모델, 3차원 메쉬 모델, 전파의 수신 강도 정보, 2차원 및 3차원 무선 AP 배치 결과, 기계 학습 결과 등을 저장할 수 있다.
본 발명에서, 프로그램은 데이터베이스에 저장되는 소프트웨어로서, 3차원 모델 전처리 모듈(110), 무선 AP 전파 분석 모듈(122), 무선 AP 최적화 배치 모듈(124), 무선 AP 배치 2차원 매핑 모듈(130), AP 배치 매핑 학습부(140) 및 데이터베이스의 리소스를 제어하기 위한 운영체제, 어플리케이션 및/또는 3차원 모델 전처리 모듈(110), 무선 AP 전파 분석 모듈(122), 무선 AP 최적화 배치 모듈(124), 무선 AP 배치 2차원 매핑 모듈(130), AP 배치 매핑 학습부(140) 및 데이터베이스의 리소스들을 활용할 수 있도록 다양한 기능을 어플리케이션에 제공하는 미들 웨어 등을 포함할 수 있다.
본 발명에서, 인공지능(Artificial Intelligence, AI)은 인간의 학습능력, 추론능력, 지각능력 등을 모방하고, 이를 컴퓨터로 구현하는 기술을 의미하고, 기계 학습, 심볼릭 로직 등의 개념을 포함할 수 있다. 기계 학습(Machine Learning, ML)은 입력 데이터들의 특징을 스스로 분류 또는 학습하는 알고리즘 기술이다. 인공지능의 기술은 기계 학습의 알고리즘으로써 입력 데이터를 분석하고, 그 분석의 결과를 학습하며, 그 학습의 결과에 기초하여 판단이나 예측을 할 수 있다. 또한, 기계 학습의 알고리즘을 활용하여 인간 두뇌의 인지, 판단 등의 기능을 모사하는 기술들 역시 인공지능의 범주로 이해될 수 있다. 예를 들어, 언어적 이해, 시각적 이해, 추론/예측, 지식 표현, 동작 제어 등의 기술 분야가 포함될 수 있다.
기계 학습은 데이터를 처리한 경험을 이용해 신경망 모델을 훈련시키는 처리를 의미할 수 있다. 기계 학습을 통해 컴퓨터 소프트웨어는 스스로 데이터 처리 능력을 향상시키는 것을 의미할 수 있다. 신경망 모델은 데이터 사이의 상관 관계를 모델링하여 구축된 것으로서, 그 상관 관계는 복수의 파라미터에 의해 표현될 수 있다. 신경망 모델은 주어진 데이터로부터 특징들을 추출하고 분석하여 데이터 간의 상관 관계를 도출하는데, 이러한 과정을 반복하여 신경망 모델의 파라미터를 최적화 해나가는 것이 기계 학습이라고 할 수 있다. 예를 들어, 신경망 모델은 입출력 쌍으로 주어지는 데이터에 대하여, 입력과 출력 사이의 매핑(상관 관계)을 학습할 수 있다. 또는, 신경망 모델은 입력 데이터만 주어지는 경우에도 주어진 데이터 사이의 규칙성을 도출하여 그 관계를 학습할 수도 있다.
인공지능 학습모델 또는 신경망 모델은 인간의 뇌 구조를 컴퓨터 상에서 구현하도록 설계될 수 있으며, 인간의 신경망의 뉴런(neuron)을 모의하며 가중치를 가지는 복수의 네트워크 노드들을 포함할 수 있다. 복수의 네트워크 노드들은 뉴런이 시냅스(synapse)를 통하여 신호를 주고받는 뉴런의 시냅틱(synaptic) 활동을 모의하여, 서로 간의 연결 관계를 가질 수 있다. 인공지능 학습모델에서 복수의 네트워크 노드들은 서로 다른 깊이의 레이어에 위치하면서 컨볼루션(convolution) 연결 관계에 따라 데이터를 주고받을 수 있다. 인공지능 학습모델은, 예를 들어, 인공 신경망 모델(Artificial Neural Network), 컨볼루션 신경망 모델(Convolution Neural Network: CNN) 등일 수 있다. 일 실시예로서, 인공지능 학습모델은, 지도학습(Supervised Learning), 비지도 학습(Unsupervised Learning), 강화 학습(Reinforcement Learning) 등의 방식에 따라 기계 학습될 수 있다. 기계 학습을 수행하기 위한 기계 학습 알고리즘에는, 의사결정트리(Decision Tree), 베이지안 망(Bayesian Network), 서포트 벡터 머신(Support Vector Machine), 인공 신경망(Artificial Neural Network), 에이다부스트 (Adaboost), 퍼셉트론(Perceptron), 유전자 프로그래밍(Genetic Programming), 군집화(Clustering) 등이 사용될 수 있다.
