KR20170018902A - 학습 모델에 기초한 디바이스의 위치 측정 - Google Patents

학습 모델에 기초한 디바이스의 위치 측정 Download PDF

Info

Publication number
KR20170018902A
KR20170018902A KR1020177000731A KR20177000731A KR20170018902A KR 20170018902 A KR20170018902 A KR 20170018902A KR 1020177000731 A KR1020177000731 A KR 1020177000731A KR 20177000731 A KR20177000731 A KR 20177000731A KR 20170018902 A KR20170018902 A KR 20170018902A
Authority
KR
South Korea
Prior art keywords
sequence
values
learning model
reference point
user device
Prior art date
Application number
KR1020177000731A
Other languages
English (en)
Inventor
아리 란지트 캄라니
Original Assignee
오픈 티브이 인코포레이티드
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 오픈 티브이 인코포레이티드 filed Critical 오픈 티브이 인코포레이티드
Publication of KR20170018902A publication Critical patent/KR20170018902A/ko

Links

Images

Classifications

    • H04W4/028—
    • 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
    • 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
    • H04W4/023—Services making use of location information using mutual or relative location information between multiple location based services [LBS] targets or of distance thresholds
    • 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
    • H04W64/00—Locating users or terminals or network equipment for network management purposes, e.g. mobility management

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Mobile Radio Communication Systems (AREA)
  • Position Fixing By Use Of Radio Waves (AREA)
  • Telephonic Communication Services (AREA)
  • Selective Calling Equipment (AREA)

Abstract

디바이스의 위치를 측정하는 방법 및 시스템이 제공된다. 예시적인 방법에서, 디바이스로부터 통신 신호가 일정 시간 기간 동안 무선 기준점에 의해 수신된다. 일정 시간 기간 동안 무선 기준점에 의해 수신됨에 따라, 값의 시퀀스가 통신 신호로부터 생성된다. 값의 시퀀스는, 값의 시퀀스의 지난 값과, 값의 시퀀스의 적어도 하나의 예측된 미래 값을 기초로 출력을 생성하도록 구성되는 학습 모델에 공급된다. 디바이스의 현재의 위치는 학습 모델의 출력을 기초로 일정 시간 기간 동안 추정된다.

