KR102656500B1

KR102656500B1 - 무선 통신 인프라 매칭 특징점을 활용한 기계 학습 기반 미수집 지점의 측위 데이터베이스 생성 및 측위 방법

Info

Publication number: KR102656500B1
Application number: KR1020210057789A
Authority: KR
Inventors: 조영수; 전주일; 지명인
Original assignee: 한국전자통신연구원
Priority date: 2021-05-04
Filing date: 2021-05-04
Publication date: 2024-04-12
Also published as: US11803580B2; KR20220150604A; US20220374458A1

Abstract

무선 통신 인프라 매칭점을 활용한 기계 학습 기반 미수집 지점의 측위 장치 및 방법이 개시된다. 본 발명의 실시예에 따른 무선 통신 인프라 매칭점을 활용한 기계 학습 기반 미수집 지점의 측위 장치는, 실시예에 따른 적어도 하나의 프로그램이 기록된 메모리 및 프로그램을 실행하는 프로세서를 포함하며, 프로그램은, 무선 통신 인프라로부터 획득된 수집 데이터 및 측위 대상 단말에 의해 측정된 측위 데이터를 비교하여 매칭된 특징점을 추출하는 단계, 추출된 특징점에 대해 미수집 지점을 포함한 전역 격자의 핑거프린트 데이터베이스를 실시간으로 생성하는 단계 및 생성된 핑거프린트 데이터베이스를 기반으로 측위 대상 단말의 최적 복합 위치를 추정하는 단계를 수행할 수 있다.

Description

무선 통신 인프라 매칭 특징점을 활용한 기계 학습 기반 미수집 지점의 측위 데이터베이스 생성 및 측위 방법{Apparatus and Method for Machine Learning-based Positioning Database Creation and Positioning of Uncollected Points using Matching Feature with Wireless Communication Infrastructure}

기재된 실시예는 무선 통신 인프라 매칭 특징점을 활용한 기계 학습 기반 미수집 지점의 측위 데이터베이스 생성 및 측위 기술에 관한 것이다.

GPS 기반 측위 기술은 GPS 위성을 활용하여 전 지구상의 실외 영역에서 수 m~수십 m 수준의 위치 정확도로 GPS 수신기가 탑재된 사용자 단말의 위치 정보를 전역 좌표계(예: 위도, 경도, 고도 등)로 제공할 수 있다. 향후에는 유럽의 Galileo, 러시아의 Glonass 등의 추가적인 광역위성항법시스템의 등장으로 실외 공간에서 위치 가용성 및 정확도가 향상될 것으로 판단된다.

그러나 이러한 GPS 기반 측위 기술은 실내 및 도심 밀집 지역에서 건물 차단에 따른 수신 신호 미약 및 다중 경로 오차 증가로 인해 위치 결정이 불가능하거나 위치 정확도가 저하될 수 있다. 또한 가시 위성 저하에 따른 초기 위치 결정 시간(Time To First Fix, TTFF)이 길어진다는 문제점도 존재한다.

한편, 이동 통신 기지국 기반 측위 기술은 GPS에 비해 상대적으로 초기 위치결정 시간을 단축시킬 수 있지만 일반적으로 GPS에 비해 위치 정확도가 떨어지는 단점이 있다.

이러한 기지국 기반 측위 기술은 일반적으로 다음과 같이 분류될 수 있다.

첫째, Cell-ID 기술로, 현재 접속하고 있는 기지국의 식별자를 이용하여 식별자별 설치 위치 정보와 매핑하여 단말의 위치를 계산하는 방식이다. 이는 위치 정확도가 커버리지에 따라 수백 m에서 수 km 수준을 나타낸다.

둘째, Trilateration 기술로, 다수 기지국들과 단말간 수신신호세기를 거리 정보로 환산한 뒤, 다수 기지국들의 정확한 설치 위치정보와 거리정보를 이용하여 단말의 위치를 계산하는 방식이다.

Time of arrival(ToA) 기술은 다수 기지국들로부터 단말간 도달 시간을 측정하여 거리 정보로 환산한 뒤, 다수 기지국들의 정확한 설치 위치정보와 상기 거리정보를 이용하여 단말의 위치를 계산하는 방식이다.

Time difference of arrival (TDoA) 기술은 2개 쌍 이상의 기지국 도달 시간 차이값을 이용하여 단말의 위치를 계산하는 방식이다.

Angle of arrival (AoA) 기술은 단말 신호가 2개 이상의 기지국에서 수신되었을 경우, 다수 기지국들의 정확한 설치 위치정보와 수신 각도정보를 이용하여 단말의 위치를 계산하는 방식이다. 이는 단말에 특별한 요구사항이 없는 장점이 있지만, 기지국에서 각도 측정을 위한 별도 장비가 요구되는 단점이 있다.

한편 Wi-Fi 기반 측위 기술은 GPS가 수신되지 않거나 GPS 위치오차가 큰 건물 실내 및 도심 밀집지역에서 Wi-Fi AP들로부터의 신호세기 등을 이용하여 수 m 수준의 정밀한 위치정보를 제공할 수 있다. 최근에는 미국의 Skyhook Wireless사를 중심으로 Wardriving(or AP mapping) 기술을 통해 대도시 영역으로 서비스 가용 영역을 확장하고 있다. 하지만, 차량을 이용한 Wardriving(or AP mapping) 기술은 Wi-Fi AP DB 초기 구축에 필요한 비용이 큰 문제가 있다. 또한 수집이 실외 영역에서 이루어지기 때문에 수집 위치는 GPS 위치 정보를 사용하는데, 이는 GPS 수신이 어려운 실내 영역에서 수집 위치 획득이 불가능한 문제가 있다. 또한 Wi-Fi AP DB가 사전에 구축되어 있더라도 측위 단말이 구축 커버리지 밖에 존재하거나 측위 단말 내 Wi-Fi AP 측정값이 간헐적 또는 미 측정되는 경우 위치정보를 제공할 수 없는 단점이 있으며, Wi-Fi AP들의 이동 또는 설치/제거가 일어나는 경우 주기적인 수집을 통해 Wi-Fi AP DB의 업데이트가 필요하다.

일반적으로 Wi-Fi 기반 측위 기술은 다음과 같이 분류된다.

첫째로, Wi-Fi AP(Access Point)의 설치 위치를 알고 있는 경우 Cell-ID, Centroid, Trilateration 방식 등을 활용하여 단말의 위치를 계산하는 방법이 있다.

둘째로, Wi-Fi AP(Access Point)의 설치 위치를 알지 못하는 경우 정확한 위치를 알거나 계산할 수 있는 기준 위치에서 수신된 Wi-Fi AP별 MAC Address, 수신세기(RSSI: Received Signal Strength Indication), 왕복이동거리(RTT: Round Trip Time), 수신각도(AoA: Angle of Arrival) 등을 사전에 패턴화한 뒤, 측위 단말에서 측위 시 수신된 패턴과 가장 유사한 패턴을 가지는 기준 위치를 단말 위치로 제공하는 Fingerprint 또는 Nearest Neighbor 방법도 존재한다.

긴급구조용 위치정보는 긴급구조요청(예: 한국 112 또는 119, 미국 911, 유럽 112 등) 시 긴급구조기관이 위치정보사업자(예: 이동통신사업자)에게 요청하여 제공받은 위치정보를 의미한다.

