KR102633126B1 - 센서 디바이스로부터의 데이터를 사용한 모션 탐지 시스템을 위한 트레이닝 데이터 - Google Patents
센서 디바이스로부터의 데이터를 사용한 모션 탐지 시스템을 위한 트레이닝 데이터 Download PDFInfo
- Publication number
- KR102633126B1 KR102633126B1 KR1020207033248A KR20207033248A KR102633126B1 KR 102633126 B1 KR102633126 B1 KR 102633126B1 KR 1020207033248 A KR1020207033248 A KR 1020207033248A KR 20207033248 A KR20207033248 A KR 20207033248A KR 102633126 B1 KR102633126 B1 KR 102633126B1
- Authority
- KR
- South Korea
- Prior art keywords
- training
- label
- sensor data
- motion
- motion detection
- Prior art date
Links
- 230000033001 locomotion Effects 0.000 title claims abstract description 361
- 238000012549 training Methods 0.000 title claims abstract description 222
- 238000001514 detection method Methods 0.000 title claims abstract description 180
- 230000003190 augmentative effect Effects 0.000 claims abstract description 9
- 238000004891 communication Methods 0.000 claims description 162
- 108091006146 Channels Proteins 0.000 claims description 127
- 238000000034 method Methods 0.000 claims description 44
- 238000010801 machine learning Methods 0.000 claims description 14
- 238000005259 measurement Methods 0.000 claims description 14
- 238000004458 analytical method Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 description 30
- 238000013528 artificial neural network Methods 0.000 description 23
- 238000013480 data collection Methods 0.000 description 17
- 238000012545 processing Methods 0.000 description 16
- 239000000523 sample Substances 0.000 description 15
- 238000010586 diagram Methods 0.000 description 13
- 238000004590 computer program Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 11
- 239000011159 matrix material Substances 0.000 description 5
- 230000004044 response Effects 0.000 description 5
- 238000012546 transfer Methods 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 4
- 238000013515 script Methods 0.000 description 4
- 241001465754 Metazoa Species 0.000 description 3
- 230000009471 action Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000011664 signaling Effects 0.000 description 3
- 230000002123 temporal effect Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 239000003570 air Substances 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 230000010267 cellular communication Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005562 fading Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 230000010363 phase shift Effects 0.000 description 1
- 229920002239 polyacrylonitrile Polymers 0.000 description 1
- 201000006292 polyarteritis nodosa Diseases 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 239000011343 solid material Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 238000013106 supervised machine learning method Methods 0.000 description 1
- 230000000153 supplemental effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000013107 unsupervised machine learning method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 230000001755 vocal effect Effects 0.000 description 1
- 210000000707 wrist Anatomy 0.000 description 1
Classifications
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/886—Radar or analogous systems specially adapted for specific applications for alarm systems
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
- G01S7/415—Identification of targets based on measurements of movement associated with the target
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L25/00—Baseband systems
- H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
- H04L25/0202—Channel estimation
- H04L25/0224—Channel estimation using sounding signals
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/08—Testing, supervising or monitoring using real traffic
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/029—Location-based management or tracking services
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/38—Services specially adapted for particular environments, situations or purposes for collecting sensor information
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/003—Bistatic radar systems; Multistatic radar systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Signal Processing (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Power Engineering (AREA)
- Electromagnetism (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
설명된 상기 예의 일반적인 모습에서, 센서 디바이스로부터의 센서 데이터는 모션 탐지 시스템을 위한 트레이닝 데이터를 향상시키기 위해 사용된다. 몇몇 모습들에서, "실측 자료 (ground truth)" 라벨들, 센서 데이터, 및 채널 정보가 모션 탐지 트레이닝 구간 동안에 수신된다. 상기 라벨들 및 센서 데이터는 그 라벨들 및 센서 데이터 사이의 차이를 탐지하기 위해 분석된다. 상기 라벨들은 상기 센서 데이터에 기반하여 교정되거나 보강된다. 상기 채널 정보는 라벨들을 이용하여 태그가 부여되며 모션 탐지 시스템을 트레이닝하기 위해 트레이닝 정보로서 제공된다.
Description
관련
출원에 대한 상호참조
본원은 2018년 5월 23일에 출원된 "Training Data for a Motion Detection System Using Data from a Sensor Device" 제목의 미국 특허 출원 No. 15/987,805에 대한 우선권을 주장하며, 이 출원의 내용들은 본원에 참조로서 편입된다.
다음의 설명은 센서 디바이스로부터의 데이터를 사용하여 모션 탐지 시스템을 위한 트레이닝 데이터의 정밀도를 향상시키는 것에 관한 것이다.
모션 탐지 시스템들은, 예를 들면, 방이나 외부 영역 내에서 물체들의 움직임을 탐지하기 위해 사용되었다. 몇몇의 예시의 모션 탐지 시스템들에서, 적외선 또는 광학 센서들이 사용되어, 센서의 시야 내에서 물체들의 움직임을 탐지한다. 모션 탐지 시스템들은 보안 시스템, 자율 제어 시스템 및 다른 유형의 시스템들에서 사용된다.
본 발명은, 센서 디바이스로부터의 데이터를 사용한 모션 탐지 시스템을 위한 트레이닝 데이터에 관한 방법 및 시스템을 제공하려고 한다.
본 발명에 따른 모션 탐지 트레이닝 방법이 제공되며, 이 방법은:
트레이닝 신호들에 기반한 채널 정보를 수신하는 단계로, 상기 트레이닝 신호들은 모션 탐지 트레이닝 시간 구간 동안에 공간을 통해 무선 통신 디바이스에 의해 전송된 무선 신호들을 포함하는, 채널 정보 수신 단계;
상기 모션 탐지 트레이닝 시간 구간 동안에 상기 공간 내 모바일 디바이스의 사용자 인터페이스로의 정보 입력에 기반한 라벨을 수신하는 단계;
상기 모션 탐지 트레이닝 시간 구간 동안에 상기 공간 내 센서 디바이스에 의해 수집된 센서 데이터를 수신하는 단계;
상기 라벨 및 상기 센서 데이터 사이의 차이를 탐지하기 위해 상기 라벨 및 상기 센서 데이터를 분석하는 단계;
상기 라벨 및 상기 센서 데이터를 분석한 것에 기반하여 태그를 생성하는 단계; 그리고
상기 채널 정보 및 상기 태그를 모션 탐지 시스템을 트레이닝시키기 위한 트레이닝 입력으로서 제공하는 단계를 포함한다.
본 발명에 따른 모션 탐지 트레이닝 시스템이 제공되며, 이 시스템은:
하나 이상의 프로세서들;
명령어들을 저장하는 메모리를 포함하며,
상기 명령어들은 상기 하나 이상의 프로세서들에 의해 실행될 때에 상기 데이터 프로세싱 장치로 하여금:
트레이닝 신호들에 기반한 채널 정보를 수신하도록 하며, 상기 트레이닝 신호들은 모션 탐지 트레이닝 시간 구간 동안에 공간을 통해 무선 통신 디바이스에 의해 전송된 무선 신호들을 포함하며;
상기 모션 탐지 트레이닝 시간 구간 동안에 상기 공간 내 모바일 디바이스의 사용자 인터페이스로의 정보 입력에 기반한 라벨을 수신하도록 하며;
상기 모션 탐지 트레이닝 시간 구간 동안에 상기 공간 내 센서 디바이스에 의해 수집된 센서 데이터를 수신하도록 하며;
상기 라벨 및 상기 센서 데이터 사이의 차이를 탐지하기 위해 상기 라벨 및 상기 센서 데이터를 분석하도록 하며;
상기 라벨 및 상기 센서 데이터를 분석한 것에 기반하여 태그를 생성하도록 하며; 그리고
상기 채널 정보 및 상기 태그를 모션 탐지 시스템을 트레이닝시키기 위한 트레이닝 입력으로서 제공하게 하도록 한다.
본 발명에 따른, 명령어들을 포함하는 비-일시적 컴퓨터 판독가능 매체가 제공되며,
상기 명령어들은 하나 이상의 프로세서들에 의해 실행될 때에 동작들을 수행하기 위해 작동할 수 있으며, 상기 동작들은:
트레이닝 신호들에 기반한 채널 정보를 수신하는 동작으로, 상기 트레이닝 신호들은 모션 탐지 트레이닝 시간 구간 동안에 공간을 통해 무선 통신 디바이스에 의해 전송된 무선 신호들을 포함하는, 채널 정보 수신 동작;
상기 모션 탐지 트레이닝 시간 구간 동안에 상기 공간 내 모바일 디바이스의 사용자 인터페이스로의 정보 입력에 기반한 라벨을 수신하는 동작;
상기 모션 탐지 트레이닝 시간 구간 동안에 상기 공간 내 센서 디바이스에 의해 수집된 센서 데이터를 수신하는 동작;
상기 라벨 및 상기 센서 데이터 사이의 차이를 탐지하기 위해 상기 라벨 및 상기 센서 데이터를 분석하는 동작;
상기 라벨 및 상기 센서 데이터를 분석한 것에 기반하여 태그를 생성하는 동작; 그리고
상기 채널 정보 및 상기 태그를 모션 탐지 시스템을 트레이닝시키기 위한 트레이닝 입력으로서 제공하는 동작을 포함한다.
본 발명의 효과는 본 명세서의 해당되는 부분들에 개별적으로 명시되어 있다.
도 1은 예시의 무선 통신 시스템을 보여주는 도면이다.
도 2a 및 도 2b는 무선 통신 디바이스들 사이에서 전달된 예시의 무선 신호들을 보여주는 도면들이다.
도 3은 예시의 모션 탐지 트레이닝 시스템을 보여주는 블록도이다.
도 4a - 도 4b는 무선 통신 시스템에서 모션 탐지 트레이닝 정보를 수집하는 예를 보여주는 도면들이다.
도 5는 무선 통신 시스템에서 수집된 트레이닝 정보를 프로세싱하는 것을 보여주는 시퀀스 도면이다.
도 6a 및 도 6b는 무선 통신 시스템에서 모션 탐지 트레이닝을 위한 예시의 프로세스를 보여주는 흐름도들이다.
도 7은 예시의 노드 디바이스를 보여주는 블록도이다.
도 2a 및 도 2b는 무선 통신 디바이스들 사이에서 전달된 예시의 무선 신호들을 보여주는 도면들이다.
도 3은 예시의 모션 탐지 트레이닝 시스템을 보여주는 블록도이다.
도 4a - 도 4b는 무선 통신 시스템에서 모션 탐지 트레이닝 정보를 수집하는 예를 보여주는 도면들이다.
도 5는 무선 통신 시스템에서 수집된 트레이닝 정보를 프로세싱하는 것을 보여주는 시퀀스 도면이다.
도 6a 및 도 6b는 무선 통신 시스템에서 모션 탐지 트레이닝을 위한 예시의 프로세스를 보여주는 흐름도들이다.
도 7은 예시의 노드 디바이스를 보여주는 블록도이다.
일반적인 모습에서, 공간 내 모션은 그 공간을 통해 통신하는 (예를 들면, 무선 메시 네트워크나 다른 유형의 무선 네트워크의) 다수의 무선 통신 디바이스들로부터의 정보를 이용하여 탐지될 수 있다. 예컨대, 무선 통신 네트워크 내 디바이스들 중 하나 이상에서 수신된 무선 신호들은 (그 네트워크 내 디바이스들 중 각자의 쌍들 사이에서) 그 네트워크 내 상이한 통신 링크들을 위한 채널 정보를 판별하기 위해 분석될 수 있다. 몇몇 예들에서, 채널 정보는 채널 상태 정보 (본원에서는 무선 상태 채널 정보로도 또한 언급됨)를 포함한다. 채널 상태 정보는 통신 링크의 알려진 채널 특성들을 언급하는 것일 수 있으며, 그리고 무선 신호가 전송기로부터 수신기로 어떻게 전파하는가를 기술할 수 있어서, 예를 들어, 전송기와 수신기 사이의 공간 내 스캐터링 (scattering), 페이딩 (fading), 및 전력 감소의 결합된 영향을 나타낸다. 몇몇 사례들에서, 채널 정보는 빔포밍 상태 정보를 포함한다. 빔포밍 (또는 공간적 필터링)은 방향성 신호 전송 또는 수신을 위해 다중 안테나 (다중-입력/다중-출력 (MIMO)) 라디오 시스템들에서 사용된 신호 프로세싱 기술을 언급하는 것일 수 있다. 특별한 각도에서의 신호들이 보강 간섭을 겪으며 다른 신호들은 상쇄 간섭을 겪는 방식으로, 안테나 어레이 내 소자들을 결합함으로써 빔포밍이 달성될 수 있다. 빔포밍은 공간적인 선택성을 달성하기 위해서 전송 말단 및 수신 말단 둘 모두에서 사용될 수 있다. 몇몇 경우에 (예를 들면, IEEE 802.11ac 표준), 빔포밍 스티어링 행렬은 전송기에 의해 사용된다. 빔포밍 행렬은 상기 안테나 어레이가 전송을 위한 공간적인 경로를 선택하기 위해 자신의 개별 안테나 소자들 각각을 어떻게 사용해야 하는가에 대한 수학적인 설명을 포함할 수 있다. 비록 특정 모습들이 채널 상태 정보에 관하여 여기에서 설명될 수 있지만, 설명된 상기 모습들에서 빔포밍 상태 정보 또는 빔포머 스티어링 행렬 상태가 마찬가지로 사용될 수 있다.
하나 이상의 통신 링크들에 대한 채널 정보는, 공간 내에서 모션이 발생했는가의 여부를 탐지하기 위해, 탐지된 모션의 상대적인 위치를 판별하기 위해 또는 둘 모두를 하기 위해 (예를 들면, 상기 무선 통신 디바이스들 중 하나에 의해, 상기 네트워크 내 허브 디바이스나 상기 네트워크에 통신 가능하게 결합된 원격 디바이스에 의해) 분석될 수 있다. 몇몇 구현들에서, 상기 무선 통신 네트워크는 무선 메시 네트워크를 포함한다. 무선 메시 네트워크는, 중앙 액세스 포인트, 기지국 또는 네트워크 제어기를 사용하지 않으면서 포인트-대-포인트 방식으로 직접적으로 노드들 (디바이스들)이 통신하는 분산된 무선 네트워크로서 전개될 수 있다. 무선 메시 네트워크들은 메시 클라이언트들, 메시 라우터들 또는 메시 게이트웨이들을 포함할 수 있다. 몇몇 예들에서, 무선 메시 네트워크는 IEEE 802.11s 표준에 기반한다. 몇몇 예들에서, 무선 메시 네트워크는 WI-FI 애드 혹 (ad hoc)이나 다른 독점적인 기술에 기반한다.
일부 구현들에서, 통신 시스템 내 디바이스들의 하나 이상의 쌍들을 위한 채널 정보는 제1 시간 포인트에서, 그리고, 예를 들면, 시간적인 시퀀스 내 그 이후의 후속의 시간 포인트들에서 획득된다. 시간이 지남에 따라 통신 시스템의 하나 이상의 링크들의 채널 정보를 분석함으로써 모션이 탐지될 수 있다. 몇몇 구현들에서, 각자의 통신 링크들에 대한 채널 정보는 모션을 탐지하기 위해 또는 탐지된 모션의 위치를 판별하기 위해 신경 네트워크에 의해 분석될 수 있다.
일 예에서, 트레이닝 모드에 있을 때에, 모션 탐지 시스템은 공간 내 별개 구역 내 물체의 모션을, 그 물체의 모션이 그 별개 구역 내에서 발생될 때에 획득된 채널 정보와 연관시킨다. 일 예에서, 신경 네트워크는 공간을 통해 사용자가 걸을 때에 전송된 트레이닝 신호들에 기반하여 상기 무선 네트워크의 상기 디바이스들로부터의 채널 정보를 수집함으로써 트레이닝될 수 있다. 몇몇 경우에, 상기 채널 정보는, 그 사용자의 위치에 따라 또는 다른 방식으로 상기 사용자가 현재 이동하고 있는가의 여부에 기반한 모션 정보로 태그가 부여될 수 있다. 그 태그 부여된 채널 정보는 상기 신경 네트워크에 의해 분석될 수 있으며 그리고 물체의 모션, 모션의 카테고리 (예를 들면, 사람에 의한 모션 대 애완 동물에 의한 모션), 또는 탐지된 모션의 위치를 탐지하기 위해 상기 신경 네트워크를 트레이닝하는데 있어서 사용될 수 있다.
몇몇 모습들에서, 모션 탐지 트레이닝 동안에, 트레이닝 신호들에 기반한 채널 정보 데이터가 수신된다. 몇몇 경우에, 상기 트레이닝 신호들은 모션 탐지 트레이닝 시간 구간 동안에 공간을 통해 무선 통신 디바이스에 의해 전송된 무선 신호들을 포함한다. 몇몇 경우에, 상기 모션 탐지 트레이닝 시간 구간 동안에 모바일 디바이스의 사용자 인터페이스로의 정보 입력에 기반한 하나 이상의 라벨들이 수신되며, 그리고 상기 모션 탐지 트레이닝 시간 구간 동안에 센서 디바이스에 의해 수집된 센서 데이터가 또한 수신된다. 상기 하나 이상의 라벨들 및 상기 센서 데이터는, 상기 라벨들 및 상기 센서 데이터 사이의 차이를 탐지하기 위해 분석된다. 상기 라벨 및 상기 센서 데이터 분석에 기반하여 태그가 생성된다. 상기 채널 정보 및 상기 태그는 (예를 들면, 상기 신경 네트워크를 트레이닝시키기 위해) 상기 모션 탐지 시스템을 트레이닝시키기 위한 트레이닝 입력으로서 제공된다.
몇몇 경우에, 모션 탐지 및 모션 소스 로컬화를 위해 무선 채널 정보를 사용하는 프로세스들은 특정 모션 상태들, 예를 들면, "모션" 또는 "모션 없음" 상태들과 연관된 특정 시그니처들을 식별할 수 있다. 상기 무선 채널 정보를 포함하거나 그 무선 채널 정보에 기반하여 생성된 신호들을 시간적인 (예를 들면, 시간) 시퀀스를 분석함으로써 이 시그니처들이 식별된다. 이는, 예를 들면, 측정된 데이터세트들에 기반하여 분류기 (classifier) 시스템을 트레이닝시키기 위해 지도 (supervised) 또는 비지도 (unsupervised) 기계 학습을 사용하여 수행될 수 있다. 예컨대, 측정된 트레이닝 세트들이 식별되며 분류되고 있을 때에, 지도 기계 학습 방법이나 비지도 기계 학습 방법 중 어느 하나를 사용하여 모션 탐지 시스템 트레이닝 동안에 시그니처들이 식별될 수 있다. 측정된 트레이닝 데이터세트는 채널 정보, 예를 들면, 채널 응답들의 세트, 그리고 그 채널 정보와 연관된 태그 부여된 정보로 구성될 수 있다. 한 모습에서, 상기 분류기는 측정된 트레이닝 데이터세트를 식별할 수 있으며 그 데이터세트를 모션의 유형 (예를 들면, "모션" 또는 "모션 없음")이나 모션의 카테고리(사람이나 동물 등)와 연관시킬 수 있다.