Description

학습 모델에 기초한 디바이스의 위치 측정{DEVICE LOCALIZATION BASED ON A LEARNING MODEL}
본 출원은 2014년 6월 20일에 출원한 미국 출원 제14/311,077호에 대한 우선권의 이익을 청구하며, 이 출원은 본 명세서에서 그 전체가 참조로서 인용된다.
본 출원은 일반적으로 전자 통신 분야에 관한 것이며, 예시적인 예에서는 학습 모델을 기초로 한 디바이스의 위치 측정에 관한 것이다.
전자 디바이스의 위치의 측정 또는 판정 또는 추정은 종종 이 디바이스에서 동작하는 GPS 회로의 사용을 수반한다. 이 디바이스는 다수의 GPS 위성으로부터 GPS 데이터를 수신할 수 있으며 수신한 데이터를 처리하여 디바이스의 위치를 판정할 수 있다. 그러나 건물 내, 주차장, 또는 위성 신호에 대한 기타 장애물과 같은 일부 환경에서, 디바이스는 GPS 데이터를 수신할 수 없을 수 있다.
여러 형태의 무선 주파수(RF) 위치 측정이 GPS 위치 측정 대신에 사용될 수 있어서 그러한 환경에서 디바이스의 위치를 찾을 수 있다. 종종, 그러한 시스템에서, 수신된 신호 세기 지시자(RSSI)와 같은, 디바이스로부터 수신되는 통신 신호의 특징이 사용되어, 하나 이상의 신호 판독기, 무선 액세스 포인트 또는 구체적으로 디바이스의 위치 측정을 위해 설계된 인프라스트럭쳐 디바이스와 같은 "기준점" 디바이스에 대한 디바이스의 위치를 판정한다. 그러한 시스템의 정확도는 통상 기준점의 개수를 증가시킴으로써 향상된다.
그러한 위치 측정 시스템은 종종, 실제 사용자 디바이스의 RF 위치 측정을 위해 서비스되기 전 "지문채취" 또는 "현장 조사" 동작을 사용한다. 지문채취이나 현장 조사 동안, 신호를 송신하는 테스트 디바이스는, 통상 미리 결정된 경로를 따라, 기준점 근방의 영역에 걸쳐 이동할 수 있어서, 사용자 디바이스로부터의 수신된 신호가 비교될 기준 정보를 제공하여 이들 디바이스의 위치를 측정한다. 벽, 칸막이, 장벽 및 가구에서의 위치 및/또는 방향 변화와 같은 해당 영역에서의 구조적 변화가 영역의 이전 지문채취 또는 조사의 정확도를 종종 감소시키며, 이점은 다른 지문채취 또는 조사 동작이 유리할 수 있음을 나타낸다. 또한, 사람의 존재와 같은 해당 영역에서의 RF 환경의 일시적인 변화가 사용자 디바이스로부터 기준점에 수신된 통신 신호의 도달 또는 세기를 변경시킬 수있어서, 기준점에 대한 디바이스의 위치를 판정하는 작업을 복잡하게 한다.
실시예는 수반하는 도면의 도면들에서 예를 들어서 그리고 제한되지 않고 예시되며, 도면에서, 유사한 참조번호는 유사한 요소를 나타낸다:
도 1은, 학습 모델을 기초로 한 디바이스의 위치를 측정하는데 사용할 수 있는 예시적인 통신 시스템의 블록도이다.
도 2는, 도 1의 통신 시스템에서 사용할 수 있는 예시적인 무선 기준점의 블록도이다.
도 3은, 도 2의 무선 기준점에서 사용할 수 있는 예시적인 학습 모델 모듈의 블록도이다.
도 4는, 학습 모델을 기초로 한 디바이스의 위치를 측정하는 예시적인 방법의 흐름도이다.
도 5는, 학습 모델에서 사용하기 위해 사용자 디바이스로부터의 통신 신호를 처리하는 예시적인 방법의 흐름도이다.
도 6은, 통신 신호의 샘플을 기초로 한 값의 시퀀스를 처리하는 예시적인 방법의 흐름도이다.
도 7은, 복수의 무선 기준점의 학습 모델로부터의 출력을 기초로 한 삼각 측량을 사용하여 디바이스 위치를 추정하는 예시적인 방법의 흐름도이다.
도 8은, 복수의 무선 기준점 학습 모델을 병합한 예시적인 시스템 학습 모델의 블록도이다.
도 9는 예시적인 다중-레벨 학습 모델의 그래픽 표현을 도시하는 도면이다.
도 10은, 도 9의 다중-레벨 학습 모델의 일 레벨의 예시적인 개별 셀의 그래픽 표현을 도시하는 도면이다.
도 11은, 예시적인 형태의 컴퓨터 시스템에서의 기계의 개략적 표현으로서, 이 시스템 내에서는, 기계가 본 명세서에서 논의한 방법론 중 임의의 하나 이상을 실행하게 하기 위해 명령의 세트가 수행될 수 있는, 기계의 개략적 표현을 도시한 도면이다.
다음의 상세한 설명에서, 설명을 목적으로, 본 명세서에서 개시한 실시예의 철저한 이해를 제공하기 위해 수많은 특정한 세부 내용을 제시한다. 그러나 당업자에게는 이들 실시예가 이들 특정 세부 내용 없이도 실행될 수 있음이 자명할 것이다.
도 1은, 학습 모델을 기초로 디바이스(예컨대, 사용자 디바이스(104))의 위치를 측정하기 위해 사용 가능한 예시적인 통신 시스템(100)의 블록도이다. 통신 시스템(100)에서, 집, 아파트, 백화점, 식당, 술집, 체육관, 경기장 또는 기타 유사하게 한정된 영역일 수 있는 근거리 영역(101)은, 사용자 디바이스(104)와의 근거리 무선 통신에 참여할 수 있는 적어도 하나의 무선 기준점(120A)을 포함할 수 있다. 도 1의 특정한 예에서, 세 개의 무선 기준점(102A, 102B 및 120C)(각각, 대안적으로는, 무선 기준점(102))이 사용되어 사용자 디바이스(104)로부터 근거리 무선 통신(120)을 적어도 수신한다. 그러나 하나 이상의 그러한 무선 기준점(102)은 다른 실시예에서 사용할 수 있다. 이후에 더 상세하게 설명할 바와 같이, 무선 기준점(102) 중 임의의 것 또는 모두는 사용자 디바이스(104)로부터 수신된 근거리 무선 통신을 처리할 수 있어서, 사용자 디바이스(104)의 위치를 일부 오차 범위 내에서 측정하거나 판정할 수 있다. 또한, 이들 무선 기준점(102) 각각은 근거리 영역(101) 내의 고정된 위치에서 유지될 수 있어서, 사용자 디바이스(104)의 위치 측정을 용이하게 한다.
무선 기준점(102)의 예는, Wi-Fi® 무선 액세스 포인트 또는 라우터; 블루투스® 통신 디바이스; 무선-주파수 식별(RFID) 태그 판독기; 셀룰러 네트워크(예컨대, 3세대(3G) 또는 4세대(4G)) 통신 디바이스; 지그비® 또는 기타 개인 영역 네트워크(PAN) 통신 디바이스; 또는 라우터로서, 피어 디바이스로서, 또는 임의의 다른 통신 성능으로 임의의 무선 통신 프로토콜을 통해 사용자 디바이스(104)와의 무선 통신에 참여할 수 있는 다른 무선 통신 디바이스와 같은 무선 근거리 네트워크(LAN)를 위한 무선 액세스 포인트를 포함할 수 있지만 이것으로 제한되지는 않는다. 다른 예에서, 무선 기준점(102)은, 엄격히는 사용자 디바이스(104)의 위치 측정용으로 동작하는 디바이스일 수 있다. 그러한 무선 기준점(102)은 예컨대 사용자 디바이스(104)와 다른 무선 기준점(102) 또는 다른 사용자 디바이스(104) 사이에서 근거리 무선 통신을 단지 가로챌 수 있으며 이들 통신을 처리하여 사용자 디바이스(104)의 위치를 측정할 수 있다.
사용자 디바이스(104)의 예는, 데스크탑, 랩탑, 및 태블릿 컴퓨터; 게이밍 시스템; 스마트 폰; 개인 휴대 단말장치(PDA); 스마트 텔레비전; 스마트 기기; 및 예컨대 Wi-Fi®, 블루투스®, RFID, 3G, 4G, 지그비® 또는 임의의 다른 LAN, PAN 또는 다른 근거리 무선 네트워크 프로토콜과 같은 임의의 무선 통신 네트워크 프로토콜을 통해 무선 기준점(102)과 통신할 수 있는 다른 통신 디바이스를 포함할 수 있지만, 이들로 제한되지는 않는다. 도 1에는 단일 사용자 디바이스(104)를 도시하지만, 무선 기준점(102)과 통신할 수 있는 임의의 수의 사용자 디바이스(104)의 위치를 근거리 영역(101) 내에서 측정할 수 있다.
도 2는, 도 1의 통신 시스템(100)에서 사용할 수 있는 무선 기준점(102)의 예의 블록도이다. 이 예에서, 무선 기준점(102)은 근거리 통신 인터페이스(202), 라우터 모듈(204), 사용자 디바이스 식별 모듈(206), 및 학습 모델 모듈(208)을 포함할 수 있다. 이들 모듈 각각뿐만 아니라 본 명세서에서 설명한 다른 모듈은, 이하에서 더 상세하게 설명될 바와 같이, 모듈에 대응하는 여러 기능을 실행하기 위한 하드웨어, 소프트웨어, 또는 이들의 일부 조합을 포함할 수 있다. 예컨대, 광대역 네트워크(WAN) 인터페이스, 사용자 인터페이스 등과 같은 다른 가능한 구성요소는 무선 기준점(102)에 포함될 수 있지만, 도 2에는 명시적으로 예시하지 않아 다음의 논의를 간략히 한다. 또한, 도 2 및 다른 도면에서 도시한 모든 구성요소가 모든 실시예에 포함되지는 않을 수 있다. 또한, 도 2에 도시한 구성요소 및 본 명세서의 다른 블록도는 별도의 구성요소로 더 분리될 수 있거나, 결합될 수 있어서 어느 정도의 구성요소를 제작할 수 있다.
근거리 통신 인터페이스(202)는 무선 기준점(102)과 도 1의 사용자 디바이스(104) 중 하나 이상 사이의 근거리 무선 통신을 용이하게 하도록 구성될 수 있다. 그에 따라, 근거리 통신 인터페이스(202)는, 앞서 언급한 바와 같이, 3G, 4G, 지그비® 또는 임의의 다른 LAN, PAN 또는 다른 근거리 무선 네트워크 프로토콜 중 어느 하나 이상을 통해 근거리 무선 통신(120)을 통해 통신할 수 있다.
라우터 모듈(204)은, 무선 기준점(102)에 포함된다면, 근거리 영역(101)의 사용자 디바이스(104) 사이뿐만 아니라 아마도 각각의 사용자 디바이스(104)와 WAN과 같은 다른 네트워크 사이에서 통신을 위한 라우터로서 동작하도록 구성될 수 있다. 다른 예에서, 무선 기준점(102)은 외부 LAN 라우터와 통신 가능하게 결합될 수 있어서, 무선 기준점(102)과 사용자 디바이스(104) 사이에서의 통신을 용이하게 할 수 있다.
사용자 디바이스 식별 모듈(206)은, 사용자 디바이스(104)를 수반하는 근거리 무선 통신(120)에 포함되는 정보를 기초로 하여 근거리 영역(101)에서 하나 이상의 사용자 디바이스(104)를 식별하도록 구성될 수 있다. 예컨대, 근거리 무선 통신(120)은, 데이터 패킷을 송신하는 사용자 디바이스(104)에 대한 식별자를 병합하는 데이터 패킷을 포함할 수 있다. 그러한 식별자는 예컨대 사용자 디바이스(104)의 MAC(Media Access Control) 어드레스일 수 있지만, 사용자 디바이스 식별 모듈(206)은, 사용자 디바이스(104)와, 그에 따라 그에 의해 송신되는 근거리 무선 통신(120)을 고유하게 식별하는 임의의 다른 식별자를 사용할 수 있다.
학습 모델 모듈(208)은, 학습 모델을 사용하여, 사용자 디바이스 식별 모듈(206)에 의해 식별됨에 따라 근거리 영역(101) 내에 위치하는 각 사용자 디바이스(104)와 관련된 이들 근거리 무선 통신(120)을 처리하여 그 사용자 디바이스(104)의 현재의 위치를 판정하거나 적어도 추정하도록 구성될 수 있다. 이후에 더 상세하게 기재될 바와 같이, 학습 모델 모듈(208)에서 사용한 학습 모델은, 사용자 디바이스(104)의 실제 위치 측정 전 근거리 영역(101)의 특징에 관한 데이터를 수집하기 위한 지문채취, 현장 조사, 또는 다른 타입의 "오프라인" 동작의 사용 없이 정상 동작 동안 사용자 디바이스(104)로부터 수신된 신호로부터 생성된 데이터를 사용하여 "온라인" 방식으로 근거리 영역(101) 내에서 사용자 디바이스(104)의 위치를 측정하도록 구성된다. 또한, 적어도 일부 실시예에서, 학습 모델은, 학습 모델이, 근거리 영역(101) 내에서 변화하는 조건에 적응하면서 수신된 근거리 무선 통신(120)에서 이전의 임시 패턴을 인식하게 하는 이전에 수신된 근거리 무선 통신(120)에 관한 이력 데이터를 보관할 성능을 소유하도록 구성될 수 있다.
도 3은, 도 2의 무선 기준점(102)에서 사용할 수 있는 학습 모델 모듈(208)의 예의 블록도이다. 도 3의 특정 예에서, 학습 모델 모듈(208)은 디바이스 모델 제작 모듈(302), 신호 샘플링 모듈(304), 샘플 정렬 모듈(306), 샘플 인코딩 모듈(308), 추론/예측 엔진(310), 및 디바이스 위치 추정 모듈(312)을 포함할 수 있다. 도 3에서 구체적으로 도시하지 않은 다른 모듈도 학습 모델 모듈(208)에 포함될 수 있지만, 다음의 논의를 간략히 하기 위해 그러한 모듈은 본 명세서에서는 언급하지 않는다. 다른 실시예에서, 도 3의 모듈(302 내지 312) 중 하나 이상은 학습 모델 모듈(308)에 포함되지 않을 수 있다. 적어도 일부 예에서, 학습 모델 모듈(208)은, 하나 이상의 사용자 디바이스 모듈(320), 기준점 모델(322) 및/또는 수신된 근거리 무선 통신(120)을 기재한 이력 데이터(330)와 같은 하나 이상의 데이터베이스 또는 데이터세트를 포함할 수 도 있다. 또 다른 실시예에서, 모듈(302 내지 312) 및/또는 데이터베이스(320, 322 및 330) 중 하나 이상은 예컨대 다른 무선 기준점(102) 또는 이 무선 기준점(102)과 통신 가능하게 결합되는 서버와 같은 다른 디바이스에 대안적으로 위치할 수 있다.