긴급구조용 위치 정보 제공을 위한 측위 기술은 주로 GPS, 기지국, Wi-Fi 기반 측위 기술을 주로 활용하고 있다. 구체적으로 긴급구조요청 시 긴급구조기관이 구조 요청한 이동통신 전화번호에 대한 위치정보를 요청을 하면 해당 이동통신사는 구조 요청 단말과 측위 서버와 연동하여 긴급구조기관이 요청한 측위 기술로 계산된 위치정보를 긴급구조기관에 제공한다.

다만 긴급구조 요청 시에만 구조 요청 단말이 가입된 이동통신사만을 통해 위치정보를 계산할 수 있기 때문에, 긴급구조 요청 이전에 누적된 측정정보를 활용하거나 지도 정보 등을 활용하여 보정된 위치정보를 제공하기 어렵다. 특히 기지국 기반 측위 기술의 경우 현재 통신 중이거나 주변에 검색된 소수의 기지국 측정정보만을 활용할 수 있기에 위치 정확도를 개선하는데 한계가 있다. 또한 기지국 또는 Wi-Fi 기반 정밀 측위를 위해 적합한 핑거프린트 측위 기술 등을 적용하기 위해서는, 다음의 기술적 문제를 극복할 방법이 필요하다.

우선, 미수집 지점 내 측위 요청 시 위치 정확도가 저하되는 문제를 극복해야 한다. 이에 대한 해결 방안으로 수집 데이터(수집위치 및 측위 인프라별 측정정보)를 이용하여 미수집 지점을 포함한 정형화된 격자 내 가상의 측정정보를 추정하여 측위 DB를 생성하는 기계학습 회귀분석 방법이 활용 가능하다. 다만 사전에 긴급구조 측위 요청이 발생 가능한 지점을 예측할 수 없기 때문에, 수집 데이터가 전국 단위로 확대되고 데이터 수가 많아질수록, 미수집지점을 포함한 정형화된 격자 내 측위 인프라별(예: LTE, Wi-Fi, BLE 등) 측위 DB를 사전 생성하는 것은 매우 큰 연산 시간 및 저장공간이 요구된다.

다음으로, 수집 데이터 추가 및 변경 사유가 발생 시마다 이를 측위 DB에 효율적으로 반영하기 위한 방법이 필요하다. 즉, 소수의 수집 데이터 갱신 시마다 측위 가능한 모든 지역 내 측위 인프라별 측위 DB를 모두 재생성해야 한다면, 매우 비효율적인 측위DB 생성 방법으로 판단된다.

또한, 만약 수집 데이터(실외 환경)로 추정된 측위 DB와 측위용 측정값(실내 환경)의 측정 환경이 다른 경우, 실내외 환경 차이로 인한 측위 DB와 측위용 측정정보 간 수신신호세기 오차가 크게 발생할 수 있다. 따라서 이러한 오차에 독립적이거나 보상 가능한 측위 DB 생성 방법이 필요하다.

마지막으로, 이기종 측위 인프라별 결합을 통한 최적 측위를 지원하기 위해, 측위 자원별 결합이 용이한 측위 DB 생성 방법이 필요하다.

기재된 실시예는 종래의 측위 DB 생성의 문제점을 극복하여 전국 단위로 확장 가능한 긴급구조용 위치정보를 제공하기 위해, 무선통신 인프라 매칭 특징점을 활용한 기계학습 기반 미수집 지점의 측위 데이터베이스 생성 및 측위 장치 및 방법을 제공하는 데 목적이 있다.

기재된 실시예는 대량 수집데이터를 기반으로 측위 자원별 신호세기 기반 측위 DB를 사전에 생성하는 전통적인 방법 대신 현재 측위 데이터와 매칭되는 소량의 수집 데이터만을 활용하여 측위 자원별 매칭 특징점 기반 측위 데이터베이스를 실시간으로 생성하는 장치 및 방법을 제공하는 데 목적이 있다.

기재된 실시예는 측위를 위한 특징점으로 신호세기 대신 수집 데이터와 측위 데이터간 측위 인프라 매칭 특징점을 활용함으로써, 수신 신호 세기 오차에 독립적인 측위 성능을 제공할 수 있는 장치 및 방법을 제공하는 데 목적이 있다.

기재된 실시예는 최종 측위 DB 출력값을 측위 자원별 격자 내 매칭 확률 밀도 함수로 표현하여, 추후 측위 데이터 내 가용한 다수의 측위 자원들이 손쉽게 결합하여 최적 복합 위치를 추정하는데 활용할 수 있도록 하는 장치 및 방법을 제공하는 데 목적이 있다.

실시예에 따른 무선 통신 인프라 매칭점을 활용한 기계 학습 기반 미수집 지점의 측위 장치는, 실시예에 따른 적어도 하나의 프로그램이 기록된 메모리 및 프로그램을 실행하는 프로세서를 포함하며, 프로그램은, 무선 통신 인프라로부터 획득된 수집 데이터 및 측위 대상 단말에 의해 측정된 측위 데이터를 비교하여 매칭된 특징점을 추출하는 단계, 추출된 특징점에 대해 미수집 지점을 포함한 전역 격자의 핑거프린트 데이터베이스를 실시간으로 생성하는 단계 및 생성된 핑거프린트 데이터베이스를 기반으로 측위 대상 단말의 최적 복합 위치를 추정하는 단계를 수행할 수 있다.

이때, 프로그램은, 비정형 수집 데이터로부터 수집 위치 정보와 제1 측위용 멀티 소스 데이터를 파싱하는 단계, 파싱된 수집 위치 정보 및 제1 측위용 멀티 소스 데이터를 데이터베이스로 저장하는 단계 및 측위 대상 단말에 의해 측정된 제2 측위용 멀티 소스 데이터를 파싱하는 단계를 더 수행하되, 매칭된 특징점을 추출하는 단계에서, 데이터베이스에 저장된 파싱된 수집 위치 정보 및 제1 측위용 멀티 소스 데이터를 수집 데이터로 사용하고, 측정된 제2 측위용 멀티 소스 데이터를 측위 데이터로 사용할 수 있다.

이때, 제1 측위용 멀티 소스 데이터 및 제2 측위용 멀티 소스 데이터는 후처리 파일 또는 실시간 전송 데이터 중 적어도 하나를 포함할 수 있다. 이때, 매칭된 특징점을 추출하는 단계는, 제1 측위용 멀티 소스 데이터 및 제2 측위용 멀티 소스 데이터를 비교하여 일치 여부를 확인하는 단계, 제1 측위용 멀티 소스 데이터 및 제2 측위용 멀티 소스 데이터가 일치되는 수집 위치인 적어도 하나의 매칭 위치를 추출하는 단계 및 추출된 적어도 하나의 매칭 위치별 매칭 특징점을 산출하는 단계를 포함할 수 있다.

이때, 매칭된 특징점을 추출하는 단계는, LTE 인프라, WiFi 인프라 및 BLE(Bluetooth Low Energy) 인프라 중 적어도 하나를 포함하는 측위 자원별로 수행되는 될 수 있다.

이때, 매칭된 특징점은, 수집 데이터와 측위 데이터간 매칭수(Matching Count), 수집 데이터와 측정위 데이터 간 상관계수(correlation coefficient) 및 매칭수와 상관계수의 결합값 중 적어도 하나를 포함할 수 있다.