이중, CNN은 최소한의 전처리(preprocess)를 사용하도록 설계된 다계층 퍼셉트론(multilayer perceptrons)의 한 종류이다. CNN은 하나 또는 여러 개의 합성곱 계층과 그 위에 올려진 일반적인 인공 신경망 계층들로 이루어져 있으며, 가중치와 통합 계층(pooling layer)들을 추가로 활용한다. 이러한 구조 덕분에 CNN은 2차원 구조의 입력 데이터를 충분히 활용할 수 있다. 다른 딥러닝 구조들과 비교해서, CNN은 영상, 음성 분야 모두에서 좋은 성능을 보여준다. CNN은 또한 표준 역전달을 통해 훈련될 수 있다. CNN은 다른 피드포워드 인공신경망 기법들보다 쉽게 훈련되는 편이고 적은 수의 매개변수를 사용한다는 이점이 있다.
컨볼루션 네트워크는 묶인 파라미터들을 가지는 노드들의 집합들을 포함하는 신경 네트워크들이다. 사용 가능한 트레이닝(기계 학습용) 데이터의 크기 증가와 연산 능력의 가용성이, 구분적 선형 단위 및 드롭아웃 트레이닝과 같은 알고리즘 발전과 결합되어, 많은 컴퓨터 비전 작업들이 크게 개선되었다. 오늘날 많은 작업에 사용할 수 있는 데이터 세트들과 같은 엄청난 양의 데이터 세트에서는 초과 맞춤(outfitting)이 중요하지 않으며, 네트워크의 크기를 늘리면 테스트 정확도가 향상된다. 컴퓨팅 리소스들의 최적 사용은 제한 요소가 된다. 이를 위해, 심층 신경 네트워크들의 분산된, 확장 가능한 구현 예가 사용될 수 있다.
도 2는 본 발명의 실시예에 따른 뉴럴 네트워크의 기계 학습을 설명하기 위한 도면이다.
도 2에 도시한 바와 같이, 학습 장치(학습부)는 선박의 2차원 도면 상에서의 무선 AP 배치 설계를 위하여 뉴럴 네트워크(143)를 학습시킬 수 있다. 일 실시예에 따르면, 학습 장치는 AP 배치 매핑 학습부(140)와 동일한 주체일 수 있으나, 이에 한정되는 것은 아니고 AP 배치 매핑 학습부(140)와 다른 별개의 주체일 수도 있다.
뉴럴 네트워크(143)는 트레이닝(기계 학습용) 샘플들이 입력되는 입력 레이어(141)와 트레이닝(기계 학습의) 출력들을 출력하는 출력 레이어(145)를 포함하고, 트레이닝 출력들과 레이블들 사이의 차이에 기초하여 학습될 수 있다. 여기서, 레이블들은 특징점 객체에 대응하는 무선 AP 배치 위치 정보에 기초하여 정의될 수 있다. 뉴럴 네트워크(143)는 복수의 노드들의 그룹으로 연결되어 있고, 연결된 노드들 사이의 가중치들과 노드들을 활성화시키는 활성화 함수에 의해 정의된다.
학습 장치는 GD(Gradient Decent) 기법 또는 SGD(Stochastic Gradient Descent) 기법을 이용하여 뉴럴 네트워크(143)를 학습시킬 수 있다. 학습 장치는 뉴럴 네트워크의 출력들 및 레이블들 의해 설계된 손실 함수(Loss Function)를 이용할 수 있다.
학습 장치는 미리 정의된 손실 함수를 이용하여 트레이닝 에러를 계산할 수 있다. 손실 함수는 레이블, 출력 및 파라미터를 입력 변수로 미리 정의될 수 있고, 여기서 파라미터는 뉴럴 네트워크(143) 내 가중치들에 의해 설정될 수 있다. 예를 들어, 손실 함수는 MSE(Mean Square Error) 형태, 엔트로피(entropy) 형태 등으로 설계될 수 있는데, 손실 함수가 설계되는 실시예에는 다양한 기법 또는 방식이 채용될 수 있다.
학습 장치는 역전파(Backpropagation) 기법을 이용하여 트레이닝 에러에 영향을 주는 가중치들을 찾아낼 수 있다. 여기서, 가중치들은 뉴럴 네트워크(143) 내 노드들 사이의 관계들이다. 학습 장치는 역전파 기법을 통해 찾아낸 가중치들을 최적화시키기 위해 레이블들 및 출력들을 이용한 SGD 기법을 이용할 수 있다. 예를 들어, 학습 장치는 레이블들, 출력들 및 가중치들에 기초하여 정의된 손실 함수의 가중치들을 SGD 기법을 이용하여 갱신할 수 있다.