지도 기계 학습의 경우에, 각 시스템이 설치된 이후에 개별 모션 탐지 시스템들이 트레이닝되며 정상적인 시스템 동작 동안에 다른 시점들에서 또한 트레이닝될 수 있다. 예를 들면, 시스템 성능을 조절하기 위해서 또는 탐지된 모션 유형들의 새로운 특징들을 식별하기 위해서, 예를 들면, 새로운 지역들, 위치들, 또는 제스터들을 식별하기 위해서, 모션 탐지 시스템은 시스템 동작 동안에 트레이닝될 수 있다. 상기 지도 기계 학습 트레이닝 프로세스는 트레이닝 구간 동안에 사용자로부터의 입력을 포함한다. 예를 들면, 상기 모션 탐지 시스템이 무선 채널 상태 정보를 측정하고 기록하고 있을 때에 트레이닝 구간 동안에 사용자 데이터는 라벨이 부여된다. 이 데이터 라벨들은 "실측 자료 (ground truth)" 데이터 라벨들로 간주될 수 있으며 상기 트레이닝 데이터세트의 일부가 될 수 있다. 사용자에 의해 제공된 또는 사용자 입력에 기반한 정보는, 예컨대, 다른 소스로부터 온 것으로 알려진 모션에 관한 정보를 나타내는 "실측 자료"로 간주될 수 있다. 몇몇 사례들에서, 지도 트레이닝 (supervised training) 동안에, 사용자는, 관심대상 지역 내부에서 그 사용자가 걷거나 특정 제스처들을 수행하는 "워크스루 (walkthrough)"를 수행할 수 있다. 동시에, 사용자는 상기 워크스루와 연관된 시간, 모션 유형, 및 모션 지역 라벨들과 같은 추가적인 "실측 자료" 모션 데이터 정보를 상기 모션 탐지 시스템에게 제공할 수 있다. 사용자는 상기 데이터 라벨들을 사용자가 운반하는 모바일 디바이스 (예를 들면, 스마트폰, 스마트 시계, 테블릿 등) 상의 모션 탐지 트레이닝 애플리케이션으로 입력할 수 있다. 상기 모바일 디바이스는 그 후에 상기 데이터 라벨들을 모션 탐지 트레이닝 시스템에게 제공하여, 대응 채널 정보와 연관되도록 한다. 이 데이터 라벨들은 그 후에 상기 측정된 데이터스테의 일부가 될 수 있다.
몇몇 구현들에서, 모션 탐지 시스템의 지도 트레이닝 프로세스는 트레이닝 프로세스 동안에 모바일 디바이스나 사용자가 입거나 운반하는 다른 웨어러블 디바이스의 하나 이상의 빌트-인 센서들로부터 모션 데이터를 수집한다. 몇몇 예들에서, 실시간 모션 정보가 상기 센서들에 의해 수집될 수 있으며, 상기 지도 트레이닝 프로세스 동안에 사용자가 제공한 사용자 입력, 예를 들면, "실측 자료" 데이터 라벨들을 보강하거나 교정하기 위해 사용된다. 상기 모바일 디바이스나 다른 웨어러블 디바이스의 빌트-인 센서는 가속도계, 자이로스코프, 나침반, 계보기 (pedometer), 기압계, 또는 센서들의 조합을 포함하는 모션에 관련된 정보를 제공할 수 있는 어떤 다른 유형의 센서를 포함할 수 있다. 센서들은, 그 센서에 의해 수집되지만 사용자에게는 제공되지 않거나 사용자가 이용 가능하지 않은, 방향, 속도, 계단들의 개수 등을 포함하는 정보에 추가로, 사용자와 동일하거나 유사한 유형의 모션 정보를 제공할 수 있다. 모션 탐지 트레이닝 시스템은 상기 센서들에 의해 제공된 모션 정보를, 사용자에 의해 모바일 디바이스 상의 애플리케이션으로 입력된 모션 데이터 라벨들과 결합하여, 데이터 라벨 보고들을 생성할 수 있다. 기록된 무선 채널 상태를 알려진 "실측 자료" 라벨들로 더 보강하기 위해, 상기 데이터 라벨 보고들은 클라우드나 상기 모션 탐지 시스템의 모션 센서에게 송신될 수 있다.
일 예에서, 관리 트레이닝 동안에, 사용자는 그 사용자가 특정 시점에 이동하고 있었다는 것을 표시하는 모션 상태 정보를 제공할 수 있지만, 하나 이상의 센서들은 단지 몇 초 더 늦은 이후에 모션을 긍정적으로 식별한다. 이 사례에서, 제공된 "실측 자료" 라벨의 타임스탬프는 상기 센서들의 시간 측정에 따라서 조절될 것이다. 다른 예에서, 상기 시스템이 "모션 없음" 상태를 위해 트레이닝할 때에 사용자는 정지하도록 지시받을 수 있지만, 모바일 센서들은 모션을 탐지한 데이터를 보고한다. 상기 센서는 이 정보를 보고할 수 있다. 이 경우에, 채널 정보, 사용자 입력, 및 센서 데이터를 포함하는 이 트레이닝 이벤트를 위한 모든 수집된 데이터는, 상기 정보가 "모션 없음" 모션 상태를 표시하여 부정확할 경우에 폐기될 수 있다.
본원에서 설명된 상기 시스템들 및 기술들의 모습들은 몇몇 사례들에서 하나 이상의 기술적인 이점들을 제공할 수 있다. 예를 들면, 진정한 모션 데이터가, 예를 들면, "실측 자료" 라벨들로 캡쳐되어, 발생했던 실제의 모션 상태를 표시하며, 그래서 모션 탐지 및 모션 소스 위치의 정밀도를 향상시킨다. 몇몇 사례들에서, 지도 기계 학습 동안에 제공된 상기 추가적인 센서 데이터는 상기 무선 채널의 특정 시간적인 시그니처들과 연관된 새로운 특징들의, 상기 모션 탐지 시스템에 의한 신원 증명을 향상시킬 수 있다. 사용자에 의한 수동 트레이닝 및 수동 모션 라벨링의 프로세스와 연관된 오류들은 몇몇 경우에 감소되거나 제거될 수 있다. 예를 들면, 트레이닝 프로세스 동안의 어떤 유형의 사용자 입력 오류들 (예를 들면, 라벨들을 빼먹을 수 있거나, 라벨들이 잘못된 시점에 입력될 수 있으며 또는 라벨들이 잘못된 정보를 포함할 수 있다) 그리고 그 결과인 데이터세트 라벨들의 채널 상태 정보와의 불일치는 기계 학습으로 하여금 "잘못된 것"을 학습하게 하거나 빈약한 품질을 가진 수렴 및 추론을 학습하게 하며, 그 결과 동일한 환경에서 유사한 모션들에 대해 빈약한 일반화를 하도록 할 수 있으며, 그리고 본원에서 설명된 상기 시스템들 및 기술들은 이런 유형의 오류들 및 잠재적인 다른 유형의 오류들을 감소시키거나 제거함으로써 정밀도를 향상시키기 위해 사용될 수 있다.
도 1은 예시의 무선 통신 시스템 (100)을 도시한다. 상기 예시의 무선 통신 시스템 (100)은 세 개의 무선 디바이스들 - 제1 무선 통신 디바이스 (102A), 제2 무선 통신 디바이스 (102B) 및 제3 무선 통신 디바이스 (102C)를 포함한다. 상기 예시의 무선 통신 시스템 (100)은 추가의 무선 통신 디바이스들 및 다른 컴포넌트들 (예컨대, 추가의 무선 통신 디바이스들, 하나 이상의 네트워크 서버들, 네트워크 라우터들, 네트워크 스위치들, 케이블이나 다른 통신 링크들 등)을 포함할 수 있다.
상기 예시의 무선 통신 디바이스들 (102A, 102B, 102C)은, 예를 들면, 무선 네트워크 표준이나 다른 유형의 무선 통신 프로토콜에 따른 무선 네트워크에서 작동할 수 있다. 예를 들면, 상기 무선 네트워크는 WLAN (Wireless Local Area Network), PAN (Personal Area Network), MAN (metropolitan area network), 메시 네트워크, 또는 다른 유형의 무선 네트워크로서 작동하도록 구성될 수 있다. WLAN들의 예들은 IEEE에 의해 개발된 표준들 중 802.11 패밀리 중 하나 이상에 따라 작동하도록 구성된 네트워크들 (예를 들면, Wi-Fi 네트워크들), 및 다른 것들을 포함한다. PAN들의 예들은 단거리-영역 통신 표준들 (예를 들면, BLUETOOTH®, NFC (Near Field Communication), ZigBee), 밀리미터파 통신, 및 다른 것들에 따라 작동하는 네트워크들을 포함한다.
몇몇 구현들에서, 상기 무선 통신 디바이스들 (102A, 102B, 102C)은, 예를 들면, 셀룰러 통신 네트워크 표준에 따른 셀룰러 네트워크에서 통신하도록 구성될 수 있다. 셀룰러 네트워크들의 예들은 GSM (Global System for Mobile) 및 EDGE (Enhanced Data rates for GSM Evolution)이나 EGPRS와 같은 2G 표준들; CDMA (Code Division Multiple Access), WCDMA (Wideband Code Division Multiple Access), UMTS (Universal Mobile Telecommunications System), 및 TD-SCDMA (Time Division Synchronous Code Division Multiple Access)와 같은 3G 표준들; LTE (Long-Term Evolution) 및 LTE-A (LTE-Advanced)와 같은 4G 표준들; 및 다른 것들에 따라 구성된 네트워크들을 포함한다.
도 1에서 보이는 예에서, 상기 무선 통신 디바이스들 (102A, 102B, 102C)은 표준의 무선 네트워크 컴포넌트들이거나 그런 컴포넌트들을 포함할 수 있다. 예를 들면, 상기 무선 통신 디바이스들 (102A, 102B, 102C)은 상업적으로 이용 가능한 Wi-Fi 액세스 포인트들 또는 무선 액세스 포인트 (wireless access point (WAP))의 모뎀 상에 명령어들 (예를 들면, 소프트웨어나 펌웨어)로서 내장된 여기에서 설명된 하나 이상의 동작들을 수행하는 상기 무선 액세스 포인트일 수 있다. 몇몇 경우들에서, 상기 무선 통신 디바이스들 (102A, 102B, 102C)은, 예를 들면, 상업적으로 이용 가능한 메시 네트워크 시스템과 같은 무선 메시 네트워크의 노드들일 수 있다 (예를 들면, GOOGLE WIFI). 몇몇 경우들에서, 다른 유형의 표준의 또는 통상적인 Wi-Fi 전송기 디바이스가 사용될 수 있다. 상기 무선 통신 디바이스들 (102A, 102B, 102C)은 Wi-Fi 컴포넌트들 없이 구현될 수 있다; 예를 들면, 다른 유형의 표준의 또는 비-표준 무선 통신이 모션 탐지를 위해 사용될 수 있다. 몇몇 경우들에서, 상기 무선 통신 디바이스들 (102A, 102B, 102C)은 전용의 모션 탐지 시스템일 수 있으며, 또는 그것들은 전용의 모션 탐지 시스템의 일부일 수 있다. 예를 들면, 상기 전용의 모션 탐지 시스템은 허브 디바이스 및 하니 이상의 비컨 디바이스들을 (원격 센서 디바이스들로서) 포함할 수 있으며, 그리고 상기 무선 통신 디바이스들 (102A, 102B, 102C)은 상기 모션 탐지 시스템 내 허브 디바이스 또는 비컨 디바이스 중 어느 하나일 수 있다.
도 1에서 보이는 예에서, 상기 무선 통신 디바이스들 (102A, 102B)은 (예를 들면, 무선 네트워크 표준, 모션 탐지 프로토콜에 따라, 또는 다르게) 무선 신호들을 전송한다. 예를 들면, 무선 통신 디바이스들 (102A, 102B)은 (예를 들면, 상기에서 설명된 것처럼) 무선 모션 프로브 신호들을 브로드캐스트할 수 있으며, 또는 그것들은 다른 디바이스들 (예를 들면, 사용자 장비, 클라이언트 디바이스, 서버 등)로 주소 지정된 무선 신호들을 송신할 수 있으며, 그리고 상기 무선 통신 디바이스 (102C)는 물론이며 상기 다른 디바이스들 (도시되지 않음)은 상기 무선 통신 디바이스들 (102A, 102B)에 의해 전송된 무선 신호들을 수신할 수 있다. 몇몇 경우에, 상기 무선 통신 디바이스들 (102A, 102B)에 의해 전송된 상기 무선 신호들은, 예를 들면, 무선 통신 표준에 따라 주기적으로 또는 다르게 반복된다.
보이는 예에서, 상기 무선 신호들이 액세스한 공간 내에서 물체의 모션을 탐지하기 위해, 탐지된 모션의 위치를 판별하기 위해, 또는 둘 모두를 위해, 상기 무선 통신 디바이스 (102C)는 상기 무선 통신 디바이스들 (102A, 102B)로부터의 무선 신호들을 프로세싱한다. 예를 들면, 상기 무선 통신 디바이스 (102C)는 도 2a 내지 도 2b에 관하여 아래에서 설명되는 예시의 프로세스들 또는 모션을 탐지하거나 탐지된 모션의 위치를 판별하기 위한 다른 유형의 프로세스의 하나 이상의 동작들을 수행할 수 있다. 상기 무선 신호들이 액세스한 공간은 실내 공간 또는 야외 공간일 수 있으며, 이는, 예를 들면, 하나 이상의 완전하게 또는 부분적으로 둘러싸인 영역들, 담장이 없는 개방 공간 등을 포함할 수 있다. 상기 공간은 방, 다수의 방들, 빌딩, 또는 유사한 것의 실내를 포함할 수 있다. 몇몇 경우에, 상기 무선 통신 시스템 (100)은 수정될 수 있어서, 예를 들면, 상기 무선 통신 디바이스 (102C)가 무선 신호들을 전송할 수 있도록 하며 그리고 모션을 탐지하거나 탐지된 모션의 위치를 판별하기 위해서 상기 무선 통신 디바이스들 (102A, 102B)이 상기 무선 통신 디바이스 (102C)로부터의 무선 신호들을 프로세싱할 수 있도록 한다. 이 예에서, 무선 신호들을 전송하는 통신 디바이스 (102C)는 소스 디바이스로서 작동할 수 있으며, 무선 신호들을 수신하고 프로세스하는 통신 디바이스들 (102A, 102B)은 센서 디바이스들로서 작동할 수 있다.
모션 탐지를 위해 사용된 무선 신호들은, 예를 들면, 비컨 신호 (예를 들면, 블루투스 비컨, Wi-Fi 비컨, 다른 무선 비컨 신호들), 파일럿 신호들 (예를 들면, 빔포밍 애플리케이션들과 같은 채널 사운딩을 위해 사용된 파일럿 신호들), 또는 무선 네트워크 표준에 따른 다른 목적들을 위해 생성된 다른 표준 신호 또는 모션 탐지 또는 다른 목적들을 위해 생성된 비-표준 신호들 (예를 들면, 랜덤 신호들, 레퍼런스 신호들 등)을 포함할 수 있다. 몇몇 예들에서, 상기 무선 신호들은 움직이는 물체와의 상호작용 (interaction) 이전에 또는 이후에 어떤 물체 (예를 들면, 벽)를 통해 전파 (propagate)하며, 이는 상기 움직이는 물체 및 전송 또는 수신 하드웨어 사이의 광학적 시선 (optical line-of-sight) 없이도 그 움직이는 물체의 이동이 탐지되는 것을 가능하게 할 수 있다. 수신 신호들에 기반하여, 제3 무선 통신 디바이스 (102C)는 모션 탐지 데이터를 생성할 수 있다. 몇몇 예들에서, 상기 제3 무선 통신 디바이스 (102C)는 상기 모션 탐지 데이터를 방, 빌딩, 야외 영역 등과 같은 공간 내 움직임을 모니터하기 위한 제어 센터를 포함할 수 있을 다른 디바이스나 보안 시스템과 같은 다른 시스템으로 전달할 수 있다.
몇몇 구현들에서, 상기 무선 통신 디바이스들 (102A, 102B)은 무선 네트워크 트래픽 신호들로부터의 분리된 무선 통신 채널 (예를 들면, 주파수 채널 또는 부호화 (coded) 채널) 상으로 (예를 들면, 위에서 설명된 것처럼) 모션 프로브 신호들을 전송하기 위해 수정될 수 있다. 예를 들면, 모션 프로브 신호의 페이로드에 적용된 변조 및 페이로드 내 데이터의 유형이나 데이터 구조는 상기 제3 무선 통신 디바이스 (102C)에 의해 알려질 수 있으며, 이는 모션 감지를 위해 상기 제3 무선 통신 디바이스 (102C)가 수행하는 프로세싱의 양을 줄일 수 있다. 헤더는, 예를 들면, 통신 시스템 (100) 내 다른 디바이스에 의해 모션이 탐지되었는가의 여부의 표시, 변조 유형의 표시, 신호를 전송하는 디바이스 신원증명 등과 같은 추가 정보를 포함할 수 있다.
도 1에서 보이는 예에서, 상기 무선 통신 시스템 (100)은, 각자의 무선 통신 디바이스들 (102) 각각 사이에서 무선 통신 링크들을 포함한다. 보이는 상기 예에서, 제3 무선 통신 디바이스 (102C) 및 상기 제1 무선 통신 디바이스 (102A) 사이의 무선 통신 링크는 제1 모션 탐지 필드 (110A)를 조사하기 위해 사용될 수 있으며, 제3 무선 통신 디바이스 (102C) 및 상기 제2 무선 통신 디바이스 (102B) 사이의 무선 통신 링크는 제2 모션 탐지 필드 (110B)를 조사하기 위해 사용될 수 있으며, 그리고 제1 무선 통신 디바이스 (102A) 및 상기 제2 무선 통신 디바이스 (102B) 사이의 무선 통신 링크는 제3 모션 탐지 필드 (110C)를 조사하기 위해 사용될 수 있다. 몇몇 예들에서, 각 무선 통신 디바이스 (102)는 모션 탐지 필드들 (110)을 통해 상기 무선 통신 디바이스들 (102)에 의해 전송된 무선 신호들에 기반한 수신 신호들을 프로세싱함으로써 그 디바이스가 액세스한 무선 탐지 필드들 (110) 내에서 모션을 탐지한다. 예를 들면, 도 1에서 보이는 사람 (106)이 제1 모션 탐지 필드 (110A) 및 제3 모션 탐지 필드 (110C)에서 이동할 때에, 상기 무선 통신 디바이스들 (102)은 각자의 모션 탐지 필드들 (110)을 통해 전송된 무선 신도들에 기반한 자신들이 수신했던 신호들에 기반하여 모션을 탐지할 수 있다. 예를 들면, 상기 제1 무선 통신 디바이스 (102A)는 모션 탐지 필드들 (110A, 110C) 둘 모두에서 사람의 모션을 탐지할 수 있으며, 상기 제2 무선 통신 디바이스 (102B)는 모션 탐지 필드 (110C)에서 그 사람 (106)의 모션을 탐지할 수 있으며, 그리고 상기 제3 무선 통신 디바이스 (102C)는 모션 탐지 필드들 (110A)에서 그 사람 (106)의 모션을 탐지할 수 있다.