이때, 수집 데이터와 측위 데이터간 상관계수는, 측위 자원별 매칭된 측정값은 수집 위치와 측정 위치가 동일할 경우, 1에 근접한 양의 값을 가질 수 있다. 이때, 매칭된 특징점을 추출하는 단계는, 측위 자원별 매칭수 및 상관 계수의 변별력은 비례하고, 동일한 매칭수를 가지는 2개 매칭된 특징점에서 상관계수의 차이를 더 이용하여 매칭된 특징점을 추출할 수 있다.

이때, 전역 격자의 핑거프린트 데이터베이스를 실시간으로 생성하는 단계는, 매칭 위치 및 매칭 위치별 매칭 특징점을 기반으로 전역 격자를 생성하는 단계, 전역 격자 내의 매칭 특징점을 기계 학습 회귀 알고리즘을 기반으로 추정하는 단계 및 추정된 전역 격자 내의 매칭 특징점을 정규화하여 매칭 확률 밀도 함수로 변환하는 단계를 포함할 수 있다.

이때, 기계 학습 회귀 알고리즘은, Gaussian process regression(GPR) 회귀 기법 알고리즘을 사용할 수 있다.

이때, 매칭 확률 밀도 함수로 변환하는 단계는, LTE 인프라, WiFi 인프라 및 BLE(Bluetooth Low Energy) 인프라 중 적어도 하나를 포함하는 측위 자원별로 수행될 수 있다.

이때, 최적 복합 위치를 추정하는 단계는, 수집 데이터 및 측위 데이터의 최대 매칭수가 주어질 경우, 측위 대상 단말이 존재하는 복합 확률을 최대로 하는 추정 위치를 계산할 수 있다.

실시예에 따른 무선 통신 인프라 매칭점을 활용한 기계 학습 기반 미수집 지점의 측위 방법은, 무선 통신 인프라로부터 획득된 수집 데이터 및 측위 대상 단말에 의해 측정된 측위 데이터를 비교하여 매칭된 특징점을 추출하는 단계, 추출된 특징점에 대해 미수집 지점을 포함한 전역 격자의 핑거프린트 데이터베이스를 실시간으로 생성하는 단계 및 생성된 핑거프린트 데이터베이스를 기반으로 측위 대상 단말의 최적 복합 위치를 추정하는 단계를 포함할 수 있다.

실시예에 따른 무선 통신 인프라 매칭점을 활용한 기계 학습 기반 미수집 지점의 측위 방법은, 비정형 수집 데이터로부터 수집 위치 정보와 제1 측위용 멀티 소스 데이터를 파싱하는 단계, 파싱된 수집 위치 정보 및 제1 측위용 멀티 소스 데이터를 데이터베이스로 저장하는 단계 및 측위 대상 단말에 의해 측정된 제2 측위용 멀티 소스 데이터를 파싱하는 단계를 더 포함하되, 매칭된 특징점을 추출하는 단계에서, 데이터베이스에 저장된 파싱된 수집 위치 정보 및 제1 측위용 멀티 소스 데이터를 수집 데이터로 사용하고, 측정된 제2 측위용 멀티 소스 데이터를 측위 데이터로 사용할 수 있다.

이때, 매칭된 특징점을 추출하는 단계는, 제1 측위용 멀티 소스 데이터 및 제2 측위용 멀티 소스 데이터를 비교하여 일치 여부를 확인하는 단계, 제1 측위용 멀티 소스 데이터 및 제2 측위용 멀티 소스 데이터가 일치되는 수집 위치인 적어도 하나의 매칭 위치를 추출하는 단계 및 추출된 적어도 하나의 매칭 위치별 매칭점을 산출하는 단계를 포함할 수 있다.

이때, 매칭된 특징점을 추출하는 단계는, LTE 인프라, WiFi 인프라 및 BLE(Bluetooth Low Energy) 인프라 중 적어도 하나를 포함하는 측위 자원별로 수행 될 수 있다.

이때, 전역 격자의 핑거프린트 데이터베이스를 실시간으로 생성하는 단계는, 매칭 위치 및 매칭 위치별 매칭수를 기반으로 전역 격자를 생성하는 단계, 전역 격자 내의 매칭수를 기계 학습 회귀 알고리즘을 기반으로 추정하는 단계 및 추정된 전역 격자 내의 매칭수를 정규화하여 매칭 확률 밀도 함수로 변환하는 단계를 포함할 수 있다.

이때, 매칭된 특징점은, 수집 데이터와 측위 데이터간 매칭수(Matching Count), 수집 데이터와 측위 데이터 간 상관계수(correlation coefficient) 및 매칭수와 상관계수의 결합값 중 적어도 하나를 포함할 수 있다.

실시예에 따른 무선 통신 인프라 매칭점을 활용한 기계 학습 기반 미수집 지점의 데이터베이스 생성 방법은, 무선 통신 인프라로부터 획득된 수집 데이터 및 측위 대상 단말에 의해 측정된 측위 데이터를 비교하여 매칭된 특징점을 추출하는 단계 및 추출된 특징점에 대해 미수집 지점을 포함한 전역 격자의 핑거프린트 데이터베이스를 실시간으로 생성하는 단계를 포함할 수 있다.

실시예에 따른 무선 통신 인프라 매칭점을 활용한 기계 학습 기반 미수집 지점의 데이터베이스 생성 방법은, 비정형 수집 데이터로부터 수집 위치 정보와 제1 측위용 멀티 소스 데이터를 파싱하는 단계, 파싱된 수집 위치 정보 및 제1 측위용 멀티 소스 데이터를 데이터베이스로 저장하는 단계 및 측위 대상 단말에 의해 측정된 제2 측위용 멀티 소스 데이터를 파싱하는 단계를 더 포함하되, 매칭된 특징점을 추출하는 단계에서, 데이터베이스에 저장된 파싱된 수집 위치 정보 및 제1 측위용 멀티 소스 데이터를 수집 데이터로 사용하고, 측정된 제2 측위용 멀티 소스 데이터를 측위 데이터로 사용할 수 있다.

이때, 전역 격자의 핑거프린트 데이터베이스를 실시간으로 생성하는 단계는, 매칭 위치 및 매칭 위치별 매칭점을 기반으로 전역 격자를 생성하는 단계, 전역 격자 내의 매칭점을 기계 학습 회귀 알고리즘을 기반으로 추정하는 단계 및 추정된 전역 격자 내의 매칭점을 정규화하여 매칭 확률 밀도 함수로 변환하는 단계를 포함할 수 있다.

실시예에 따라, 무선통신 인프라 매칭 특징점을 활용한 기계학습 기반 미수집지점의 측위 데이터베이스 생성 및 측위 방법을 제시한다.

실시예에 따라, 측위 데이터와 매칭된 소량의 수집데이터만을 기계학습 회귀 분석부의 입력 데이터로 활용함으로써, 실시간 측위 DB 생성하기 위한 기계학습 회귀 분석부의 연산 시간을 단축할 수 있다.

실시예에 따라, 측위를 위한 특징점으로 신호세기 대신 수집 데이터와 측위 데이터간 측위 인프라 매칭 특징점을 활용함으로써, 수신 신호 세기 오차에 독립적인 측위 성능을 제공할 수 있다.