일 실시예에 따르면, 학습 장치는 트레이닝(기계 학습용) 2차원 도면 이미지들(무선 AP 배치 결과 포함)을 획득하고, 트레이닝(기계 학습용) 2차원 도면 이미지들로부터 트레이닝(기계 학습용) 무선 AP 객체들을 추출할 수 있다. 학습 장치는 트레이닝(기계 학습용) 2차원 도면 이미지들에 대해서 각각 미리 레이블링 된 정보(제1 레이블들)를 획득할 수 있는데, 트레이닝(기계 학습용) 2차원 도면 이미지들에 미리 정의된 무선 AP 배치 위치 정보를 나타내는 제1 레이블들을 획득할 수 있다.
일 실시예에 따르면, 학습 장치는 트레이닝 2차원 도면 이미지들의 외관 특징들, 패턴 특징들 및 색상 특징들에 기초하여 제1 트레이닝 특징 벡터들을 생성할 수 있다. 트레이닝 2차원 도면 이미지들의 특징을 추출하는 데는 다양한 방식이 채용될 수 있다.
일 실시예에 따르면, 학습 장치는 제1 트레이닝 특징 벡터들을 뉴럴 네트워크(143)에 적용하여 트레이닝 출력들을 획득할 수 있다. 학습 장치는 트레이닝 출력들과 제1 레이블들에 기초하여 뉴럴 네트워크(143)를 학습시킬 수 있다. 학습 장치는 트레이닝 출력들에 대응하는 트레이닝 에러들을 계산하고, 그 트레이닝 에러들을 최소화하기 위해 뉴럴 네트워크(143) 내 노드들의 연결 관계를 최적화하여 뉴럴 네트워크(143)를 학습시킬 수 있다. AP 배치 매핑 학습부(140)는 학습이 완료된 뉴럴 네트워크(143)를 이용하여 선박의 2차원 도면 이미지로부터 무선 AP 배치 결과를 형성할 수 있다.
도 3 및 도 4는 본 발명의 실시예에 따른 선내 무선 AP 배치 프로세스를 설명하기 위한 단계별 예시도이다.
도 3에 도시한 바와 같이, (a) 단계에서는 3차원 모델을 로딩 후 무선 AP를 수동 배치하여 입력 정보로서 입력하고, (b) 단계에서는 무선 AP 전파 분석 모듈(122)에서 3차원 그래픽 형태의 전파 수신 강도(Coverage) 결과를 출력한다.
(c) 단계에서는 무선 AP 배치 최적화 모듈(124)에서 무선 AP의 가상 배치를 기준으로 레이 트레이싱 기법을 이용한 전파 영역을 계산한다. 이때, 무선 AP는 전체 구역으로 가상 배치 후 계산을 진행할 수 있다.
(d) 단계에서는 최소한의 수량으로 3차원 모델의 구역을 커버하는 무선 AP 배치 결과를 출력하고, (e) 단계에서는 (d) 단계의 무선 AP 배치 결과가 출력된 3차원 모델을 Top view로 변환하고, 2차원 변환부(132)에서 2차원 이미지로 변환한다.
(f) 단계에서는 3차원 모델과 동일한 구역의 2차원 도면 이미지를 입력 받고, 제1 데이터 전처리부(134)에서 (e) 단계의 결과와 동일한 격자 크기로 변환한다.
도 4에 도시한 바와 같이, (g) 단계에서는 무선 AP 배치 위치 추출부(136)에서 (f) 단계의 결과 중 (d) 단계의 무선 AP 배치 결과가 출력된 3차원 모델의 무선 AP 위치(x, y 좌표값)를 추출한다. 일 실시예에 따르면, AP1의 위치는 (2.3, 2.8)로 추출하고, AP2의 위치는 (4.5, 6.5)로 추출한다.
(h) 단계에서는 2차원 도면 매핑부(138)에서 (f) 단계에서 입력 받은 2차원 도면 이미지에 (g) 단계에서 추출한 무선 AP 위치를 표기하여 매핑 결과를 출력한다.
(i) 단계에서는 AP 배치 매칭 학습부(140)에서 (h) 단계의 무선 AP 위치가 매핑된 2차원 도면을 레이블 데이터로, (f) 단계의 격자 변환된 2차원 도면 이미지를 학습 데이터로 입력 받아, 이미지 기반 학습부(144)에서 지도 학습을 수행한다.
(j) 단계에서는 AP 배치 매칭 학습부(140)의 제2 데이터 전처리부(142)에서 신규 2차원 도면 이미지를 학습 데이터와 동일한 격자 크기로 변환하고, (k) 단계에서는 AP 배치 이미지 생성부(146)에서 학습한 데이터를 기반으로 신규 2차원 도면 이미지에 무선 AP 배치 위치를 표기하여 결과 데이터를 생성한다.