몇몇 사례들에서, 모션 탐지 필드들 (110)은 무선 전자기 신호들이 전파될 수 있는, 예를 들면, 공기, 고체 물질들, 액체들이나 다른 매질을 포함할 수 있다. 도 1에서 보이는 예에서, 제1 모션 탐지 필드 (110A)는 상기 제1 무선 통신 디바이스 (102A) 및 상기 제3 무선 통신 디바이스 (102C) 사이에 무선 통신 채널을 제공하며, 제2 모션 탐지 필드 (110B)는 상기 제2 무선 통신 디바이스 (102B) 및 상기 무선 통신 디바이스 (102C) 사이에 무선 통신 채널을 제공하며, 그리고 상기 제3 모션 탐지 필드 (110C)는 상기 제1 무선 통신 디바이스 (102A) 및 상기 제2 무선 통신 디바이스 (102B) 사이에 무선 통신 채널을 제공한다. 동작의 일부 양상들에서, (네트워크 트래픽을 위한 무선 통신 채널과 분리된 또는 공유된) 무선 통신 채널 상으로 전송된 신호들은 공간 내 물체의 움직임을 탐지하기 위해 사용된다. 그 물체들은 임의 유형의 정적인 또는 이동가능 물체일 수 있으며, 그리고 생명체 또는 무생물일 수 있다. 예를 들면, 상기 물체는 인간 (예를 들면, 도 1에서 보이는 사람 (106)), 동물, 무기 물체, 또는 다른 디바이스, 장치 또는 어셈블리, 공간의 경계 모두 또는 일부를 한정하는 물체 (예를 들면, 벽, 문, 창 등), 또는 다른 유형의 물체일 수 있다. 몇몇 구현들에서, 상기 무선 통신 디바이스들로부터의 모션 정보는 탐지된 모션의 위치를 판별하기 위해 분석될 수 있다. 에를 들면, 아래에서 더 설명되는 것처럼, 상기 무선 통신 디바이스들 (102) 중 하나 (또는 상기 디바이스들 (102)에 통신 가능하게 연결된 다른 디바이스)는 상기 탐지된 모션이 특별한 무선 통신 디바이스 근방에 있다고 판별할 수 있다.
도 2a 및 도 2b는 무선 통신 디바이스들 (204A, 204B, 204C) 사이에서 전달된 예시의 무선 신호들을 보여주는 도면들이다. 상기 무선 통신 디바이스들 (204A, 204B, 204C)은, 예를 들면, 도 1a에서 보이는 무선 통신 디바이스들 (102A, 102B, 102C), 또는 다른 유형의 무선 통신 디바이스들일 수 있다. 상기 예시의 무선 통신 디바이스들 (204A, 204B, 204C)은 공간 (200)을 통해 무선 신호들을 전송한다. 상기 예시의 공간 (200)은 완전하게 또는 부분적으로 둘러싸여질 수 있으며 또는 그 공간 (200)의 하나 이상의 경계들에서 개방될 수 있다. 상기 공간 (200)은 방, 다수의 방들, 빌딩, 실내 영역, 야외 영역, 또는 유사한 것의 내부를 포함할 수 있다. 제1 벽 (202A), 제2 벽 (202B), 및 제3 벽 (202C)은 도시된 예에서 상기 공간 (200)을 적어도 부분적으로 둘러싼다.
도 2a 및 도 2b에서 보이는 예에서, 제1 무선 통신 디바이스 (204A)는 무선 모션 프로브 신호들을 반복하여 (예를 들면, 주기적으로, 간헐적으로, 스케줄되어, 스케줄되지 않고 또는 랜덤 인터벌 등) 전송하도록 동작할 수 있다. 상기 제2 및 제3 무선 통신 디바이스들 (204B, 204C)은 무선 통신 디바이스 (204A)에 의해 전송된 무선 프로브 신호들에 기반한 신호들을 수신하기 위해 작동 가능하다. 상기 모션 프로브 신호들은 위에서 설명된 것처럼 포맷될 수 있다. 예를 들면, 몇몇 구현들에서, 상기 모션 프로브 신호들은 채널 사운딩 (예를 들면, IEEE 802.11ac-2013 표준에 따른 빔포밍을 위한 채널 사운딩)에서 사용된 표준 파일럿 신호들을 포함하는 통신 프레임들이나 표준 시그날링을 포함한다. 상기 무선 통신 디바이스들 (204B, 204C) 각각은, 예를 들면, 상기 공간 (200) 내 물체의 모션을 탐지하기 위해, 수신된 모션 탐지 신호들을 프로세싱하도록 구성된 모뎀, 프로세서, 또는 다른 컴포넌트를 구비한다.
보이는 것처럼, 도 2a에서 제1 위치 (214A) 내에 물체가 존재하며, 그리고 그 물체는 도 2b 내 제2 위치 (214B)로 이동한다. 도 2a 및 도 2b에서, 공간 (200) 내에서 그 이동하는 물체는 사람으로서 표시되지만, 그 이동하는 물체는 다른 유형의 물체일 수 있다. 예를 들면, 그 이동하는 물체는 동물, 무기 물체 (예를 들면, 시스템, 디바이스, 장치, 또는 어셈블리), 상기 공간 (200)의 경계의 모두 또는 일부를 한정하는 물체 (예를 들면, 벽, 도어, 창 등), 또는 다른 유형의 물체일 수 있다.
도 2a 및 도 2b에서 보이듯이, 제1 무선 통신 디바이스 (204A)로부터 전송된 무선 신호들의 다수의 예시의 경로들이 파선들로 도시된다. 제1 신호 경로 (216)를 따라, 무선 신호는 제1 무선 통신 디바이스 (204A)로부터 전송되어 제1 벽 (202A)에서 제2 무선 통신 디바이스 (204B)를 향하여 반사된다. 제2 신호 경로 (218)를 따라, 무선 신호는 제1 무선 통신 디바이스 (204A)로부터 전송되어 제2 벽 (202B) 및 제1 벽 (202A)에서 제3 무선 통신 디바이스 (204C)를 향하여 반사된다. 제3 신호 경로 (320)를 따라, 무선 신호는 제1 무선 통신 디바이스 (204A)로부터 전송되어 제2 벽 (202B)에서 제3 무선 통신 디바이스 (204C)를 향하여 반사된다. 제4 신호 경로 (222)를 따라, 무선 신호는 제1 무선 통신 디바이스 (204A)로부터 전송되어 제3 벽 (202C)에서 제2 무선 통신 디바이스 (204B)를 향하여 반사된다.
도 2a에서, 제5 신호 경로 (224A)를 따라, 무선 신호는 제1 무선 통신 디바이스 (204A)로부터 전송되어 제1 위치 (214A)에서의 물체에서 제3 무선 통신 디바이스 (204C)를 향하여 반사된다. 도 2a 및 도 2b 사이에서, 물체의 표면은 공간 (200) 내 제1 위치 (214A)로부터 (예를 들면, 제1 위치 (214A)로부터 약간의 거리만큼 떨어진) 제2 위치 (214B)로 이동한다. 도 2b에서, 제6 신호 경로 (324B)를 따라, 무선 신호는 제1 무선 통신 디바이스 (204A)로부터 전송되어 제2 위치 (214B)에서의 물체에서 제3 무선 통신 디바이스 (204C)를 향하여 반사된다. 제1 위치 (214A)로부터 제2 위치 (214B)까지의 상기 물체의 이동으로 인해서, 도 2b에 도시된 상기 제6 신호 경로 (324B)는 도 2a에 도시된 제5 신호 경로 (224A)보다 더 길다. 몇몇 예들에서, 공간 내 물체의 이동으로 인해서 신호 경로는 추가되고, 제거되고, 또는 그렇지 않고 수정될 수 있다.
도 2a 및 도 2b에서 보이는 상기 예시의 무선 신호들은 자신들 각자의 경로들을 통해 감쇠 (attenuation), 주파수 시프트, 위상 시프트, 또는 다른 영향들을 겪을 수 있으며 그리고, 예를 들면, 벽들 (202A, 202B, 및 202C)을 통해 다른 방향으로 전파하는 부분들을 가질 수 있다. 몇몇 예들에서, 상기 무선 신호들은 라디오 주파수 (RF) 신호들이다. 그 무선 신호들은 다른 유형의 신호들을 포함할 수 있다.
도 2a 및 도 2b에서 보이는 예에서, 상기 제1 무선 통신 디바이스 (204A)는 무선 신호를 반복하여 전송할 수 있다. 특히, 도 2a는 제1 시각에서 제1 무선 통신 디바이스 (204A)로부터 전송되고 있는 무선 신호들을 보여주며, 그리고 도 2b는 더 나중의 제2 시각에서 상기 제1 무선 통신 디바이스 (204A)로부터 전송되고 있는 동일한 무선 신호들을 보여준다. 상기 전송된 신호는 연속해서, 주기적으로, 랜덤하게 또는 간헐적인 시각들에서 또는 유사하게, 또는 그것들의 조합으로 전송될 수 있다. 상기 전송된 신호는 주파수 대역폭에서 여러 주파수 성분들을 가질 수 있다. 상기 전송된 신호는 전방향성 (omnidirectional) 방식으로 상기 제1 무선 통신 디바이스 (204A)로부터 전송될 수 있다. 도시된 예에서, 상기 무선 신호들은 상기 공간 (200) 내에서 다수의 각자의 경로들을 통과하며, 그리고 각 경로를 따른 신호는 경로 손실, 산란, 반사, 또는 유사한 것으로 인해 감쇠될 수 있으며 그리고 위상 오프셋 또는 주파수 오프셋을 가질 수 있다.
도 2a 및 도 2b에서 보이는 것처럼, 다양한 경로들 (216, 218, 220, 222, 224A, 및 224B)로부터의 신호들은 수신 신호들을 형성하기 위해 제3 무선 통신 디바이스 (204C) 및 제2 무선 통신 디바이스 (204B)에서 결합한다. 전송된 신호들에 관한 상기 공간 (200) 내 다수의 경로들의 영향들로 인해서, 상기 공간 (200)은 상기 전송된 신호가 입력이며 상기 수신된 신호가 출력인 전달 함수로서 표현될 수 있다 (예를 들면, 필터). 물체가 공간 (200) 내에서 이동할 때에, 신호 경로 내 신호에 대해 영향을 준 감쇠 또는 위상 오프셋이 변할 수 있으며, 그래서 상기 공간 (200)의 전달 함수가 변할 수 있다. 상기 제1 무선 통신 디바이스 (204A)로부터 동일한 무선 신호가 전송된다고 가정하면, 상기 공간 (200)의 전달 함수가 변하면, 그 전달 함수의 출력 - 상기 수신된 신호 - 또한 변할 것이다. 그 수신 신호에서의 변화는 물체의 움직임을 탐지하기 위해 사용될 수 있다.
수학적으로, 상기 제1 무선 통신 디바이스 (204A)로부터 전송된 전송 신호 f(t)는 다음의 수학식 1에 따라 기술될 수 있다.
[수학식 1]
여기에서 은 전송된 신호의 n번째 주파수 성분의 주파수를 나타내며, 은 그 n번째 주파수 성분의 복소수 계수를 나타내며, 그리고 t는 시각을 나타낸다. 상기 전송된 신호 f(t)가 상기 제1 무선 통신 디바이스 (204A)로부터 전송되고 있을 때에, 경로 k로부터의 출력 신호 는 수학식 2에 따라 기술될 수 있다.
[수학식 2]
여기에서 는 경로 k를 따른 n번째 주파수 성분에 인한 감쇠 팩터 (또는, 예를 들면, 산란, 반사, 및 경로 손실들로 인한 채널 응답)를 나타내며, 그리고 는 경로 k를 따른 n번째 주파수 성분에 대한 상기 신호의 위상을 나타낸다. 그러면 무선 통신 디바이스에서의 수신 신호 R은 모든 경로들로부터 상기 무선 통신 디바이스로의 모든 출력 신호들 의 합으로서 기술될 수 있으며, 이는 수학식 3에서 보여진다.
[수학식 3]
수학식 2를 수학식 3으로 치환하면 다음의 수학식 4가 얻어진다.
[수학식 4]
무선 통신 디바이스에서의 수신 신호 R은 그 후에 분석될 수 있다. 무선 통신 디바이스에서의 수신 신호 R은, 예를 들면, 패스트 푸리에 변환 (Fast Fourier Transform (FFT))이나 다른 유형의 알고리즘을 이용하여 주파수 도메인으로 변환될 수 있다. 그 변환된 신호는 상기 수신 신호 R을 일련의 n개 복소수 값들로 나타낼 수 있으며, 그 값 하나는 (n개 주파수들 에서) 각자의 주파수 성분들 각각에 대한 것이다. 전송된 신호의 n번째 주파수 성분의 주파수 에 대해, 복소수 값 은 다음의 수학식 5에서처럼 표현될 수 있다.
[수학식 5]
주어진 주파수 성분 에 대한 상기 복소수 값 은 그 주파수 성분 에서의 상기 수신된 신호의 상대적인 크기 및 위상 오프셋을 표시한다. 물체가 상기 공간 내에서 이동할 때에, 공간 변화의 채널 응답 으로 인해서 상기 복소수 값 은 변한다. 그에 따라, 상기 채널 응답 (그리고 상기 복소수 값 )에서 탐지된 변화는 그 통신 채널 내 물체의 이동을 표시할 수 있다. 그래서, 몇몇 구현들에서, 무선 메시 네트워크 내 다수의 디바이스들 각각에 대한 상기 복소수 값 은, 상기 전송된 신호들 이 통과한 공간 내에서 모션이 발생했는가의 여부를 탐지하기 위해 분석될 수 있다.
도 3은 예시의 모션 탐지 트레이닝 시스템 (300)을 보여주는 도면이다. 상기 예시의 모션 탐지 트레이닝 시스템 (300)은 데이터 수집 시스템 (320), 모션 탐지 트레이너 (340), 및 신경 네트워크 (350)를 포함한다. 몇몇 사례들에서, 상기 모션 탐지 트레이닝 시스템 (300)은 지도 트레이닝 동안에 사용되도록 구성된다. 예를 들면, 위에서 설명되었듯이, 사용자가 공간을 통해 움직이고 있거나 제스처를 취하고 있거나 몇몇 경우에는 그 공간 내에서 정지하고 있는 지도 트레이닝 구간 동안에, 상기 모션 탐지 트레이닝 시스템 (300)은 도 2a 및 도 2b에서 설명되었듯이 네트워크의 디바이스들 (102A, 102B, 102C) 어느 하나로부터 입력 채널 정보 (310A)로서 수집하거나 수신할 수 있다. 상기 모션 탐지 트레이닝 시스템 (300)은, 시간, 모션 유형, 및 모션 지역 (또는 위치) 라벨들과 같은 모션 상태 정보를 포함하는 상기 지도 트레이닝 구간 동안의 사용자 입력에 기반하여 생성된 입력 데이터 라벨들 (310B)로서 또한 수집하거나 수신할 수 있다. 상기 데이터 라벨들 (310B)은 그 라벨들이 사용자에 의해 입력되는 시점이나 후속의 시점 중 어느 한 시점에 상기 모션 탐지 트레이닝 시스템에게 제공될 수 있으며, 그래서 라벨들 (310B)이 상기 연관된 무선 채널 정보 (310A)과 함께 또는 그 무선 채널 정보와 분리하여 수신될 수 있도록 한다. 상기 모션 탐지 트레이닝 시스템 (300)은, 예를 들면, 타임스탬프 또는 다른 정보에 기반하여 상기 데이터 라벨들 (310B)을 무선 채널 정보 (310A)에 상관시킬 수 있다. 상기 모션 탐지 트레이닝 시스템 (300)은 지도 트레이닝 구간 동안에 수집된 입력 센서 데이터 (310C)로서 또한 수집하거나 수신할 수 있다. 몇몇 사례들에서, 상기 센서 데이터 (310C)는 그 센서 데이터가 수집된 시점에 또는 후속의 시점에 상기 모션 탐지 트레이닝 시스템 (300)에게 제공될 수 있으며, 그래서 센서 데이터 (310C)가 상기 연관된 무선 채널 정보 (310A) 및/또는 상기 데이터 라벨들 (310B)과 함께 또는 분리하여 수신될 수 있도록 한다. 몇몇 사례들에서, 상기 채널 정보, 라벨들, 및 센서 데이터는 측정된 트레이닝 데이터세트로서 제공될 수 있다. 몇몇 경우에, 상기 센서 데이터 (310C)는 상기 지도 트레이닝 구간 동안에 사용자에 의해 제공된 라벨들 (310B)을 보강하거나 교정하기 위해 사용될 수 있다. 몇몇 구현들에서, 채널 정보 (310A), 라벨들 (310B), 및 센서 데이터 (310C)는 상기 모션 탐지 트레이닝 시스템 (300)의 데이터 수집 시스템 (320)에 의해 수집되거나 그 데이터 수집 시스템에게 제공될 수 있다. 몇몇 사례들에서, 데이터 수집 시스템 (320)은 상기 트레이닝 데이터 (채널 정보 (310A), 라벨들 (310B), 및 센서 데이터 (310C))를 분석하고 태그 부여된 채널 정보 데이터 (330)를 생성한다. 예를 들면, 채널 정보 (310A)는 지도 트레이닝 동안에 사용자에 의해 제공된 대응 데이터 라벨들 (310B)로 태그 부여되거나 마킹되어, 태그 부여된 채널 정보 데이터 (330)를 생성한다. 몇몇 경우에, 상기 데이터 수집 시스템 (320)은 사용자에 의해 잘못 입력될 수 있을 데이터 라벨들 (310B)을 교정하거나 보강하기 위해 상기 센서 데이터 (310C)를 사용할 수 있다. 상기 "실측 자료" 데이터 라벨들을 교정하거나 보강한 이후에, 데이터 수집 시스템 (320)은 교정된 라벨들이나 보강된 데이터를 이용하여 상기 채널 정보에 태그를 부여하여, 태그 부여된 채널 정보 데이터 (330)를 생성할 수 있다. 데이터 수집 시스템 (320)은 상기 태그 부여된 채널 정보 데이터 (330)를 상기 모션 탐지 트레이너 (340)에게 제공한다. 추가의 센서 데이터 (310C)가 고려될 때에 상기 태그 부여된 채널 정보 데이터 (330)가 모션에 대한 더욱 정밀한 표시를 제공할 수 있기 때문에, 모션 탐지 트레이너 (340)는 공간 내 모션 유형들을 탐지하기 위해 상기 신경 네트워크 (350)를 트레이닝하기 위한 더욱 신뢰성있는 정보를 구비한다.