실시예에 따라, 최종 측위 DB 출력값을 측위 자원별 격자 내 매칭 확률 밀도 함수로 표현하여, 추후 측위 데이터 내 가용한 다수의 측위 자원들이 손쉽게 결합하여 최적 복합 위치를 추정하는데 활용할 수 있다.

도 1은 무선통신 인프라 매칭점을 활용한 기계 학습 기반 미수집지점의 측위 데이터베이스 생성 및 측위의 개념을 설명하기 위한 예시도이다.
도 2는 통상적인 기존 핑거프린트 데이터베이스 생성 방법의 예시도이다.
도 3은 실시예에 따른 무선통신 인프라 매칭점을 활용한 기계 학습 기반 미수집 지점의 측위 장치의 개략적인 블록 구성도이다.
도 4는 실시예에 따른 수집 데이터 DB의 상세 블록 구성도이다.
도 5는 실시예에 따른 매칭부의 상세 블록 구성도이다.
도 6은 실시예에 따른 매칭 확률 생성부의 상세 블록 구성도이다.
도 7은 실시예에 따른 무선통신 인프라 매칭점을 활용한 기계 학습 기반 미수집 지점의 측위 방법을 설명하기 위힌 순서도이다.
도 8은 실시예에 따른 컴퓨터 시스템 구성을 나타낸 도면이다.

본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 것이며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하며, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다. 명세서 전체에 걸쳐 동일 참조 부호는 동일 구성 요소를 지칭한다.

비록 "제1" 또는 "제2" 등이 다양한 구성요소를 서술하기 위해서 사용되나, 이러한 구성요소는 상기와 같은 용어에 의해 제한되지 않는다. 상기와 같은 용어는 단지 하나의 구성요소를 다른 구성요소와 구별하기 위하여 사용될 수 있다. 따라서, 이하에서 언급되는 제1 구성요소는 본 발명의 기술적 사상 내에서 제2 구성요소일 수도 있다.

본 명세서에서 사용된 용어는 실시예를 설명하기 위한 것이며 본 발명을 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다. 명세서에서 사용되는 "포함한다(comprises)" 또는 "포함하는(comprising)"은 언급된 구성요소 또는 단계가 하나 이상의 다른 구성요소 또는 단계의 존재 또는 추가를 배제하지 않는다는 의미를 내포한다.

다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어는 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 공통적으로 이해될 수 있는 의미로 해석될 수 있다. 또한, 일반적으로 사용되는 사전에 정의되어 있는 용어들은 명백하게 특별히 정의되어 있지 않는 한 이상적으로 또는 과도하게 해석되지 않는다.

이하에서는, 도 1 내지 도 8을 참조하여 실시예에 따른 장치 및 방법이 상세히 설명된다.

도 1은 무선통신 인프라 매칭점을 활용한 기계 학습 기반 미수집지점의 측위 데이터베이스 생성 및 측위의 개념을 설명하기 위한 예시도이다.

도 1을 참조하면, 비정형 수집데이터는 임의의 수집 지점에서 저장된 수집 위치 정보와 측위용 멀티 소스 데이터를 의미한다.

수집 위치 정보가 없는 경우, 비정형 수집데이터로 측위용 멀티소스 데이터만 저장될 수 있다.

특히, 비정형 수집데이터는 수집경로, 수집방식, 수집시간 및 수집횟수 등이 특정 조건으로 한정되지 않은 상태로 수집된 원시 데이터를 의미할 수 있다.

이때, 수집 방식은 수집 장치에 따라 차량 또는 휴대 단말 등으로 구별될 수 있다. 또한, 수집 방식은 수집 이동성에 따라 정적 수집 또는 동적 수집 등으로 구별될 수 있다.

측위용 멀티소스 데이터는 위치를 계산하고자 하는 단말에서 측정된 무선 통신 측위 인프라 및 센서로부터의 측정값을 의미한다.

예컨대, 측위용 멀티소스 데이터는, 기지국, Wi-Fi, BLE 및 센서(기압, 가속도계, 자이로스코프, 지자기계, 카메라 등)로부터의 측정값일 수 있다.

일반적으로 측위 DB는 크게 측위 목적으로 무선 통신 측위 인프라의 설치 위치 데이터베이스 또는 수집 위치 정보와 측위용 멀티 소스 데이터를 결합한 핑거프린트 데이터베이스 등으로 구별된다.

보다 정밀한 위치 정보 제공을 위해 핑거프린트 데이터베이스 활용이 보다 적합한 구현 방식이지만 미수집위치에 대한 측위 요청 시 해당 지점에 대한 핑거프린트 데이터베이스가 없어서 위치 오차가 증가할 수 있는 문제가 있다.

또한 수집 영역이 확대되어 수집데이터가 증가할수록 측위가 예상되는 모든 후보 지점에 대한 무선통신 인프라별 핑거프린트 데이터베이스를 사전에 구축하는데 큰 연산 시간과 비용이 발생할 수 있다.

이러한 문제를 극복하기 위해 본 발명에서는 사전에 핑거프린트 데이터베이스를 구축하고, 측위 요청 시 측위용 멀티소스 데이터의 수신신호세기와 핑거프린트 데이터베이스의 수신신호세기를 비교하여 매칭된 무선 통신 인프라를 측위에 활용하는 대신에, 측위 요청 시 측위용 멀티소스 데이터와 비정형 수집데이터를 비교하여 매칭된 특징점(예: 매칭수)를 추출하고 해당 특징점(예: 매칭수)에 대해 미수집지점을 포함한 정형화된 그리드의 핑거프린트 데이터베이스를 실시간으로 생성하여 측위에 활용하는 방안을 제안한다.

도 2는 통상적인 기존 핑거프린트 데이터베이스 생성 방법의 예시도이다.

도 2를 참조하면, 만약 M개의 기지국이 존재하고 N개의 와이파이 AP가 존재한다면, 기존 핑거프린트 데이터베이스는 비정형 수집데이터로부터 해당 기지국 또는 와이파이에 대한 수집데이터를 가져와 기지국 개수(M개 데이터셋) 또는 와이파이 개수(N개 데이터셋)만큼 기계학습 회귀분석 기반 정형 그리드 기반 수신신호세기 측위 DB를 생성한다.

하지만 본 발명의 실시예에 따르면, 측위용 멀티소스 데이터와 비정형 수집데이터의 매칭을 통해 기지국 또는 와이파이에 대한 매칭수를 계산 후, 기지국 매칭수(1개 데이터셋) 또는 와이파이 매칭수(1개 데이터셋)만큼 기계학습 회귀분석 기반 정형 그리드 기반 매칭수 측위 DB를 생성한다.

따라서 본 발명의 실시에에 따르면, M, N이 커질수록 기계 학습 회귀 분석에 필요한 반복 연산 횟수가 감소되는 효과가 매우 크다.

아울러, 기존 방식처럼 수신신호세기 기반 측위 DB를 활용하여 수집데이터와 측위용 멀티소스 데이터를 매칭하는 경우, 수집 및 측위 환경이 상이한 경우 신호 간섭, 감쇄 및 왜곡 등에 따른 위치 오차가 크게 발생할 수 있다.

그러나, 본 발명의 실시예에서는 식별자만을 비교한 매칭점을 활용하기 때문에 수집데이터와 측위용 멀티소스 데이터간 수신신호세기 차이에 강인한 측위 DB를 생성할 수 있다.