디바이스 모델 제작 모듈(302)은 특정한 사용자 디바이스(104)를 위한 학습 모델을 제작하도록 구성될 수 있다. 학습 모델 모듈(208)은 제작한 학습 모델을 활용할 수 있어서, 지문채취 등과 같이 근거리 영역(101)을 특징화하기 위한 이전의 "오프라인" 동작 없이 정상 동작 동안 온라인 방식으로 사용자 디바이스(104)의 위치를 추정할 수 있다. 일 예에서, 디바이스 모델 제작 모듈(302)은, 사용자 디바이스 식별 모듈(206)(도 2)이 처음 사용자 디바이스(104)를 만나거나 식별함에 응답하여, 특정한 사용자 디바이스(104)와 관련된 학습 모델을 제작할 수 있다. 또한, 디바이스 모델 제작 모듈(302)은, 사용자 디바이스 식별 모듈(206)이 후속하여 근거리 영역(101) 내에서 동일한 사용자 디바이스(104)를 검출할 때 제작한 학습 모델을 후속한 회수를 위한 사용자 디바이스 모델(320) 중 하나로서 저장할 수 있다.
제작한 학습 모델의 일 예는, 대뇌 피질과 같은 인간 뇌의 일부분을 기초로 한 모델일 수 있다. 예컨대, 어떤 타입의 인공 신경망(ANNs) 또는 강화 학습 시스템과 같은 다른 가능한 기계를 기초로 한 모델 또는 기술이 다른 예로 사용될 수 있다. 학습 모델의 예는 도 9 및 도 10과 연계하여 이하에서 설명할 것이다.
일부 예에서, 디바이스 모델 제작 모듈(302)은 이와 관련된 사용자 디바이스(104)에 대하여 제작한 학습 모델을 구성할 수 있다. 예컨대, 이 모델의 특정한 양상은, 사용자 디바이스(104)에 의해 사용되는 특정한 통신 프로토콜, 사용자 디바이스(104)에서 사용되는 특정한 하드웨어 등과 같은 특정한 타입의 사용자 디바이스(104)에 맞춰질 수 있다. 다른 예에서, 모든 타입의 사용자 디바이스(104)는 동일한 모델에 대응할 수 있어서, 아마도 모델의 특정한 구성은 보장받지 못함을 나타낼 수 있다.
유사하게, 일부 실시예에서, 디바이스 모델 제작 모듈(302)은, 무선 기준점(102)에서 수신됨에 따라, 사용자 디바이스(104)에 의해 송신되는 통신 신호로부터의 샘플 시퀀스에 대한 인코더를 제작할 수 있다. 그러한 인코더는, 일부 실시예에서, 샘플 시퀀스 또는 이들 샘플의 어떤 버전을 수신할 수 있으며, 이들을, 제작한 학습 모델이 입력으로서 수신할 수 있는 형태로 인코딩할 수 있다. 예컨대, 샘플 시퀀스는, 학습 모델로의 입력 중 적은 퍼센트만이 언제라도 한번 활성화되는 동안, 동시에 학습 모델로의 입력의 상당한 절대 수의 별도 요소가 활성화되어 모델에서의 특정한 상태를 나타내도록, 희박 분포 표현(SDR)(또는, 대안적으로, 희박 분포 메모리(SDM))으로 인코딩될 수 있다. 희박 분포 표현은 도 10과 연계하여 이하에서 논의할 것이다.
신호 샘플링 모듈(304), 샘플 정렬 모듈(306), 및 샘플 인코딩 모듈(308)은, 사용자 디바이스(104)의 위치 측정을 위해 사용자 디바이스(104)에 대응하는 학습 모델에 제공되는 사용자 디바이스(104)로부터의 수신된 통신 신호로부터 값의 시퀀스를 생성하도록 구성될 수 있다. 이들 모듈(304, 306 및 308) 중 하나 이상은 일부 실시예에서 생략할 수 있다.
신호 샘플링 모듈(304)은 때때로 사용자 디바이스(104)로부터 수신되는 통신 신호의 특정한 양 또는 특징을 샘플링하여 샘플 시퀀스를 생성하도록 구성될 수 있다. 일예에서, 신호 샘플링 모듈(304)은, 예컨대 매 초당 한번, 매 2초당 한번 등과 같이 일부 주기적인 속도로 통신 신호를 샘플링할 수 있다. 다른 예에서, 주기적인 속도는, 다른 예에서 빠르거나(예컨대, 매 100ms당 한번, 매 200ms당 한번 등) 느린(예컨대, 매 5초당 한번) 임의의 속도일 수 있다.
일부 실시예에서, 신호 샘플링 모듈(304)은, 적어도 사용자 디바이스(104)와 무선 기준점(102) 사이의 거리에 어떤 식으로든 관련되는 임의의 특정한 타입의 측정 가능한 특징을 샘플링할 수 있다. 예컨대, 측정된 특징은 수신된 통신 신호의 수신된 신호 세기 지시자(RSSI)일 수 있다. 다른 실시예에서 사용될 수 있는 수신된 통신 신호의 다른 측정된 특징은 예컨대, 수신된 통신 신호의 링크 품질과 채널 품질을 포함한다.
샘플 정렬 모듈(306)은, 사용자 디바이스(104)로부터의 샘플 시퀀스 각각을 예컨대 히스토그램의 빈과 같은 간격으로 정렬 또는 할당하도록 구성될 수 있다. 일부 실시예에서, 이 정렬 기능은, 샘플 인코딩 모듈(308)에서 제공될 수 있는 바와 같이 인코더에 제공되는 값의 가능한 수를 감소시킬 수 있다. 가능한 수를 감소시키면, 이제 인코더의 구조를 간략화할 수 있다. 일부 예에서, 샘플 정렬 모듈(306)은, 신호 샘플링 모듈(304)에 의해 생성되는 샘플이 샘플 인코딩 모듈(308)에서 직접 수신될 수 있는 실시예에서와 같이, 불필요할 수 있다.
샘플 인코딩 모듈(308)은, 신호 샘플 모듈(304) 또는 샘플 정렬 모듈(306)로부터 수신된 사용자 디바이스(104)로부터의 통신 신호의 샘플을 인코딩하여 사용자 디바이스(104)에 대응하는 학습 모델로의 입력으로서 사용하기 위한 값의 시퀀스를 생성하도록 구성될 수 있다. 일 예로 앞서 설명한 바와 같이, 인코딩된 샘플은 희박 분포 표현(SDR)의 형태일 수 있다. 샘플 인코딩 모듈(308)은, 사용자 디바이스(104)에 사용되는 특정한 학습 모델에 의해 예상되는 입력 타입에 따라, 수신된 샘플을 다른 타입의 표현으로 인코딩할 수 있다.
신호 샘플링 모듈(304), 샘플 정렬 모듈(306) 및 샘플 인코딩 모듈(308) 중 임의의 것 또는 모두의 여러 파라미터는 무선 기준점(102)의 기준점 모델(322)을 기초로 할 수 있다. 예컨대, 기준점 모델(322)은, 수신된 통신 신호가 샘플링되는 속도나 기간, 샘플이 정렬될 수 있는 간격의 크기 및/또는 정렬되거나 정렬되지 않은 샘플에 실행될 인코딩 타입을 명시할 수 있다. 그러한 파라미터는, 적어도 부분적으로, 무선 기준점(102)에서 사용된 특정한 회로와 소프트웨어를 기초로 할 수 있다.
신호 샘플링 모듈(304), 샘플 정렬 모듈(306) 및 샘플 인코딩 모듈(308) 중 임의의 것 또는 모두는 미처리 샘플, 정렬된 샘플, 인코딩된 샘플 및/또 기타를 이력 데이터(330)로서 저장할 수 있다. 이력 데이터(330)는, 무선 기준점(102)과 통신 가능하게 결합되는 일부 데이터 저장 디바이스(도 1에 도시되지 않음) 내에 또는 무선 기준점(102) 내에 저장될 수 있다. 예컨대, 이력 데이터(330)는 (도 2의 무선 기준점(102)에 도시되지 않은) WAN 인터페이스를 사용하여 WAN(예컨대, 인터넷)을 통해 이용 가능한 서버나 다른 클라우드 인프라스트럭쳐에 저장될 수 있다. 이력 데이터(330)는 현재의 해당 사용자 디바이스(104)에 대응하는 학습 모델로의 (통신 신호의 현재의 미처리, 정렬된 또는 인코딩된 샘플과 관련된 입력 외에) 기능 입력으로 역할을 할 수 있으며 및/또는 학습 모델 모듈(208)의 임의의 부분의 성능의 후처리 분석을 위해 사용될 수 있다.
추론/예측 엔진(310)은, 사용자 디바이스(104)로부터의 통신 신호를 기초로 샘플 인코딩 모듈(308)에 의해 생성되는 값의 시퀀스를 수신하여 이 값을 처리하여 바로 이 사용자 디바이스(104)의 위치를 측정하는데 사용될 수 있는 이 사용자 디바이스(104)에 대한 사용자 디바이스 모델(320)을 사용하여 출력 또는 상태를 생성하도록 구성될 수 있다. 다른 실시예에서, 추론/예측 엔진(310)은, 처리하여 출력을 발생시키기 위해, 샘플 정렬 모듈(306)에 의해 정렬될 수 있거나 정렬되지 않을 수 있는 인코딩되지 않은 샘플을 수신할 수 있다. 적어도 일부 예에서, 추론/예측 엔진(310)은, 입력되는 값의 시퀀스와 관련된 시간을 참조하지 않고(그에 따라 시간의 임의의 개념이나 컨셉 없이) 이 값을 처리할 수 있지만, 앞서 나타낸 바와 같이, 이 값을 생성하는데 사용되는 샘플이 특정한 속도로 포착될 수 있다.
일 특정 실시예에 대해 이하에서 더 상세하게 설명될 바와 같이, 추론/예측 엔진(310)은, 사용자 디바이스(104)가 통신 신호를 송신하기 위한 사용자 디바이스 모델(320)의 사용에 의해, 이들 입력이 모델(320)에 제공되었던 특정한 순서뿐만 아니라 사용자 디바이스 모델(320)(대안적으로, 학습 모델(320) 또는 더욱 간단히는 모델(320))에 제공된 현재의 입력과 이전 입력을 기초로 특정한 출력 또는 상태를 발생시킬 수 있다. 그에 따라, 모델(320)은 추론/예측 엔진(310)이 이전에 본 입력 패턴과 유사한 것으로 현재의 입력 패턴을 추론하거나 인식하게 할 수 있다. 또한, 모델(320)로 인해 추론/예측 엔진(310)은 현재 및 과거의 입력을 기초로 미래의 입력을 예측할 수 있다.
일부 실시예에서, 추론/예측 엔진(310)은, 값의 시퀀스의 현재의 값에 앞서 미리결정된 수의 미래의 입력 값(예컨대, 그 다음 입력 값, 그 다음 두 개의 입력 값, 그 다음 세 개의 입력 값 등)을 예측하도록 구성될 수 있다. 또한, 수신된 각각의 현재의 입력 값에 대한 예측된 미래의 입력 값은 샘플 윈도우 크기에 의해 판정되는 미리 결정된 수의 바로 선행하는 입력 값과 현재의 입력 값을 기초로 할 수 있다. 예컨대, 5개의 샘플의 샘플 윈도우 크기를 사용하여, 추론/예측 엔진(310)은 현재의 입력 값과 4개의 이전의 입력 값을 기초로 하여 하나 이상의 미래의 입력 값을 예측하도록 구성될 수 있다. 다른 실시예에서, 샘플 윈도우 크기는 1보다 큰 임의의 양의 정수일 수 있다. 그러한 예에서, 추론/예측 엔진(310)은, 충분한 입력 값이 생성되어 샘플 윈도우를 채울 때까지 임의의 예측을 생성하지 않을 수 있다. 샘플 윈도우가 채워지면, 추론/예측 엔진(310)은 생성된 각각의 입력 값에 대한 하나 이상의 미래의 입력 값을 예측할 수 있다.
또 다른 실시예에서, 추론/예측 엔진(310)은 하나 이상의 미래의 입력 값의 예측을 이전 입력 값 중 임의의 것 또는 모두에 근거로 할 수 있으며, 이전의 입력 값은 이제 이력 데이터(330) 중 임의의 것 또는 모두를 기초로 할 수 있으며 그에 따라 특정한 샘플 윈도우로 제한되지 않을 수 있다. 게다가, 예측이 기초로 하는 특정한 이전 입력 값이나 이전의 입력 값을 기초로 하는 예측되는 하나 이상의 미래의 입력 값은 값의 시퀀스 내에서 연속되는 일련의 입력 값을 형성할 필요는 없다.
모델(320)의 추론 및 예측 성능은, 앞서 설명한 바와 같이, 근거리 영역(101)에서의 변화하는 송신 조건, 사용자 디바이스(104)의 변화하는 송신 특징, 무선 기준점(102)의 변화하는 수신 특징 등을 고려하여 적응성과 안정성 모두를 촉진할 수 있다. 예컨대, 일부 실시예에서, 상대적으로 더 큰 샘플 윈도우 크기로 인해, 추론/예측 엔진(310)이, 상대적으로 더 작은 샘플 윈도우 크기를 사용하여 발생될 수 있는 것보다, 더 큰 수의 미래의 입력 값 또는 미래의 입력 값에 더 도달하는 하나 이상의 입력 값을 예측하거나 추론하게 할 수 있다. 그에 따라, 상대적으로 더 큰 윈도우 크기는 사용자 디바이스(104)의 위치를 추정할 때 가변성을 감소시킬 수 있으며 및/또는 안정성을 증가시킬 수 있다. 역으로, 상대적으로 더 작은 윈도우 크기는 실제로 수신된 입력 값과 예측된 입력 값 사이의 신뢰도와 정확도를 더 제공할 수 있지만, 사용자 디바이스(104)의 위치를 추정할 때 전체적인 안정성에 덜 기여할 수 있다.
일 예에서, 무선 기준점(102)은, 그 자신의 사용자 디바이스 모델(320)을, 근거리 영역(101) 내에서 다른 무선 기준점(102)에 의해 생성된 것과 동일한 사용자 디바이스(104)의 사용자 디바이스 모델(320)와 결합하여 사용자 디바이스(104)에 대한 전체적인 학습 모델을 생성하도록 구성될 수 있다. 이 예에서, 무선 기준점(102)은 다른 무선 기준점(102)에 대한 사용자 디바이스 모델(320)을 수신하여 저장할 수 있다. 디바이스 모델 제작 모듈(302)은 전체적인, 결합된 사용자 디바이스 모델(320)을 생성할 수 있다. 추론/예측 엔진(310)은 이 무선 기준점 및 다른 무선 기준점(102)으로부터 샘플 데이터(예컨대, 미처리 샘플 데이터, 정렬된 샘플 데이터 및/또는 인코딩된 샘플 데이터)를 수신할 수 있으며, 이 입력을 결합된 사용자 디바이스 모델(320)에 제공할 수 있어서, 근거리 영역(101) 내에서 사용자 디바이스(104)의 현재의 위치를 나타낼 수 있는 단일 출력을 산출할 수 있다.
디바이스 위치 추정 모듈(312)은 추론/예측 엔진(310)의 출력을 근거리 영역(101) 내에서 사용자 디바이스(104)의 특정한 위치 또는 위치 세트에 매핑하도록 구성될 수 있다. 이러한 매핑은 부분적으로는 추론/예측 엔진(310)의 현재 또는 이전 출력을 사용자 디바이스(104)의 실제 위치를 나타내는 정보에 상관시키는 것을 기초로 할 수 있다. 그러한 정보는, 사용자 디바이스(104)의 위치에 대한 사람의 인지, 예컨대 근거리 자기장 통신(NFCTM)(예컨대, 사용자 디바이스(104)와 상호동작할 수 있는 매장(POS: Point-Of-Sale) 국)과 같은 다른 디바이스나 시스템과의 사용자 디바이스(104)의 상호동작, 또는 다른 수단을 기초로 할 수 있다.