몇몇 경우에, 모션 탐지 트레이너 (340) 및 신경 네트워크 (350)는 기계 학습 시스템 (예를 들면, GOOGLE CLOUD ML 플랫폼이나 다른 유형의 현존 기계 학습 시스템)의 역을 맡는다. 예를 들면, 상기 태그 부여된 채널 정보 데이터 (330)는 상기 데이터 수집 시스템 (320)에 의해 제공된 채널 정보 및 태그들 (그리고 잠재적으로는 다른 정보)에 기반하여 별개 패턴들을 학습하기 위해 신경 네트워크를 통해서 지나갈 수 있다. 기계 학습 시스템은 추가의 또는 상이한 컴포넌트들을 포함할 수 있으며, 다른 방식으로 작동할 수 있다.
몇몇 구현들에서, 상기 신경 네트워크 (350)는 컨볼루션 신경 네트워크 (convolutional neural network)나 다수의 레이어들 내에 조직된 다수의 노드들을 포함하는 다른 유형의 신경 네트워크를 포함한다. 예를 들면, 상기 신경 네트워크 (350)는 다수의 컨볼루션 레이어들, 상기 컨볼루션 레이어들 중 적어도 하나 이후의 맥스-풀링 (max-pooling) 레이어, 상기 맥스-풀링 레이어 이후의 평탄화 (flattening) 레이어, 및 상기 평탄화 레이어 이후의 다수의 덴스 (dense) (완전-접속) 레이어들을 포함할 수 있다.
도 3에서 보이는 예에서, 상기 모션 탐지 트레이너 (340)는 신경 네트워크 (350)의 노드들을 파라미터화하기 위해, 태그 부여된 채널 정보 데이터 (330)의 세트들을 프로세싱한다 (예를 들면, 그래서 상기 신경 네트워크 (350)가 태그 부여되지 않은 신경 네트워크 입력 데이터에 기반하여 모션을 탐지하기 위해 사용될 수 있도록 한다). 몇몇 경우에, 예를 들면, 상기 모션 탐지 트레이너 (340)는 비용 함수 최소화 연산에 따라 신경 네트워크의 각 노드에 대한 가중치들 및 바이어스 (bias)를 결정할 수 있으며, 레이어 내 각 노드는 상기 결정된 가중치들에 따라 자신의 입력들에 가중치를 부여하고 바이어스할 수 있다. 예를 들면, 노드는
[수학식 14]
에 따라 출력을 제공할 수 있으며, 여기에서 는 상기 노드의 출력을 언급하는 것이며, b는 상기 노드가 제공하는 바이어스를 언급하는 것이며, 는 이전 레이어의 노드로부터의 출력 에 인가된 가중치를 언급한 것이다. 최소화될 비용 함수들은 다음의 것들을 포함할 수 있다.
[수학식 15.a]
[수학식 15.b]
여기에서 는 레이어L의 뉴론 j로의 i번째 태그 부여된 입력이다. 수학식 15.a의 등식은 시그모이드 활성 (sigmoid activation)을 위한 비용 함수이며 그리고 수학식 15.b의 등식은 소프트-맥스 활성 (soft-max activation)을 위한 비용 함수이다. 수학식 15.b에서 양쪽 중괄호는 상기 노드의 출력이 이론적인 출력과 부합하는가의 여부의 이진 결과를 정의하며, 부합 결과는 일 (1)의 출력을 그렇지 않으면 영 (0)을 제공한다.
상기 비용 함수 C는 디슨트 경사 (gradient of decent) 방법을 사용하여 최소화될 수 있다. 예를 들면, 디슨트 경사는 다음과 같을 수 있다.
[수학식 16]
그리고
[수학식 17]
여기에서 는 다음의 수학식들처럼 시그모이드 (Sigmoid) 함수 또는 ReLU (Rectified Linear Unit)를 나타낸다.
[수학식 18.a]
[수학식 18.b]
몇몇 예들에서, 상기 가중치들은 디슨트 경사-기반 트레이닝의 반복들 이후에 정규 분포를 가지도록 초기화될 수 있다. 몇몇 구현들에서, 상기 태그 부여된 입력 데이터는, 가중치들의 현재 세트에 기반하여 출력 값들을 결정하기 위해 모션 탐지 트레이너 (340)에 의해 프로세싱될 수 있다. 상기 방정식들에 따라 디슨트 경사를 계산하고 오류를 거꾸로 전파하기 위해 상기 출력 값들과 함께, 입력 데이터와 연관된 태그가 사용될 수 있다.
신경 네트워크 (350)가 상기 태그 부여된 채널 정보 데이터 (330)를 이용하여 트레이닝된 이후에, 새롭게 수집된 데이터 (예를 들면, 무선 통신 디바이스들에 의해 전달된 신호들에 기반한 새롭게 수집되거나 "태그 부여되지 않은" 채널 정보)가 상기 신경 네트워크 (350)로 입력되어, 상기 공간 내에 모션이 발생했는가의 여부를 탐지할 수 있다. 예컨대, 상기 트레이닝된 신경 네트워크 (350)는 (예를 들면, 사용자 입력에 기반한 라벨들이나 센서 데이터를 사용하지 않으면서) 채널 정보에 기반하여 모션 및 모션의 성질들을 탐지하기 위해 컴퓨터-구현 모션 탐지 시스템 내에서 사용될 수 있다. 상기 신경 네트워크 (350)는 모션 탐지 시스템 내에서의 사용 동안에 또는 그 사용 이후에 재-트레이닝되거나 그렇지 않고 변경될 수 있다. 예컨대, 상기 신경 네트워크 (350)의 성능을 유지하거나 향상시키기 위해서 상기 모션 탐지 시스템은 태그 부여된 채널 정보 데이터 (330)의 추가 샘플들을 획득할 수 있다. 몇몇 경우에, 모션 탐지 시스템은 다른 유형의 트레이닝된 시스템, 예를 들면, 도 3에서 보이는 예시의 신경 네트워크 (350)가 아닌 컴퓨터-구현 프로세스를 사용하여 모션을 탐지할 수 있다.
도 4a - 도 4b는 무선 통신 시스템에서 사용자 및 센서 디바이스로부터 모션 탐지 트레이닝 정보를 수집하는 예를 보여주는 도면들이다. 예컨대, 도 4a에서의 예는 공간 (410)에 대한 모션 탐지 시스템의 지도 트레이닝 동안에 모바일 디바이스 (420) 및 센서 디바이스 (430)를 구비한 사용자를 도시한다. 상기 모바일 디바이스 (420)는 임의 유형의 사용자 장비, 모바일 스테이션, 모바일폰, 스마트폰, 스마트 시계, 셀폰, 태블릿, 랩톱, VOIP폰이나 핸드셋, 또는 무선 통신 네트워크 내 네트워크 노드로 그리고 그 네트워크 노드로 데이터 및/또는 신호들을 무선으로 송신하고 수신할 수 있으며 디스플레이 및 모바일 탐지 트레이닝 애플리케이션에게 사용자 입력을 제공하기 위한 다른 컴포넌트를 포함하는 어떤 다른 모바일 디바이스일 수 있다. 상기 센서 디바이스 (430)는 사용자의 손목에 착용된 웨어러블 디바이스 내에 포함될 수 있으며 또는 어떤 다른 유형의 웨어러블 센서 디바이스 (430)일 수 있으며 그리고 사용자 신체 중 어떤 다른 부분에 임의 방식으로 착용될 수 있다. 상기 센서 디바이스는, 예를 들면, 가속도계, 자이로스코프, 나침반, 계보기, 기압계, 또는 사용자의 모션이나 이동과 연관된 데이터를 수집하는 어떤 다른 유형의 센서 디바이스이거나 그것들을 포함할 수 있다. 몇몇 사례들에서, 상기 센서 디바이스는 지도 트레이닝 동안에 사용자에 의해 활용된 모바일 디바이스 내에 포함될 수 있다.
도 4a에서 보이듯이, 상기 공간 (410)은 사용자의 위치를 도시하기 위해 분리된 구역들로 분할된다. 이 예에서, 상기 공간 (410) 내 사용자의 위치는 A-A로 표시된 구역 내에 있으며, 그리고 도 4b에서, 상기 공간 (410) 내 사용자의 위치는 B-B로 표시된 구역 내에 있다. 도 2a 및 도 2b에서 설명되었듯이, 무선 통신 디바이스들 (204A, 204B, 204C)은 상기 공간을 통해 무선 통신 신호들을 전송하기 위해 그리고 채널 정보를 측정하기 위해 상기 공간 근처에 배치된다. 상기 채널 정보 측정들은 상기 지도 트레이닝 시간 구간에 기반하여, 도 3에서 설명된 것처럼 더 분석될 사용자 입력 및 센서 데이터 수집에 시간 상으로 대응할 수 있다. 하나의 사례에서, 사용자는, 그 사용자의 움직임들에 대응하며 그 사용자 움직임들을 기술할 수 있는 데이터 라벨들, 예를 들면, 참조번호 310B의 라벨들을 생성하기 위해 사용되는 입력을 (예를 들면, 상기 모바일 디바이스 (430) 상의 애플리케이션에게로) 제공할 수 있다. 예를 들면, 사용자는 상기 공간 (410) 내에서의 그 사용자의 움직임이나 제스처와 연관된 "모션" 정보를 제공하도록 지시받을 수 있다. 그 경우에, 사용자는, 그 사용자가 움직이기 시작한 시점의 표시, 사용자의 모션 상태 (예를 들면, 움직이고 있음)의 표시, 공간 (410) 내 사용자의 위치에 대한 표시 (예를 들면, 지역 B-B), 또는 모션 탐지에 관련된 어떤 다른 정보를 모바일 디바이스 (430)의 사용자 인터페이스를 통해 표시할 수 있다. 몇몇 사례들에서, 상기 위치는 포맷된 GPS 좌표, 방 위치 (예를 들면, 부엌, 거실), 또는 모션 탐지 트레이닝 시스템 (300)에 의해 식별될 수 있는 사용자의 위치에 대한 다른 표시일 수 있다. 다른 예에서, 동일한 지도 트레이닝 구간 내 다른 포인트에서, 사용자는 그 사용자가 움직이지 않고 있는 것과 연관된 "모션 없음" 정보를 수집하도록 지시받을 수 있다. 그 경우에, 사용자는, 그 사용자가 모션을 (또는 모션 부재를) 시작한 시점의 표시, 사용자의 움직임이나 제스처 (예를 들면, 움직이지 않음)의 표시, 공간 내 사용자 위치에 대한 표시 (예를 들면, A-A) 등과 같은 유사한 정보를 제공할 수 있다. 사용자가 움직임들이나 제스처들을 수행하고 있는 것과 동시에, 상기 센서 디바이스 (430)는 사용자의 움직임에 기반하여 모션 정보를 또한 수집할 수 있다. 몇몇 경우에, 상기 센서 디바이스 (430)는 추가의 정보를, 예를 들면, 모션 방향, 사용자가 취한 계단들의 개수 등처럼 데이터 라벨들 (310B) 내 사용자에 의해 제공되지 않은 센서 데이터 (310C)를 제공할 수 있다. 몇몇 사례들에서, 상기 모바일 디바이스 (420)로의 사용자 입력에 기반한 정보, 예를 들면, 라벨들 (310B) 그리고 상기 센서 디바이스 (430)에 의해 수집된 데이터, 예를 들면, 센서 데이터 (310C) 사이에 차이 (예를 들면, 불일치)가 존재한다. 상기 데이터 라벨들 (310B) 및 센서 데이터 (310C)는 도 2a 및 도 2b에서 설명된 것처럼 수집되었던 채널 정보 (310A)와 함께 분석되기 위해 도 3 내 모션 탐지 트레이닝 시스템 (300)에게 제공되며, 이는 차이를 탐지하고, "실측 자료"를 교정하거나 보강하며, 그리고 태그 부여된 채널 정보 데이터를 생성하기 위한 것이다.
도 5는 무선 통신 시스템에서 트레이닝 정보를 수집하는 예시의 프로세싱을 보여주는 시퀀스 도면이다. 도 5의 이 시퀀스 도면은 도 4a 및 도 4b에서 보이는 것처럼 모바일 디바이스 (420) 및 센서 디바이스 (430)에 의한 모션 탐지 트레이닝 수집의 예 -도 3에 도시된 모선 탐지 트레이닝 시스템 (300)으로 그 후에 제공됨-에 대응한다.
도 4a에 도시된 데이터 수집에 대응하는 510에서, 모바일 디바이스 (420)는 지도 트레이닝 구간을 위한 모션 상태 정보를, 예를 들면, 도 3 내 라벨들 (310B)을 보고 한다. 상기 모션 상태 정보는, 예를 들면, 타임스탬프 (timestamp), 사용자의 움직임의 유형을 표시하는 라벨 MotionType, 및 사용자의 위치가 어디인가를 표시하는 라벨 MotionZone을 포함할 수 있다. 상기 모션 상태 정보는 수행되고 있는 트레이닝의 유형에 종속하여 추가의 또는 더 적은 정보들이나 라벨들을 포함할 수 있다. 520에서, 상기 센서 디바이스 (430)는 동일한 지도 트레이닝 구간 동안에 수집된 대응 모션 상태 정보, 예를 들면, 센서 데이터 (310C)를 또한 제공한다.
도 5에 보이는 것처럼, 모션 탐지 트레이닝 시스템 (300), 예를 들면, 데이터 수집 시스템 (320)은 모바일 디바이스 (420) 및 센서 디바이스 (430)로부터 데이터를 수신하고, 지도 트레이닝 구간에 대한 어떤 불일치들이나 차이들의 유형에 대하여 상기 데이터를 분석한다. 530에서, 모션 탐지 트레이닝 시스템 (300)은 모바일 디바이스 (420)를 경유하여 사용자에 의해 제공된 모션 데이터 정보가 센서 디바이스 (430)에 의해 제공된 모션 데이터 정보에 부합하는지를 판별한다. 이 특별한 예에서, Timestamp(타임스탬프)=2:21:30p 이며, MotionType (모션 유형)은 정지 (stationary) (예를 들면, 사용자가 움직이지 않고 있다)를 표시하며, 그리고 MotionZone (모션 지역)은 공간 (410) 내 위치가 A,A (예를 들면, 410A,A)인 것을 표시한다. 그러므로, 상기 모바일 디바이스 (420) 및 센서 디바이스 (430)으로부터 보고된 모션 상태 정보에 기반해서는 "ground truth (실측 자료)" 라벨들에 대한 어떤 조절도 필요하지 않다. 540에서, 모션 탐지 트레이닝 시스템 (300)은 그에 따라 상기 채널 정보에 타임스탬프, 모션 유형, 및 모션 지역으로, 예를 들면, Timestamp=2:21:30, MotionType=Stationary, MotionZone=410A,A으로 상기 채널 정보에 태그를 부여한다
도 4b에 도시된 데이터 수집에 대응하는 550에서, 모바일 디바이스 (420)는 지도 트레이닝 구간을 위한 모션 상태 정보, 예를 들면, 도 3 내 라벨들 (310B)를 보고한다. 560에서, 상기 센서 디바이스 (430)는 동일한 지도 트레이닝 구간 동안에 수집된 대응 모션 상태 정보, 예를 들면, 센서 데이터 (310C)를 또한 제공한다.
도 5에 보이듯이, 모션 탐지 트레이닝 시스템 (300), 예를 들면, 데이터 수집 시스템 (320)은 모바일 디바이스 (420) 및 센서 디바이스 (430)로부터 데이터를 수신하고, 지도 트레이닝 구간에 대한 어떤 불일치들이나 다른 차이들에 대하여 상기 데이터를 분석한다. 580에서, 모션 탐지 트레이닝 시스템 (300)은 모바일 디바이스 (420)를 경유하여 사용자에 의해 제공된 모션 데이터 정보 및 센서 디바이스 (430)에 의해 제공된 모션 데이터 정보 사이의 불일치를 판별한다. 이 예에서, 상기 모바일 디바이스 (420) 및 센서 디바이스 (430)는, 타임스탬프, 사용자의 움직임 유형을 표시하는 라벨 MotionType, 그리고, 예를 들면, 사용자의 위치가 어디인가를 표시하는 라벨 MotionZone을 포함하는 정보를 제공한다. 이 경우에, 모바일 디바이스 (420) 및 센서 디바이스 (430)에 의해 수집되어 모션 탐지 트레이닝 시스템 (300)에 의해 수신된 타임스탬프 Timestamp=2:25:00p, 및 MotionZone=410B,B는 동일하며, 그러므로 불일치하지 않다. 그러나, 모바일 디바이스는 사용자가 움직이지 않고 있다고, 예를 들면, MotionType=stationary 임을 보고하며, 반면에 상기 센서 디바이스는 사용자가 움직이고 있다고, 예를 들면, MotionType=Moving 임을 보고한다. 이 경우에, 상기 센서 디바이스에 의해 제공된 정보가 사용자-제공 정보보다 더 정확한 것으로 간주될 수 있다. 570에서, 모션 탐지 트레이닝 시스템 (300)은 모바일 디바이스 (420)에 의해 보고된 모션 데이터 정보 및 센서 디바이스 (430)에 의해 보고된 모션 데이터 정보 사이의 차이를 탐지하며 그리고 상기 사용자-제공 모션 유형 라벨을 상기 센서 디바이스 판독값, 예를 들면, MotionType=Moving에 맞춘다. 580에서, 모션 탐지 트레이닝 시스템 (300)은 상기 채널 정보에, 그에 따른 타임스탬프, 모션 유형 및 모션 지역, 예를 들면, Timestamp=2:25:00p, MotionType=Moving, MotionZone=410A,A을 포함하는 상기 교정된 라벨들을 이용하여 태그를 부여한다. 다른 경우에, 모션 탐지 트레이닝 시스템 (300)은 모바일 디바이스 (420) 및 센서 디바이스 (430)로부터 수신된 모션 정보들에서의 불일치를 다른 방식으로 해소할 것을 선택할 수 있다. 예를 들면, 상기 "ground truth" 라벨들을 교정하는 것이 아니라, 예를 들어, 모션 정보 무결성을 유지하면서 상기 불일치를 해소할 수는 없다고 모션 탐지 트레이닝 시스템 (300)이 판단하면, 모션 탐지 트레이닝 시스템 (300)은 상기 지도 트레이닝 구간과 연관된 모든 데이터를 폐기하기로 선택할 수 있다. 이것은, 이전의 예에서 모션 탐지 트레이닝 시스템 (300)이 "모션 없음" 모션 유형을 위해 트레이닝하고 있었지만 사용자는 실제로 상기 센서 데이터에 기반하여 움직이고 있었을 때에 발생할 수 있다. 그 경우에, 사용자가 움직이고 있었기 때문에, 수집된 상기 무선 채널 정보 또한 부정확할 것이다. 그러나, 모션 탐지 트레이닝 시스템 (300)이 "모션" 모션 유형을 위해 트레이닝하고 있었지만 사용자가 부주의하게 모션 유형에 MotionType=stationary로 라벨을 부여했다면, 그러면 이 경우에, 상기 모션 탐지 트레이닝 시스템 (300)이 상기 "ground truth" 라벨들을 도 5의 570에서 보이는 것처럼 교정하는 것이 적절할 수 있으며, 그리고 540에서, 상기 모션 탐지 트레이닝 시스템 (300)은 상기 채널 정보에 그에 따라 타임스탬프, 모션 유형, 및 모션 지역으로, 예를 들면, Timestamp=2:25:00, MotionType=Moving, MotionZone=410B,B로 태그를 부여한다.