도 3은 실시예에 따른 무선통신 인프라 매칭점을 활용한 기계 학습 기반 미수집 지점의 측위 장치의 개략적인 블록 구성도이고, 도 4는 실시예에 따른 수집 데이터 DB의 상세 블록 구성도이고, 도 5는 실시예에 따른 매칭부의 상세 블록 구성도이고, 도 6은 실시예에 따른 매칭 확률 생성부의 상세 블록 구성도이다.

도 3을 참조하면, 수집 데이터 전처리부(110)는 비정형 수집 데이터로부터 수집 위치 정보와 제1 측위용 멀티 소스 데이터를 파싱(parsing)한다.

이때, 비정형 수집 데이터는, 파일, API 및 DB 등을 포함하는 형식의 데이터일 수 있다. 그러나, 이는 일 예일 뿐, 비정형 수집 데이터의 형식은 제한되지 않으며, 수집 위치 정보와 제1 측위용 멀티소스 데이터를 포함하는 다양한 다른 형태의 데이터도 포함될 수 있다.

또한, 수집 데이터 전처리부(110)는 필요할 경우, 수집 위치 정보의 좌표계를 용도에 적합한 다른 좌표계로 변환할 수 있다. 예컨대, WGS84 좌표계를 UTM 좌표계로 변환할 수 있다.

수집 데이터 DB(120)는 파싱된 수집 위치 정보 및 제1 측위용 멀티 소스 데이터를 데이터베이스 형태로 저장한다.

일 실시예에 따라, 도 4를 참조하면, 수집 데이터 DB(120)는 LTE 수집 DB(120-1), WiFi 수집 DB(120-2) 및 BLE(Bluetooth Low Energy) 수집 DB(120-3)를 포함하되, 각각은 수집위치정보 및 제1 측위용 멀티 소스 데이터를 저장할 수 있다.

이때, 수집 위치 정보는, GPS 위치(Position)인 UTM 좌표계(X좌표, Y좌표, Z좌표(선택))일 수 있다.

이때, LTE 수집 DB(120-1)는, 제1 측위용 멀티 소스 데이터로 국가 코드인 MCC, 네트워크 사업자 코드인 MNC, PCI(Physical Cell ID) 또는 Cell-ID, LTE의 주파수 대역인 Band, EARFCN(E-UTRA Absolute Radio-Frequency Channel Number), Cell-type(Serving 또는 Non-serving 여부 식별자), RSRP(Reference Signal Received Power) 및 TA(Timing Advance)를 포함할 수 있다.

이때, WiFi 수집 DB(120-2)는, 제1 측위용 멀티 소스 데이터로 MAC address, Channel 및 RSSI(Received Signal Strength Indicator)을 포함할 수 있다.

BLE 수집 DB(120-2)는 제1 측위용 멀티 소스 데이터로 UUID, Major, Minor, MAC, RSSI를 포함할 수 있다.

그런데, 도 4에 도시된 수집 데이터는 일 예일 뿐, 본 발명은 이에 한정되지 않는다. 즉, 실시예에 따른 수집 데이터는 도 4에 도시된 상세 정보 이외에도 무선통신 인프라로부터 수신 가능한 모든 정보를 포함할 수 있다.

다시 도 3을 참조하면, 측위 데이터 전처리부(210)는 측위 대상 단말에 의해 측정된 제2 측위용 멀티 소스 데이터를 파싱(parsing)한다.

이때, 측위 대상 단말이 외부로부터 측위 요청을 수신하거나, 측위 대상 단말의 내부 응용프로그램을 통해 측위 요청을 수신한 경우, 측위 대상 단말 내부 에이전트를 실행하여 제2 측위용 멀티 소스 데이터를 획득한다.

이때, 제2 측위용 멀티 소스 데이터는 전술한 바와 같은 수집 데이터 DB(120)에 포함된 제1 측위용 멀티 소스 세부 데이터와 유사할 수 있다.

매칭부(220)는 측위 데이터 전처리부(210)로부터 전달되는 측위 데이터 및 수집 데이터 DB(120)에 저장된 수집 데이터를 비교하여 매칭된 특징점을 추출할 수 있다.

상세하게는, 매칭부(220)는, 제1 측위용 멀티 소스 데이터 및 제2 측위용 멀티 소스 데이터를 비교하여 일치 여부를 확인하고, 제1 측위용 멀티 소스 데이터 및 제2 측위용 멀티 소스 데이터가 일치되는 수집 위치인 적어도 하나의 매칭 위치를 추출하고, 추출된 적어도 하나의 매칭 위치별 매칭수(Matching Count)를 산출할 수 있다.

이때, 매칭 위치는, 수집 데이터에 포함된 수집 위치 정보일 수 있는데, 이를 국소 격자라 한다.

일 실시예에 따라, 도 5를 참조하면, 매칭부(220)는 LTE 매칭 모듈(221-1), LTE 매칭수 DB(223-1), WiFi 매칭 모듈(221-2), WiFi 매칭수 DB(223-2), BLE 매칭 모듈(221-3) 및 BLE 매칭수 DB(223-3)를 포함할 수 있다.

LTE 매칭 모듈(221-1)은 LTE 수집 데이터와 측위 데이터를 비교하여, LTE PCI(또는 Cell-ID), Band, Earfcn, Celltype가 모두 일치하는 수집 데이터의 UTM 좌표(국소 격자)와 LTE 매칭수를 계산하여 LTE 매칭수 DB(223-1)에 저장한다.

Wi-Fi 매칭 모듈(221-2)은 Wi-Fi 수집데이터와 측위데이터를 비교하여 Wi-Fi MAC address가 일치하는 수집데이터의 UTM 좌표(국소 격자)와 Wi-Fi 매칭수를 계산하여 WiFi 매칭수 DB(223-2)에 저장한다.

BLE 매칭 모듈(221-3)은 BLE 수집데이터와 측위데이터를 비교하여 BLE MAC address가 일치하는 수집데이터의 UTM 좌표(국소 격자)와 BLE 매칭수를 계산하여 BLE 매칭수 DB(223-3)에 저장한다.

이때, 는 수집데이터 중 번째 측위자원별 번째 위치 에서 측위 데이터와의 매칭수로 다음의 <수학식 1>과 같이 정의될 수 있다.

<수학식 1>에서 는 번째 측위자원별 측위데이터의 m번째 식별자 벡터를 의미한다. 예컨대, LTE(i=1), Wi-Fi(i=2), BLE(i=3)의 m번째 식별자 벡터는 각각 다음의 <수학식 2> 내지 <수학식 4>와 같이 표현될 수 있다.

또한, <수학식 1>에서 는 수집데이터 중 번째 측위 자원별 번째 위치 에서 n번째 식별자 벡터를 의미한다. 예컨대, LTE(i=1), Wi-Fi(i=2), BLE(i=3)의 n번째 식별자 벡터는 각각 다음의 <수학식 5> 내지 <수학식 7>과 같이 표현될 수 있다.

그리고, <수학식 1>에서 함수는 인 경우, 1을 출력하고, 그 외의 경우 0을 출력하는 함수이다.

다시 도 3을 참조하면, 전역 격자 생성부(230)는 측위 자원별 측위데이터와 매칭된 수집 데이터의 UTM 좌표 기준 궤적들을 포함하는 참조 위치 격자의 참조 위치 격자(정형화된 그리드 좌표)를 생성한다.

일 실시예에 따라, 전역 격자 범위는 측위 자원은 LTE, Wi-Fi, BLE 등이 해당되는데, 측위 자원별 최대 송출범위를 가지는 LTE 측위데이터와 매칭된 수집데이터 범위로 정한다. 따라서, 격자 간격을 나타내는 사용자 입력 파라미터를 로 정의하면, 전역 격자를 생성하기 위한 최대/최소 UTM 좌표 , , , 는 다음의 <수학식 8>과 같이 계산될 수 있다.

<수학식 8>에서 는 LTE 측위 데이터와 매칭된 수집 데이터의 UTM 좌표를 의미하고, 은 LTE 측위데이터와 매칭된 수집데이터의 수를 나타낸다.

기계학습 회귀분석부(240)는 매칭부(220)가 제공하는 가공된 수집 데이터 집합(수집데이터와 측위데이터의 매칭 위치(국소 좌표) 및 매칭수 리스트)를 이용하여 전역 격자 내의 매칭수 값을 회귀기법으로 추정 수행한다.

일 실시예로, Gaussian process regression(GPR) 회귀기법을 통해 임의의 정형화된 그리드 내 추정된 매칭수의 평균값과 공분산을 계산하는 예를 설명하기로 한다. 그런데, 본 발명의 이해를 돕기 위한 일 예일 뿐, 본 발명의 회귀 기법은 이에 한정되지 않는다.

GPR을 적용하기 위한 학습(traning) 입/출력을 라 하고 시험(test) 입/출력을 이라 할 때, 시험 입력에 대한 시험 출력치의 추론 결과는 다음의 <수학식 9>와 같은 조건부 Gaussian 분포로 표현될 수 있다.

<수학식 9>에서 추정된 Gaussian 분포의 평균 과 공분산 은 다음의 <수학식 10>과 같이 산출될 수 있다.

<수학식 10>에서 와 는 각각 공분산 커널 함수와 커널 함수로부터 계산된 공분산 행렬를 의미하고, 는 각 출력값에 첨가되는 Gaussian 잡음의 표준 편차를 의미한다.

실시예에서 미수집 지점을 포함하는 임의의 전역 격자 내의 측위 DB 생성을 위해, 측위 자원별 매칭수 대한 GPR 모듈의 학습 입/출력은 다음의 <수학식 11>과 같이 정의될 수 있다.

<수학식 11>에서 는 수집데이터 중 번째 측위 자원별 번째 위치 에서 측위데이터와의 매칭수를 나타낸다. GPR의 시험 입력은 측위데이터와 매칭된 수집데이터를 포함하는 전역 격자(정형화된 그리드)들의 위치로 정의될 수 있다.

이때, 적용되는 커널 함수는 커널별 특성을 고려하여 최적화된 커널 함수를 선택하거나, 둘 이상의 함수들을 조합하여 생성된 것일 수 있다.

매칭 확률 생성부(250)는 기계 학습 회귀 분석부(240)를 통해 추정된 전역 격자 내의 매칭수를 정규화하여 매칭 확률 밀도 함수로 변환한다.

일 실시예에 따라, 도 6을 참조하면, 매칭 확률 생성부(250)는 LTE 확률 밀도 함수 변환부(251-1), LTE 매칭 DB(253-1), WiFi 확률 밀도 함수 변환부(251-2), WiFi 매칭 DB(253-2), BLE 확률 밀도 함수 변환부(251-3) 및 BLE 매칭 DB(253-3)를 포함할 수 있다.

LTE 확률 밀도 함수 변환부(251-1)는 LTE 전역 격자 내의 매칭수를 정규화하여 매칭 확률 밀도 함수로 변환한 후, LTE 매칭 DB(253-1)에 저장한다.

WiFi 확률 밀도 함수 변환부(251-2)는 WiFi 전역 격자 내의 매칭수를 정규화하여 매칭 확률 밀도 함수로 변환한 후, WiFi 매칭 DB(253-2)에 저장한다.

BLE 확률 밀도 함수 변환부(251-3)는 BLE 전역 격자 내의 매칭수를 정규화하여 매칭 확률 밀도 함수로 변환한 후, BLE 매칭 DB(253-3)에 저장한다.

이때, 확률 밀도 함수를 계산하는 일 실시 예로, 기계학습 회귀 분석부(240)를 통한 출력값의 추론 결과는 다음의 <수학식 12>와 같은 확률 분포를 가질 수 있다.

최종적으로 번째 측위자원별 정규화된 매칭 확률밀도함수는 다음의 <수학식 13>과 같이 정의될 수 있다.

만약 매칭수( )에 비례한 가중치를 부여한다면, 다음의 <수학식 14>와 같이 개선된 확률밀도함수가 정의될 수 있다.

한편, 복합측위부(260)는 측위 자원별 측위 데이터와 수집 데이터의 최대 매칭수 ()가 주어졌을 때, 측위 대상 단말()이 존재하는 복합 확률을 최대로 하는 추정 위치()를 계산한다.

일 실시 예로, 만약 개의 측위자원이 존재한다고 가정할 때, 최종 위치는 다음의 <수학식 15>와 같이 표현될 수 있다. (상시PDF_type2 기준)

도 7은 실시예에 따른 무선통신 인프라 매칭점을 활용한 기계 학습 기반 미수집 지점의 측위 방법을 설명하기 위힌 순서도이다.

도 7을 참조하면, 실시예에 따른 무선 통신 인프라 매칭점을 활용한 기계 학습 기반 미수집 지점의 측위 방법은, 무선 통신 인프라로부터 획득된 수집 데이터 및 측위 대상 단말에 의해 측정된 측위 데이터를 비교하여 매칭된 특징점을 추출하는 단계(S310~S330), 추출된 특징점에 대해 미수집 지점을 포함한 전역 격자의 핑거프린트 데이터베이스를 실시간으로 생성하는 단계(S340) 및 생성된 핑거프린트 데이터베이스를 기반으로 측위 대상 단말의 최적 복합 위치를 추정하는 단계(S350)를 포함할 수 있다.

이때, 도면에는 도시되어 있지 않지만, 실시예에 따른 무선 통신 인프라 매칭점을 활용한 기계 학습 기반 미수집 지점의 측위 방법은, 비정형 수집 데이터로부터 수집 위치 정보와 제1 측위용 멀티 소스 데이터를 파싱하는 단계, 파싱된 수집 위치 정보 및 제1 측위용 멀티 소스 데이터를 데이터베이스로 저장하는 단계 및 측위 대상 단말에 의해 측정된 제2 측위용 멀티 소스 데이터를 파싱하는 단계를 더 포함할 수 있다.

그러면, 매칭된 특징점을 추출하는 단계(S310~S330)에서, 데이터베이스에 저장된 파싱된 수집 위치 정보 및 제1 측위용 멀티 소스 데이터를 수집 데이터로 사용하고, 측정된 제2 측위용 멀티 소스 데이터를 측위 데이터로 사용할 수 있다.

이때, 제1 측위용 멀티 소스 데이터 및 제2 측위용 멀티 소스 데이터는 후처리 파일 또는 실시간 전송 데이터 중 적어도 하나를 포함할 수 있다.

또한, 이때 파싱 방법은, 수집 장치 및 측위 대상 단말에 따라 다양하게 적용 가능할 수 있다.

이때, 매칭된 특징점을 추출하는 단계(S310~S330)는, 제1 측위용 멀티 소스 데이터 및 제2 측위용 멀티 소스 데이터를 비교하여 일치 여부를 확인하는 단계(S320), 제1 측위용 멀티 소스 데이터 및 제2 측위용 멀티 소스 데이터가 일치되는 수집 위치인 적어도 하나의 매칭 위치를 추출하고, 추출된 적어도 하나의 매칭 위치별 매칭점을 산출하는 단계(S330)를 포함할 수 있다.

이때, 멀티 소스는, LTE 인프라, WiFi 인프라 및 BLE(Bluetooth Low Energy) 인프라 중 적어도 하나를 포함하되, 매칭된 특징점을 추출하는 단계는, 멀티 소스 각각에 대해 수행될 수 있다.

이때, 수집 데이터와 측위 데이터간 상관계수는, 측위 자원별 매칭된 측정값은 수집 위치와 측정 위치가 동일할 경우, 1에 근접한 양의 값을 가질 수 있다.

이때, 측위 자원별 매칭된 측정값은, 예컨대, 기지국/AP 송신 신호에 대한 수신 신호 세기, 기지국/AP 단말 간 거리 등이 포함될 수 있다.

이때, 매칭된 특징점을 추출하는 단계는, 측위 자원별 매칭수 및 상관 계수의 변별력은 비례하고, 동일한 매칭수를 가지는 2개 매칭된 특징점에서 상관계수의 차이를 더 이용하여 매칭된 특징점을 추출할 수 있다. 이로써 더 정확한 매칭 지점이 검색될 수 있다.

이때, 전역 격자의 핑거프린트 데이터베이스를 실시간으로 생성하는 단계(S340)는, 매칭 위치 및 매칭 위치별 매칭점을 기반으로 전역 격자를 생성하는 단계, 전역 격자 내의 매칭점을 기계 학습 회귀 알고리즘을 기반으로 추정하는 단계 및 추정된 전역 격자 내의 매칭점을 정규화하여 매칭 확률 밀도 함수로 변환하는 단계를 포함할 수 있다.

이때, 멀티 소스는, LTE 인프라, WiFi 인프라 및 BLE(Bluetooth Low Energy) 인프라 중 적어도 하나를 포함하되, 매칭 확률 밀도 함수로 변환하는 단계는, 멀티 소스 각각에 대해 수행될 수 있다.

이때, 최적 복합 위치를 추정하는 단계(S350)는, 수집 데이터 및 측위 데이터의 최대 매칭수가 주어질 경우, 측위 대상 단말이 존재하는 복합 확률을 최대로 하는 추정 위치를 계산할 수 있다.

도 8은 실시예에 따른 컴퓨터 시스템 구성을 나타낸 도면이다.

실시예에 따른 무선통신 인프라 매칭점을 활용한 기계 학습 기반 미수집 지점의 측위 장치는 컴퓨터로 읽을 수 있는 기록매체와 같은 컴퓨터 시스템(1000)에서 구현될 수 있다.

컴퓨터 시스템(1000)은 버스(1020)를 통하여 서로 통신하는 하나 이상의 프로세서(1010), 메모리(1030), 사용자 인터페이스 입력 장치(1040), 사용자 인터페이스 출력 장치(1050) 및 스토리지(1060)를 포함할 수 있다. 또한, 컴퓨터 시스템(1000)은 네트워크(1080)에 연결되는 네트워크 인터페이스(1070)를 더 포함할 수 있다. 프로세서(1010)는 중앙 처리 장치 또는 메모리(1030)나 스토리지(1060)에 저장된 프로그램 또는 프로세싱 인스트럭션들을 실행하는 반도체 장치일 수 있다. 메모리(1030) 및 스토리지(1060)는 휘발성 매체, 비휘발성 매체, 분리형 매체, 비분리형 매체, 통신 매체, 또는 정보 전달 매체 중에서 적어도 하나 이상을 포함하는 저장 매체일 수 있다. 예를 들어, 메모리(1030)는 ROM(1031)이나 RAM(1032)을 포함할 수 있다.

이상에서 첨부된 도면을 참조하여 본 발명의 실시예들을 설명하였지만, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자는 본 발명이 그 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다.