일부 실시예에서, 디바이스 위치 추정 모듈(312)은 근거리 영역(101)에서 하나 이상의 무선 기준점(102)으로부터 대응하는 출력을 수신할 수 있으며, 이 출력을 결합할 수 있어서 사용자 디바이스(104)의 현재의 위치의 추정치를 제공할 수 있다. 예컨대, 디바이스 위치 추정 모듈(312)은 무선 기준점(102) 각각의 위치에 관한 지식과 출력을 결합할 수 있어서, 사용자 디바이스(104)의 위치를 삼각 측량할 수 있다. 출력을 결합하는 다른 방식은 다른 예에서는 디바이스 위치 추정 모듈(312)에서 사용될 수 있다.
복수의 무선 기준점(102)으로부터의 정보의 사용에 관해, 무선 기준점(102) 중 임의의 하나 이상이 앞서 논의한 바와 같이 사용자 디바이스 모델(320)뿐만 아니라 통신 신호 샘플과 같은 다른 무선 기준점(102)으로부터의 정보를 수신할 수 있다. 다른 실시예에서, 무선 기준점(102) 각각은 샘플 정보뿐만 아니라 사용자 디바이스 모델(320)을 WAN을 통해 서버에 또는 근거리 영역(101) 내의 다른 디바이스에 제공할 수 있으며, 이러한 서버나 디바이스는 그 후 이 정보를 처리하여 사용자 디바이스(104)의 현재의 위치를 유도하거나 추정할 수 있다.
도 4는, 디바이스와 관련된 학습 모델(예컨대, 도 3의 사용자 디바이스 모델(320))을 기초로 하여 디바이스(예컨대, 도 1의 사용자 디바이스(104))의 위치를 측정하는 예시적인 방법(400)의 흐름도이다. 다음의 예에서, 도 3의 학습 모델 모듈(208)에 예시한 여러 구성요소를 포함하는 도 1의 무선 기준점(102)은 방법(400)의 여러 동작을 실행하는 것으로 상정한다. 그러나 본 명세서에서 구체적으로 설명하지 않은 다른 디바이스나 구성요소는 다른 실시예에서 방법(400)의 동작을 실행할 수 있다.
방법(400)에서, 통신 신호가 시간 기간 동안 디바이스로부터 수신된다(동작(402)). 본 명세서에서 설명한 여러 예에서, 디바이스는 스마트폰, 랩탑 컴퓨터, 태블릿 컴퓨터, 또는 근거리 영역(101)에서 무선 기준점(102)과 통신하도록 구성되는 다른 디바이스와 같은 도 1의 사용자 디바이스(104)를 포함할 수 있다. 일 예에서, 이 디바이스로부터 송신되는 통신 신호는 근거리 영역(101)에 위치한 임의의 추가 무선 기준점(102)뿐만 아니라 무선 기준점(102)을 포함하는 여러 청취자에게 디바이스가 방송 방식으로 송신하는 리포트나 비컨일 수 있다. 다른 예에서, 디바이스로부터 송신 중인 통신 신호는 WIFI® 통신에서의 능동 프로브 요청과 같은 무선 기준점(102)이 무선 송신한 요청에 대한 응답일 수 있다. 적어도 일부 실시예에서, 이 요청은 유니캐스트 방식으로 특히 수신 디바이스 - 디바이스가 유사한 방식으로 응답함 - 에 보내진다.
무선 기준점(102) 또는 그와 통신 가능하게 결합되는 일부 디바이스는 그 후 시간 기간 동안 무선 기준점(102)에 의해 수신되는 통신 신호로부터 값의 시퀀스를 생성할 수 있다(동작(404)). 앞서 논의한 바와 같이, 일부 예에서, 값의 시퀀스는 RSSI와 같은 통신 신호의 일부 특징의 주기적인 샘플을 기초로 할 수 있으며, 이들 샘플은 그 후 정렬 및/또는 인코딩에 의해 아마도 추가로 처리될 수 있다.
결과적인 값의 시퀀스는 그 후 학습 모델(320)에 공급될 수 있다(동작(406)). 일 예에서, 학습 모델(320)은 값의 시퀀스 중 적어도 하나의 예측 값뿐만 아니라 값의 시퀀스 중 지난 값을 기초로 하여 상태나 출력을 발생시키도록 구성될 수 있다. 적어도 일부 실시예에서, 시퀀스 중 지난 값을 또한 기초로 할 수 있는 적어도 하나의 예측 값의 사용은 값의 시퀀스의 상당하지만, 일시적인 변경의 존재 시에 학습 모델(320)의 안정적인 출력을 용이하게 할 수 있다. 일부 예에서, 그러한 변경은, 통신 신호 샘플에 사용된 RSSI 또는 다른 특징을 사용할 때 경험할 수 있지만, 통신 신호의 다른 타입의 샘플은 다른 실시예에서 유사하게 영향을 받을 수 있다. 그러한 변경은, 예컨대 사용자 디바이스(104)의 통신 신호 특징의 변화, 통신 신호에 영향을 미칠 수 있는 환경 조건의 변화, 여러 물리적 특성(예컨대, 벽, 칸막이, 가구 등)의 존재, 위치 및/또는 방향과 같은 근거리 영역(101)의 배치, 및 근거리 영역(101) 내에서 사람의 수 및/또는 위치에 의해 초래될 수 있다. 또한, 학습 모델(320)은 시간이 지남에 따라 근거리 영역(101)에서의 더욱 영구적인 변화에 적응할 수 있다. 근거리 영역(101) 내의 사용자 디바이스(104)의 현재의 위치는 그 후 학습 모델(320)의 상태나 출력을 기초로 시간 기간 동안 추정할 수 있다(동작(408)).
도 4의 동작(402 내지 408)(뿐만 아니라 본 명세서에서 예시한 다른 방법의 동작)을 특정한 순서로 발생하는 것으로 도시하지만, 둘 이상의 동작의 공존 수행을 포함한 다른 동작 순서도 가능하다. 예컨대, 사용자 디바이스(104)가 근거리 영역(101) 내에서 통신 신호를 송신하며, 그 후 무선 기준점(102)이 이 신호를 수신하고 처리하여 앞서 설명한 바와 같이 사용자 디바이스(104)의 위치를 추정할 수 있는 바와 같이, 동작(402 내지 408)은 주기적으로, 계속적으로 또는 일부 다른 반복 방식으로, 아마도 병렬, 동시 또는 공존 방식으로 발생할 수 있다. 또한, 동작(402 내지 408)은 근거리 영역(101) 내에서 통신 신호를 송신하는 각각의 별도의 사용자 디바이스(104)에 적용될 수 있어서, 근거리 영역(101) 내에서 사용자 디바이스(104) 각각의 위치를 추정할 수 있다.
도 5는, 학습 모델(예컨대, 사용자 디바이스 모델(320))에서 사용하기 위한 사용자 디바이스(104)로부터의 통신 신호를 처리하는 예시적인 방법(500)의 흐름도이다. 방법(500)에서, 통신 신호는 샘플링되어 샘플 시퀀스를 발생시킬 수 있다(동작(502)). 발생된 샘플 시퀀스는, 궁극적으로는 근거리 영역(101) 내의 사용자 디바이스(104)의 위치를 판정하는데 사용될 수 있는 사용자 디바이스(104)에 의해 송신된 통신 신호의 임의의 특징의 샘플일 수 있다. 통신 신호의 특징의 예는 RSSI, 링크 품질, 및 채널 품질을 포함할 수 있지만, 이들로 제한되지 않는다. 적어도 일부 실시예에서, 샘플링은, 매 1 또는 이상의 초마다 한번, 매 1초의 일부분마다 한번(예컨대, 매 500msec마다 한번)과 같은 설정된 샘플링 속도나, 샘플링된 특징의 변화에 대한 의미있는 정보를 산출하는 일부 다른 속도로 주기적으로 발생한다.
일부 예에서, 샘플 시퀀스는 다수의 간격으로 정렬될 수 있다(동작(504)). 예컨대, 샘플 각각은 특징에 대한 특정한 값의 간격에 대응하는 "빈(bin)"으로 정렬될 수 있다. 간격은 특징의 특정한 값의 범위를 집합적으로 그리고 계속적으로 커버할 수 있다. 또한, 일부 경우, 간격은, 특징의 속성을 기초로 하여 특징마다 선형 스케일, 로그 스케일, 또는 다른 스케일에 대해 동일한 크기일 수 있다. 또한, 간격의 크기는, 측정한 샘플 각각을 나타내는 유효 디지트의 개수가 학습 모델에 대한 의미있는 정보를 여전히 제공하면서도 감소되도록, 설정될 수 있다.
정렬된 샘플 시퀀스는 그 후 인코딩되어, 도 4의 동작(406)에서 나타낸 바와 같이, 학습 모델(320)에 공급되게 되는 값의 시퀀스를 생성한다(동작(506)). 일 예에서, 인코딩은, 각각의 정렬된 샘플이 대응하는 희박 분포 표현(SDR)에 매핑되게 할 수 있다. 일 예에서, SDR은 많은 수의 비트(이진 디지트)(예컨대 50비트, 100비트 등)를 포함할 수 있으며, 여기서 이들 비트 중 상대적으로 낮은 퍼센트의 비트(5퍼센트 미만, 3퍼센트 미만 등)가 임의의 일 예에서 활성화된다. 일부 실시예에서, 두 개의 샘플 사이의 유사성은, 두 개의 샘플 사이에 공통되는 활성 비트의 수나 퍼센트를 기초로 하여 판정할 수 있다. 다른 실시예에서, 동작(502)에서 제공된 정렬되지 않은 샘플 시퀀스가 동작(506)에 직접 공급되어 인코딩한다.
도 6은, 사용자 디바이스(104)로부터 수신된 통신 신호의 샘플을 기초로 하여 값의 시퀀스를 처리하는 예시적인 방법(600)의 흐름도이다. 도 1의 무선 기준점(102)은 방법(600)의 여러 동작을 실행한다고 상정되지만, 사용자 디바이스(104)로부터 통신 신호를 수신하는 무선 기준점(102)과 통신 가능하게 결합되는 하나 이상의 다른 디바이스가 동작 중 하나 이상을 실행할 수 있다. 방법(600)에서, 그 통신 신호가 무선 기준점(102)에서 수신되고 있는 현재의 사용자 디바이스(104)의 신원을 판정한다(동작(602)). 일 실시예에서, 현재의 사용자 디바이스(104)의 신원은, 사용자 디바이스(104)의 매체 액세스 제어(MAC) 어드레스와 같은 통신 신호에 포함된 정보를 기초로 하여 판정한다. 사용자 디바이스(104)와 사용자 디바이스(104)의 사용자중 어느 하나 또는 모두에 대한 다른 식별자를 다른 실시예에서 사용할 수 있다.
사용자 디바이스(104)의 수신된 신원을 기초로 하여, 무선 기준점(102)은 이때, 식별한 사용자 디바이스(104)에 대한 학습 모델(320)이 이용 가능한지를 판정할 수 있다(동작(604)). 예컨대, 무선 기준점(102)이 사용자 디바이스(104)로부터 통신 신호를 이전에 수신했다면, 무선 기준점(102)은 이 사용자 디바이스(104)에 대한 학습 모델(320)을 이전에 생성하였을 수 도 있다. 학습 모델(320)이 이용 가능하다면, 무선 기준점(102)은, 그 후 도 3의 사용자 디바이스 모델(320)로부터와 같이, 현재의 사용자 디바이스(104)에 대한 모델(320)을 회수할 수 있다(동작(610)). 그렇지 않고, 현재의 사용자 디바이스(104)에 대한 학습 모델(320)이 존재하지 않는다면, 무선 기준점(102)은 사용자 디바이스(104)에 대한 학습 모델(320)을 제작하고 및/또는 구성할 수 있다(동작(606)). 일부 예에서, 무선 기준점(102)은 또한 도 5와 연계하여 앞서 설명한 바와 같이 샘플 인코더를 제작할 수 있다(동작(608)). 일부 예에서, 제작되고 구성된 학습 모델(320) 및/또는 제작된 인코더는, 근거리 영역(101) 내의 무선 기준점(102)에 의해 검출되는 사용자 디바이스(104) 각각마다 동일할 수 있다. 다른 예에서, 제작되고 구성된 학습 모델(320) 및/또는 제작된 인코더는, 예컨대 사용자 디바이스(104)의 타입, 제조사 또는 모델 번호와 같은 하나 이상의 팩터를 기초로 하여 다른 사용자 디바이스(104)에 대해 만든 것들과 상이할 수 있다. 그러한 정보는 일부 예에서 사용자 디바이스(104)로부터 무선 기준점(102)에서 수신된 통신 신호 내에서 병합될 수 있다.
현재의 사용자 디바이스(104)에 대한 적절한 학습 모델(320)이 제작되거나 회수되면, 현재의 사용자 디바이스(104)로부터 수신된 통신 신호의 샘플링, 정렬 및/또는 인코딩으로부터 생성된 값의 시퀀스를 이 사용자 디바이스(104)에 대한 학습 모델(320)에 공급한다(동작(612)). 일부 예에서, 각각의 값은, 수신 순서로 한 번에 하나씩 학습 모델(320)에 제공되어 학습 모델(320)의 새로운 출력 또는 상태를 생성한다. 이를 위해, 학습 모델(320)은 모델(320)의 현재의 상태를 사용하여 현재의 입력 값을 처리할 수 있어서, 모델(320)의 새로운 상태를 생성할 수 있다(동작(614)). 앞서 언급한 바와 같이, 모델(320)의 현재의 상태는, 모델(320)에 의해 발생된 하나 이상의 예측된 미래 입력 값뿐만 아니라 모델(320)에 공급된 통신 신호의 이전 입력 값을 포함하거나 반영할 수 있다.
모델(320)의 새로운 상태나 출력을 기초로 하여, 사용자 디바이스(104)의 현재의 위치를 판정하거나 추정할 수 있다(동작(616)). 일부 실시예에서, 학습 모델(320) 또는 더욱 광의적으로 무선 기준점(102)은 사용자 디바이스(104)의 현재의 위치를 나타내는 추가 정보를 수신하여, 모델(320)에 의해 생성된 새로운 상태는 현재의 위치와 상관될 수 있어서, 모델(320)의 유사한 미래 상태는 동일 또는 유사한 위치를 나타내는 것으로 해석할 수 있다. 앞서 나타낸 바와 같이, 그러한 정보는, 모델(320)의 특정한 출력이나 상태를 사용자 디바이스(104)의 위치의 사람 인지에, 또는 사용자 디바이스(104)와 POS 디바이스, NFCTM 국 또는 다른 시스템과 같은 다른 디바이스나 시스템의 상호동작에 관련시킬 수 있다.
일부 예에서, 무선 기준점(102)에서 사용되고 있는 학습 모델(320)의 현재의 출력 또는 상태는 하나 이상의 다른 무선 기준점(102)에서 이용되는 동일한 현재의 사용자 디바이스(104)에 대한 하나 이상의 학습 모델(320)의 현재의 출력 또는 상태와 결합될 수 있어서, 근거리 영역(101) 내에서 현재의 사용자 디바이스(104)의 위치를 판정할 수 있다. 이들 예는 도 7 및 도 8과 연계하여 더욱 자세하게 후술될 것이다.