도 5에서 수집되고 보고된 모션 정보는 다른 유형의 모션 정보나 라벨들을 포함할 수 있다. 예를 들면, 사용자 입력에 기반하여 상기 모바일 디바이스로 제공되거나 상기 센서 디바이스로부터 수집된 모션 정보는, 공간 내 모션을 더 정밀하게 식별하고 탐지하기 위해 모션 탐지 트레이닝 시스템 (300)에 의해 사용될 수 있는 임의 유형의 정보나 데이터 라벨을 포함할 수 있다. 몇몇 경우에, 모션 탐지 트레이닝 시스템 (300)은 새로운 모션 유형들, 지역들이나 위치들, 모션의 카테고리들, 및 제스처들을 도입할 수 있으며, 그리고 대응 유형의 데이터가 상기 시스템을 트레이닝시키기 위해 수집될 수 있다.
모션 탐지 트레이닝 시스템 (300)은 다양한 다른 유형의 불일치들에 대해 상기 수신한 모션 데이터를 분석할 수 있다. 예를 들면, 측정될 행동이 표시되기 시작했을 때의 타임스탬프 사이에서 상기 차이가 탐지될 수 있다. 이런 유형의 상황에서, 센서 디바이스는 사용자에 의해 등록된 타임스탬프 이전에 그 사용자가 움직이는 것을 시작했다는 것을 보여줄 수 있다. 그 사례에서, 사용자는 시작 시각을 입력하는 것을 지연하여 센서 데이터와의 불일치를 초래할 수 있으며, 그리고 데이터 수집 시스템 (320)은 타임 라벨을 교정하기로 택할 수 있다. 다른 예에서, 사용자-제공 라벨은 상이한 장소 A-A, 예를 들면 거실을 표시하는데, 센서 (430)는 사용자가 도 4a 내 공간 (410)의 위치 B-B에, 예를 들면, 부엌에 있었다는 표시를 수집할 수 있다. 그 경우에, 데이터 수집 시스템 (320)은 그 차이를 탐지하고 상기 센서 데이터를 지지하여 상기 모션 데이터를 교정할 수 있다. 몇몇 경우에, 센서 디바이스는 사용자 데이터 입력에 의헤 제공되지 않는 보충 정보를 제공할 수 있다. 예를 들면, 센서들은 방향, 속도 계단들의 개수 등에 관한 데이터를 수집하여 제공할 수 있이며, 반면에 모션 탐지 트레이닝 시스템 (300)은 사용자-제공 라벨들에 의해 제공된 모션 데이터를 보강하기 위해 사용될 수 있다. 추가 정보가 상기 모션 정보에 추가될 수 있으며 그리고 대응 채널 정보에 태그를 부여하기 위해 사용될 수 있다.
도 6a 및 도 6b는 무선 통신 시스템 내 모션 탐지 트레이닝을 위한 예시의 프로세스 600A 및 600B를 각각 보여주는 흐름도이다. 상기 프로세스들 600A 및 600B는 상기 공간을 서빙하는 무선 네트워크 내에 포함되거나 그 무선 네트워크에 결합된 디바이스의 하나 이상의 프로세서들에 의해 수행될 수 있다. 예를 들면, 상기 예시의 프로세스들 600A 및 600B 내 동작들은 도 3 내 예시의 데이터 수집 시스템 (320)에 의해, 또는 모션 탐지 시스템을 트레이닝하기 위해서 "실측 자료" 라벨들을 생성하기 위해 센서 디바이스들로부터 모션 상태 정보를 수집하도록 구성된 도 1 내 예시의 무선 통신 디바이스들 (102)에 의해 수행될 수 있다. 상기 예시의 프로세스들 600A 및 600B는 추가의 또는 상이한 동작들을 포함할 수 있으며, 그리고 상기 동작들은 도시된 순서나 다른 순서로 수행될 수 있다. 몇몇 경우에, 도 6a 및 도 6b 내에 도시된 동작들 중 하나 이상은, 다수의 동작들, 서브-프로세스들이나 다른 유형의 루틴들을 포함하는 프로세스들로서 구현된다. 몇몇 경우에, 동작들은 결합되거나, 다른 순서로 수행되거나, 병렬로 수행되거나, 반복되거나, 또는 글렇지 않고 되풀이되거나 다른 방식으로 수행될 수 있다.
도 6a에서 보이는 것처럼, 트레이닝 신호들에 기반한 채널 정보가 수신된다. 상기 트레이닝 신호들은 모션 탐지 트레이닝 시간 구간 동안에 공간을 통해 무선 통신 디바이스에 의해 전송된 무선 신호들을 포함한다. 예를 들면, 도 2a는 제1 시점에 송신되고 있는 트레이닝 신호들을 도시하며 그리고 도 2b는 모션 탐지 트레이닝 시간 구간 동안의 후속의 시점에 송신되고 있는 트레이닝 신호들을 도시한다. 도 3에 관하여 설명된 것처럼, 각 트레이닝 시간 구간 내 트레이닝 신호들에 기반한 채널 정보, 예를 들면, 참조번호 310A의 채널 정보는 모션 탐지 트레이닝 시스템 (300)으로 제공될 수 있다. 620에서, 하나 이상의 라벨들이 상기 모션 탐지 트레이닝 시간 구간 동안에 상기 공간 내 모바일 디바이스의 사용자 인터페이스로의 정보 입력에 기반하여 수신될 수 있다. 630에서, 상기 모션 탐지 트레이닝 시간 구간 동안에 상기 공간 내 센서 디바이스에 의해 생성된 센서 데이터 또한 수신될 수 있다. 예를 들면, 도 4a 및 도 4b는 사용자 입력에 기반하여 라벨들을 생성하는 모바일 디바이스 (420) 및 모션 탐지 트레이닝 시간 구간 내 두 상이한 시점들에서 지도 트레이닝 동안에 모션 데이터를 수집하는 센서 디바이스 (430)를 도시한다. 상기 데이터 라벨들, 예를 들면, 참조번호 310B의 라벨들 및 센서 데이터, 예를 들면, 참조번호 310C의 센서 데이터는 도 3에 도시된 것과 같은 모션 탐지 트레이닝 시스템 (300)에 제공된다. 상기 센서 디바이스는 가속도계, 자이로스코프, 나침반, 계보기, 및 기압계 중 어느 하나를 포함할 수 있다. 몇몇 경우에, 상기 모바일 디바이스는 상기 센서 디바이스를 포함한다.
640에서, 상기 하나 이상의 라벨들 및 상기 센서 데이터는 상기 사용자-제공 라벨 및 상기 수신된 센서 데이터 사이의 차이를 탐지하기 위해 분석된다. 예를 들면, 모바일 탐지 트레이닝 시스템 (300)의 데이터 수집 시스템 (320)은 상기 트레이닝 데이터 (채널 정보 (310A), 라벨들 (310B), 센서 데이터 (310C))를 수신하고 상기 차이들을 탐지하기 위해 상기 데이터를 분석할 수 있다. 몇몇 경우에, 상기 센서 데이터가 상기 라벨에 부합하지 않는다고 상기 분석이 표시할 때에 차이가 탐지된다. 그 경우에, 상기 라벨은 수신된 센서 데이터에 기반하여 교정될 수 있으며, 또는 상기 라벨은 탐지된 차이에 종속하여 상기 수신한 센서 데이터를 이용하여 보강될 수 있다. 몇몇 경우에, 상기 라벨 및 상기 센서 데이터 사이의 차이는 상기 라벨 내 타임스탬프 및 상기 센서 데이터 내 타임스탬프 사이의 차이, 상기 라벨 내 표시된 측정의 유형 및 상기 센서 데이터 내 측정의 유형 사이의 차이를 포함할 수 있으며, 또는 상기 라벨이 아니라 상기 센서 데이터 내에 제공된 추가 정보일 수 있다. 일 예에서, 탐지된 상기 차이가 사용자에 의해 제공된 타임스탬프 및 센서에 의해 제공된 타임스탬프 사이에 있으면, 상기 실측 자료 데이터는 상기 센서 타임스탬프를 이용하여 교정될 수 있다. 도 5에서의 예에서, 탐지된 상기 차이는 상기 라벨 내 표시된 측정의 유형, 예를 들면, MotionType=stationary 그리고 상기 센서 데이터 내 탐지된 모션의 유형, 예를 들면, MotionType=moving 사이에 있다. 몇몇 경우에, 상기 실측 자료 라벨은 상기 센서 데이터에 기반하여 교정될 수 있으며, 예를 들면, 도 5에서 상기 실측 자료 레벨이 교정된다. 차이가 채널 정보로 하여금 부정확하게 태그가 부여되도록 할 때의 몇몇 사례들에서, 그 트레이닝 측정에 연관된 모든 데이터는 폐기될 수 있다.
650에서, 상기 라벨들 및 상기 센서 데이터 분석에 기반하여 태그가 생성될 수 있다. 몇몇 경우에, 라벨 및 센서 데이터 분석에 기반한 태그 생성은 라벨만으로부터 태그를 생성하는 것에 비해 태그의 정밀함을 향상시킨다. 660에서, 상기 채널 정보 및 상기 태그는 상기 모션 탐지 시스템을 트레이닝시키기 위해 입력으로서 제공된다. 예를 들면, 상기 데이터 수집 시스템 (320)은 채널 정보에 태그를 부여하여, 예를 들면, 태그 부여된 채널 정보 데이터 (330)를 만들고 그리고 그것을 모션 탐지 트레이너 (340)에게 제공할 수 있다. 몇몇 경우에, 태그 부여된 채널 정보 데이터 (330)는, 모션 탐지 트레이너 (340) 및 신경 네트워크 (350)를 포함한 기계 학습 시스템에게 제공된다. 몇몇 경우에, 상기 태그는 트레이닝 시간 구간 동안에 공간 내에서 모션이 발생했는가의 여부, 트레이닝 시간 구간 동안에 그 공간에서 발생했던 모션의 방향, 트레이닝 시간 구간 동안에 그 공간에서 발생했던 모션의 위치, 또는 트레이닝 시간 구간 동안에 그 공간에서 모션이 발생했던 시각을 표시할 수 있다.
도 6b는 하나 이상의 사용자 제공 라벨들 및 센서 데이터를 분석하기 위한 예시의 프로세스 600B를 보여주는 흐름도이다. 6410에서, 상기 하나 이상의 사용자-제공 라벨들, 예를 들면, 참조번호 310B의 라벨들 및 센서 데이터, 예를 들면, 참조번호 310C의 센서 데이터 사이에서 차이가 탐지되었는가의 여부가 판단된다. 분석 동안에 어떤 차이도 탐지되지 않는다면, 채널 정보와 연관된 상기 하나 이상의 라벨들이 세팅되며, 예를 들면, 이 데이터는 도 6a의 단계 650에서 채널 정보를 위한 태그를 생성할 때에 사용될 수 있다. 차이가 탐지되면, 그러면 6430에서, 상기 하나 이상의 사용자 라벨들은 그 차이에 종속하여 상기 센서 데이터에 기반하여 교정되거나 보강된다. 교정 또는 보강 이후에, 6420에서, 상기 채널 정보와 연관된 상기 하나 이상의 라벨들이 세팅되며, 그리고 도 6a의 단계 650에서 채널 정보를 위한 태그를 생성하기 위해 사용된다.
도 7은 예시의 노드 디바이스 (700)를 보여주는 블록도이다. 도 7에서 보이는 것처럼, 상기 예시의 노드 디바이스 (700)는 데이터 및/또는 신호들을 전송 및/또는 수신하기 위한 인터페이스 (700), 프로세서 (710), 메모리 (720) 및 전력 유닛 (740)을 포함한다. 예를 들어, 노드 디바이스 (700)는 도 1에 도시된 무선 통신 시스템 (100) 내 무선 통신 디바이스들 (102A, 102B, 102C), 도 3 내 데이터 수집 시스템 (320)이나 모션 탐지 트레이닝 시스템 (300)의 다른 서브시스템, 도 4a-도 4b 내 모바일 디바이스 (420)나 센서 디바이스 (430) 중 어느 하나를 포함하거나 그 어느 하나에 포함될 수 있다. 이런 유형의 디바이스들 각각은 노드 디바이스 (700)의 동일한, 추가의 또는 상이한 컴포넌트들을 포함할 수 있으며, 그리고 그 컴포넌트들은 도 1, 도 3, 도 4a-도 4b에서 보이는 것처럼 또는 다른 방식으로 동작하도록 구성될 수 있다. 몇몇 구현들에서, 노드 디바이스의 인터페이스 (730), 프로세서 (710), 메모리 (720) 및 전력 유닛 (740)은 공통의 하우징이나 다른 어셈블리 내에 함께 수납된다. 몇몇 구현들에서, 무선 통신 디바이스의 컴포넌트들 중 하나 이상은 분리하여, 예를 들면, 분리된 하우징이나 다른 어셈블리 내에 수납될 수 있다.
상기 예시의 인터페이스 (730)는 무선 신호들이나 유선 신호들을 전달할 수 있다 (수신, 전송, 또는 둘 모두를 할 수 있다). 예를 들면, 상기 인터페이스 (730)는 유선이나 무선 인터페이스로서 구현될 수 있으며, 또는 다른 방식으로, 예를 들면, 다른 유형의 컴포넌트들이나 서브시스템들과 함께 구현될 수 있다. 예컨데, 상기 인터페이스 (730)는 이더넷을 통한 물리적인 포트, 광섬유, 케이블, 또는 다른 유형의 물리적 매체를 경유하여 신호들을 전달하도록 구성된 네트워크 인터페이스일 수 있다. 다른 예에서, 인터페이스 (730)는 무선 통신 표준 (예를 들면, Wi-Fi 또는 Bluetooth)에 따라 포맷된 라디오 주파수 (RF) 신호들을 전달하도록 구성될 수 있다. 몇몇 경우에, 예를 들면, 데이터 수집 시스템 (320)인 노드 디바이스 (700)의 인터페이스 (730)는 도 3에 도시된 것처럼 채널 정보 (310A), 데이터 라벨들 (310B) 및 센서 데이터 (310C)를 수신하도록 구성될 수 있다. 몇몇 사례들에서, 상기 노드 디바이스 (700)의 인터페이스 (730)는 태그 부여된 채널 정보 데이터 (330)를 모션 탐지 트레이닝 시스템 (300)의 다른 노드 디바이스로, 예를 들면, 도 3에 도시된 모션 탐지 트레이너 (340)로 제공하거나 전송하도록 구성될 수 있다.
몇몇 경우에, 상기 예시의 인터페이스 (730)를 모뎀으로서 구현될 수 있다. 몇몇 구현들에서, 상기 예시의 인터페이스 (730)는 라디오 서브시스템 및 베이스밴드 서브시스템을 포함한다. 몇몇 경우에, 베이스밴드 서브시스템 및 라디오 서브시스템은 공통의 칩이나 칩셋 상에서 구현될 수 있으며, 또는 그것들은 카드나 다른 유형의 조립된 디바이스 내에 구현될 수 있다. 상기 베이스밴드 서브시스템은, 예를 들면, 리드, 핀, 와이어, 또는 다른 유형의 연결들에 의해 상기 라디오 서브시스템에 결합될 수 있다. 몇몇 경우에, 상기 인터페이스 (730) 내 라디오 서브시스템은 하나 이상의 안테나들 및 라디오 주파수 회로를 포함할 수 있다. 상기 라디오 주파수 회로는, 예를 들면, 아날로그 신호들을 필터링하고, 증폭하거나 그렇지 않고 컨디셔닝하는 회로, 베이스밴드 신호들을 RF 신호들을 상향-변환하는 회로, RF 신호들을 베이스밴드 신호들로 하향-변환하는 회로 등을 포함할 수 있다. 그런 회로는, 예를 들면, 필터, 증폭기, 믹서, 국부 발진기 등을 포함할 수 있다. 상기 라디오 서브시스템은 무선 통신 채널들 상으로 라디오 주파수 무선 신호들을 전달하도록 구성될 수 있다. 일 예로서, 상기 라디오 서브시스템은 라디오 칩, RF 프론트 엔드, 및 하나 이상의 안테나들을 포함할 수 있다. 라디오 서브시스템은 추가의 또는 상이한 컴포넌트들을 포함할 수 있다. 몇몇 구현들에서, 상기 라디오 서브시스템은 통상적인 모뎀으로부터의, 예를 들면, Wi-Fi 모뎀, 피코 기지국 모뎀 등으로부터의 라디오 전자기기들 (예를 들면, RF 프론트 엔드, 라디오 칩, 또는 유사한 컴포넌트들)이거나 그런 라디오 전자기기들을 포함할 수 있다. 몇몇 구현들에서, 상기 안테나는 다수의 안테나들을 포함한다.
몇몇 경우에, 상기 인터페이스 (730) 내 베이스밴드 서브시스템은, 예를 들면, 디지털 베이스밴드 데이터를 프로세싱하도록 구성된 디지털 전자기기들을 포함할 수 있다. 일 예로서, 상기 베이스밴드 서브시스템은 베이스밴드 칩을 포함할 수 있다. 베이스밴드 서브시스템은 추가의 또는 상이한 컴포넌트들을 포함할 수 있다. 몇몇 경우에, 상기 베이스밴드 서브시스템은 디지털 신호 프로세서 (DSP) 디바이스들이나 다른 유형의 프로세서 디바이스를 포함할 수 있다. 몇몇 경우에, 상기 베이스밴드 서브시스템은 상기 라디오 서브시스템을 작동시키기 위한, 상기 라디오 서브시스템을 통해 무선 네트워크 트래픽을 전달하기 위한, 상기 라디오 서브시스템을 통해 수신된 모션 탐지 신호들에 기반하여 모션을 탐지하기 위한 또는 다른 유형의 프로세스들을 수행하기 위한 디지털 프로세싱 로직을 포함한다. 예컨대, 상기 베이스밴드 서브시스템은 신호들을 인코딩하고 그 인코딩된 신호들을 전송을 위해 상기 라디오 서브시스템으로 인도하도록 구성되거나 상기 라디오 서브시스템으로부터의 신호들 내에 인코딩된 데이터를 (예를 들면, 무선 통신 표준에 따라 상기 신호들을 디코딩함으로써, 모션 탐지 프로세스에 따라 상기 신호들을 프로세싱함으로써 또는 다르게) 식별하고 분석하도록 구성된 하나 이상의 칩들, 칩셋들, 또는 다른 유형의 디바이스들을 포함할 수 있다.