도 5는 본 발명의 실시예에 따른 3차원 모델 기반 무선 AP 배치 방법의 절차를 보이는 흐름도이고, 도 6은 본 발명의 실시예에 따른 2차원 모델 기반 무선 AP 배치 방법의 절차를 보이는 흐름도이다. 도 5 및 도 6의 흐름도에서 프로세스 단계들, 방법 단계들, 알고리즘들 등이 순차적인 순서로 설명되었지만, 그러한 프로세스들, 방법들 및 알고리즘들은 임의의 적합한 순서로 작동하도록 구성될 수 있다. 다시 말하면, 본 발명의 다양한 실시예들에서 설명되는 프로세스들, 방법들 및 알고리즘들의 단계들이 본 발명에서 기술된 순서로 수행될 필요는 없다. 또한, 일부 단계들이 비동시적으로 수행되는 것으로서 설명되더라도, 다른 실시예에서는 이러한 일부 단계들이 동시에 수행될 수 있다. 또한, 도면에서의 묘사에 의한 프로세스의 예시는 예시된 프로세스가 그에 대한 다른 변화들 및 수정들을 제외하는 것을 의미하지 않으며, 예시된 프로세스 또는 그의 단계들 중 임의의 것이 본 발명의 다양한 실시예들 중 하나 이상에 필수적임을 의미하지 않으며, 예시된 프로세스가 바람직하다는 것을 의미하지 않는다.
도 5에 도시한 바와 같이, 단계(S510)에서, 3차원 원본 파일이 메쉬 형태로 변환된다. 예를 들어, 도 1 내지 도 4를 참조하면, 3차원 모델 전처리 모듈(110)의 메쉬 변환부(112)는 입력 데이터로 3차원 원본 파일을 입력 받아 메쉬 형태로 변환할 수 있다.
단계(S520)에서, 메쉬 숫자가 최소화된다. 예를 들어, 도 1 내지 도 4를 참조하면, 3차원 모델 전처리 모듈(110)의 3차원 메쉬 축소부(114)는 단계(S510)에서 메쉬 형태로 변환된 3차원 모델의 메쉬 숫자를 최소화할 수 있다.
단계(S530)에서, 3차원 모델을 로딩 후 AP를 수동 배치 후 입력 정보로서 입력된다. 예를 들어, 도 1 내지 도 4를 참조하면, 단계(S520)의 출력 결과(3차원 모델)를 로딩 후 AP를 3차원 모델 상에 수동 배치하고, 그 결과가 무선 AP 전파 분석 모듈(122)에 입력 정보로서 입력될 수 있다.
단계(S540)에서, 무선 AP 전파 분석 모듈에서 3차원 그래픽 형태의 전파 수신 강도(coverage) 결과가 출력된다. 예를 들어, 도 1 내지 도 4를 참조하면, 무선 AP 전파 분석 모듈(122)은, 단계(S530)의 입력 정보를 이용하여 3차원 그래픽 형태의 전파 수신 강도 결과를 출력할 수 있다.
단계(S550)에서, AP의 가상 배치 기준으로 레이 트레이싱 기법을 이용한 전파 영역이 계산된다. 예를 들어, 도 1 내지 도 4를 참조하면, 무선 AP 최적화 배치 모듈(124)은, 무선 AP의 가상 배치 기준으로 레이 트레이싱 기법을 이용한 전파 영역을 계산할 수 있다.
단계(S560)에서, 최소한의 수량으로 3차원 모델의 구역을 커버하는 AP 배치 결과가 출력된다. 예를 들어, 도 1 내지 도 4를 참조하면, 무선 AP 최적화 배치 모듈(124)은, 단계(S550)에서 계산된 전파 영역 결과를 이용하여 최소한의 수량으로 3차원 모델의 모든 구역을 커버하는 AP 배치 결과를 출력할 수 있다.
단계(S570)에서, AP 배치 결과가 출력된 3차원 모델을 Top view로 변환하고, 2차원 변환부에서 2차원 이미지로 변환된다. 예를 들어, 도 1 내지 도 4를 참조하면, 2차원 변환부(132)는, 단계(S560)에서 출력된 AP 배치 결과가 표시된 3차원 모델을 Top view로 변환하고, 이를 2차원 이미지로 변환할 수 있다.
단계(S580)에서, 3차원 모델과 동일한 구역의 2차원 도면 이미지를 입력 받고, 단계(S570)의 결과와 동일한 격자 크기로 변환된다. 예를 들어, 도 1 내지 도 4를 참조하면, 제1 데이터 전처리부(134)는, 3차원 모델과 동일한 구역의 2차원 도면 이미지를 입력 받아서 단계(S570)의 결과(2차원 이미지)와 동일한 격자 크기로 변환할 수 있다.
단계(S590)에서, 단계(S580)의 결과 중 단계(S520)의 3차원 모델과 단계(S560)의 AP 배치 결과 이미지를 매칭하여 AP 위치가 추출된다. 예를 들어, 도 1 내지 도 4를 참조하면, 무선 AP 배치 위치 추출부(136)은, 단계(S580)의 결과 중 단계(S520)의 3차원 모델과 단계(S560)의 AP 배치 결과의 이미지를 매칭하여 AP 위치(x, y 좌표값)를 추출할 수 있다.
단계(S600)에서, 단계(S580)에서 입력 받은 2차원 도면 이미지에 단계(S590)에서 추출된 AP 위치를 표기하여 매핑 결과가 출력된다. 예를 들어, 도 1 내지 도 4를 참조하면, 2차원 도면 매핑부(138)는, 단계(S580)에서 입력 받은 2차원 도면 이미지에 단계(S590)에서 추출된 AP 위치를 표기하여 매핑 결과를 출력할 수 있다.
도 6에 도시한 바와 같이, 단계(S610)에서, 단계(S600)의 AP 배치가 매핑된 2차원 도면을 레이블 데이터로, 단계(S580)에서 격자 변환된 2차원 도면 이미지를 학습 데이터로 입력 받아, 지도 학습이 진행된다. 예를 들어, 도 1 내지 도 5를 참조하면, AP 배치 매핑 학습부(140)는 도 5의 단계(S600)의 AP 배치가 매핑된 2차원 도면을 레이블 데이터로, 단계(S580)에서 격자 변환된 2차원 도면 이미지를 학습 데이터로 입력 받아, 기계 학습 알고리즘 중 지도 학습 알고리즘을 수행할 수 있다.
단계(S620)에서, 제2 데이터 전처리부에서 신규 2차원 도면 이미지가 학습 데이터와 동일한 격자 크기로 변환된다. 예를 들어, 도 1 내지 도 5를 참조하면, 제2 데이터 전처리부(142)는 신규 2차원 도면 이미지가 단계(S610)의 학습 데이터와 동일한 격자 크기로 변환될 수 있다.
단계(S630)에서, 기계 학습 결과를 기반으로 신규 2차원 도면 이미지에 AP 배치 위치를 표기하여 결과 데이터가 생성된다. 예를 들어, 도 1 내지 도 5를 참조하면, AP 배치 이미지 생성부(146)는 단계(S610)의 기계 학습 결과를 기반으로 단계(S620)에서 격자 변환된 신규 2차원 도면 이미지에 AP 배치 위치를 표기하여 결과 데이터를 생성할 수 있다.
상기 방법은 특정 실시예들을 통하여 설명되었지만, 상기 방법은 또한 컴퓨터로 읽을 수 있는 기록매체에 컴퓨터가 읽을 수 있는 코드로서 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 기록매체는 컴퓨터 시스템에 의해 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 컴퓨터가 읽을 수 있는 기록매체의 예로는 ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광데이터 저장 장치 등이 있다. 또한, 컴퓨터가 읽을 수 있는 기록매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행될 수 있다. 그리고, 상기 실시예들을 구현하기 위한 기능적인(functional) 프로그램, 코드 및 코드 세그먼트들은 본 발명이 속하는 기술분야의 프로그래머들에 의해 용이하게 추론될 수 있다.
이상, 본 발명을 도면에 도시된 실시예를 참조하여 설명하였다. 그러나, 본 발명은 이에 한정되지 않고 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에 의해 본 발명과 균등한 범위에 속하는 다양한 변형예 또는 다른 실시예가 가능하다. 따라서, 본 발명의 진정한 보호범위는 이어지는 특허청구범위에 의해 정해져야 할 것이다.
100: 선내 무선 AP 배치 시스템 110: 3차원 모델 전처리 모듈
122: 무선 AP 전파 분석 모듈 124: 무선 AP 최적화 배치 모듈
130: 무선 AP 배치 2차원 매핑 모듈 140: AP 배치 매핑 학습부
112: 메쉬 변환부 114: 3차원 메쉬 축소부
132: 2차원 변환부 134: 제1 데이터 전처리부
136: 무선 AP 배치 위치 추출부 138: 2차원 도면 매핑부
142: 제2 데이터 전처리부 144: 이미지 기반 학습부
146: AP 배치 이미지 생성부 141: 입력 레이어
143: 뉴럴 네트워크 145: 출력 레이어

Claims (15)

  1. 선박의 3차원 모델의 전처리를 수행하는 3차원 모델 전처리 모듈;
    상기 전처리된 선박의 3차원 모델에 다수의 무선 AP(Access Point)를 배치하고, 전파의 수신 강도 정보를 형성하는 무선 AP 전파 분석 모듈;
    상기 선박의 3차원 모델에 상기 다수의 무선 AP를 일정간격으로 배치하고, 상기 수신 강도 정보를 이용하여 3차원 무선 AP 배치 결과를 형성하는 무선 AP 최적화 배치 모듈;
    상기 3차원 무선 AP 배치 결과를 2차원 무선 AP 배치 결과로 변환하는 무선 AP 배치 2차원 매핑 모듈; 및
    상기 2차원 무선 AP 배치 결과를 이용하여 기계 학습을 수행하고, 기계 학습 결과를 이용하여 선박의 2차원 모델 수신 시 최적의 무선 AP 배치 결과를 산출하는 AP 배치 매핑 학습부를 포함하고,
    상기 3차원 모델 전처리 모듈은,
    상기 선박의 3차원 구조를 3차원 메쉬(Mesh) 모델로 변환하는 메쉬 변환부, 및
    상기 3차원 메쉬 모델의 정점들 및 표면들의 개수를 감소시켜 상기 선박의 3차원 모델을 형성하는 3차원 메쉬 축소부를 포함하며,
    상기 무선 AP 배치 2차원 매핑 모듈은,
    상기 3차원 무선 AP 배치 결과를 2차원 모델로 변환하는 2차원 변환부,
    상기 2차원 모델을 미리 설정된 격자 크기로 변환하여 전처리를 수행하는 제1 데이터 전처리부,
    상기 전처리된 2차원 모델에서 무선 AP의 배치 위치를 추출하는 무선 AP 배치 위치 추출부, 및
    상기 무선 AP의 배치 위치를 이용하여 상기 2차원 무선 AP 배치 결과를 형성하는 2차원 도면 매핑부를 포함하고,
    상기 AP 배치 매핑 학습부는,
    상기 2차원 도면 매핑부에 의해 형성된 상기 2차원 무선 AP 배치 결과를 레이블 데이터로 하고, 상기 제1 데이터 전처리부에 의해 전처리된 상기 2차원 모델을 학습 데이터로 하여, 상기 레이블 데이터 및 상기 학습 데이터를 미리 설정된 격자 크기로 변환하여 전처리를 수행하는 제2 데이터 전처리부,
    상기 전처리된 레이블 데이터 및 학습 데이터를 이용하여 상기 기계 학습을 수행하는 이미지 기반 학습부, 및
    상기 기계 학습 결과를 이용하여, 입력 데이터에 무선 AP 배치 위치가 표시된 AP 배치 이미지를 생성하는 AP 배치 이미지 생성부를 포함하는,
    3차원 모델 기반의 선내 무선 AP 배치 시스템.
  2. 제 1 항에 있어서,
    상기 무선 AP 전파 분석 모듈은,
    레이 트레이싱(Ray Tracing) 기법을 이용하여 전파의 수신 강도 정보를 형성하는,
    3차원 모델 기반의 선내 무선 AP 배치 시스템.
  3. 삭제
  4. 삭제
  5. 삭제
  6. 제 1 항에 있어서,
    상기 AP 배치 매핑 학습부는,
    상기 무선 AP 배치 2차원 매핑 모듈로부터 기계 학습용 2차원 도면 이미지들을 획득하고, 상기 기계 학습용 2차원 도면 이미지들로부터 기계 학습용 무선 AP 객체들을 추출하며, 상기 기계 학습용 무선 AP 객체들에 대응하는 무선 AP 배치 위치 정보인 제1 레이블들을 획득하고, 상기 기계 학습용 무선 AP 객체들을 뉴럴 네트워크로 적용하여, 상기 기계 학습용 무선 AP 객체들에 대응하는 기계 학습의 출력들을 생성하며, 상기 기계 학습의 출력들 및 상기 제1 레이블들에 기초하여, 상기 뉴럴 네트워크를 학습시키는,
    3차원 모델 기반의 선내 무선 AP 배치 시스템.
  7. 선박의 3차원 모델의 전처리를 수행하는 단계;
    상기 전처리된 선박의 3차원 모델에 다수의 무선 AP(Access Point)를 배치하고, 전파의 수신 강도 정보를 형성하는 단계;
    상기 선박의 3차원 모델에 상기 다수의 무선 AP를 일정간격으로 배치하고, 상기 수신 강도 정보를 이용하여 3차원 무선 AP 배치 결과를 형성하는 단계;
    상기 3차원 무선 AP 배치 결과를 2차원 무선 AP 배치 결과로 변환하는 단계;
    상기 2차원 무선 AP 배치 결과를 이용하여 기계 학습을 수행하는 단계; 및
    상기 기계 학습 결과를 이용하여 선박의 2차원 모델 수신 시 최적의 무선 AP 배치 결과를 산출하는 단계를 포함하고,
    상기 선박의 3차원 모델의 전처리를 수행하는 단계는,
    상기 선박의 3차원 구조를 3차원 메쉬(Mesh) 모델로 변환하는 단계, 및
    상기 3차원 메쉬 모델의 정점들 및 표면들의 개수를 감소시켜 상기 선박의 3차원 모델을 형성하는 단계를 포함하며,
    상기 3차원 무선 AP 배치 결과를 2차원 무선 AP 배치 결과로 변환하는 단계는,
    상기 3차원 무선 AP 배치 결과를 2차원 모델로 변환하는 단계,
    상기 2차원 모델을 미리 설정된 격자 크기로 변환하여 전처리를 수행하는 단계,
    상기 전처리된 2차원 모델에서 무선 AP의 배치 위치를 추출하는 단계, 및
    상기 무선 AP의 배치 위치를 이용하여 상기 2차원 무선 AP 배치 결과를 형성하는 단계를 포함하고,
    상기 기계 학습을 수행하는 단계는,
    상기 2차원 무선 AP 배치 결과를 레이블 데이터로 하고, 상기 전처리된 2차원 모델을 학습 데이터로 하여, 상기 레이블 데이터 및 상기 학습 데이터를 미리 설정된 격자 크기로 변환하여 전처리를 수행하는 단계,
    상기 전처리된 레이블 데이터 및 학습 데이터를 이용하여 상기 기계 학습을 수행하는 단계, 및
    상기 기계 학습 결과를 이용하여 입력 데이터에 무선 AP 배치 위치가 표시된 AP 배치 이미지를 생성하는 단계를 포함하는,
    3차원 모델 기반의 선내 무선 AP 배치 방법.
  8. 제 7 항에 있어서,
    상기 전파의 수신 강도 정보를 형성하는 단계는,
    레이 트레이싱(Ray Tracing) 기법을 이용하여 전파의 수신 강도 정보를 형성하는,
    3차원 모델 기반의 선내 무선 AP 배치 방법.
  9. 삭제
  10. 삭제
  11. 삭제
  12. 제 7 항에 있어서,
    상기 기계 학습을 수행하는 단계는,
    상기 3차원 무선 AP 배치 결과를 2차원 무선 AP 배치 결과로 변환하는 단계로부터 기계 학습용 2차원 도면 이미지들을 획득하는 단계,
    상기 기계 학습용 2차원 도면 이미지들로부터 기계 학습용 무선 AP 객체들을 추출하는 단계,
    상기 기계 학습용 무선 AP 객체들에 대응하는 무선 AP 배치 위치 정보인 제1 레이블들을 획득하는 단계,
    상기 기계 학습용 무선 AP 객체들을 뉴럴 네트워크로 적용하여, 상기 기계 학습용 무선 AP 객체들에 대응하는 기계 학습의 출력들을 생성하는 단계, 및
    상기 기계 학습의 출력들 및 상기 제1 레이블들에 기초하여, 상기 뉴럴 네트워크를 학습시키는 단계를 포함하는,
    3차원 모델 기반의 선내 무선 AP 배치 방법.
  13. 3차원 원본 파일을 메쉬 형태로 변환하는 단계;
    메쉬 형태로 변환된 상기 3차원 원본 파일의 메쉬 숫자를 최소화하는 단계;
    3차원 모델을 로딩 후 무선 AP(Access Point)를 수동 배치 후 입력 정보로서 입력하는 단계;
    3차원 그래픽 형태의 전파 수신 강도(coverage) 결과를 출력하는 단계;
    무선 AP의 가상 배치 기준으로 레이 트레이싱 기법을 이용한 전파 영역을 계산하는 단계;
    최소한의 수량으로 상기 3차원 모델의 구역을 커버하는 AP 배치 결과를 출력하는 단계;
    상기 AP 배치 결과가 출력된 3차원 모델을 Top view로 변환하고, 2차원 이미지로 변환하는 단계;
    상기 3차원 모델과 동일한 구역의 2차원 도면 이미지를 입력 받고, 상기 2차원 도면 이미지를 상기 2차원 이미지와 동일한 격자 크기로 변환하는 단계;
    상기 3차원 모델과 상기 AP 배치 결과 이미지를 매칭하여 AP 위치를 추출하는 단계; 및
    상기 2차원 도면 이미지에 상기 AP 위치를 표기하여 매핑 결과를 출력하는 단계를 포함하는,
    3차원 모델 기반의 선내 무선 AP 배치 방법.
  14. 제 13 항에 있어서,
    상기 AP 배치가 매핑된 2차원 도면을 레이블 데이터로, 상기 2차원 도면 이미지를 학습 데이터로 입력 받아 기계 학습을 수행하는 단계,
    신규 2차원 도면 이미지를 상기 학습 데이터와 동일한 격자 크기로 변환하는 단계, 및
    상기 기계 학습의 결과를 기반으로 상기 신규 2차원 도면 이미지에 상기 AP 배치 위치를 표기하여 결과 데이터를 생성하는 단계를 포함하는,
    3차원 모델 기반의 선내 무선 AP 배치 방법.
  15. 제 7 항, 제 8 항, 제 12 항, 제 13 항, 또는 제 14 항에 따른 3차원 모델 기반의 선내 무선 AP 배치 방법을 컴퓨터에서 실행하기 위한 컴퓨터 프로그램이 기록된, 컴퓨터 판독 가능한 기록매체.
KR1020210148629A 2021-11-02 2021-11-02 3차원 모델 기반의 선내 무선 ap 배치 시스템 및 방법, 동 방법을 컴퓨터에서 실행하기 위한 컴퓨터 프로그램이 기록된, 컴퓨터 판독 가능한 기록 매체 KR102537518B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210148629A KR102537518B1 (ko) 2021-11-02 2021-11-02 3차원 모델 기반의 선내 무선 ap 배치 시스템 및 방법, 동 방법을 컴퓨터에서 실행하기 위한 컴퓨터 프로그램이 기록된, 컴퓨터 판독 가능한 기록 매체

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210148629A KR102537518B1 (ko) 2021-11-02 2021-11-02 3차원 모델 기반의 선내 무선 ap 배치 시스템 및 방법, 동 방법을 컴퓨터에서 실행하기 위한 컴퓨터 프로그램이 기록된, 컴퓨터 판독 가능한 기록 매체

Publications (2)

Publication Number Publication Date
KR20230063496A KR20230063496A (ko) 2023-05-09
KR102537518B1 true KR102537518B1 (ko) 2023-05-26

Family

ID=86408999

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210148629A KR102537518B1 (ko) 2021-11-02 2021-11-02 3차원 모델 기반의 선내 무선 ap 배치 시스템 및 방법, 동 방법을 컴퓨터에서 실행하기 위한 컴퓨터 프로그램이 기록된, 컴퓨터 판독 가능한 기록 매체

Country Status (1)

Country Link
KR (1) KR102537518B1 (ko)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010518700A (ja) 2007-01-31 2010-05-27 シンボル テクノロジーズ インコーポレイテッド 最適なｒｆ送信機の配置のための方法と装置
KR101047120B1 (ko) * 2008-12-22 2011-07-07 한국전자통신연구원 센서 노드 시뮬레이션 시스템
KR101625757B1 (ko) 2014-11-25 2016-05-31 한국과학기술원 무선랜 라디오맵 자동 구축 방법 및 시스템

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100417821B1 (ko) * 2002-05-04 2004-02-05 엘지전자 주식회사 무선랜의 다중 액세스포인트 최적위치 설정 방법
KR101536253B1 (ko) * 2012-04-16 2015-07-14 주식회사 케이티 Ｗｉ－Ｆｉ망 설계를 위한 ＡＰ 최소 개수 산정 및 최적 배치 방법
KR102146365B1 (ko) 2014-01-17 2020-08-20 대우조선해양 주식회사 선내와 육상에서 선박의 효율적 운영을 위한 통합 정보 시스템

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010518700A (ja) 2007-01-31 2010-05-27 シンボル テクノロジーズ インコーポレイテッド 最適なｒｆ送信機の配置のための方法と装置
KR101047120B1 (ko) * 2008-12-22 2011-07-07 한국전자통신연구원 센서 노드 시뮬레이션 시스템
KR101625757B1 (ko) 2014-11-25 2016-05-31 한국과학기술원 무선랜 라디오맵 자동 구축 방법 및 시스템

Also Published As

Publication number Publication date
KR20230063496A (ko) 2023-05-09

Similar Documents

Publication Publication Date Title
EP3319016B1 (en) Control systems using deep reinforcement learning
EP3405845B1 (en) Object-focused active three-dimensional reconstruction
US10503976B2 (en) Methods and apparatus for autonomous robotic control
US10943352B2 (en) Object shape regression using wasserstein distance
Miclea et al. Monocular depth estimation with improved long-range accuracy for UAV environment perception
KR102440385B1 (ko) 멀티 인식모델의 결합에 의한 행동패턴 인식방법 및 장치
CN115131849A (zh) 图像生成方法以及相关设备
CN114863228A (zh) 一种基于机器视觉的机场特种车辆避障方法
CN114548253A (zh) 一种基于图像识别及动态匹配的数字孪生模型构建系统
Yao et al. Vision-based environment perception and autonomous obstacle avoidance for unmanned underwater vehicle
Ayhan et al. A comparative study of two approaches for UAV emergency landing site surface type estimation
CN114494594A (zh) 基于深度学习的航天员操作设备状态识别方法
Dai et al. Camera view planning based on generative adversarial imitation learning in indoor active exploration
KR102537518B1 (ko) 3차원 모델 기반의 선내 무선 ap 배치 시스템 및 방법, 동 방법을 컴퓨터에서 실행하기 위한 컴퓨터 프로그램이 기록된, 컴퓨터 판독 가능한 기록 매체
CN112365456B (zh) 基于三维点云数据的变电站设备分类方法
Pereira A machine learning approach for predicting docking-based structures
KR102640795B1 (ko) 레이더 기반 선박의 이/접안 지원 시스템 및 방법, 동 방법을 컴퓨터에서 실행하기 위한 컴퓨터 프로그램이 기록된, 컴퓨터 판독 가능한 기록 매체
CN113592912A (zh) 一种高集成度远距离舰载无人机回航运动轨迹实时检测跟踪方法及装置
Andersson et al. Predicting Gripability Heatmaps using conditional GANs
KR102640791B1 (ko) 선내 음성 디지털화 시스템
KR102650152B1 (ko) 4차원 레이더를 활용한 해적 선박 감지 시스템 및 방법, 동 방법을 컴퓨터에서 실행하기 위한 컴퓨터 프로그램이 기록된, 컴퓨터 판독 가능한 기록 매체
Zhang et al. A self-supervised monocular depth estimation approach based on uav aerial images
KR102475552B1 (ko) 진동 데이터 형성 장치 및 방법과, 그를 저장하는 컴퓨터 판독 가능한 기록 매체
KR102428941B1 (ko) 광대역 라이다 스캔 기반 이미지 정합을 통해 텍스처가 구현된 3d 스캔 데이터 생성 방법, 장치 및 시스템
Yang et al. DARE: Diver Action Recognition Encoder for Underwater Human-Robot Interaction

Legal Events

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