동일한 사용자 디바이스(104)의 통신 신호로부터의 다른 입력 값이 값의 시퀀스에서 이용 가능하다면(동작(618)), 이 그 다음 입력 값이 사용자 디바이스(104)의 학습 모델(320)에 제공될 수 있어서(동작(612)), 처리되어 그 다음 상태를 생성할 수 있으며(동작(614)), 이 그 다음 상태는 앞서 설명한 바와 같이 사용자 디바이스(104)의 현재의 위치를 업데이트하는데 사용할 수 있다(동작(616)). 대신, 현재의 사용자 디바이스(104)와 관련된 값의 시퀀스로부터 값이 남아 있지 않다면, 무선 기준점(102)은 다른 사용자 디바이스(104)로부터의 통신 신호를 대기할 수 있다(동작(620)). 이 사용자 디바이스(104)의 신원은 그 후 판정될 수 있으며(동작(602)), 이 사용자 디바이스(104)와 관련된 모델(320)을 그 후 제작할 수 있거나(동작(606, 608)) 회수될 수 있으며(동작(610)), 이 사용자 디바이스(104)로부터 송신된 통신 신호로부터 생성한 값의 시퀀스가 그 후 적절한 디바이스 모델(320)에 제공될 수 있으며(동작(612)) 앞서 논의한 바와 같이 처리될 수 있어서(동작(614)) 이 사용자 디바이스(104)의 현재의 위치를 판정할 수 있다(동작(616)). 하나 보다 많은 사용자 디바이스(104)가 존재하며 근거리 영역(101) 내에서 송신하고 있는 예에서, 무선 기준점(102)은 각 사용자 디바이스(104)에 대한 별도의 모델(320)을 능동적으로 보관할 수 있으며, 각 사용자 디바이스(104)의 수신된 통신 신호로부터 생성한 입력 값을 공존하여 처리하여 근거리 영역(101) 내에서 각 사용자 디바이스(104)의 현재의 위치를 판정하거나 추정할 수 있다.
도 7은, 복수의 무선 기준점(102)의 학습 모델(320)로부터의 출력을 기초로 한 삼각 측량을 사용하여 사용자 디바이스(104)의 위치를 추정하는 예시적인 방법(700)의 흐름도이다. 방법(700)에서, 복수의 무선 기준점(102)에서 보관된 현재의 사용자 디바이스(104)에 대한 학습 모델(320)의 현재의 상태 또는 출력을 수신할 수 있다(동작(702)). 일예에서, 현재의 상태 또는 출력은 무선 기준점(102) 중 하나에서 수신될 수 있어서 추가로 처리될 수 있다. 다른 실시예에서, 현재의 상태 또는 출력은, 이 정보의 처리가 발생하게 되는 서버나 다른 시스템에서 수신될 수있다. 복수의 무선 기준점(102)의 학습 모델(320)의 현재의 상태 또는 출력을 기초로 하여, 사용자 디바이스(104)의 현재의 위치는 삼각 측량을 통해 추정하거나 판정할 수 있다(동작(704)). 도 1에서, 예컨대, 무선 기준점(102A, 102B 및 102C) 각각에 대응하는 학습 모델(320)의 상태 또는 출력은 대응하는 무선 기준점(102)으로부터의 거리를 나타낼 수 있다. 근거리 영역(101) 내에서 대응하는 무선 기준점(102)의 위치와 이들 거리를 사용하여 삼각 측량함으로써, 사용자 디바이스(104)에 대한 위치를 판정하거나 추정할 수 있다.
삼각 측량이 앞서 설명한 바와 같이 사용되거나 사용되지 않을 수 있는 일부 실시예에서, 하나 이상의 무선 기준점(102)은, 사용자 디바이스(104)의 위치를 측정할 수 있는 더욱 좁게 집중된 영역을 규정할 수 있는 위상-어레이 안테나 및/또는 지향성 빔-형성 기술을 사용할 수 있다. 결국, 사용자 디바이스(104)의 위치 측정과 신호 파라미터의 안정화는, 본 명세서에서 설명한 바와 같이, 하이-엔드 인프라스트럭쳐 환경에서 볼 수 있는 그러한 안테나와 기술의 사용으로부터 향상될 수 있다.
다른 예에서, 도 8은, 현재의 사용자 디바이스(104)에 대한 사용자 디바이스 모델(802A, 802B 등)(또는, 대안적으로는, 사용자 디바이스 모델(802) 또는 사용자 디바이스 학습 모델(802))을 병합하는 예시적인 시스템 학습 모델(800)의 블록도이며, 각각의 사용자 디바이스 모델(802)은 별도의 무선 기준점(102)과 관련된다. 일 실시예에서, 현재의 사용자 디바이스(104)에 대한 사용자 디바이스 모델(802) 각각은 그 대응하는 무선 기준점(102) 내에서 보관될 수 있으며, 각 기준점은 현재의 상태나 출력을 생성한다. 이들 현재의 상태나 출력은 그 후 무선 기준점(102) 또는 다른 시스템에게 제공될 수 있으며, 이들 기준점이나 시스템은 그 후 현재의 상태나 출력을 처리하여 사용자 디바이스(104)의 시스템 학습 모델(800)의 전체 상태나 출력을 산출한다. 전체 상태나 출력은 사용자 디바이스(104)의 현재의 위치를 판정하거나 추정하는데 사용될 수 있다.
다른 실시예에서, 병합된 사용자 디바이스 학습 모델(802) 각각을 포함하는, 사용자 디바이스(104)에 대한 전체 시스템 학습 모델(800)은 무선 기준점(102) 중 하나 또는 다른 시스템에 의해 사용될 수 있다. 결국, 시스템 학습 모델(800)과 구성요소인 사용자 디바이스 학습 모델(802)을 포함하는 무선 기준점(102) 또는 다른 시스템은 대응하는 사용자 디바이스(104)의 통신 신호로부터 값의 시퀀스를 수신할 수 있으며, 이들 값을 시스템 학습 모델(800)에 제공할 수 있어서 사용자 디바이스(104)의 현재의 위치를 추정하거나 판정할 수 있다.
앞서 언급한 바와 같이, 여러 타입의 기계 학습 모델 및 인공 중립 네트워크(ANNs)와 같이, 값의 시퀀스를 수신할 수 있고, 값의 시퀀스에서 패턴을 인식할 수 있으며, 이전에 수신된 값을 기초로 미래의 값을 예측할 수 있는 임의의 학습 모델(320)이 앞서 설명된 여러 실시예에서 사용될 수 있다. 그러한 학습 모델(320)은 일부 예에서 사람의 뇌에 관해 모델링되는 SDR 및 유사한 메모리 표현을 포함할 수 있거나 활용할 수 있다.
도 9는, 도 3에 도시한 바와 같이, 사용자 디바이스 모델(320)로서 역할을 할 수 있는 예시적인 다중-레벨 학습 모델(900)의 그래픽 표현이다. 그러한 다중-레벨 모델의 일 예는 Numenta®, Inc.에 의해 지원되는 Numenta Platform for Intelligent Computing(NuPIC®)의 일부로서 제공되는 계층적 시간 메모리(HTM)이다. 강화 학습 모델 및 기타 ANNs와 같은 기계 학습 모델의 다른 예는 또한 유사한 개념이나 구조를 병합할 수 있다. 도 9에 예시한 바와 같이, 학습 모델(900)은 다수의 의미론적 모델 레벨(904)을 포함할 수 있으며, 이들 모델 레벨 각각은 하위 모델 레벨(904)로부터 여기에 제공된 입력 값을 처리할 수 있어서, 레벨간 통신(908)을 통해 출력을 상위 모델 레벨(904)에 제공할 수 있다. 일부 예에서, 정보는 또한 상위 모델 레벨(904)로부터 하위 모델 레벨(904)로 레벨간 통신(908)을 통해 제공될 수 있다. 또한, 일부 실시예에서, 인트라-레벨 통신(906)이 모델 레벨(904) 중 하나 이상 내에서 발생할 수 있다. 도 9의 특정한 예에 도시한 바와 같이, 모델 레벨(904) 각각은 그 입력을 처리하여 전체 더 작은 결과나 출력을 다음의 상위 모델 레벨(904)에 제공할 수 있다. 그러나 다른 예의 다중 레벨 모델은 그렇게 제한되지 않으며, 이는 일부 실시예에서는 일부 모델 레벨(904)이 실제로 더 많은 SDR 표현과 같이 더 많은 데이터량을 상위의 모델 레벨(904)에 제공할 수 있기 때문이다. 일부 실시예에서, 모델 레벨(904)은, 사람의 대뇌 피질의 네오-피질 부분의 단일 층과 집합적으로 상관할 수 있다. 더욱 구체적으로, 일 예에서, 모델 레벨(904)은, 공통적으로 네오-피질의 "층 3" 뉴런으로 지칭되는 것을 나타낼 수 있다.
도 9의 예에서, 학습 모델(900)은, 앞서 설명한 바와 같이, 사용자 디바이스(104)로부터 수신된 통신 신호의 하나 이상의 특징의 샘플을 기초로 하여 인코딩된 샘플(902)을 (예컨대, 앞서 지시한 바와 같이, 값의 시퀀스로서) 수신할 수 있다. 일 예에서, 값 각각은 샘플링된 특징의 SDR일 수 있으며, 값 각각은 샘플링된 시퀀스로 학습 모델(900)에 제공될 수 있다. 학습 모델(900)의 결과적인 현재의 출력(910) 또는 상태는 그에 따라, 학습 모델(900)에 의해 용이하게 된 패턴 매칭 및/또는 값 예측을 기초로 사용자 디바이스(104)의 현재의 위치를 반영할 수 있다.
도 10은, 도 9의 학습 모델(900)의 모델 레벨(904)의 예시적인 개별 "셀"(1002)의 그래픽 표현이다. 특정한 학습 모델(900)에 따라, 셀(1002)은 단일 뉴런 또는 뉴런 그룹 또는 사람의 뇌의 일부분을 나타내거나 모방하는 일부 다른 구조를 나타낼 수 있다. 도시한 바와 같이, 셀(1002)의 다수의 층(1004)은 학습 모델(900)의 단일 모델 레벨(904)을 형성할 수 있지만, 다른 예는 그러나 단일 층(1004)을 포함할 수 있다. 각각의 셀(1002)은 인접한 셀(1002)과 그 층(1004) 및 인접 층(1004) 내에서 통신할 뿐만 아니라 하위 셀 층(1004)으로부터 데이터를 수신하여 처리하도록 구성될 수 있다. 도 9의 인트라-레벨 통신(906)과 레벨간 통신(908)뿐만 아니라 이 셀간 통신의 특정한 특징은, 값(902)의 시퀀스가 학습 모델(900)에 제공되어 이것에 의해 처리됨에 따라 시간에 걸쳐서 적응 또는 변화할 수 있다. 이들 타입의 통신의 그러한 특징은 예컨대 각각의 셀(1002) 또는 층(1004)이 통신하는 특정한 셀(1002) 및 층(1004), 이들 통신 각각에 적용되는 특정한 가중 또는 다른 처리 등을 포함할 수 있다.
또한, 일 실시예에서, 최하위 모델 레벨(904)의 최하위 층(1004)의 셀(1002)과 같은 셀(1002) 세트의 각 셀은, 입력으로서 학습 모델(900)에 제공된 인코딩된 샘플(902)의 SDR에 대응하도록 설정할 수 있다. 그러한 입력은, 학습 모델(900)의 적어도 일부 타입과 종종 관련되는 패턴 매칭, 샘플 예측 및 다른 기능을 용이하게 할 수 있다.
또 다른 예에서, 도 9 및 도 10에 관해 설명한 학습 모델(900)의 하나 이상의 특징을 보이지 않는 다른 기계-학습 또는 ANN 모델 또는 알고리즘을, 앞서 설명한 도 3의 학습 모델 모듈(208)의 추론/예측 엔진(310)에 의해 용이하게 된 것과 같은 학습 모델(320)로서 사용할 수 도 있다.
앞서 설명한 실시예 중 적어도 일부에서, 학습 모델은 사용자 디바이스에 의해 송신되고 무선 기준점에 의해 수신된 통신 신호의 하나 이상의 특징의 샘플을 처리하여 사용자 디바이스와 무선 기준점을 포함하는 근거리 영역 내에서 사용자 디바이스의 위치를 판정하거나 추정하는데 사용될 수 있다. 일부 예에서, 학습 모델은 통신 신호 특징의 샘플을 나타내는 값의 하나 이상의 시퀀스를 수신할 수 있고, 이들 값의 패턴을 인식할 수 있으며, 이들 인식한 패턴에 사용자 디바이스 위치의 추정의 근거를 둘 수 있다. 이러한 샘플 이력의 사용으로 인해 지문채취, 현장 조사 또는 위치측정 시스템의 기능적 동작 전 근거리 영역의 통신 특징을 특징화하도록 구체적으로 설계된 유사한 동작에 대한 필요없이 사용자 디바이스 위치를 판정할 수 있다. 또한, 학습 모델은 시퀀스의 미래의 값을 예측할 수 있고, 이들 예측 값을 사용하여, 신호 잡음, 일시적인 환경 변화, 존재하는 사람의 수의 증가나 감소 및 근거리 영역 환경에 대한 다른 변경의 존재 시에 사용자 디바이스에 대한 정확한 위치 정보를 제공할 수 있다. 학습 모델은 그에 따라 근거리 영역을 오프라인으로 재특징화하도록 정상 동작을 중지하지 않고도 실시간으로 근거리 영역의 그러한 변화에 적응할 수 있다.
도 11은, 예시적인 형태의 컴퓨터 시스템(1100)에서의 기계의 개략적 표현으로서, 이 시스템 내에서는, 기계가 본 명세서에서 논의한 방법론 중 임의의 하나 이상을 실행하게 하기 위해 명령의 세트가 수행될 수 있는, 기계의 개략적 표현을 도시한 도면이다. 대안적인 실시예에서, 기계는 독립형 디바이스로서 동작하거나 다른 기계에 연결(예컨대, 네트워크로 연결)될 수 있다. 네트워크 연결된 배치에서, 기계는, 서버-클라이언트 네트워크 환경에서 서버나 클라이언트 기계 성능으로 또는 피어-투-피어(또는 분포된) 네트워크 환경에서 피어 기계로서 동작할 수 있다. 기계는 개인용 컴퓨터, 태블릿 컴퓨터, 셋톱박스(STB), 개인 휴대 보조 단말(PDA), 셀룰러 전화기, 웹 기기, 네트워크 라우터, 스위치 또는 브릿지, 또는 이 기계가 취할 동작을 명시하는 (순차적인 또는 그 밖의 방식의) 명령 세트를 수행할 수 있는 임의의 기계일 수 있다. 또한, 단 하나의 기계를 예시하지만, 용어, "기계"는, 개별적으로 또는 함께 명령의 세트(또는 명령의 복수의 세트)를 수행하여 본 명세서에서 논의한 방법론 중 임의의 하나 이상을 실행하는 임의의 기계 집합을 포함하게 되어야 한다.
예시적인 컴퓨터 시스템(1100)은, 버스(1108)를 통해 서로와 통신하는 프로세서(1102)(예컨대, 중앙처리장치(CPU), 그래픽스 처리 유닛(GPU) 또는 둘 모두), 메인 메모리(1104) 및 정적 메모리(1106)를 포함한다. 컴퓨터 시스템(1100)은 비디오 디스플레이(1110)(예컨대, 액정 디스플레이(LCD) 또는 음극선관(CRT))를 더 포함할 수 있다. 컴퓨터 시스템(1100)은 또한 문숫자식 입력 디바이스(1112)(예컨대, 키보드), 사용자 인터페이스(UI) 탐색 디바이스(1114)(예컨대, 마우스), 디스크 드라이브(1116), 신호 생성 디바이스(1118)(예컨대, 스피커) 및 네트워크 인터페이스 디바이스(1120)를 포함한다.
디스크 드라이브(1116)는 기계로 판독 가능한 매체(1122)를 포함하며, 이 매체(1122) 상에는 본 명세서에서 설명한 의미론 또는 기능의 임의의 하나 이상을 구현하거나 그에 의해 활용되는 명령 및 데이터 구조의 하나 이상의 세트(예컨대, 명령(1124))가 저장된다. 명령(1124)은 또한, 컴퓨터 시스템(1100)에 의한 그 수행 동안 정적 메모리(11O) 내에, 메인 메모리(1104) 내에 및/또는 프로세서(1102) 내에, 완전히 또는 적어도 부분적으로 상주할 수 있으며, 메인 메모리(1104)와 프로세서(1102)는 또한 기계로 판독 가능한 매체를 구성한다.
명령(1124)은 또한, 다수의 잘 알려진 전송 프로토콜(예컨대, HyperText Transfer Protocol(HTTP)) 중 임의의 하나를 활용하는 네트워크 인터페이스 디바이스(1120)를 통해 컴퓨터 네트워크(1150)에 걸쳐서 송신되거나 수신될 수 있다.
기계로 판독 가능한 매체(1122)는 예시적인 실시예에서 단일 매체인 것으로 도시될지라도, 용어, "기계로 판독 가능한 매체"는, 명령(1124)의 하나 이상의 세트를 저장하는 단일 매체 또는 복수의 매체(예컨대, 중앙 집중된 또는 분포된 데이터베이스 및/또는 관련 캐시 및 서버)를 포함하게 되어야 한다. 용어, "기계로 판독 가능한 매체"는 또한, 기계에 의한 수행을 위해 명령의 세트를 저장할 수 있고, 인코딩할 수 있거나 운반할 수 있으며 기계가 본 발명의 요지인 의미론 중 임의의 하나 이상을 실행하게 하거나, 그러한 명령(1124) 세트에 의해 활용되거나 이와 관련되는 데이터 구조를 저장할 수 있고, 인코딩할 수 있거나 운반할 수 있는 임의의 매체를 포함하게 되어야 한다. 용어, "기계로 판독 가능한 매체"는 그에 따라 고체 상태 메모리, 및 광자기 매체를 포함하지만 이것으로 제한되지 않아야 한다.
본 명세서 전반에서, 다수의 경우는 단일 경우로서 설명된 구성요소, 동작 또는 구조를 구현할 수 있다. 하나 이상의 방법의 개별 동작이 별도의 동작으로 예시되고 설명될지라도, 개별 동작 중 하나 이상은 공존하여 시행될 수 있으며, 동작은 예시한 것과는 다른 순서로 실행될 수 있다. 예시적인 구성에서 별도의 구성요소로 표현된 구조와 기능은 결합된 구조나 구성요소로서 구현될 수 있다. 유사하게, 단일 구성요소로서 표현된 구조와 기능은 별도의 구성요소로서 구현될 수 있다. 이들 및 다른 변형, 변경, 추가 및 개선은 본 명세서의 요지의 범위 내에 속한다.
특정한 실시예는 로직 또는 다수의 구성요소, 모듈 또는 메커니즘을 포함하는 것으로서 본 명세서에서 설명된다. 모듈은 소프트웨어 모듈(예컨대, 기계로 판독 가능한 매체 상에 또는 송신 신호로 구현되는 코드) 또는 하드웨어 모듈 중 어느 하나를 구성할 수 있다. "하드웨어 모듈"은 특정한 동작을 실행할 수 있는 유형의 유닛이며 특정한 물리적인 방식으로 구성 또는 배치될 수 있다. 여러 예시적인 실시예에서, 하나 이상의 컴퓨터 시스템(예컨대, 독립형 컴퓨터 시스템, 클라이언트 컴퓨터 시스템, 또는 서버 컴퓨터 시스템) 또는 컴퓨터 시스템의 하나 이상의 하드웨어 모듈(예컨대, 프로세서나 프로세서 그룹)이, 본 명세서에서 설명된 특정한 동작을 실행하도록 동작하는 하드웨어 모듈로서 소프트웨어(예컨대, 애플리케이션 또는 애플리케이션 부분)에 의해 구성될 수 있다.
일부 실시예에서, 하드웨어 모듈은 기계적으로, 전자적으로, 또는 그 임의의 적절한 조합으로 구현될 수 있다. 예컨대, 하드웨어 모듈은, 특정한 동작을 실행하도록 영구적으로 구성되는 전용 회로나 로직을 포함할 수 있다. 예컨대, 하드웨어 모듈은 전계 프로그램 가능한 게이트 어레이(FPGA) 또는 주문형 집적회로(ASIC)와 같은 전용 프로세서일 수 있다. 하드웨어 모듈은 또한, 소프트웨어가 특정한 동작을 실행하도록 일시적으로 구성되는 프로그램 가능한 로직이나 회로를 포함할 수 있다. 예컨대, 하드웨어 모듈은 범용 프로세서나 다른 프로그램 가능한 프로세서 내에 포함되는 소프트웨어를 포함할 수 있다. 전용의 및 영구적으로 구성된 회로에서나 일시적으로 구성된 회로(예컨대, 소프트웨어에 의해 구성됨)에서 기계적으로 하드웨어 모듈을 구현한다는 결정은 비용과 시간을 고려하여 추진될 수 있음을 이해해야 할 것이다.
그에 따라, 용어, "하드웨어 모듈"은, 특정한 방식으로 동작하거나 본 명세서에서 설명한 특정한 동작을 실행하도록 물리적으로 구성되고, 영구적으로 구성된(예컨대, 배선된) 또는 시간적으로 구성된(예컨대, 프로그램된) 개체인 유형의 개체를 포함한다고 이해되어야 한다. 본 명세서에서 사용된 바와 같이, "하드웨어-구현된 모듈"은 하드웨어 모듈을 지칭한다. 하드웨어 모듈이 일시적으로 구성된(예컨대, 프로그램된) 실시예를 고려하면, 하드웨어 모듈 각각은 시간 상의 임의의 한 순간에 구성되거나 예시될 필요는 없다. 예컨대, 하드웨어 모듈이 소프트웨어에 의해 전용 프로세서가 되도록 구성된 범용 프로세서를 포함하는 경우, 범용 프로세서는 상이한 시간에 각각 상이한 하드웨어 모듈로서 구성될 수 있다. 소프트웨어는 그에 따라 예컨대 시간의 한 순간에 특정한 하드웨어 모듈을 구성하도록 그리고 시간의 상이한 순간에 상이한 하드웨어 모듈을 구성하도록 프로세서를 구성할 수 있다.
하드웨어 모듈은 정보를 다른 하드웨어 모듈에 제공할 수 있으며, 다른 하드웨어 모듈로부터 정보를 수신할 수 있다. 그에 따라, 전용 하드웨어 모듈은 통신 가능하게 결합되는 것으로 간주될 수 있다. 복수의 하드웨어 모듈이 동시에 존재하는 경우, 통신은 하드웨어 모듈 중 둘 이상 사이에서 (예컨대, 적절한 회로와 버스에 걸쳐) 신호 송신을 통해 달성될 수 있다. 복수의 하드웨어 모듈이 상이한 시간에 구성되거나 예시되는 실시예에서, 그러한 하드웨어 모듈 사이의 통신은 예컨대 복수의 하드웨어 모듈이 액세스한 메모리 구조에서 정보의 저장과 회수를 통해 달성될 수 있다. 예컨대, 하나의 하드웨어 모듈은 동작을 실행하고, 통신 가능하게 결합되는 메모리 디바이스에서 이 동작의 출력을 저장할 수 있다. 추가 하드웨어 모듈은 그 후 추후에 메모리 디바이스에 액세스할 수 있어서 저장된 출력을 회수하고 처리할 수 있다. 하드웨어 모듈은 또한 입력 또는 출력 디바이스와의 통신을 개시할 수 있으며, 자원(예컨대, 정보 수집)에 관해 동작할 수 있다.
본 명세서에서 설명한 예시적인 방법의 여러 동작은, 관련 동작을 실행하도록 (예컨대, 소프트웨어에 의해) 일시적으로 구성되거나 영구적으로 구성된 하나 이상의 프로세서에 의해 적어도 부분적으로 실행될 수 있다. 일시적으로 또는 영구적으로 구성되는지 간에, 그러한 프로세서는, 본 명세서에서 설명한 하나 이상의 동작 또는 기능을 실행하도록 구성되는 프로세서-구현된 모듈을 구성할 수 있다. 본 명세서에서 사용된 바와 같이, "프로세서로 구현되는 모듈"은 하나 이상의 프로세서를 사용하여 구현된 하드웨어 모듈을 지칭한다.
유사하게, 본 명세서에서 설명한 방법은 적어도 부분적으로 프로세서로 구현될 수 있으며, 프로세서는 하드웨어의 예이다. 예컨대, 방법의 동작 중 적어도 일부는 하나 이상의 프로세서 또는 프로세서로 구현된 모듈에 의해 실행될 수 있다. 게다가, 하나 이상의 프로세서는 "클라우드 컴퓨팅" 환경에서나 "소프트웨어 애즈어 시스템"(SaaS)으로서 관련 동작의 실행을 지원하도록 동작할 수 있다. 예컨대, 동작 중 적어도 일부는 (프로세서를 포함하는 기계의 예로서) 컴퓨터의 그룹에 의해 실행될 수 있으며, 이들 동작은 네트워크(예컨대, 인터넷)를 통해서 그리고 하나 이상의 적절한 인터페이스(예컨대, 응용 프로그램 인터페이스(API))를 통해 액세스될 수 있다.
특정 동작의 실행은 단일 기계 내에 상주할 뿐만 아니라 다수의 기계에 걸쳐서 배치된 하나 이상의 프로세서 사이에서 분포될 수 있다. 일부 예시적인 실시예에서, 하나 이상의 프로세서나 프로세서로 구현되는 모듈은 (예컨대, 가정 환경, 사무실 환경 또는 서버 팜 내에서와 같은) 단일 지리적 위치에 위치할 수 있다. 다른 예시적인 실시예에서, 하나 이상의 프로세서 또는 프로세서로 구현된 모듈은 다수의 지리적 위치에 걸쳐서 분포할 수 있다.
본 명세서의 일부 부분은 기계 메모리(예컨대, 컴퓨터 메모리) 내에서 비트 또는 이진 디지털 신호로서 저장되는 데이터에 관한 동작의 알고리즘 또는 부호 표현 면에서 나타낸다. 이들 알고리즘 또는 부호 표현은 데이터 처리의 당업자가 다른 분야의 당업자에게 자신들의 작업의 내용을 전달하는데 사용한 기술의 예이다. 본 명세서에서 사용된 바와 같이, "알고리즘"은 원하는 결과에 이르는 동작 또는 유사한 처리의 자기-부합적 시퀀스이다. 이러한 환경에서, 알고리즘 및 동작은 물리적인 양의 물리적인 조작을 수반한다. 통상, 그러나 반드시는 아니지만, 그러한 양은 기계에 의해 저장될 수 있고, 액세스될 수 있고, 전송될 수 있고, 결합될 수 있고, 비교될 수 있거나, 그 밖에 조작될 수 있는 전기, 자기 또는 광학 신호의 형태를 가질 수 있다. "데이터", "콘텐트", "비트", "값", "요소", "부호", "특징", "용어", "개수/번호", "숫자" 등과 같은 단어를 사용하여 그러한 신호를 지칭하는 것이 주로 공통 사용을 이유로 종종 편리하다. 이들 단어는 그러나 단지 편리한 표시이며, 적절한 물리적 양과 관련될 것이다.
그 밖에 구체적으로 언급하지 않는다면, "처리하다", "컴퓨팅하다", "계산하다", "판정하다", "제시하다", "디스플레이하다" 등과 같은 단어를 사용한 본 명세서에서의 논의는, 하나 이상의 메모리(예컨대, 휘발성 메모리, 비휘발성 메모리, 또는 임의의 적절한 그 조합), 레지스터 또는 정보를 수신, 저장, 송신 또는 디스플레이하는 다른 기계 구성요소 내에서의 물리적인(예컨대, 전자적, 자기적, 또는 광학적) 양으로 나타내는 데이터를 조작하거나 변화하는 기계의 동작이나 처리를 지칭할 수 있다. 더 나아가, 그 밖에 구체적으로 언급하지 않는다면, "단수" 형태의 용어는 본 명세서에서 특허 문헌에서 공통된 바와 같이 하나 이상의 경우를 포함하는데 사용된다. 끝으로, 본 명세서에서 사용된 바와 같이, 접속사, "또는"은 그 밖에 구체적으로 언급되지 않는다면 비배타적 "또는"을 지칭한다.
요약서가 독자가 기술적 개시의 속성을 신속하게 확인하게 하도록 제공된다. 요약서는 청구범위의 범위나 의미를 해석하거나 제한하는데 사용되지 않는다는 이해에 따라 제출된다. 게다가, 앞선 상세한 설명에서, 여러 특성이 본 개시를 간소화하기 위해 단일 실시예에서 함께 무리지어짐을 알 수 있다. 본 개시의 이 방법은, 청구한 실시예가 각 청구항에 명시적으로 언급한 더 많은 특성을 포함한다는 의도를 반영하는 것으로 해석되지는 않는다. 오히려, 다음의 청구항이 반영하는 바와 같이, 본 발명의 요지는 단일의 개시된 실시예의 모든 특성보다는 작은 특성에 있다. 그에 따라, 다음의 청구범위는 여기서 상세한 설명에 병합되며, 각 청구항은 그 자체로도 별도의 실시예로서 존재한다.
본 개시의 실시예는 특정한 예시적 실시예를 참조하여 설명하였을지라도, 이들 실시예의 더 넓은 범위에서 벗어나지 않고 이들 실시예에 대해 여러 변경과 변화가 있을 수 있음이 분명할 것이다. 그에 따라, 명세서 및 도면은 제한적인 의미보다는 예시적인 의미로 간주될 것이다. 그 일부를 이루는 수반하는 도면은 요지가 실행될 수 있는 특정한 실시예를 예시를 들어서 제한 없이 도시한다. 예시한 실시예는 당업자가 본 명세서에서 개시한 교훈을 실행할 수 있게 하기에 충분히 상세하게 설명된다. 다른 실시예는 이로부터 활용되거나 유도될 수 있어서, 구조적 및 논리적 대체와 변화는 본 개시의 범위에서 벗어나지 않고 이뤄질 수 있다. 본 상세한 설명은 그러므로 제한적인 의미로 이뤄지지 않으며, 여러 실시예의 범위는, 그러한 청구항이 갖는 등가의 전체 범위와 함께 수반하는 청구항에 의해서만 한정된다.
본 발명의 요지의 그러한 실시예는 오직 편의상 그리고 본 출원의 범위를 하나 보다 많은 것이 실제로 개시된다면 임의의 단일의 본 발명의 개념으로 자발적으로 제한하고자 하지 않고 용어, "발명"에 의해 본 명세서에서 개별적으로 및/또는 집합적으로 지칭할 수 있다. 그에 따라, 특정한 실시예는 본 명세서에서 예시하고 설명하였을지라도, 동일한 목적을 달성하도록 계산된 임의의 배치로 도시한 특정한 실시예를 대체할 수 있음을 이해해야 한다. 본 개시는 여러 실시예의 임의의 및 모든 적응 또는 변경을 포함하고자 한다. 상기 실시예와, 본 명세서에서 구체적으로 설명하지 않은 다른 실시예의 조합은 상기 상세한 설명을 읽으면 당업자에게 자명하게 될 것이다.

Claims (20)

  1. 디바이스의 위치 측정 방법으로서,
    시간 기간 동안, 무선 기준점에 의해, 상기 디바이스로부터 통신 신호를 수신하는 단계;
    상기 시간 기간 동안 상기 무선 기준점에 의해 수신됨에 따라, 상기 통신 신호로부터 값의 시퀀스를 생성하는 단계;
    상기 값의 시퀀스의 현재의 값에 대한 상기 값의 시퀀스의 적어도 하나의 예측된 미래 값 및 상기 값의 시퀀스의 지난 값을 기초로 하여 출력을 생성하도록 구성되는 학습 모델에 상기 값의 시퀀스를 공급하는 단계; 및
    상기 시간 기간 동안, 적어도 하나의 하드웨어 프로세서를 사용하여, 상기 학습 모델의 출력을 기초로 하여 상기 디바이스의 현재의 위치를 추정하는 단계를 포함하는, 디바이스 위치 측정 방법.
  2. 청구항 1에 있어서, 상기 값의 시퀀스는, 상기 무선 기준점에 의해 수신됨에 따라 상기 통신 신호의 수신된 신호 세기 지시자 값을 기초로 하는, 디바이스 위치 측정 방법.
  3. 청구항 1에 있어서, 상기 값의 시퀀스는, 상기 무선 기준점에 의해 수신됨에 따라 상기 통신 신호의 링크 품질과 채널 품질 중 적어도 하나를 기초로 하는, 디바이스 위치 측정 방법.
  4. 청구항 1에 있어서, 상기 무선 기준점에 의해, 상기 디바이스에 대한 식별자를 수신하는 단계;
    상기 디바이스에 대한 디바이스-특정 모델이 존재하는지를 판정하는 단계; 및
    상기 디바이스에 대한 디바이스-특정 모델이 존재하지 않음에 기초하여, 상기 디바이스에 대한 디바이스-특정 모델을 생성하는 단계를 더 포함하며, 상기 학습 모델은 상기 디바이스-특정 모델을 포함하는, 디바이스 위치 측정 방법.
  5. 청구항 4에 있어서, 상기 디바이스에 대한 식별자는 상기 디바이스의 매체 액세스 제어 어드레스를 포함하는, 디바이스 위치 측정 방법.
  6. 청구항 1에 있어서, 상기 값의 시퀀스를 생성하는 단계는:
    상기 시간 기간 동안, 상기 디바이스로부터의 상기 통신 신호의 특징을 주기적으로 샘플링하여 샘플 시퀀스를 발생시키는 단계; 및
    상기 샘플 시퀀스를 인코딩하여 상기 값의 시퀀스를 생성하는 단계를 포함하는, 디바이스 위치 측정 방법.
  7. 청구항 6에 있어서, 상기 값의 시퀀스를 생성하는 단계는:
    상기 샘플 시퀀스를 상기 샘플 각각의 크기에 따라 다수의 간격으로 정렬하는 단계를 더 포함하며;
    상기 샘플 시퀀스를 인코딩하여 상기 값의 시퀀스를 생성하는 단계는 정렬된 상기 샘플 시퀀스를 기초로 하는, 디바이스 위치 측정 방법.
  8. 청구항 6에 있어서, 상기 값의 시퀀스는 상기 샘플 시퀀스의 희박 분포 표현(sparse distributed representations)을 포함하는, 디바이스 위치 측정 방법.
  9. 청구항 1에 있어서, 상기 학습 모델은 기계 학습 모델을 포함하는, 디바이스 위치 측정 방법.
  10. 청구항 1에 있어서, 상기 값의 시퀀스의 적어도 하나의 예측된 미래 값은 상기 값의 시퀀스의 현재의 값의 미리 결정된 수 앞의 값에서의 상기 값의 시퀀스의 미래 값을 포함하는, 디바이스 위치 측정 방법.
  11. 청구항 1에 있어서, 상기 학습 모델은, 이전의 장소 조사 동작 없이 상기 값의 시퀀스의 지난 값을 기초로 상기 출력을 생성하도록 구성되는, 디바이스 위치 측정 방법.
  12. 청구항 1에 있어서, 상기 무선 기준점은 제1 무선 기준점을 포함하고, 상기 값의 시퀀스는 제1 값의 시퀀스를 포함하고, 상기 학습 모델은 상기 제1 무선 기준점에 대응하는 제1 학습 모델을 포함하며;
    상기 방법은
    상기 시간 기간 동안, 적어도 제2 무선 기준점에 의해, 상기 디바이스로부터 상기 통신 신호를 수신하는 단계;
    상기 시간 기간 동안 상기 적어도 제2 무선 기준점에 의해 수신됨에 따라, 상기 통신 신호로부터 적어도 제2 값의 시퀀스를 생성하는 단계; 및
    상기 적어도 제2 무선 기준점에 대응하며, 상기 적어도 제2 값의 시퀀스의 지난 값과, 상기 적어도 제2 값의 시퀀스의 적어도 하나의 예측된 미래 값을 기초로 하여 적어도 제2 출력을 생성하도록 구성되는 적어도 제2 학습 모델에 상기 적어도 제2 값의 시퀀스를 공급하는 단계를 더 포함하고;
    상기 디바이스의 현재의 위치를 추정하는 단계는 제1 학습 모델의 출력과, 적어도 제2 학습 모델의 적어도 제2 출력을 기초로 하는, 디바이스 위치 측정 방법.
  13. 청구항 12에 있어서, 상기 디바이스의 현재의 위치를 추정하는 단계는, 상기 제1 학습 모델의 출력과, 상기 적어도 제2 학습 모델의 적어도 제2 출력을 기초로 상기 디바이스의 현재의 위치를 삼각 측량하는 단계를 포함하는, 디바이스 위치 측정 방법.
  14. 청구항 12에 있어서, 상기 디바이스의 현재의 위치를 추정하는 단계는, 상기 제1 학습 모델과 상기 적어도 제2 학습 모델을 포함하는 제3 학습 모델의 출력을 기초로 하는, 디바이스 위치 측정 방법.
  15. 기계의 적어도 하나의 하드웨어 프로세서에 의해 수행될 때, 상기 기계가:
    시간 기간 동안, 무선 기준점에 의해, 디바이스로부터 통신 신호를 수신하는 동작;
    상기 시간 기간 동안 상기 무선 기준점에 의해 수신됨에 따라, 상기 통신 신호로부터 값의 시퀀스를 생성하는 동작;
    상기 값의 시퀀스의 지난 값과, 상기 값의 시퀀스의 적어도 하나의 예측된 미래 값을 기초로 하여 출력을 생성하도록 구성되는 학습 모델에 상기 값의 시퀀스를 공급하는 동작; 및
    상기 시간 기간 동안, 상기 학습 모델의 출력을 기초로 하여 상기 디바이스의 현재의 위치를 추정하는 동작을 실행하게 하는 명령을 포함하는, 비일시적이며 컴퓨터로 판독 가능한 저장 매체.
  16. 청구항 15에 있어서, 상기 동작은:
    상기 무선 기준점에 의해, 상기 디바이스에 대한 식별자를 수신하는 동작;
    상기 디바이스에 대한 디바이스-특정 모델이 존재하는지를 판정하는 동작; 및
    상기 디바이스에 대한 디바이스-특정 모델이 존재하지 않음에 기초하여, 상기 디바이스에 대한 디바이스-특정 모델을 생성하는 동작을 더 포함하며, 상기 학습 모델은 상기 디바이스-특정 모델을 포함하는, 비일시적이며 컴퓨터로 판독 가능한 저장 매체.
  17. 시스템으로서,
    적어도 하나의 하드웨어 프로세서; 및
    메모리로서, 상기 적어도 하나의 하드웨어 프로세서에 의해 수행될 때, 상기 시스템이
    시간 기간 동안, 무선 기준점에 의해, 디바이스로부터 통신 신호를 수신하는 동작;
    상기 시간 기간 동안 상기 무선 기준점에 의해 수신됨에 따라, 상기 통신 신호로부터 값의 시퀀스를 생성하는 동작;
    상기 값의 시퀀스의 지난 값과, 상기 값의 시퀀스의 적어도 하나의 예측된 미래 값을 기초로 하여 출력을 생성하도록 구성되는 학습 모델에 상기 값의 시퀀스를 공급하는 동작; 및
    상기 시간 기간 동안, 상기 학습 모델의 출력을 기초로 하여 상기 디바이스의 현재의 위치를 추정하는 동작을 실행하게 하는 명령을 포함하는 상기 메모리를 포함하는, 시스템.
  18. 청구항 17에 있어서, 상기 동작은:
    상기 무선 기준점에 의해, 상기 디바이스에 대한 식별자를 수신하는 동작;
    상기 디바이스에 대한 디바이스-특정 모델이 존재하는지를 판정하는 동작; 및
    상기 디바이스에 대한 디바이스-특정 모델이 존재하지 않음에 기초하여, 상기 디바이스에 대한 디바이스-특정 모델을 생성하는 동작을 더 포함하며, 상기 학습 모델은 상기 디바이스-특정 모델을 포함하는, 시스템.
  19. 청구항 17에 있어서, 상기 값의 시퀀스를 생성하는 동작은:
    상기 시간 기간 동안, 상기 디바이스로부터의 상기 통신 신호의 특징을 주기적으로 샘플링하여 샘플 시퀀스를 발생시키는 동작; 및
    상기 샘플 시퀀스를 인코딩하여 상기 값의 시퀀스를 생성하는 동작을 포함하는, 시스템.
  20. 청구항 19에 있어서, 상기 값의 시퀀스를 생성하는 동작은:
    상기 샘플 시퀀스를 상기 샘플 각각의 크기에 따라 다수의 간격으로 정렬하는 동작을 더 포함하며;
    상기 샘플 시퀀스를 인코딩하여 상기 값의 시퀀스를 생성하는 동작은 정렬된 상기 샘플 시퀀스를 기초로 하는, 방법.
KR1020177000731A 2014-06-20 2015-06-15 학습 모델에 기초한 디바이스의 위치 측정 KR20170018902A (ko)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US14/311,077 US9681270B2 (en) 2014-06-20 2014-06-20 Device localization based on a learning model
US14/311,077 2014-06-20
PCT/US2015/035882 WO2015195579A1 (en) 2014-06-20 2015-06-15 Device localization based on a learning model