몇몇 사례들에서, 이 예시의 인터페이스 (730) 내 라디오 서브시스템은 상기 베이스밴드 서브시스템으로부터 베이스밴드 신호들을 수신하고, 그 베이스밴드 신호들을 라디오 주파수 (RF) 신호들로 상향-변환하며, 그리고 그 라디오 주파수 신호들을 (예를 들면, 안테나를 통해) 무선으로 전송한다. 몇몇 사례들에서, 이 예시의 인터페이스 (730) 내 라디오 서브시스템은 라디오 주파수 신호들을 (예를 들면, 안테나를 통해서) 무선으로 수신하고, 그 라디오 주파수 신호들을 베이스밴드 신호들로 하향-변환하며, 그리고 그 베이스밴드 신호들을 상기 베이스밴드 서브시스템으로 송신한다. 상기 라디오 서브시스템과 상기 베이스밴드 서브시스템 사이에서 교환된 신호들은 디지털 신호이거나 아날로그 신호일 수 있다. 몇몇 예에서, 상기 베이스밴드 서브시스템은 변환 회로 (예를 들면, 디지털-아날로그 컨버터, 아날로그-디지털 컨버터)를 포함하며 상기 라디오 서브시스템과 아날로그 신호들을 교환한다. 몇몇 예들에서, 상기 라디오 서브시스템은 변환 회로 (예를 들면, 디지털-아날로그 컨버터, 아날로그-디지털 컨버터)를 포함하며 상기 베이스밴드 서브시스템과 디지털 신호들을 교환한다.
몇몇 경우에, 상기 인터페이스 (730)는 무선 통신 네트워크에서 무선 네트워크 트래픽 (예를 들면, 데이터 패킷들)을 전달할 수 있으며 신호들 (예를 들면, 모션 프로브 신호들)을 또한 전송하거나 수신할 수 있다 (또는 둘 모두를 할 수 있다). 몇몇 사례들에서, 상기 인터페이스 (730)는, 예를 들면, 모션이나 모션 부재를 탐지하기 위해서 공간을 조사하기 위해 전송을 위한 모션 프로브 신호들을 생성한다. 몇몇 구현들에서, 상기 모션 프로브 신호들은 채널 사운딩 (예를 들면, IEEE 802.11ac-2013 표준에 따른 빔포밍을 위한 채널 사운딩)에서 사용된 표준 파일롯 신호들을 포함하는 통신 프레임들이나 표준 시그날링을 포함할 수 있다. 몇몇 경우에, 상기 모션 프로브 신호들은 네트워크 내 모든 디바이스들에게 알려진 레퍼런스 신호들을 포함한다. 몇몇 사례들에서, 상기 인터페이스 (730)는, 예를 들면, 공간 내 물체의 모션을 탐지하기 위해, 그 공간 내 모션의 부재를 탐지하기 위해, 또는 모션 부재가 탐지되었을 때에 그 공간 내 물체의 존재 및 부존재를 탐지하기 위해 수신 신호들을 프로세싱할 수 있다. 예를 들면, 상기 인터페이스 (730)는 상기 공간 내 모션의 결과로서 상기 채널 내 변화들을 탐지하기 위해 표준의 시그날링 프로토콜들의 모습들 (예를 들면, 생성된 스티어링 (steering) 행렬이나 다른 행렬에 기반하는 것처럼 IEEE 802.11ac-2013 표준에 따른 빔포밍을 위한 채널 사운딩)을 분석할 수 있다.
상기 예시의 프로세서 (710)는, 예를 들면, 데이터 입력들에 기반하여 출력 데이터를 생성하기 위해 명령어들을 실행할 수 있다. 상기 명령어들은 메모리 (720) 내에 저장된 프로그램, 코드, 스크립트, 모듈, 또는 다른 유형의 데이터를 포함할 수 있다. 추가로 또는 대안으로, 상기 명령어들은 미리 프로그램되거나 재-프로그램 가능한 로직 회로들, 로직 게이트들, 또는 다른 유형의 하드웨어나 펌웨어 컴포넌트들이나 모듈들로서 인코딩될 수 있다. 상기 프로세서 (710)는 특화된 코-프로세서나 다른 유형의 데이터 프로세싱 장치로서 범용 마이크로프로세서를 포함하거나 그 범용 마이크로프로세서일 수 있다. 몇몇 경우에, 상기 프로세서 (710)는 노드 디바이스 (700)의 고 레벨 동작을 수행한다. 예를 들면, 상기 프로세서 (710)는 메모리 (720) 내에 저장된 소프트웨어, 스크립트, 프로그램, 함수, 실행가능부, 또는 다른 명령어들을 실행하거나 번역하도록 구성될 수 있다. 몇몇 구현들에서, 상기 프로세서 (710)는 상기 인터페이스 (730) 내에 포함될 수 있다. 몇몇 경우에, 상기 프로세서 (710)는 상기 노드 디바이스로 하여금 도 6a 및 도 6b의 방법을 수행하도록 하는 명령어들을 실행할 수 있다. 예를 들어, 프로세서 (710)가 상기 노드 디바이스로 하여금 트레이닝 신호들에 기반한 채널 정보를 수신하도록 하고, 모션 탐지 트레이닝 시간 구간 동안에 상기 공간 내 모바일 디바이스의 사용자 인터페이스로의 정보 입력에 기반한 라벨을 수신하도록 하고, 모션 탐지 트레이닝 시간 구간 동안에 상기 공간 내 센서 디바이스에 의해 수집된 센서 데이터를 수신하도록 하고, 상기 라벨 및 상기 센서 데이터 사이의 차이를 탐지하기 위해 상기 라벨 및 센서 데이터를 분석하도록 하며, 상기 라벨 및 상기 센서 데이터 분석에 기반하여 태그를 생성하도록 하며, 그리고 상기 모션 탐지 시스템을 트레이닝하기 위한 트레이닝 입력으로서 상기 채널 정보 및 상기 태그를 제공하게 하도록 할 수 있다.
상기 예시의 메모리 (720)는 컴퓨터-판독가능 저장 매체, 예를 들면, 휘발성 메모리 디바이스, 비-휘발성 메모리 디바이스, 또는 둘 모두를 포함할 수 있다. 상기 메모리 (720)는 하나 이상의 읽기 전용 메모리 디바이스, 랜덤 액세스 메모리 디바이스, 버퍼 메모리 디바이스, 또는 이것들과 다른 유형의 메모리 디바이스들의 결합을 포함할 수 있다. 몇몇 사례들에서, 상기 메모리의 하나 이상의 컴포넌트들이 통합될 수 있으며 또는 그렇지 않고 상기 노드 디바이스 (700)의 다른 컴포넌트와 연관될 수 있다. 상기 메모리 (720)는 상기 프로세서 (710)에 의해 실행 가능한 명령어들을 저장할 수 있다. 예를 들면, 도 6a에서 보이는 예시의 프로세스 600A 및 도 6b에서 보이는 예시의 프로세스 600B에서 설명된 것처럼, 상기 명령어들은 라벨 및 수신 센서 데이터 사이의 차이를 탐지하기 위해, 그리고 그 라벨들 및 센서 데이터 분석에 기반하여 태그를 생성하기 위해 상기 라벨 및 센서 데이터를 분석하기 위한 명령어들을 포함할 수 있다. 몇몇 사례들에서, 상기 메모리 (720)는 상기 라벨 및 센서 데이터를 분석하기 위한 데이터세트를 분석하기 위한 명령어들 (722) 및 태그 부여된 데이터를 생성하기 위한 명령어들 (744)을 포함할 수 있다. 몇몇 경우에, 상기 메모리 (720)는 추가의 명령어들, 예를 들면, 모션 탐지 시스템을 트레이닝, 실행, 또는 그렇지 않고 작동시키거나 수정하기 위한 명령어들을 포함할 수 있다.
상기 예시의 전력 유닛 (740)은 상기 노드 디바이스 (700)의 다른 컴포넌트들에게 전력을 제공한다. 예를 들면, 상기 다른 컴포넌트들은 전압 버스나 다른 접속을 통해 전력 유닛 (740)에 의해 제공된 전력에 기반하여 작동할 수 있다. 몇몇 구현들에서, 상기 전력 유닛 (740)은 배터리나 배터리 시스템, 예를 들면, 재충전 배터리를 포함한다. 몇몇 구현들에서, 상기 전력 유닛 (740)은 (외부 소스로부터) 외부 전력 신호를 수신하고 그 외부 전력 신호를 상기 노드 디바이스 (700)의 컴포넌트를 위해 컨디셔닝된 내부 전력 신호로 변환하는 어댑터 (예를 들면, AC 어댑터)를 포함한다. 상기 전력 유닛 (740)은 다른 컴포넌트들을 포함하거나 다른 방식으로 동작할 수 있다.
본 명세서에서 설명된 특허 대상 및 동작들 일부는, 본 명세서에서 개시된 구조들 및 그 구조들의 구조적인 등가, 또는 그것들 하나 이상의 조합들을 포함하는 디지털 전자 회로로, 또는 컴퓨터 소프트웨어, 펌웨어, 또는 하드웨어로 구현될 수 있다. 본 명세서에서 설명된 특허 대상 중 몇몇은, 데이터세트를 분석하기 위한 모듈 (722) 및 태그 부여된 데이터를 생성하기 위한 모듈 (724)과 같은 데이터 프로세싱 장치에 의해 또는 그 데이터 프로세싱 장치의 동작을 제어하기 위한 실행을 위해 컴퓨터 저장 매체 상에 부호화된 하나 이상의 컴퓨터 프로그램들, 즉, 컴퓨터 프로그램 명령어들의 하나 이상의 모듈들로서 구현될 수 있다. 컴퓨터 저장 매체는 컴퓨터-판독가능 저장 디바이스, 컴퓨터-판독가능 저장 기판, 랜덤 또는 시리얼 액세스 메모리 어레이나 디바이스, 또는 그것들 하나 이상의 조합들이거나 그 내부에 포함될 수 있다. 또한, 컴퓨터 저장 매체가 전파되는 신호는 아니지만, 컴퓨터 저장 매체는 인위적으로 생성된 전파 신호 내에 부호화된 컴퓨터 프로그램 명령어들의 소스 또는 목적지일 수 있다. 상기 컴퓨터 저장 매체는 하나 이상의 분리된 물리적인 컴포넌트들이나 매체 (예를 들면, 다수의 CD들, 디스크들, 또는 다른 저장 디바이스들)일 수 있으며, 또는 그 내부에 포함될 수 있다.
본 명세서에서 설명된 동작들 일부는 메모리에 (예를 들면, 하나 이상의 컴퓨터-판독가능 저장 디바이스들 상에) 저장된 또는 다른 소스들로부터 수신된 데이터에 관하여 데이터 프로세싱 장치에 의해 수행된 동작들로서 구현될 수 있다.
"데이터 프로세싱 장치"의 용어는, 예로서 프로그래머블 프로세서, 컴퓨터, 시스템 온 칩, 또는 다수의 칩들 또는 전술한 것들의 조합들을 포함하는 데이터 프로세싱을 위한 모든 유형의 장치, 디바이스, 및 머신들을 망라한다. 상기 장치는 특수 목적 로직 회로, 예를 들면, FPGA (field programmable gate array) 또는 ASIC (application specific integrated circuit)을 포함할 수 있다. 상기 장치는 문제의 컴퓨터 프로그램을 위한 실행 환경을 생성하는 코드, 예를 들면, 프로세서 펌웨어, 프로토콜 스택, 데이터베이스 관리 시스템, 운영 시스템, 크로스-플랫폼 런타임 환경, 가상 머신, 또는 그것들 중 하나 이상의 조합들을 포함하는 코드를 또한 하드웨어에 추가하여 또한 포함할 수 있다.
컴퓨터 프로그램 (프로그램, 소프트웨어, 소프트웨어 애플리케이션, 스크립트, 또는 코드로서도 또한 알려짐)은 컴파일되거나 인터프리트된 언어들, 선언성 또는 절차성 언어들을 포함하는 임의 모습의 프로그래밍 언어로 작성될 수 있으며, 그리고 단독의 프로그램으로서 또는 모듈로서, 컴포넌트, 서브루틴, 객체, 또는 컴퓨팅 환경에서 사용하기 적합한 다른 유닛을 포함하는 임의의 모습으로 배치될 수 있다. 컴퓨터 프로그램은 파일 시스템 내 파일에 대응할 수 있지만, 그것이 필요하지는 않다. 프로그램에 전용인 단일의 파일 내에, 또는 다수의 협응된 파일들 (예를 들면, 하나 이상의 모듈들, 서브 프로그램들 또는 코드의 일부들을 저장하는 파일들) 내에 다른 프로그램들이나 데이터 (예를 들면, 마크업 언어 문서 내 저장된 하나 이상의 스크립트들)를 보유하는 파일의 일부에 프로그램이 저장될 수 있다. 컴퓨터 프로그램은 하나의 컴퓨터 상에서 또는 하나의 사이트에 위치하거나 다수의 사이트들에 걸쳐서 분포되어 통신 네트워크에 의해 상호접속된 다수의 컴퓨터들 상에서 실행되도록 배치될 수 있다.
본 명세서에서 설명된 프로세스들 및 로직 흐름들 중 일부는, 입력 데이터에 관하여 동작하고 출력을 생성함으로써 행동들을 수행하기 위해 하나 이상의 컴퓨터 프로그램들을 실행시키는 하나 이상의 프로그래머블 프로세서들에 의해 수행될 수 있다. 상기 프로세스들 및 로직 흐름들은 특수 목적 로직 회로, 예를 들면, FPGA (field programmable gate array) 또는 ASIC (application specific integrated circuit)에 의해 또한 수행될 수 있으며, 그리고 장치는 그 특수 목적 로직 회로로서 또한 구현될 수 있다.
컴퓨터 프로그램 실행을 위해 적합한 프로세서들은 예로서 범용 마이크로프로세서 및 특수 목적 마이크로프로세서 그리고 임의 유형의 디지털 컴퓨터의 프로세서들 모두를 포함한다. 일반적으로, 프로세서는 읽기-전용 메모리 또는 랜덤-액세스 메모리 또는 둘 모두로부터 명령어들 및 데이터를 수신할 것이다. 컴퓨터의 요소들은 명령어들에 따른 행동들을 수행하는 프로세서, 그리고 그 명령어들 및 데이터를 저장하는 하나 이상의 메모리 디바이스들을 포함할 수 있다. 컴퓨터는 데이터를 저장하기 위한 하나 이상의 대용량 저장 디바이스, 예를 들면, 자기 디스크, 마그네토 옵티컬 디스크, 또는 광학 디스크를 또한 포함하거나, 또는 그것들로부터 데이터를 수신하거나 데이터를 전송하거나, 또는 둘 모두를 위해 작동적으로 결합될 수 있다. 그러나, 컴퓨터는 그런 디바이스들을 구비할 필요는 없다. 더욱이, 컴퓨터는 다른 디바이스, 예를 들면, 전화기, 전자 장비, 모바일 오디오나 비디오 플레이어, 게임 콘솔, 글로벌 포지셔닝 시스템 (GPS) 수신기, 또는 휴대용 저장 디바이스 (예를 들면, 범용 시리얼 버스 (USB) 플래시 드라이브)에 내장될 수 있다. 컴퓨터 프로그램 명령어들 및 데이터를 저장하기에 적합한 디바이스들은 모두 비-휘발성 메모리, 매체 및 메모리 디바이스들의 모든 모습들을 포함하며, 이는 반도체 메모리 디바이스 (예를 들면, EPROM, EEPROM, 플래시 메모리 디바이스, 및 다른 것들), 자기 디스크 (예를 들면, 내장 하드디스크, 탈착가능 디스크, 및 다른 것들), 마그네토 옵디컬 디스크, 및 CD ROM과 DVD-ROM 디스크를 예로서 포함한다. 몇몇 경우들에서, 상기 프로세서 및 상기 메모리는 특수 목적 로직 회로에 의해 보충되거나 그 내부에 통합될 수 있다.
사용자와의 상호작용을 제공하기 위해, 동작들은 사용자에게 정보를 디스플레이하기 위한 디스플레이 디바이스 (예를 들면, 모니터, 또는 다른 유형의 디스플레이 디바이스) 그리고 사용자가 컴퓨터에 입력을 제공할 수 있는 키보드 및 포지셔닝 디바이스 (예를 들면, 마우스, 트랙볼, 태블릿, 터치 감지 스크린, 또는 다른 유형의 포인팅 디바이스)를 구비한 컴퓨터에서 구현될 수 있다. 다른 유형의 디바이스들이 사용자와의 상호작용을 제공하기 위해 물론 사용될 수 있다; 예를 들어, 사용자에게 제공될 피드백은 임의 형상의 감각적인 피드백, 예컨대, 시각적인 피드백, 청각적인 피드백, 또는 촉각적인 피드백일 수 있다; 그리고 그 사용자로부터의 입력은 임의 형상으로 수신될 수 있으며, 청각적, 음성, 또는 촉각적인 입력을 포함한다. 추가로, 컴퓨터는 사용자가 사용하는 디바이스에게 문서들을 송신하고 그 디바이스로부터 문서들을 수신함으로써 사용자와 상호작용할 수 있다; 예를 들면, 사용자의 클라이언트 디바이스로부터 수신된 요청들에 응답하여 그 웹 브라우저로 웹 페이지들을 송신함으로써.
컴퓨터 시스템은 단일의 컴퓨팅 디바이스, 또는 근접하게 있거나 또는 보통은 서로에게 원격으로 작동하며 통신 네트워크를 통해 보통 상호 작용하는 다수의 컴퓨터들을 포함할 수 있다. 상기 통신 네트워크들의 예들은 로컬 영역 네트워크 ("LAN") 및 광역 네트워크 ("WAN"), 인터-네트워크 (예를 들면, 인터넷), 위성 링크를 포함하는 네트워크, 및 피어-투-피어 네트워크 (예를 들면, 애드-혹 피어-투-피어 네트워크)를 포함할 수 있다. 클라이언트와 서버와의 관계는 각자의 컴퓨터들 상에서 실행되고 있으며 서로에게 클라이언트-서버 관계를 가지는 컴퓨터 프로그램에 의해 일어날 수 있다.
본원에서 설명된 상기 예의 일반적인 모습에서, 하나 이상의 센서에 의해 수집된 데이터는 모션 탐지 시스템의 지도 트레이닝 동안에 사용자-제공 모션 상태 정보를 교정하거나 보강하기 위해 사용될 수 있다.