Claims

적어도 하나의 프로그램이 기록된 메모리; 및
프로그램을 실행하는 프로세서를 포함하며,
프로그램은,
무선 통신 인프라로부터 획득된 수집 데이터 및 측위 대상 단말에 의해 측정된 측위 데이터를 비교하여 매칭된 특징점을 추출하는 단계;
추출된 특징점에 대해 미수집 지점을 포함한 전역 격자의 핑거프린트 데이터베이스를 실시간으로 생성하는 단계; 및
생성된 핑거프린트 데이터베이스를 기반으로 측위 대상 단말의 최적 복합 위치를 추정하는 단계를 수행하는, 무선 통신 인프라 매칭점을 활용한 기계 학습 기반 미수집 지점의 측위 장치.
제1 항에 있어서, 프로그램은,
비정형 수집 데이터로부터 수집 위치 정보와 제1 측위용 멀티 소스 데이터를 파싱하는 단계;
파싱된 수집 위치 정보 및 제1 측위용 멀티 소스 데이터를 데이터베이스로 저장하는 단계; 및
측위 대상 단말에 의해 측정된 제2 측위용 멀티 소스 데이터를 파싱하는 단계를 더 수행하되,
매칭된 특징점을 추출하는 단계에서,
데이터베이스에 저장된 파싱된 수집 위치 정보 및 제1 측위용 멀티 소스 데이터를 수집 데이터로 사용하고, 측정된 제2 측위용 멀티 소스 데이터를 측위 데이터로 사용하는, 무선 통신 인프라 매칭점을 활용한 기계 학습 기반 미수집 지점의 측위 장치.
제2 항에 있어서, 제1 측위용 멀티 소스 데이터 및 제2 측위용 멀티 소스 데이터는 후처리 파일 또는 실시간 전송 데이터 중 적어도 하나를 포함할 수 있는, 무선 통신 인프라 매칭점을 활용한 기계 학습 기반 미수집 지점의 측위 장치.
제2 항에 있어서, 매칭된 특징점을 추출하는 단계는,
제1 측위용 멀티 소스 데이터 및 제2 측위용 멀티 소스 데이터를 비교하여 일치 여부를 확인하는 단계;
제1 측위용 멀티 소스 데이터 및 제2 측위용 멀티 소스 데이터가 일치되는 수집 위치인 적어도 하나의 매칭 위치를 추출하는 단계; 및
추출된 적어도 하나의 매칭 위치별 매칭점을 산출하는 단계를 포함하는, 무선 통신 인프라 매칭점을 활용한 기계 학습 기반 미수집 지점의 측위 장치.
제4 항에 있어서, 매칭된 특징점을 추출하는 단계는,
LTE 인프라, WiFi 인프라 및 BLE(Bluetooth Low Energy) 인프라 중 적어도 하나를 포함하는 측위 자원별로 수행되는, 무선 통신 인프라 매칭점을 활용한 기계 학습 기반 미수집 지점의 측위 장치.
제4 항에 있어서, 매칭된 특징점은,
수집 데이터와 측위 데이터간 매칭수(Matching Count), 수집 데이터와 측위 데이터 간 상관계수(correlation coefficient) 및 매칭수와 상관계수의 결합값 중 적어도 하나를 포함하는, 무선 통신 인프라 매칭점을 활용한 기계 학습 기반 미수집 지점의 측위 장치.
제6 항에 있어서, 수집 데이터와 측위 데이터간 상관계수는,
측위 자원별 매칭된 측정값은 수집 위치와 측정 위치가 동일할 경우, 1에 근접한 양의 값을 가지는, 무선 통신 인프라 매칭점을 활용한 기계 학습 기반 미수집 지점의 측위 장치.
제6 항에 있어서, 매칭된 특징점을 추출하는 단계는,
측위 자원별 매칭수 및 상관 계수의 변별력은 비례하고, 동일한 매칭수를 가지는 2개 매칭된 특징점에서 상관계수의 차이를 더 이용하여 매칭된 특징점을 추출하는, 무선 통신 인프라 매칭점을 활용한 기계 학습 기반 미수집 지점의 측위 장치.
제6 항에 있어서, 전역 격자의 핑거프린트 데이터베이스를 실시간으로 생성하는 단계는,
매칭 위치 및 매칭 위치별 매칭점을 기반으로 전역 격자를 생성하는 단계;
전역 격자 내의 매칭점을 기계 학습 회귀 알고리즘을 기반으로 추정하는 단계; 및
추정된 전역 격자 내의 매칭점을 정규화하여 매칭 확률 밀도 함수로 변환하는 단계를 포함하는, 무선 통신 인프라 매칭점을 활용한 기계 학습 기반 미수집 지점의 측위 장치.
제9 항에 있어서, 기계 학습 회귀 알고리즘은,
Gaussian process regression(GPR) 회귀 기법 알고리즘을 사용하는, 무선 통신 인프라 매칭점을 활용한 기계 학습 기반 미수집 지점의 측위 장치.
제9 항에 있어서, 매칭 확률 밀도 함수로 변환하는 단계는,
LTE 인프라, WiFi 인프라 및 BLE(Bluetooth Low Energy) 인프라 중 적어도 하나를 포함하는 측위 자원별로 수행되는, 무선 통신 인프라 매칭점을 활용한 기계 학습 기반 미수집 지점의 측위 장치.
제1 항에 있어서, 최적 복합 위치를 추정하는 단계는,
수집 데이터 및 측위 데이터의 최대 매칭수가 주어질 경우, 측위 대상 단말이 존재하는 복합 확률을 최대로 하는 추정 위치를 계산하는, 무선 통신 인프라 매칭점을 활용한 기계 학습 기반 미수집 지점의 측위 장치.
무선 통신 인프라로부터 획득된 수집 데이터 및 측위 대상 단말에 의해 측정된 측위 데이터를 비교하여 매칭된 특징점을 추출하는 단계;
추출된 특징점에 대해 미수집 지점을 포함한 전역 격자의 핑거프린트 데이터베이스를 실시간으로 생성하는 단계; 및
생성된 핑거프린트 데이터베이스를 기반으로 측위 대상 단말의 최적 복합 위치를 추정하는 단계를 포함하는, 무선 통신 인프라 매칭점을 활용한 기계 학습 기반 미수집 지점의 측위 방법.
제13 항에 있어서,
비정형 수집 데이터로부터 수집 위치 정보와 제1 측위용 멀티 소스 데이터를 파싱하는 단계;
파싱된 수집 위치 정보 및 제1 측위용 멀티 소스 데이터를 데이터베이스로 저장하는 단계; 및
측위 대상 단말에 의해 측정된 제2 측위용 멀티 소스 데이터를 파싱하는 단계를 더 포함하되,
매칭된 특징점을 추출하는 단계에서,
데이터베이스에 저장된 파싱된 수집 위치 정보 및 제1 측위용 멀티 소스 데이터를 수집 데이터로 사용하고, 측정된 제2 측위용 멀티 소스 데이터를 측위 데이터로 사용하는, 무선 통신 인프라 매칭점을 활용한 기계 학습 기반 미수집 지점의 측위 방법.
제14 항에 있어서, 매칭된 특징점을 추출하는 단계는,
제1 측위용 멀티 소스 데이터 및 제2 측위용 멀티 소스 데이터를 비교하여 일치 여부를 확인하는 단계;
제1 측위용 멀티 소스 데이터 및 제2 측위용 멀티 소스 데이터가 일치되는 수집 위치인 적어도 하나의 매칭 위치를 추출하는 단계; 및
추출된 적어도 하나의 매칭 위치별 매칭수를 산출하는 단계를 포함하는, 무선 통신 인프라 매칭점을 활용한 기계 학습 기반 미수집 지점의 측위 방법.
제15 항에 있어서, 매칭된 특징점을 추출하는 단계는,
LTE 인프라, WiFi 인프라 및 BLE(Bluetooth Low Energy) 인프라 중 적어도 하나를 포함하는 측위 자원별로 수행되는, 무선 통신 인프라 매칭점을 활용한 기계 학습 기반 미수집 지점의 측위 방법.
제16 항에 있어서, 전역 격자의 핑거프린트 데이터베이스를 실시간으로 생성하는 단계는,
매칭 위치 및 매칭 위치별 매칭수를 기반으로 전역 격자를 생성하는 단계;
전역 격자 내의 매칭수를 기계 학습 회귀 알고리즘을 기반으로 추정하는 단계; 및
추정된 전역 격자 내의 매칭수를 정규화하여 매칭 확률 밀도 함수로 변환하는 단계를 포함하는, 무선 통신 인프라 매칭점을 활용한 기계 학습 기반 미수집 지점의 측위 방법.
제13 항에 있어서, 매칭된 특징점은,
수집 데이터와 측위 데이터간 매칭수(Matching Count), 수집 데이터와 측위 데이터 간 상관계수(correlation coefficient) 및 매칭수와 상관계수의 결합값 중 적어도 하나를 포함하는, 무선 통신 인프라 매칭점을 활용한 기계 학습 기반 미수집 지점의 측위 방법.
무선 통신 인프라로부터 획득된 수집 데이터 및 측위 대상 단말에 의해 측정된 측위 데이터를 비교하여 매칭된 특징점을 추출하는 단계; 및
추출된 특징점에 대해 미수집 지점을 포함한 전역 격자의 핑거프린트 데이터베이스를 실시간으로 생성하는 단계를 포함하는, 무선 통신 인프라 매칭점을 활용한 기계 학습 기반 미수집 지점의 데이터베이스 생성 방법.
제19 항에 있어서,
비정형 수집 데이터로부터 수집 위치 정보와 제1 측위용 멀티 소스 데이터를 파싱하는 단계;
파싱된 수집 위치 정보 및 제1 측위용 멀티 소스 데이터를 데이터베이스로 저장하는 단계; 및
측위 대상 단말에 의해 측정된 제2 측위용 멀티 소스 데이터를 파싱하는 단계를 더 포함하되,
매칭된 특징점을 추출하는 단계에서,
데이터베이스에 저장된 파싱된 수집 위치 정보 및 제1 측위용 멀티 소스 데이터를 수집 데이터로 사용하고, 측정된 제2 측위용 멀티 소스 데이터를 측위 데이터로 사용하는, 무선 통신 인프라 매칭점을 활용한 기계 학습 기반 미수집 지점의 데이터베이스 생성 방법.