Publications (1)

Publication Number Publication Date
KR20170018902A true KR20170018902A (ko) 2017-02-20

Family

ID=54869972

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020177000731A KR20170018902A (ko) 2014-06-20 2015-06-15 학습 모델에 기초한 디바이스의 위치 측정

Country Status (10)

Country Link
US (2) US9681270B2 (ko)
EP (1) EP3180949A4 (ko)
JP (1) JP2017524914A (ko)
KR (1) KR20170018902A (ko)
CN (1) CN106471851B (ko)
AU (1) AU2015277418B2 (ko)
CA (1) CA2952453A1 (ko)
MX (1) MX359535B (ko)
SG (1) SG11201609956WA (ko)
WO (1) WO2015195579A1 (ko)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20180125858A (ko) * 2017-05-16 2018-11-26 삼성전자주식회사 차량의 동작을 제어하는 전자 장치 및 방법
KR20190053470A (ko) * 2017-11-10 2019-05-20 주식회사 셀리지온 딥러닝 기반 측위 시스템 및 이의 구축 방법
KR20200095137A (ko) * 2019-01-31 2020-08-10 경북대학교 산학협력단 심층 학습을 이용한 무선 통신 환경 적응 방법 및 장치, 그 방법을 수행하기 위한 기록 매체

Families Citing this family (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9681270B2 (en) * 2014-06-20 2017-06-13 Opentv, Inc. Device localization based on a learning model
US9659474B1 (en) * 2014-12-30 2017-05-23 Symantec Corporation Automatically learning signal strengths at places of interest for wireless signal strength based physical intruder detection
KR102372214B1 (ko) * 2015-01-19 2022-03-14 삼성전자주식회사 영상 처리 장치, 의료영상 장치 및 영상 처리 방법
CN105676178B (zh) * 2016-01-13 2019-05-24 南京邮电大学 基于压缩感知和bp神经网络的无线传感器网络定位方法
WO2018204672A1 (en) * 2017-05-03 2018-11-08 Oshea Timothy James Learning radio signals using radio signal transformers
US11058948B1 (en) * 2017-08-18 2021-07-13 Amazon Technologies, Inc. Predictive modeling for multiplayer gaming
WO2019122984A1 (en) * 2017-12-22 2019-06-27 Telefonaktiebolaget Lm Ericsson (Publ) System and method to verify a response signature from a wireless communication device
JP6648352B2 (ja) * 2017-12-26 2020-02-14 株式会社エイシング 汎用学習済モデルの生成方法
CN110119808A (zh) * 2018-02-06 2019-08-13 华为技术有限公司 一种基于机器学习的数据处理方法以及相关设备
KR20190132883A (ko) * 2018-05-21 2019-11-29 삼성전자주식회사 객체 위치 추정 방법 및 이를 위한 장치
WO2021061176A1 (en) * 2019-09-27 2021-04-01 Nokia Technologies Oy Method, apparatus and computer program for user equipment localization
JP2021140303A (ja) * 2020-03-03 2021-09-16 トヨタ自動車株式会社 学習方法、学習システム及び学習プログラム
US20210282033A1 (en) * 2020-03-09 2021-09-09 Psj International Ltd. Positioning system for integrating machine learning positioning models and positioning method for the same
CN113328815B (zh) * 2021-07-05 2022-09-09 重庆理工大学 一种消除映射误差的无线链路质量敏捷预测方法
WO2024072613A1 (en) * 2022-09-30 2024-04-04 Tile, Inc. Power-efficient tracking using machine-learned patterns and routines

Family Cites Families (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US3881097A (en) 1973-05-14 1975-04-29 Weston Instruments Inc Fully digital spectrum analyzer using time compression and discrete fourier transform techniques
JP3165391B2 (ja) * 1996-03-22 2001-05-14 松下電器産業株式会社 移動体無線通信システムとその移動局の位置検出方法
US9134398B2 (en) 1996-09-09 2015-09-15 Tracbeam Llc Wireless location using network centric location estimators
JP4093792B2 (ja) * 2002-04-18 2008-06-04 富士通株式会社 移動無線局の位置を決定する測位システム、プログラムおよび位置決定方法
US8270994B2 (en) 2002-07-10 2012-09-18 Ekahau, Oy Applications of signal quality observations
US8179870B2 (en) * 2004-09-29 2012-05-15 Intel Corporation Method and apparatus for securing devices in a network
US7424321B2 (en) 2005-05-24 2008-09-09 Cardiac Pacemakers, Inc. Systems and methods for multi-axis cardiac vibration measurements
US7853269B2 (en) * 2007-05-16 2010-12-14 Computer Associates Think, Inc. System and method for providing wireless network services using three-dimensional access zones
US8494798B2 (en) 2008-09-02 2013-07-23 Mks Instruments, Inc. Automated model building and batch model building for a manufacturing process, process monitoring, and fault detection
US20100135178A1 (en) 2008-11-21 2010-06-03 Qualcomm Incorporated Wireless position determination using adjusted round trip time measurements
JP4774106B2 (ja) * 2009-01-13 2011-09-14 株式会社エヌ・ティ・ティ・ドコモ 電界強度を推定する装置及び方法
US8645291B2 (en) * 2011-08-25 2014-02-04 Numenta, Inc. Encoding of data for processing in a spatial and temporal memory system
US8831568B2 (en) * 2011-09-27 2014-09-09 Qualcomm Incorporated Automatic configuration of a wireless device
US9299027B2 (en) * 2012-05-07 2016-03-29 Runaway 20, Inc. System and method for providing intelligent location information
WO2014056183A1 (en) * 2012-10-12 2014-04-17 Intel Corporation Location estimation based on adjusted distance values for a wireless device
US9552550B2 (en) * 2014-05-13 2017-01-24 Cisco Technology, Inc. Traffic shaping based on predicted network resources
US9681270B2 (en) 2014-06-20 2017-06-13 Opentv, Inc. Device localization based on a learning model

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20180125858A (ko) * 2017-05-16 2018-11-26 삼성전자주식회사 차량의 동작을 제어하는 전자 장치 및 방법
KR20190053470A (ko) * 2017-11-10 2019-05-20 주식회사 셀리지온 딥러닝 기반 측위 시스템 및 이의 구축 방법
KR20200095137A (ko) * 2019-01-31 2020-08-10 경북대학교 산학협력단 심층 학습을 이용한 무선 통신 환경 적응 방법 및 장치, 그 방법을 수행하기 위한 기록 매체

Also Published As

Publication number Publication date
US20150371139A1 (en) 2015-12-24
CA2952453A1 (en) 2015-12-23
SG11201609956WA (en) 2017-01-27
JP2017524914A (ja) 2017-08-31
EP3180949A4 (en) 2018-03-07
CN106471851A (zh) 2017-03-01
AU2015277418A1 (en) 2017-02-02
CN113038386A (zh) 2021-06-25
BR112016028415A2 (pt) 2017-08-22
MX359535B (es) 2018-10-01
US9681270B2 (en) 2017-06-13
CN106471851B (zh) 2021-03-26
EP3180949A1 (en) 2017-06-21
WO2015195579A1 (en) 2015-12-23
US20170280299A1 (en) 2017-09-28
MX2016016740A (es) 2017-03-23
AU2015277418B2 (en) 2019-07-11

Similar Documents

Publication Publication Date Title
KR20170018902A (ko) 학습 모델에 기초한 디바이스의 위치 측정
Li et al. Performance-based evaluation of RFID-based indoor location sensing solutions for the built environment
TWI587717B (zh) 用於適應性多重特徵語意位置感測之系統及方法
EP3644581B1 (en) Edge-cloud collaboration system for analyzing internet of things data and operating method thereof
CN109155012A (zh) 评估机器学习模型的准确度
KR20150124396A (ko) 크라우드소싱을 이용한 위치 결정, 매핑 및 데이터 관리 시스템 및 방법
CN106055607B (zh) 用户到访预测模型建立、用户到访预测方法和装置
CN111935820B (zh) 基于无线网络的定位实现方法及相关设备
US20170265042A1 (en) Methods and apparatuses for indoor positioning
WO2017172134A1 (en) Sensor data search platform
Hossain et al. Accuracy enhancement of fingerprint indoor positioning system
KR101621839B1 (ko) 이동 패턴 데이터베이스를 이용한 측위 방법 및 시스템
JP2011203000A (ja) 位置推定システム、位置推定装置及び位置推定プログラム
Xu et al. Variance-based fingerprint distance adjustment algorithm for indoor localization
Jiang et al. Real‐Time and Accurate Indoor Localization with Fusion Model of Wi‐Fi Fingerprint and Motion Particle Filter
CN113038386B (zh) 基于学习模型的设备定位
US11218839B1 (en) Method and system for zone-based localization of mobile devices
US11386777B2 (en) Obstacle localization based on probabilistic consensus
JP6246747B2 (ja) 測定装置及び測定方法
Konstantinidis et al. Radio map prefetching for indoor navigation in intermittently connected wi-fi networks
JPWO2019216046A1 (ja) 情報処理装置
CN110636525A (zh) 适用于5g网络的基于信誉度感知的数据传输控制方法
EP4306985A1 (en) Machine learning fingerprint-based indoor localization
Shchekotov et al. The ontology driven indoor positioning system based on BLE beacon localization
BR112016028415B1 (pt) Método, meio de armazenamento não transitório legível por computador e sistema para localizar um dispositivo com base em um modelo de aprendizagem

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E601 Decision to refuse application