제1 예에서, 트레이닝 신호들에 기반한 채널 정보가 수신된다. 상기 트레이닝 신호들은 모션 탐지 트레이닝 시간 구간 동안에 공간을 통해 무선 통신 디바이스에 의해 전송된 무선 신호들을 포함한다. 하나 이상의 라벨들이 상기 모션 탐지 트레이닝 시간 구간 동안에 상기 공간 내 모바일 디바이스의 사용자 인터페이스로의 정보 입력에 기반하여 수신될 수 있다. 상기 모션 탐지 트레이닝 시간 구간 동안에 상기 공간 내 센서 디바이스에 의해 생성된 센서 데이터가 또한 수신될 수 있다. 상기 라벨 및 상기 수신된 센서 데이터 사이의 차이를 탐지하기 위해 상기 하나 이상의 라벨 및 상기 센서 데이터를 분석된다. 상기 라벨 및 상기 센서 데이터를 분석한 것에 기반하여 태그가 생성된다. 상기 채널 정보 및 상기 태그가 상기 모션 탐지 시스템을 트레이닝시키기 위한 입력으로서 제공된다. 몇몇 경우에, 태그 부여된 채널 정보가 기계 학습 시스템으로 제공된다. 몇몇 경우에, 상기 태그는, 상기 트레이닝 시간 구간 동안에 상기 공간 내에 모션이 발생했는가의 여부, 상기 트레이닝 시간 구간 동안에 상기 공간 내에 발생했던 모션의 방향, 상기 트레이닝 시간 구간 동안에 상기 공간 내에 발생했던 모션의 위치, 또는 상기 트레이닝 시간 구간 동안에 상기 공간 내에 모션이 발생했던 시각을 표시할 수 있다.
제2 예에서, 비-일시적 컴퓨터 판독가능 매체는 명령어들을 포함하며, 상기 명령어들은 데이터 프로세싱 장치에 의해 실행될 때에 상기 제1 예의 하나 이상의 동작들을 수행하기 위해 작동할 수 있다.
제3 예에서, 모니터링 시스템은 하나 이상의 프로세서들 및 명령어들을 저장하는 메모리를 포함하며, 상기 명령어들은 상기 하나 이상의 프로세서들에 의해 실행될 때에 상기 제1 예의 하나 이상의 동작들을 수행하기 위해 작동할 수 있다.
상기 제1, 제2 및 제3 예들의 구현들은 다음의 특징들 중 하나 이상을 포함할 수 있다. 상기 센서 디바이스는 가속도계, 자이로스코프, 나침반, 계보기 (pedometer), 그리고 기압계 중 임의의 것을 포함할 수 있다. 상기 센서 데이터가 상기 라벨에 대응하지 않는다는 것을 상기 분석이 표시할 때에 차이가 탐지되며, 그리고 상기 라벨은 상기 수신 센서 데이터에 기반하여 교정될 수 있거나, 또는 상기 라벨은 상기 탐지된 차이에 종속하여, 상기 수신 센서 데이터로를 이용하여 보강 (augment)될 수 있다. 상기 라벨 및 상기 센서 데이터 사이의 상기 차이는, 상기 라벨 내 타임스탬프 및 상기 센서 데이터 내 타임스탬프 사이의 차이, 상기 라벨 내 표시된 측정 유형 및 상기 센서 데이터 내 측정 유형 사이의 차이 중 적어도 하나를 포함할 수 있으며, 또는 상기 라벨이 아니라 상기 센서 데이터 내에 제공된 추가 정보일 수 있다. 상기 라벨 및 상기 센서 데이터를 분석한 것에 기반하여 태그를 생성하는 것은 상기 라벨만으로부터 상기 태그를 생성하는 것에 비하여 상기 태그의 정밀도를 향상시킨다. 태그 부여된 채널 정보가 기계 학습 시스템으로 제공된다. 상기 태그는 상기 트레이닝 시간 구간 동안에 상기 공간 내에 모션이 발생했는가의 여부, 상기 트레이닝 시간 구간 동안에 상기 공간 내에 발생했던 모션의 방향, 상기 트레이닝 시간 구간 동안에 상기 공간 내에 발생했던 모션의 위치, 또는 상기 트레이닝 시간 구간 동안에 상기 공간 내에 모션이 발생했던 시각을 표시할 수 있다.
본 명세서가 많은 상세 내용들을 포함하지만, 그 상세 내용들은 청구될 수 있는 것의 범위에 대한 제한들로서 이해되지 않아야 하며, 오히려 특별한 예들에 특정한 특징들에 대한 설명으로서 해석되어야 한다. 분리된 구현들의 맥락에서 도면들에 도시되거나 본 명세서에서 설명된 특징들은 또한 결합될 수 있다. 반대로, 단일의 구현의 맥락에서 설명되거나 도시된 다양한 특징들은 다수의 실시예들에서 분리하여 또는 어떤 적합한 서브조합으로 또한 구현될 수 있다.
유사하게, 동작들이 도면들에서 특별한 순서로 도시되지만, 이것은 그런 동작들이 도시된 특별한 순서나 순차적인 순서로 수행되어야 한다거나 또는 소망된 결과들을 달성하기 위해 모든 도시된 동작들이 수행되어야 할 것을 필요로 하는 것으로 해석되지 않아야 한다. 특정 환경들에서, 멀티태스킹 및 병렬 프로세싱이 유리할 수 있다. 더욱이, 위에서 설명된 구현들 내 다양한 시스템 컴포넌트들 분리가 모든 구현들에서 그런 분리가 필요한 것으로 해석되지 않아야 하며, 그리고 설명된 프로그램 컴포넌트들 및 시스템들은 일반적으로 단일의 제품 내에 함께 통합되거나 다수의 제품들 내에 패키징될 수 있다는 것이 이해되어야 한다.
여러 실시예들이 설명되었다. 그럼에도 불구하고, 다양한 수정들이 만들어질 수 있다는 것이 이해될 것이다. 따라서, 다른 실시예들은 다음의 청구항들의 범위 내에 존재한다.
Claims (24)
- 모션 탐지 트레이닝 방법으로서,
트레이닝 신호들에 기반한 채널 정보를 수신하는 단계로, 상기 트레이닝 신호들은 사용자에 의해 지도받는 모션 탐지 트레이닝 시간 구간 동안에 무선 통신 디바이스 및 제2 무선 통신 디바이스 사이의 공간을 통해 상기 무선 통신 디바이스에 의해 전송된 무선 신호들을 포함하는, 채널 정보 수신 단계;
상기 모션 탐지 트레이닝 시간 구간 동안에 상기 공간 내 모바일 디바이스의 사용자에 의해 사용자 인터페이스로의 제1 세트의 모션 정보 입력을 포함하는 라벨을 수신하는 단계;
상기 모션 탐지 트레이닝 시간 구간 동안에 상기 공간 내 상기 사용자의 웨어러블 센서 디바이스에 의해 수집된 제2 세트의 모션 정보를 포함하는 센서 데이터를 수신하는 단계;
상기 모션 탐지 트레이닝 구간에 대해 상기 라벨 및 상기 센서 데이터 사이의 차이를 탐지하기 위해 상기 라벨 및 상기 센서 데이터를 분석하는 단계;
상기 라벨 및 상기 센서 데이터를 분석한 것에 기반하여 상기 채널 정보를 위한 태그를 생성하는 단계; 그리고
상기 채널 정보 및 상기 태그를 모션 탐지 시스템을 트레이닝시키기 위한 트레이닝 입력으로서 제공하는 단계를 포함하는, 모션 탐지 트레이닝 방법. - 제1항에 있어서,
상기 라벨 및 상기 센서 데이터를 분석하는 단계는:
상기 센서 데이터가 상기 라벨에 대응하지 않는다는 것을 상기 분석이 표시할 때에 차이를 탐지하는 단계; 그리고
상기 탐지된 차이에 종속하여, 상기 수신 센서 데이터에 기반하여 상기 라벨을 교정하거나 또는 상기 라벨을 상기 수신 센서 데이터로 보강 (augment)하는 것 중의 어느 하나를 수행하는 단계를 포함하는, 모션 탐지 트레이닝 방법. - 제1항에 있어서,
상기 라벨 및 상기 센서 데이터를 분석한 것에 기반하여 태그를 생성하는 것은 상기 라벨만으로부터 상기 태그를 생성하는 것에 비하여 상기 태그의 정밀도를 향상시키는, 모션 탐지 트레이닝 방법. - 제1항에 있어서,
상기 센서 디바이스는:
가속도계;
자이로스코프;
나침반;
계보기 (pedometer); 그리고
기압계
중 적어도 하나를 포함하는, 모션 탐지 트레이닝 방법. - 제1항에 있어서,
상기 모바일 디바이스는 상기 센서 디바이스를 포함하는, 모션 탐지 트레이닝 방법. - 제1항에 있어서,
상기 라벨 및 상기 센서 데이터 사이의 상기 차이는:
상기 라벨 내 타임스탬프 및 상기 센서 데이터 내 타임스탬프 사이의 차이;
상기 라벨 내 표시된 측정 유형 및 상기 센서 데이터 내 측정 유형 사이의 차이; 또는
상기 라벨이 아니라 상기 센서 데이터 내에 제공된 추가 정보
중 적어도 하나를 포함하는, 모션 탐지 트레이닝 방법. - 제1항에 있어서,
상기 채널 정보 및 상기 태그를 모션 탐지 시스템을 트레이닝시키기 위한 트레이닝 입력으로서 제공하는 단계는 태그 부여된 채널 정보를 기계 학습 시스템으로 제공하는 단계를 포함하는, 모션 탐지 트레이닝 방법. - 제7항에 있어서,
상기 태그는:
상기 트레이닝 시간 구간 동안에 상기 공간 내에 모션이 발생했는가의 여부;
상기 트레이닝 시간 구간 동안에 상기 공간 내에 발생했던 모션의 방향;
상기 트레이닝 시간 구간 동안에 상기 공간 내에 발생했던 모션의 위치; 또는
상기 트레이닝 시간 구간 동안에 상기 공간 내에 모션이 발생했던 시각
중 적어도 하나를 표시하는, 모션 탐지 트레이닝 방법. - 모션 탐지 트레이닝 시스템으로서:
하나 이상의 프로세서들;
명령어들을 저장하는 메모리를 포함하며,
상기 명령어들은 상기 하나 이상의 프로세서들에 의해 실행될 때에 상기 모션 탐지 트레이닝 시스템으로 하여금:
트레이닝 신호들에 기반한 채널 정보를 수신하도록 하며, 상기 트레이닝 신호들은 사용자에 의해 지도받는 모션 탐지 트레이닝 시간 구간 동안에 무선 통신 디바이스 및 제2 무선 통신 디바이스 사이의 공간을 통해 상기 무선 통신 디바이스에 의해 전송된 무선 신호들을 포함하며;
상기 모션 탐지 트레이닝 시간 구간 동안에 상기 공간 내 모바일 디바이스의 사용자에 의해 사용자 인터페이스로의 제1 세트의 모션 정보 입력을 포함하는 라벨을 수신하도록 하며;
상기 모션 탐지 트레이닝 시간 구간 동안에 상기 공간 내 상기 사용자의 웨어러블 센서 디바이스에 의해 수집된 제2 세트의 모션 정보를 포함하는 센서 데이터를 수신하도록 하며;
상기 모션 탐지 트레이닝 시간 구간에 대해 상기 라벨 및 상기 센서 데이터 사이의 차이를 탐지하기 위해 상기 라벨 및 상기 센서 데이터를 분석하도록 하며;
상기 라벨 및 상기 센서 데이터를 분석한 것에 기반하여 상기 채널 정보를 위한 태그를 생성하도록 하며; 그리고
상기 채널 정보 및 상기 태그를 모션 탐지 시스템을 트레이닝시키기 위한 트레이닝 입력으로서 제공하게 하도록 하는, 모션 탐지 트레이닝 시스템. - 제9항에 있어서,
상기 라벨 및 상기 센서 데이터를 분석하는 것은:
상기 센서 데이터가 상기 라벨에 대응하지 않는다는 것을 상기 분석이 표시할 때에 차이를 탐지하며; 그리고
상기 탐지된 차이에 종속하여, 상기 수신 센서 데이터에 기반하여 상기 라벨을 교정하거나 또는 상기 라벨을 상기 수신 센서 데이터로 보강하는 것 중의 어느 하나를 수행하는 것을 포함하는, 모션 탐지 트레이닝 시스템. - 제9항에 있어서,
상기 라벨 및 상기 센서 데이터를 분석한 것에 기반하여 태그를 생성하는 것은 상기 라벨만으로부터 상기 태그를 생성하는 것에 비하여 상기 태그의 정밀도를 향상시키는, 모션 탐지 트레이닝 시스템. - 제9항에 있어서,
상기 센서 디바이스는:
가속도계;
자이로스코프;
나침반;
계보기 (pedometer); 그리고
기압계
중 적어도 하나를 포함하는, 모션 탐지 트레이닝 시스템. - 제9항에 있어서,
상기 모바일 디바이스는 상기 센서 디바이스를 포함하는, 모션 탐지 트레이닝 시스템. - 제9항에 있어서,
상기 라벨 및 상기 센서 데이터 사이의 상기 차이는:
상기 라벨 내 타임스탬프 및 상기 센서 데이터 내 타임스탬프 사이의 차이;
상기 라벨 내 표시된 측정 유형 및 상기 센서 데이터 내 측정 유형 사이의 차이; 또는
상기 라벨이 아니라 상기 센서 데이터 내에 제공된 추가 정보
중 적어도 하나를 포함하는, 모션 탐지 트레이닝 시스템. - 제9항에 있어서,
상기 채널 정보 및 상기 태그를 모션 탐지 시스템을 트레이닝시키기 위한 트레이닝 입력으로서 제공하는 것은 태그 부여된 채널 정보를 기계 학습 시스템으로 제공하는 것을 포함하는, 모션 탐지 트레이닝 시스템. - 제15항에 있어서,
상기 태그는:
상기 트레이닝 시간 구간 동안에 상기 공간 내에 모션이 발생했는가의 여부;
상기 트레이닝 시간 구간 동안에 상기 공간 내에 발생했던 모션의 방향;
상기 트레이닝 시간 구간 동안에 상기 공간 내에 발생했던 모션의 위치; 또는
상기 트레이닝 시간 구간 동안에 상기 공간 내에 모션이 발생했던 시각
중 적어도 하나를 표시하는, 모션 탐지 트레이닝 시스템. - 명령어들을 포함하는 비-일시적 컴퓨터 판독가능 매체로서,
상기 명령어들은 하나 이상의 프로세서들에 의해 실행될 때에 동작들을 수행하기 위해 작동할 수 있으며, 상기 동작들은:
트레이닝 신호들에 기반한 채널 정보를 수신하는 동작으로, 상기 트레이닝 신호들은 사용자에 의해 지도받는 모션 탐지 트레이닝 시간 구간 동안에 무선 통신 디바이스 및 제2 무선 통신 디바이스 사이의 공간을 통해 상기 무선 통신 디바이스에 의해 전송된 무선 신호들을 포함하는, 채널 정보 수신 동작;
상기 모션 탐지 트레이닝 시간 구간 동안에 상기 공간 내 모바일 디바이스의 사용자에 의해 사용자 인터페이스로의 제1 세트의 모션 정보를 포함하는 라벨을 수신하는 동작;
상기 모션 탐지 트레이닝 시간 구간 동안에 상기 공간 내 상기 사용자의 웨어러블 센서 디바이스에 의해 수집된 제2 세트의 모션 정보를 포함하는 센서 데이터를 수신하는 동작;
상기 모션 탐지 트레이닝 시간 구간에 대해 상기 라벨 및 상기 센서 데이터 사이의 차이를 탐지하기 위해 상기 라벨 및 상기 센서 데이터를 분석하는 동작;
상기 라벨 및 상기 센서 데이터를 분석한 것에 기반하여 상기 채널 정보를 위한 태그를 생성하는 동작; 그리고
상기 채널 정보 및 상기 태그를 모션 탐지 시스템을 트레이닝시키기 위한 트레이닝 입력으로서 제공하는 동작을 포함하는, 컴퓨터 판독가능 매체. - 제17항에 있어서,
상기 라벨 및 상기 센서 데이터를 분석하는 동작은:
상기 센서 데이터가 상기 라벨에 대응하지 않는다는 것을 상기 분석이 표시할 때에 차이를 탐지하는 동작; 그리고
상기 탐지된 차이에 종속하여, 상기 수신 센서 데이터에 기반하여 상기 라벨을 교정하거나 또는 상기 라벨을 상기 수신 센서 데이터로 보강하는 것 중의 어느 하나를 수행하는 동작을 포함하는, 컴퓨터 판독가능 매체. - 제17항에 있어서,
상기 라벨 및 상기 센서 데이터를 분석한 것에 기반하여 태그를 생성하는 것은 상기 라벨만으로부터 상기 태그를 생성하는 것에 비하여 상기 태그의 정밀도를 향상시키는, 컴퓨터 판독가능 매체. - 제17항에 있어서,
상기 센서 디바이스는:
가속도계;
자이로스코프;
나침반;
계보기 (pedometer); 그리고
기압계
중 적어도 하나를 포함하는, 컴퓨터 판독가능 매체. - 제17항에 있어서,
상기 모바일 디바이스는 상기 센서 디바이스를 포함하는, 컴퓨터 판독가능 매체. - 제17항에 있어서,
상기 라벨 및 상기 센서 데이터 사이의 상기 차이는:
상기 라벨 내 타임스탬프 및 상기 센서 데이터 내 타임스탬프 사이의 차이;
상기 라벨 내 표시된 측정 유형 및 상기 센서 데이터 내 측정 유형 사이의 차이; 또는
상기 라벨이 아니라 상기 센서 데이터 내에 제공된 추가 정보
중 적어도 하나를 포함하는, 컴퓨터 판독가능 매체. - 제17항에 있어서,
상기 채널 정보 및 상기 태그를 모션 탐지 시스템을 트레이닝시키기 위한 트레이닝 입력으로서 제공하는 동작은 태그 부여된 채널 정보를 기계 학습 시스템으로 제공하는 동작을 포함하는, 컴퓨터 판독가능 매체. - 제23항에 있어서,
상기 태그는:
상기 트레이닝 시간 구간 동안에 상기 공간 내에 모션이 발생했는가의 여부;
상기 트레이닝 시간 구간 동안에 상기 공간 내에 발생했던 모션의 방향;
상기 트레이닝 시간 구간 동안에 상기 공간 내에 발생했던 모션의 위치; 또는
상기 트레이닝 시간 구간 동안에 상기 공간 내에 모션이 발생했던 시각
중 적어도 하나를 표시하는, 컴퓨터 판독가능 매체.
