KR20090063600A - 무선 센서 네트워크에서 분산적인 위치 인식 방법 및 그장치 - Google Patents

Abstract

무선 센서 네트워크에 있어서 분산적인 위치 인식에 관한 발명이 개시된다.

본 발명은 위치가 알려져 있으며 무선으로 직접 신호의 전송이 가능한 영역에 위치하는 노드들을 검색하고, 거리에 따라 노드들이 분포할 확률을 나타내는 확률 분포 모델을 선택하며, 검색된 노드들의 각 위치들을 중심으로 확률 분포 모델을 적용하여 무선으로 직접 신호의 전송이 가능한 영역에 노드들이 분포할 확률을 계산하고, 노드들이 분포할 확률이 가장 높게 나타나는 영역 중에서 위치를 결정하는 것을 특징으로 한다.

무선 센서 네트워크, 위치 인식

Description

무선 센서 네트워크에서 분산적인 위치 인식 방법 및 그 장치{method and appratus for distributed position recognition in wireless sensor network}

본 발명은 대규모 무선 센서 네트워크에 관한 것으로, 특히 무선 센서 단말기의 위치 인식에 관한 것이다.

본 발명은 정보통신부 및 정보통신연구진흥원의 IT성장동력기술개발의 일환으로 수행한 연구로부터 도출된 것이다[과제관리번호: 2005-S-038-03, 과제명: UHF RF-ID 및 Ubiquitous 네트워킹 기술 개발].

무선 센서 네트워크에서 노드의 위치를 계산하는 방법에는 크게 중앙 집중형 방식과 분산방식이 있다. 중앙 집중형 방식은 중앙 서버를 가정하고 위치 계산에 필요한 모든 데이터를 각 노드에서 중앙 서버로 전송한 후, 그 중앙 서버에서 모든 노드에 대한 위치를 계산한다. 모든 계산이 끝나면 각 노드의 위치 정보를 해당 노드에게 다시 전송하여 준다. 이러한 중앙 집중형 방식에는 크게 SDP (Semidefinite Programming)와 MDS (Multidimensional Scaling) 방식이 있다.

SDP는 노드들의 기하학적 조건들을 LMI (linear matrix inequalities)로 나타낸다. 모든 조건들을 이러한 LMI들로 표현하고 나면, 그 LMI들을 하나의 semidefinite program으로 결합할 수 있다. 이것은 각 노드 마다 그의 영역을 나타내는 도형을 만들어내게 되는데, 이 방법은 다음과 같은 단점이 있다.

우선, 모든 기하학적 조건들을 LMI들로 표현할 수 없다. 보통 해당 조건이 convex 형태, 즉, 모든 면이 볼록한 도형일 때만 하나의 LMI로 표현하기 쉽다. 예를 들어서, AoA (Angle of Arrival) 데이터의 경우 삼각형 모양으로 RSS (Received Signal Strength) 와 같은 신호 세기의 경우 원 모양으로 표현된다. 반대로 링 모양의 경우 그것이 convex 형태가 아니기 때문에 보다 정확한 범위를 표현하는 데이터의 경우 적절히 표현할 수 있는 방법이 없다. 이러한 점들이 정확한 위치 인식 기법에 있어서 중요한 단점이라고 할 수 있다.

또한 SDP의 수행 시간에 있어서 AoA 데이터의 경우 기하학적 조건들의 수의 제곱에, RSS 데이터의 경우 그 수의 세제곱에 비례하는 특징을 갖고 있다. 따라서 해당 네트워크를 표현하는 모든 조건들을 나타내었다 하더라도 수행시간이 오래 걸린다는 치명적인 단점이 있다.

MDS는 어떠한 집합 내에서 요소들의 불일치성을 나타내는 기법이다. 이를 위치인식에 적용하면 다음과 같은 방식을 따른다.

우선 해당 네트워크의 모든 노드에 있어서 서로간의 거리를 측정한다. 이를 노드의 수를 크기로 갖는 행렬에 넣고 SVD (Singular Value Decomposition) 이라는 기법을 통해 상대적인 좌표 축척값을 만들어 낸다. 이렇게 만들어진 값을 바탕으로 각 노드에 적용시키면 절대적인 위치정보는 아니지만 모든 노드의 상대적인 위치정보를 계산해 낼 수 있다. 이 후에 절대적인 위치 정보를 갖는 노드의 도움을 받아 모든 노드들의 위치 정보를 계산해 낸다.

이 방법은 전체 노드의 수가 일정 수준 이상일 때, 만족할만한 성능을 보여주나 노드의 수가 많아질수록 SVD를 하기 위한 노력이 많이 들어간다는 단점이 있다.

분산 위치 인식 기법은 앞서 서술한 중앙 집중형 방식의 단점들을 개선하고자 제안되었다. 이는 노드의 수가 많거나 계산을 해야 하는 노드가 그 능력이 충분하지 않을 때, 분산적으로 계산 함으로써 하나의 노드가 모든 계산을 해야 하는 부담을 덜고, 모든 노드가 각자의 계산을 나눠서 함으로써 전체적인 시스템 부하를 떨어트리는 방식의 하나라고 볼 수 있다.

대표적으로 Multilateration과 distributed MDS 방식을 예로 들 수 있는 데, Multilateration 방식은 자신의 위치를 알고 있는 주변 노드의 도움을 받아 그 위치를 결정하는 방식으로 주변 노드들과의 거리를 예측한 정보와 그 노드들의 위치정보를 결합하여 최종적으로 자신의 위치를 계산한다. 이 방법의 장점으로는 간단한 계산 방법을 들 수 있으나, 전체 네트워크에 있어서 자신의 위치정보를 알고 있는 노드의 수가 충분하지 않으면 위치 계산을 할 수 없다는 점과 거리 예측을 하는 데 있어서 생긴 오차가 자신의 위치 정보를 이용하는 이웃 노드들에게 전파된다는 단점이 있다.

Distributed MDS는 크게 세 가지 절차로 나뉜다 첫 번째로 임의의 노드에 있어서 자신의 통신 영역 내에 들어오는 이웃 노드들과 함께 하나의 그룹을 형성한다. 두 번째로 그 노드든 이웃 노드들간의 통신을 통해 하나의 그룹내에 속해 있는 모든 노드들간의 거리 정보를 계산한후 앞에서 서술한 중앙 집중형 MDS 를 수행한다. 마지막으로 여러 개의 그룹들에 공통적으로 속해있는 노드들을 기점으로 각 그룹에서 작성된 위치 정보를 결합하여 전체 위치 정보를 계산해 낸다. 효과적으로 위치정보를 계산해 내는 MDS를 분산적으로 적용시킨다는 점에서 장점을 갖지만 바로 앞에서 설명한 Multilateration과 비슷하게 하나의 그룹에서 계산해낸 위치 정보에 오류가 있을 경우 각 그룹의 위치정보를 결합할 때, 그 오류가 전체 그룹으로 퍼짐으로써 전체 위치 정보의 오류를 증가시킨다는 단점이 있다.

본 발명이 해결하고자 하는 과제는 계산의 복잡도를 줄이면서 정확도를 높인 분산적인 위치 인식 기법을 제공하는 것이다.

본 발명에 따른 무선 센서 네트워크에서 분산적인 위치 인식 방법은 (a) 위치가 알려진 다수의 참조 노드들의 위치, 상기 참조 노드들의 네트워크 정보 및 무선으로 직접 신호의 전송이 가능한 영역에 위치하는 이웃 노드들의 정보를 토대로 초기 위치를 결정하는 단계; (b) 거리에 따라 노드들이 분포할 확률을 나타내는 확률 분포 모델을 선택하는 단계; (c) 상기 참조 노드들의 각 위치들을 중심으로 상기 확률 분포 모델을 적용하여 상기 영역에 노드가 분포할 확률을 계산하는 단계; 및 (d) 상기 노드가 분포할 확률이 가장 높게 나타나는 영역 중에서 한 곳으로 상기 초기 위치를 보정하는 단계;를 포함한다.

본 발명에 따른 무선 센서 네트워크에서 분산적인 위치 인식 장치는 위치가 알려진 다수의 참조 노드들의 위치, 상기 참조 노드들의 네트워크 정보 및 무선으로 직접 신호의 전송이 가능한 영역에 위치하는 이웃 노드들의 정보를 토대로 초기 위치를 결정하는 초기 위치 결정부; 거리에 따라 노드들이 분포할 확률을 나타내는 확률 분포 모델을 선택하는 확률 분포 모델 선택부; 상기 참조 노드들의 각 위치들을 중심으로 상기 확률 분포 모델을 적용하여 상기 영역에 노드가 분포할 확률을 계산하는 확률 분포 계산부; 및 상기 노드가 분포할 확률이 가장 높게 나타나는 영 역 중에서 한 곳으로 상기 초기 위치를 보정하는 위치 보정부;를 포함한다.

본 발명에 의해 무선 센서 네트워크에서 복잡도를 줄이면서도 정확도가 높은, 효율적인 위치 인식을 수행할 수 있다.

이하, 첨부된 도면을 참조하여 본 발명을 상세히 설명한다.

본 발명은 참조 노드 검색 단계, 이웃 노드 검색 단계, 초기 위치 결정 단계, 노드 분포 모델링을 통한 위치 보정 단계 및 순환적 알고리즘을 통한 위치 결정 단계를 포함한다. 이하, 각 단계별로 상세히 살핀다.

1. 참조 노드 검색 단계

자신의 위치를 모르는 일반 노드들이 위치를 계산, 보정, 결정하기 위해서는 참조 노드들의 위치 정보와 그들의 네트워크 관계를 알아야 한다. 여기서 네트워크 관계로는 짧은 경로 방법으로 계산된 홉 수를 들 수 있다. 처음 네트워크가 형성될 때, 자신의 위치를 모르는 일반 노드들은 참조노드의 위치 정보 및 네트워크 정보를 받는다. 실용적인 예제에 있어서 이러한 참조 노드들은 GPS 같은 자가 위치 인식 장치를 달고 있고, 일반 노드보다 성능이 우수한 클러스터 헤더와 같은 장치일 수 있다.

클러스터의 형성은 다음과 같다.

대규모 센서 네트워크를 효율적으로 관리하기 위해서 클러스터의 형성이 선행되어야 한다. 클러스터의 형성은 클러스터 헤더의 선택 단계 및 클러스터 헤더를 중심으로 한 클러스터의 형성 단계로 이루어진다.

도 1은 본 발명에 따른, 네트워크에서의 노드의 분포의 일 실시예를 나타내는 구조도이다.

도 1을 참조하면, 각 원들은 네트워크에 속하는 노드들을 나타내며, 이 중 검정색으로 표시된 원들(110~150)은 클러스터 헤더를 나타낸다. 클러스터 헤더의 결정은 일반적으로 클러스터 헤더가 될 수 있는 후보 노드들 중에서 통신 가능한 이웃 노드들의 수로 결정되는 연결도라는 척도가 인접 후보 노드들 중에서 가장 높은 것으로 결정된다. 본 발명에서 사용하는 통신 가능하다는 것은 사용 환경에 따라서 일정 수준 이상의 신호 세기를 받는다 라던가 일정 수준 이상의 신호 대 잡음 비 값을 가진다 라던가 패킷 전송에 있어서 오류가 없이 받을 수 있는 환경을 갖는다는 것을 말한다. 즉, 통신 가능하다는 것은 그 영역 내에 있는 노드들 간에 주고 받을 수 있는 모든 형태의 정보가 신뢰할 수 있을 정도의 그것이라는 것을 명시할 수 있다.

도 2는 본 발명에 따른 클러스터 형성 과정의 일 실시예를 나타낸 개념도이다.

도 2를 참조하면, 클러스터 헤더의 통신 가능 거리 범위(215, 225, 235, 245, 255) 내에 들어오는 노드들은 클러스터 헤더(210, 220, 230, 240, 250)로부터 헤더 인식 정보를 받을 수 있다. 따라서 이 노드들은 이러한 인식 정보에 응답하거나 인식 정보에 상응하는 일련의 과정을 통해서 해당 클러스터의 멤버로 소속될 수 있다. 이때, 하나의 노드에 있어서 여러 클러스터 헤더의 인식 정보를 수용할 수 있으면, 즉 두 개 이상의 클러스터 영역의 중복된 구간(도 2의 회색 영역)에 있는 노드는 해당 클러스터들에 중복 수용될 수도 있다.

2. 이웃 노드 검색

효율적인 위치 인식을 위해서 하나의 클러스터 내에서 각 노드는 다른 노드들과의 통신을 통해 이웃 노드 집합을 형성한다. 클러스터 내에 있는 모든 노드는 클러스터 헤더에 인식되어 있고, 이는 클러스터 헤더의 공식 정보 전송을 통해 해당 클러스터 안에 있는 모든 노드들은 그들간의 존재를 알고 있다

도 3은 본 발명에 따른 이웃 노드 검색 과정의 일 실시예를 나타내는 개념도이다.

도 3을 참조하면, 원들(310, 320)은 노드를 나타내며 이 원들을 포함하는 큰 원(330)은 흰 원에 해당하는 노드(310)의 무선으로 직접 통신이 가능한 영역(무선 전송 범위)를 나타낸다. 각 노드는 자신의 무선 전송 범위 내의 같은 클러스터 내의 노드들만을 이용하여 그의 이웃노드 집합을 만든다. 따라서 노드들(320)은 각각이 노드(310)의 이웃 노드가 된다.

3. 초기 위치 결정 단계

자신의 위치를 모르는 일반 노드에 있어서 참조노드의 위치 정보와 네트워크 정보, 자신의 이웃 노드들의 정보를 이용한 초기 위치값 계산은 다양한 방법으로 이루어 질 수 있다.

대표적인 예로써 다선법(mulilateration) 을 사용하면, 우선 해당 노드는 이웃 노드들로부터 수신 신호 세기 측정을 통해 평균적으로 그의 이웃 노드들과 얼마 나 떨어져 있는지의 거리 값을 결정한다. 다음으로 해당 노드는 자신이 참조 노드로부터 얼마나 떨어져 있는 지를 계산한다. 이 때, 짧은 거리 방법을 이용한 홉 수와 평균 거리 정보를 이용할 수 있다. 다음으로 참조 노드의 위치값과 그 참조 노드에서 해당 노드까지의 추정 계산된 거리 값을 이용하여 초기 값을 계산한다. 이 때, 이 초기값은 계산 특성상 오차를 포함할 확률이 매우 높으므로 반드시 보정 단계가 이루어져야 한다.

그 밖에도 연결도 만을 이용한 상대적인 초기 위치 좌표 계산도 있다. 이는 초기 위치 계산에서 절대적인 좌표값이 아닌 상대적인 좌표 값을 계산하므로 자신이 속해있는 클러스터의 클러스터 헤더를 (0,0)으로 놓고 계산한 후, 클러스터 헤더에게 자신의 상대 위치 좌표를 보내주면 그 후에 클러스터 헤더가 자신의 위치 정보와 함께 일반 노드들의 상대적인 좌표를 서버에 보내주는 방식도 있다. 앞선 방법과 마찬가지로 이러한 초기 위치 계산도 많은 오차를 포함하므로 반드시 보정 단계가 이루어져야 한다.

4. 노드 분포 모델링을 바탕으로 한 위치 예측

일반적인 대규모 무선 센서 네트워크는 그 네트워크의 실용적인 목적에 있어서 효율적인 센싱을 위해 그의 분포가 대부분 균일한 특징을 갖는다. 이는 저전력, 저용량의 특징을 갖는 무선 센서 네트워크에서 최적의 성능을 내는 분포 모델이라고 할 수 있으며 이러한 점은 이제까지 여러 논문에서 검증되었다.

이웃 노드들의 균일한 분포를 나타내기 위한 격자 모델들은 다음과 같다.

도 4 는 이웃 노드들의 분포를 나타내기 위한 사각 격자 모델의 일 실시예의 구조도이다.

도 4를 참조하면, 흰 원(410)은 현재 위치를 결정하고자 하는 노드이며 주위의 검정 원들은 노드(410)의 이웃 노드들이다. 도 4의 사각 격자 모델은 이웃 노드의 수가 많을 때 적합하다.

도 5는 이웃 노드들의 분포를 나타내기 위한 삼각 격자 모델의 일 실시예의 구조도이다.

도 5를 참조하면, 흰 원(510)과 검정 원들은 도 4에서와 같다. 도 5의 삼각 격자 모델은 도 4의 사각 격자 모델보다 이웃 노드의 수가 비교적 적을 때 적용할 수 있다.

도 6은 이웃 노드들의 분포를 나타내기 위한 삼각 격자 모델의 다른 실시예들의 구조도들이다.

도 6을 참조하면, 흰 원(610, 620, 630)과 검정 원들은 도 4에서와 같다. 도 6의 삼각 격자 모델들은 도 4 및 도 5보다 이웃 노드들의 수가 적을 때 적용하는 것이 바람직하다.

만일 이웃 노드가 3개보다 적을 경우에는 격자 모델을 형성할 수 없으므로 이러한 경우는 본 발명에서는 고려하지 않는다. 추가적으로 본 발명에서는 클러스터의 형성에 있어서 대규모 센서 네트워크에서의 그것을 다루므로 형성된 클러스터의 모형이 모든 부분에서 볼록한 모양을 갖고 그것이 다각형 내지는 원의 형태에 비슷한 모양을 갖출 수 있다고 가정한다.

5. 순환적 알고리즘을 통한 위치 결정

앞서 초기화 작업으로 위치 결정을 해야 하는 노드들의 수를 파악하고 각 노드들에 있어서 그들의 이웃 노드들에 대한 집합을 형성하였다. 이제, 이웃 노드들의 수에 따라 분포 모델의 기하학적인 모델을 선택하고 이에 따른 확률 분포 모델을 선택한다.

도 7은 본 발명에 따른, 거리에 따른 노드의 분포 확률의 일 실시예를 나타내는 그래프이다.

도 7을 참조하면, 감마 분포 모델로서, r은 특정 노드의 무선 전송 범위를 나타내며, x축은 특정 노드로부터의 거리, y축은 이웃 노드의 분포 확률을 나타낸다. 이 감마 분포 모델은 이웃 노드들의 분포가 사각 격자 모델인 경우 적용하는 것이 바람직하다.

도 8은 본 발명에 따른, 거리에 따른 노드의 분포 확률의 다른 실시예를 나타내는 그래프이다.

도 8을 참조하면, 가우시안 분포 모델로서, r, x축, y축이 나타내는 것은 도7의 경우와 동일하다. 이 가우시안 분포 모델은 이웃 노드들의 분포가 삼각 격자 모델인 경우 적용하는 것이 바람직하다.

마지막으로 알고리즘 순환 횟수를 정하는 데, 이는 노드의 계산능력 및 가능한 메모리 용량, 쓸 수 있는 전력량 등에 기초해서, 최소의 오차를 도출해 낼 수 있는 적정한 값으로 정한다.

이상과 같은 초기화 작업을 마친 후 이웃 노드들의 각 위치들을 중심으로 확률 분포 모델을 적용하여 노드들이 분포할 확률을 계산한다. 확률이 가장 높은 곳 중에서 노드의 위치를 추정한다. 또한 이러한 위치 정보를 이웃 노드들에게 다시 반송함으로써 후에 하나의 클러스터에 속한 모든 노드들 간의 상대적인 위치 정보를 알 수 있도록 하고 또한 이웃 노드들이 위치 계산의 해당 노드가 되었을 때, 그의 위치 정보를 정확히 계산할 수 있도록 한다. 하나의 클러스터 내에서 위치 결정을 필요로 하는 노드들에 대해 위치 추정이 끝나면 더욱 정확한 위치 추정을 위해 앞에서 정한 알고리즘 순환 횟수만큼 이 과정을 반복하는 것이 바람직하다.

본 발명의 적용과 관련하여, 초기 좌표 계산에 있어서 절대적인 위치 좌표가 있는 참조 노드를 처음부터 활용하여 이를 보정하는 절대 좌표 위치 인식 방법과 여러 개의 노드를 하나의 로컬 그룹으로 나누어 각자의 그룹에서 로컬 맵 즉, 상대적인 위치 좌표를 계산하여 모든 로컬 맵들이 계산된 후, 나중에 이를 합쳐 글로벌 맵으로 만들고 후에 절대 위치 좌표를 다시 계산하는 방법이 있다.

후자에 서술한 상대적인 위치 좌표를 통한 위치 인식 방법에서는 하나의 클러스터를 중심으로 위치 정보를 계산하기 때문에, 위치 추정의 근본이 되는 클러스터 헤더가 가장 먼저 이러한 위치 추정 계산을 하게 될 것이다. 따라서 클러스터 헤더의 위치는 그것이 중심이 되기 때문에 (0.0) 인 것이 바람직하다.

이어서, 상대적인 위치 좌표를 통한 위치 인식에서 마지막 과정인 절대적인 위치정보 획득을 위한 전체 위치정보 계산은 도시하지는 않았지만 개념적으로 서술하면 다음과 같다.

두 개 이상의 클러스터에 모두 속해 있는 노드들의 경우 그것의 위치정보가 소속된 클러스터마다 한 개씩 갖게 된다. 이러한 정보를 활용하여 인접한 또는 중 첩된 인근 클러스터끼리의 상대적인 위치 정보를 서로 비교함으로써, 여러 클러스터들간의 위치정보를 다시 정렬할 수 있다. 이러한 방법으로 전체 네트워크의 위치정보를 정렬한 후, 절대적인 위치를 알고 있는 몇몇의 참조 노드를 활용하여 전체 네트워크의 절대적인 위치 정보를 모든 노드에 대해 결정할 수 있다.

이상의 본 발명을 정리하면 다음과 같다.

도 9는 본 발명에 따른 분산 위치 인식 방법의 일 실시예를 나타내는 흐름도이다.

도 9를 참조하면, 먼저 초기화를 한다(S910). 초기화 작업에는 현재 위치 결정을 하고자 하는 노드의 이웃 노드들을 검색하고 거리에 따른 노드들의 분포 확률을 나타내는 확률 분포 모델을 결정하는 것이 포함된다. 이때, 이웃 노드들의 수에 따라 또는 밀도, 지형적 특성, 장비의 구성 등의 분포 환경에 따라 이웃 노드에 대한 확률 분포 모델을 결정하는 것이 바람직하다. 또, 위치의 정확성을 높이기 위해 알고리즘의 순환 횟수를 결정하는 것도 포함된다.

다음으로, 각 이웃 노드들의 위치를 중심으로 초기화 단계에서 결정된 확률 분포 모델을 적용하여 노드가 존재할 확률을 계산한다. 노드가 존재할 확률이 높은 곳중에서 노드의 위치를 추정한다(S930). 이 위치는 다른 노드의 위치를 추정하기 위해 다른 노드로 전송된다.

일정한 그룹 내의 노드들 예를 들어 하나의 클러스터 내에 있는 노드들 또는 적어도 각 노드의 이웃 노드들에 대해서 이와 같은 위치 추정이 행해진 후 알고리즘 순환 횟수만큼 이를 반복한다. 이러한 반복 작업은 초기화 단계(S910) 후 C를 하나 감소시키고(S920), C=0일 때까지(S940) 노드 위치 추정 단계(S930)을 수행함으로써 구현될 수 있다. 알고리즘 순환 횟수만큼 반복한 다음 종료한다(S950).

도 10은 본 발명에 따른 분산 위치 인식 장치의 일 실시예의 기능도이다.

도 10을 참조하면, 이웃 노드 검색부(1010)는 현재 위치를 결정하고자 하는 노드의 무선 전송 범위 내의 노드들을 검색한다. 이때, 클러스터 형성부(1020)에 의해 형성된 동일 클러스터에 속하면서 무선 전송 범위 내의 노드들을 검색하는 것이 바람직하다. 확률 분포 모델 선택부(1030)는 거리에 따른 노드의 분포 확률을 선택한다. 이때, 이웃 노드 검색부(1010)에서 검색된 노드들의 개수에 따라 노드 분포 확률을 선택하는 것이 바람직하다. 확률 분포 계산부(1040)는 이웃 노드 검색부(1010)에서 검색된 각 노드들의 위치를 기준으로 선택된 확률 분포 모델을 적용하여 확률 분포를 계산한다. 위치 결정부(1050)는 계산된 확률 분포 중 높은 값을 갖는 영역을 현재 위치를 결정하고자 하는 노드의 위치로 추정한다.

전송부(1060)는 추정된 위치를 다른 노드들의 위치를 추정하는데 사용하기 위해 다른 노드들로 전송하며(1060), 이로 인해 이웃 노드 검색부(1010)에서 이웃 노드들의 위치가 변경된 것을 인지하면 현재 위치를 결정하고자 하는 노드의 위치를 다시 추정한다. 이는 미리 설정된 알고리즘 순환 횟수만큼 반복되는 것이 바람직하다.

본 발명의 바람직한 실시예에 대하여 설명하였으나, 본 발명의 기술적 사상은 여기에서 설명되는 실시예에 한정되는 것은 아니며 다른 형태로 변형될 수 있다. 본 발명의 실시예는 당업계에서 평균의 지식을 가진 자에게 본 발명을 보다 완 전히 이해시키기 위하여 제공되는 것이다.

도 1은 본 발명에 따른, 네트워크에서의 노드의 분포의 일 실시예를 나타내는 구조도이다.

도 2는 본 발명에 따른 클러스터 형성 과정의 일 실시예를 나타낸 개념도이다.

도 3은 본 발명에 따른 이웃 노드 검색 과정의 일 실시예를 나타내는 개념도이다.

도 4 는 이웃 노드들의 분포를 나타내기 위한 사각 격자 모델의 일 실시예의 구조도이다.

도 5는 이웃 노드들의 분포를 나타내기 위한 삼각 격자 모델의 일 실시예의 구조도이다.

도 6은 이웃 노드들의 분포를 나타내기 위한 삼각 격자 모델의 다른 실시예들의 구조도들이다.

도 7은 본 발명에 따른, 거리에 따른 노드의 분포 확률의 일 실시예를 나타내는 그래프이다.

도 8은 본 발명에 따른, 거리에 따른 노드의 분포 확률의 다른 실시예를 나타내는 그래프이다.

도 9는 본 발명에 따른 분산 위치 인식 방법의 일 실시예를 나타내는 흐름도이다.

도 10은 본 발명에 따른 분산 위치 인식 장치의 일 실시예의 기능도이다.

Claims (10)

1. (a) 위치가 알려진 다수의 참조 노드들의 위치, 상기 참조 노드들의 네트워크 정보 및 무선으로 직접 신호의 전송이 가능한 영역에 위치하는 이웃 노드들의 정보를 토대로 초기 위치를 결정하는 단계;

   (b) 거리에 따라 노드들이 분포할 확률을 나타내는 확률 분포 모델을 선택하는 단계;

   (c) 상기 참조 노드들의 각 위치들을 중심으로 상기 확률 분포 모델을 적용하여 상기 영역에 노드가 분포할 확률을 계산하는 단계; 및

   (d) 상기 노드가 분포할 확률이 가장 높게 나타나는 영역 중에서 한 곳으로 상기 초기 위치를 보정하는 단계;를 포함하는 것을 특징으로 하는 무선 센서 네트워크에서 분산적인 위치 인식 방법.
2. 제1항에 있어서 상기 (a) 단계는,

   (a1) 상기 이웃 노드들로부터 수신된 신호의 세기로부터 상기 이웃 노드들로부터의 평균 거리를 파악하는 단계;

   (a2) 상기 각 참조 노드들로부터의 홉 수 및 상기 평균 거리로부터 상기 참조 노드들로부터의 거리를 파악하는 단계; 및

   (a3) 상기 참조 노드들의 위치와 상기 참조 노드들로부터의 거리를 이용하여 상기 초기 위치를 결정하는 단계;를 포함하는 것을 특징으로 하는 무선 센서 네트 워크에서 분산적인 위치 인식 방법.
3. 제1항에 있어서,

   상기 (b)단계는 상기 이웃 노드들의 개수를 토대로 상기 확률 분포 모델을 선택하는 것을 특징으로 하는 무선 센서 네트워크에서 분산적인 위치 인식 방법.
4. 제1항에 있어서,

   상기 (b)단계, 상기 (c)단계 및 상기 (d)단계를 일정 횟수 반복하는 단계; 및

   마지막으로 보정된 위치를 최종적인 위치로 결정하는 단계;를 포함하는 것을 특징으로 하는 무선 센서 네트워크에서 분산적인 위치 인식 방법.
5. 제1항에 있어서,

   상기 보정된 초기 위치를 전송하는 단계;를 더 포함하는 것을 특징으로 하는 무선 센서 네트워크에서 분산적인 위치 인식 방법.
6. 위치가 알려진 다수의 참조 노드들의 위치, 상기 참조 노드들의 네트워크 정보 및 무선으로 직접 신호의 전송이 가능한 영역에 위치하는 이웃 노드들의 정보를 토대로 초기 위치를 결정하는 초기 위치 결정부;

   거리에 따라 노드들이 분포할 확률을 나타내는 확률 분포 모델을 선택하는 확률 분포 모델 선택부;

   상기 참조 노드들의 각 위치들을 중심으로 상기 확률 분포 모델을 적용하여 상기 영역에 노드가 분포할 확률을 계산하는 확률 분포 계산부; 및

   상기 노드가 분포할 확률이 가장 높게 나타나는 영역 중에서 한 곳으로 상기 초기 위치를 보정하는 위치 보정부;를 포함하는 것을 특징으로 하는 무선 센서 네트워크에서 분산적인 위치 인식 장치.
7. 제6항에 있어서 상기 초기 위치 결정부는,

   상기 이웃 노드들로부터 수신된 신호의 세기로부터 상기 이웃 노드들로부터의 평균 거리를 측정하는 제 1 측정부;

   상기 각 참조 노드들로부터의 홉 수 및 상기 평균 거리로부터 상기 참조 노드들로부터의 거리를 측정하는 제 2 측정부; 및

   상기 참조 노드들의 위치와 상기 참조 노드들로부터의 거리를 이용하여 상기 초기 위치를 결정하는 결정부;를 포함하는 것을 특징으로 하는 무선 센서 네트워크에서 분산적인 위치 인식 장치.
8. 제6항에 있어서,

   상기 확률 분포 모델 선택부는 상기 이웃 노드들의 개수를 토대로 상기 확률 분포 모델을 선택하는 것을 특징으로 하는 무선 센서 네트워크에서 분산적인 위치 인식 장치.
9. 제6항에 있어서 상기 위치 보정부는,

   상기 초기 위치가 보정될 때마다 카운트를 하나씩 증가시키는 순환 횟수 카운트부; 및

   상기 카운트가 일정한 값에 도달하면 마지막으로 보정된 위치를 최종적인 위치로 결정하는 최종 위치 결정부;를 포함하는 것을 특징으로 하는 무선 센서 네트워크에서 분산적인 위치 인식 장치.
10. 제6항에 있어서,

    상기 보정된 위치를 전송하는 전송부;를 더 포함하는 것을 특징으로 하는 무선 센서 네트워크에서 분산적인 위치 인식 장치.

Images