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US15/987,805 US10318890B1 (en) | 2018-05-23 | 2018-05-23 | Training data for a motion detection system using data from a sensor device |
| US15/987,805 | 2018-05-23 | ||
| PCT/CA2018/051115 WO2019222829A1 (en) | 2018-05-23 | 2018-09-11 | Training data for a motion detection system using data from a sensor device |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20210014630A KR20210014630A (ko) | 2021-02-09 |
| KR102633126B1 true KR102633126B1 (ko) | 2024-02-02 |
Family
ID=66767617
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020207033248A KR102633126B1 (ko) | 2018-05-23 | 2018-09-11 | 센서 디바이스로부터의 데이터를 사용한 모션 탐지 시스템을 위한 트레이닝 데이터 |
Country Status (7)
| Country | Link |
|---|---|
| US (1) | US10318890B1 (ko) |
| EP (1) | EP3797300A4 (ko) |
| JP (1) | JP7174073B2 (ko) |
| KR (1) | KR102633126B1 (ko) |
| CN (1) | CN112136053B (ko) |
| CA (1) | CA3100036A1 (ko) |
| WO (1) | WO2019222829A1 (ko) |
Families Citing this family (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111247860B (zh) * | 2017-10-25 | 2022-10-28 | 华为技术有限公司 | 基于运动感知的无线接入 |
| US10852411B2 (en) | 2017-12-06 | 2020-12-01 | Cognitive Systems Corp. | Motion detection and localization based on bi-directional channel sounding |
| JP7233868B2 (ja) * | 2018-08-08 | 2023-03-07 | キヤノン株式会社 | 情報処理装置の学習システム、情報処理装置、情報処理装置の制御方法及びプログラム |
| US10849006B1 (en) | 2019-04-30 | 2020-11-24 | Cognitive Systems Corp. | Controlling measurement rates in wireless sensing systems |
| US10743143B1 (en) | 2019-05-15 | 2020-08-11 | Cognitive Systems Corp. | Determining a motion zone for a location of motion detected by wireless signals |
| US11510047B2 (en) * | 2019-08-12 | 2022-11-22 | Dell Products, Lp | Learning based wireless performance adjustment for mobile information handling system |
| US11044578B2 (en) | 2019-09-30 | 2021-06-22 | Cognitive Systems Corp. | Detecting a location of motion using wireless signals that propagate along two or more paths of a wireless communication channel |
| CN114599991A (zh) | 2019-10-31 | 2022-06-07 | 认知系统公司 | 引发来自无线通信装置的mimo传输 |
| EP4052065A4 (en) | 2019-10-31 | 2022-12-07 | Cognitive Systems Corp. | USING MIMO TRAINING AREAS FOR MOTION DETECTION |
| US11570712B2 (en) | 2019-10-31 | 2023-01-31 | Cognitive Systems Corp. | Varying a rate of eliciting MIMO transmissions from wireless communication devices |
| CN113009508B (zh) * | 2019-12-20 | 2023-11-07 | 舜宇光学（浙江）研究院有限公司 | 用于tof模组的多径干扰校正方法及其系统和电子设备 |
| US11628848B2 (en) | 2020-03-31 | 2023-04-18 | Toyota Research Institute, Inc. | Systems and methods for training a neural network for estimating a trajectory of a vehicle |
| WO2021225191A1 (ko) * | 2020-05-07 | 2021-11-11 | 엘지전자 주식회사 | 무선 센싱을 기반으로 사용자 식별 모델을 생성하는 방법 및 장치 |
| US11304254B2 (en) | 2020-08-31 | 2022-04-12 | Cognitive Systems Corp. | Controlling motion topology in a standardized wireless communication network |
| US11070399B1 (en) | 2020-11-30 | 2021-07-20 | Cognitive Systems Corp. | Filtering channel responses for motion detection |
| EP4348299A4 (en) * | 2021-05-28 | 2024-10-09 | Cognitive Systems Corp | WI-FI MOTION COVERAGE ANALYSIS IN A LANDSCAPE ENVIRONMENT |
| WO2023092238A1 (en) * | 2021-11-29 | 2023-06-01 | Cognitive Systems Corp. | Context-dependent processing and encoding of motion data from a wireless communication network |
| US20240073858A1 (en) * | 2022-08-31 | 2024-02-29 | Verizon Patent And Licensing Inc. | Systems and methods for detecting motion events based on channel state information |
| US12038493B2 (en) | 2022-09-08 | 2024-07-16 | Cognitive Systems Corp. | Systems and methods for motion detection using sensing transmission clusters |
Family Cites Families (74)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US4054879A (en) | 1976-11-19 | 1977-10-18 | The United States Of America As Represented By The Secretary Of The Navy | Dual-frequency, remote ocean-wave spectrometer |
| US4649388A (en) | 1985-11-08 | 1987-03-10 | David Atlas | Radar detection of hazardous small scale weather disturbances |
| US4740045A (en) | 1986-07-02 | 1988-04-26 | Goodson & Associates, Inc. | Multiple parameter doppler radar |
| GB2322986B (en) | 1987-10-28 | 1998-12-16 | Licentia Gmbh | Method of type classification of a target |
| GB9112838D0 (en) | 1991-06-14 | 1991-10-16 | Philips Electronic Associated | Fmcw radar range calibration |
| US6539336B1 (en) * | 1996-12-12 | 2003-03-25 | Phatrat Technologies, Inc. | Sport monitoring system for determining airtime, speed, power absorbed and other factors such as drop distance |
| US5696514A (en) | 1996-02-28 | 1997-12-09 | Northrop Grumman Corporation | Location and velocity measurement system using atomic clocks in moving objects and receivers |
| US6075797A (en) | 1997-10-17 | 2000-06-13 | 3Com Corporation | Method and system for detecting mobility of a wireless-capable modem to minimize data transfer rate renegotiations |
| EP1436721B1 (en) | 2001-09-17 | 2010-01-13 | Finlasin Technology LLC | Digital signal processor for wireless baseband processing |
| US7773614B1 (en) | 2001-12-05 | 2010-08-10 | Adaptix, Inc. | Wireless communication subsystem with a digital interface |
| WO2012125726A1 (en) | 2011-03-14 | 2012-09-20 | Intelligent Technologies International, Inc. | Cargo theft prevention system and method |
| US7869822B2 (en) | 2003-02-24 | 2011-01-11 | Autocell Laboratories, Inc. | Wireless network apparatus and system field of the invention |
| US7342493B2 (en) | 2005-04-22 | 2008-03-11 | Ultravision Security Systems, Inc. | Motion detector |
| WO2008094172A2 (en) | 2006-06-01 | 2008-08-07 | University Of Florida Research Foundation, Inc. | Radar microsensor for detection, tracking, and classification |
| US20070296571A1 (en) | 2006-06-13 | 2007-12-27 | Kolen Paul T | Motion sensing in a wireless rf network |
| US7783300B2 (en) | 2006-11-22 | 2010-08-24 | Airdefense, Inc. | Systems and methods for proactively enforcing a wireless free zone |
| US8075499B2 (en) | 2007-05-18 | 2011-12-13 | Vaidhi Nathan | Abnormal motion detector and monitor |
| US10168414B2 (en) | 2014-07-17 | 2019-01-01 | Origin Wireless, Inc. | Wireless signals and techniques for determining locations of objects in multi-path environments |
| US8892127B2 (en) | 2008-11-21 | 2014-11-18 | Qualcomm Incorporated | Wireless-based positioning adjustments using a motion sensor |
| US8671069B2 (en) * | 2008-12-22 | 2014-03-11 | The Trustees Of Columbia University, In The City Of New York | Rapid image annotation via brain state decoding and visual pattern mining |
| US8305257B2 (en) | 2009-09-02 | 2012-11-06 | Trizna Dennis B | Method and apparatus for coherent marine radar measurements of properties of ocean waves and currents |
| EP2513666B1 (en) | 2009-12-18 | 2015-02-18 | L-3 Communications Cyterra Corporation | Moving entity detection |
| US8396485B2 (en) | 2010-11-09 | 2013-03-12 | Apple Inc. | Beacon-based geofencing |
| EP2652996A1 (en) | 2010-12-13 | 2013-10-23 | Xandem Technology, LLC | Systems and methods of device-free motion detection and presence detection |
| ES2602504T3 (es) | 2011-10-19 | 2017-02-21 | Telefonaktiebolaget Lm Ericsson (Publ) | Un dispositivo de detección de movimiento |
| US8866663B2 (en) | 2011-12-27 | 2014-10-21 | Massachusetts Institute Of Technology | Methods and apparatus for sensing organic tissue |
| WO2014021574A1 (ko) | 2012-08-02 | 2014-02-06 | 트라텍정보통신 주식회사 | 스마트폰과 연동되는 ｕｓｂ 메모리 장치 |
| US8660578B1 (en) | 2012-09-07 | 2014-02-25 | Intel Corporation | Proximity human motion detection using wireless signals |
| US8847754B2 (en) | 2012-11-15 | 2014-09-30 | James Buchheim | Locator beacon and radar application for mobile device |
| US9329701B2 (en) * | 2012-11-21 | 2016-05-03 | Google Technology Holdings LLC | Low power management of multiple sensor chip architecture |
| US20140156833A1 (en) | 2012-11-22 | 2014-06-05 | Perch Communications Inc. | System and method for automatically triggered synchronous and asynchronous video and audio communications between users at different endpoints |
| US20140249994A1 (en) | 2013-03-04 | 2014-09-04 | Hello Inc. | Wearable device with unique user ID and telemetry system for payments |
| US20140288867A1 (en) * | 2013-03-21 | 2014-09-25 | Sony Corporation | Recalibrating an inertial navigation system |
| CA2820568A1 (en) | 2013-06-21 | 2014-12-21 | Ninve Jr. Inc. | Dual differential doppler motion detection |
| US9451381B2 (en) | 2013-08-06 | 2016-09-20 | Time Warner Cable Enterprises Llc | Automated provisioning of managed services in a Wi-Fi capable client device |
| US10979203B2 (en) | 2013-09-04 | 2021-04-13 | Qualcomm Incorporated | Channel selection to reduce interference to a wireless local area network from a cellular network |
| US9467480B2 (en) | 2013-09-16 | 2016-10-11 | Qualcomm Incorporated | Selectively multiplexing incoming WebRTC traffic and/or de-multiplexing outgoing WebRTC traffic by a client-based WebRTC proxy on behalf of a WebRTC multimedia client application |
| US9204385B2 (en) | 2013-10-09 | 2015-12-01 | Netgear, Inc. | Wireless router or residential gateway capable of distinguishing power-sensitive wireless sensors and providing separate treatment thereto |
| EP3092750B1 (en) | 2014-01-06 | 2020-07-15 | Samsung Electronics Co., Ltd. | System, device, and apparatus for coordinating environments using network devices and remote sensory information |
| EP3100420B1 (en) | 2014-01-28 | 2018-06-20 | King Abdullah University Of Science And Technology | Buffer sizing for multi-hop networks |
| US20150245164A1 (en) | 2014-02-26 | 2015-08-27 | Aliphcom | Interaction between wearable devices via broadcasted sensor-related data |
| WO2015168700A1 (en) | 2014-05-02 | 2015-11-05 | The Board Of Trustees Of The Leland Stanford Junior University | Method and apparatus for tracing motion using radio frequency signals |
| KR20150134126A (ko) | 2014-05-21 | 2015-12-01 | 재단법인대구경북과학기술원 | 레이더 신호 처리 방법 및 장치 |
| US9288019B2 (en) * | 2014-07-03 | 2016-03-15 | Intel Corporation | Apparatuses, methods, and systems for jitter equalization and phase error detection |
| US10044421B2 (en) * | 2014-08-26 | 2018-08-07 | Intel IP Corporation | Wireless communication via combined channel training and physical layer header signaling |
| US10460596B2 (en) | 2014-10-31 | 2019-10-29 | Siemens Schweiz Ag | Method, digital tool, device and system for detecting movements of objects and/or living beings in a radio range, in particular of an indoor area |
| US9648462B2 (en) | 2014-11-28 | 2017-05-09 | Szegedi Tudományegyetem | Method for tracking of motion of objects associated with wireless communication devices within a predefined area |
| TWI514193B (zh) | 2014-12-25 | 2015-12-21 | Univ Nat Sun Yat Sen | 動作感測裝置 |
| WO2016110844A1 (en) | 2015-01-07 | 2016-07-14 | Trekeye Systems Ltd. | Improved method and system for detection of changes in a defined area |
| US10347108B2 (en) | 2015-01-16 | 2019-07-09 | City University Of Hong Kong | Monitoring user activity using wearable motion sensing device |
| US9936352B2 (en) * | 2015-02-02 | 2018-04-03 | Qualcomm, Incorporated | Techniques for estimating distance between wireless communication devices |
| EP3334334A1 (en) | 2015-08-11 | 2018-06-20 | Masimo Corporation | Medical monitoring analysis and replay including indicia responsive to light attenuated by body tissue |
| US10564285B2 (en) | 2015-11-19 | 2020-02-18 | DSCG Solutions, Inc. | Estimation of motion in six degrees of freedom (6DOF) using LIDAR |
| EP3387849B1 (en) * | 2015-12-09 | 2024-08-28 | Origin Research Wireless, Inc. | Method, apparatus, and systems for wireless event detection and monitoring |
| CA3008322A1 (en) | 2015-12-23 | 2017-06-29 | Aerial Technologies Inc. | System, method and apparatus for sensing changes in an environment using wireless communication signals |
| JP6892663B2 (ja) | 2016-02-04 | 2021-06-23 | エアリアル テクノロジーズ インコーポレイテッド | 無線通信信号の環境を検知するためのシステムおよび方法 |
| US11511156B2 (en) * | 2016-03-12 | 2022-11-29 | Arie Shavit | Training system and methods for designing, monitoring and providing feedback of training |
| EP3433809A4 (en) | 2016-03-23 | 2019-10-02 | Fedex Corporate Services, Inc. | SYSTEMS, APPARATUS AND METHODS FOR AUTOMATIC ADJUSTMENT OF BROADCAST ADJUSTMENT OF A NODE IN A WIRELESS NODE NETWORK |
| US9523760B1 (en) | 2016-04-15 | 2016-12-20 | Cognitive Systems Corp. | Detecting motion based on repeated wireless transmissions |
| US10705179B2 (en) | 2016-04-22 | 2020-07-07 | Tandemlaunch | Device-free subject localization methods and systems using wireless signals |
| WO2018094502A1 (en) | 2016-11-22 | 2018-05-31 | Aerial Technologies | Device-free localization methods within smart indoor environments |
| US9584974B1 (en) | 2016-05-11 | 2017-02-28 | Cognitive Systems Corp. | Detecting motion based on reference signal transmissions |
| US10129853B2 (en) * | 2016-06-08 | 2018-11-13 | Cognitive Systems Corp. | Operating a motion detection channel in a wireless communication network |
| US11043094B2 (en) | 2016-06-08 | 2021-06-22 | Aerial Technologies Inc. | System and methods for smart intrusion detection using wireless signals and artificial intelligence |
| JP6599821B2 (ja) | 2016-06-27 | 2019-10-30 | 日本電信電話株式会社 | 自動教師データ作成装置、自動教師データ作成方法および自動教師データ作成プログラム |
| US9524628B1 (en) | 2016-08-04 | 2016-12-20 | Cognitive Systems Corp. | Detecting signal modulation for motion detection |
| US10386792B2 (en) | 2016-10-19 | 2019-08-20 | Ants Technology (Hk) Limited | Sensory systems for autonomous devices |
| CN106691441A (zh) * | 2016-12-22 | 2017-05-24 | 蓝色传感（北京）科技有限公司 | 基于脑电与运动状态反馈的注意力训练系统及方法 |
| JP6317000B1 (ja) | 2017-02-20 | 2018-04-25 | 三菱電機インフォメーションシステムズ株式会社 | ラベリング装置およびプログラム |
| US9927519B1 (en) * | 2017-03-16 | 2018-03-27 | Cognitive Systems Corp. | Categorizing motion detected using wireless signals |
| US9989622B1 (en) | 2017-03-16 | 2018-06-05 | Cognitive Systems Corp. | Controlling radio states for motion detection |
| US9743294B1 (en) | 2017-03-16 | 2017-08-22 | Cognitive Systems Corp. | Storing modem parameters for motion detection |
| US10111228B2 (en) | 2017-03-16 | 2018-10-23 | Cognitive Systems Corp. | Selecting wireless communication channels based on signal quality metrics |
| US9933517B1 (en) | 2017-11-03 | 2018-04-03 | Cognitive Systems Corp. | Time-alignment of motion detection signals using buffers |
-
2018
- 2018-05-23 US US15/987,805 patent/US10318890B1/en active Active
- 2018-09-11 EP EP18919827.8A patent/EP3797300A4/en active Pending
- 2018-09-11 CN CN201880093566.XA patent/CN112136053B/zh active Active
- 2018-09-11 JP JP2020564717A patent/JP7174073B2/ja active Active
- 2018-09-11 KR KR1020207033248A patent/KR102633126B1/ko active IP Right Grant
- 2018-09-11 CA CA3100036A patent/CA3100036A1/en active Pending
- 2018-09-11 WO PCT/CA2018/051115 patent/WO2019222829A1/en unknown
Also Published As
| Publication number | Publication date |
|---|---|
| EP3797300A4 (en) | 2021-08-18 |
| CN112136053A (zh) | 2020-12-25 |
| US10318890B1 (en) | 2019-06-11 |
| WO2019222829A1 (en) | 2019-11-28 |
| JP2021524111A (ja) | 2021-09-09 |
| CN112136053B (zh) | 2023-08-18 |
| EP3797300A1 (en) | 2021-03-31 |
| KR20210014630A (ko) | 2021-02-09 |
| CA3100036A1 (en) | 2019-11-28 |
| JP7174073B2 (ja) | 2022-11-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102633126B1 (ko) | 센서 디바이스로부터의 데이터를 사용한 모션 탐지 시스템을 위한 트레이닝 데이터 | |
| EP3721257B1 (en) | Motion detection in mesh networks | |
| KR102588572B1 (ko) | 무선 신호 특성들에 대한 머신 러닝에 기반한 모션 탐지 | |
| US20200371222A1 (en) | Detecting Presence Based on Wireless Signal Analysis | |
| KR102595929B1 (ko) | 무선 신호들의 통계 파라미터들의 집단화들에 기반한 모션 탐지 | |
| US10567914B1 (en) | Initializing probability vectors for determining a location of motion detected from wireless signals | |
| KR102550226B1 (ko) | 무선 신호들의 필터링된 통계 파라미터들에 기반한 모션 탐지 | |
| WO2020220111A1 (en) | Determining a location of motion detected from wireless signals based on wireless link counting | |
| Karfakis et al. | Nr5g-sam: A slam framework for field robot applications based on 5g new radio | |
| US11576141B2 (en) | Analyzing Wi-Fi motion coverage in an environment | |
| US20230370819A1 (en) | Operating a Mobile Wireless Communication Device for Wireless Motion Sensing |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |