KR20180053433A - 부분적인 데이터를 이용한 규칙 기반 지도 완성 - Google Patents

Abstract

규칙 세트는 부분적인 지도 데이터에서 건물의 실내 지도를 생성하는 데 사용된다. 일 실시예에서, 부분적인 지도 데이터는 크라우드 소싱된 궤적 데이터에 적어도 부분적으로 기초한다. 일 실시예에서, 확률론적 규칙 세트는 실내 건물의 공간 사용에 있어서 관계를 기술한다. 가설 테스팅이 수행된다. 가장 가능성 있는 완전한 레이아웃은 부분적인 커버리지 데이터와 규칙 세트에 기초하여 결정되며, 이는 부분적인 지도 데이터를 보존한다.

Description

부분적인 데이터를 이용한 규칙 기반 지도 완성

예시적인 실시예의 형태(aspects)는 부분적인 지도 데이터로부터 건물 또는 다른 지리적 위치의 레이아웃의 지도를 생성하는 것에 관한 것이다.

다양한 상황에서, 지리적 위치 내의 완전한(complete) 위치들의 레이아웃을 정의하는 지도를 작성하고자 하는 요구가 있다. 이러한 애플리케이션 중 하나는 건물 내에서 실내 레이아웃을 결정하는 것이다. 일 예로서, 쇼핑몰 내의 상점들의 완전한 레이아웃을 생성하는 것이 바람직할 수 있다. 또 다른 예로서, 병원 내의 방의 레이아웃을 생성하는 것이 바람직할 수 있다. 또 다른 예로서, 대학 캠퍼스의 완전한 레이아웃을 생성하는 것이 바람직할 수 있다. 또 다른 예로서, 개별 매장 내 통로 레이아웃을 생성하는 것이 바람직할 수 있다.

그러나 실내 장소의 지도를 만드는 것은 어려운 문제이다. 종래 이 문제는 각각의 새로운 장소에 대한 지도를 생성할 때 수작업으로 많은 노력을 기울여 매우 무차별적으로 해결되었다. 크라우드 소싱된 데이터를 사용하면 이 문제를 해결할 수 있다. 크라우드 소싱 방식에서는 지도를 생성하기 위하여 상이한 많은 사용자로부터 데이터를 수집한 다음 결합한다. 예를 들어, 지리적 위치를 이동함에 따라 모바일 디바이스의 개별 사용자는 자신들의 모바일 디바이스로부터의 데이터를 제공할 수 있고, 제공된 데이터는 이후 통합된다(aggregated). 하지만, 크라우드 소싱은 잠재적인 커버리지(coverage) 문제가 있다. 크라우드 소싱된 데이터는 상시 인파(foot traffic) 면에서 상이한 영역들의의 인기를 반영하는 경향이 있다. 결과적으로, 덜 인기 있는 장소는 크라우드 소싱된 데이터를 사용할 수 있게 되기까지 지나치게 오랜 시간이 걸릴 수 있다.

예시적인 실시예의 한 형태에 따르면, 건물 내의 영역들의 배치 레이아웃을 나타내는 지도를 생성하는 방법이 제공되는데, 상기 방법은 관심 영역의 레이아웃의 부분적으로 완전한 지도를 획득하고 상기 건물의 레이아웃의 적어도 일부 알려지지 않은 부분을 포함하는 지도를 생성하는 것을 포함하며, 상기 지도는 규칙 세트 및 상기 부분적으로 완전한 지도를 사용하는 것에 기초하고, 상기 지도는 상기 부분적으로 완전한 지도의 레이아웃 정보를 보존하는 것을 특징으로 한다.

도 1은 일 실시예에 따라 부분적인 지도를 완성하기 위해 규칙 세트를 사용하는 방법을 도시한다.
도 2는 일 실시예에 따른 비용 함수를 사용하여 부분적인 지도를 완성하기 위해 규칙 및 세트를 이용하는 방법을 도시한다.
도 3a는 쇼핑몰(mall) 지도의 일 예를 도시한다.
도 3b는 일 실시예에 따른 쇼핑몰에서의 기하학적 제약을 기술하는 규칙의 예를 도시한다.
도 3c는 일 실시예에 따른 쇼핑몰에 대한 추가 규칙의 예를 도시한다.
도 3d는 일 실시예에 따라 쇼핑몰의 가장 가능성 있는 레이아웃을 결정하는 방법의 예를 도시한다.
도 4a는 병원 지도의 예를 도시한다.
도 4b는 일 실시예에 따른 쇼핑몰에 대한 규칙 세트의 예를 도시한다.
도 5a는 일 실시예에 따른 스코어링 기술에 기초하여 방 레이아웃을 결정하기 위한 가설 테스팅의 예를 도시한다.
도 5b는 도 5a의 예에 따라 설정된 방 규칙의 예를 도시한다.
도 6은 일 실시예에 따라 부분적인 지도에서의 점진적인 업데이트(incremental update)가 어떻게 완전한 지도로의변경을 생성하는 지를 도시한다.
도 7은 일 실시예에 따라 도 6의 지도의 상이한 영역에 대한 신뢰가 점진적인 업데이트로 어떻게 변화하는 지를 도시한다.
도 8은 일 실시예에 따라 규칙 세트를 생성하는 방법을 도시한다.
도 9는 일 실시예에 따른 장치를 도시한다.

부분적인 지도 데이터에 기초하여 건물의 레이아웃의 보다 완전한 지도를 생성하는 장치 및 방법이 개시된다. 부분적인 지도 데이터와 일치하고 보존되는 관심 영역에서 가장 가능성 있는 지도를 결정하는 것에 기초하여 관심 영역에서 보다 완전한 지도가 결정된다. 규칙 세트는 지도를 생성하는 데 사용되며, 규칙 집합에 적어도 하나의 확률 규칙이 포함될 수 있다. 규칙 세트의 예로는 공간 관계를 설명하는 기하학적 제약에 관한 규칙과 공간 관계에 엄격히 기반하지 않는 의미론적 규칙을 포함할 수 있다. 일 실시예에서, 비용 함수는 부분적으로 완전한 지도 정보 및 규칙 세트에 기초하여 가장 가능성 있는 레이아웃을 결정하는데 사용된다. 부분적인 지도 정보는 모바일 디바이스들로부터 얻어진 크라우드 소싱된 궤적 데이터에 기반하여 생성될 수 있다. 지도 정보는 또한 모바일 디바이스에도 제공될 수 있다.

예시적인 실시예의 한 형태에 따르면, 건물 내의 영역들의 배치 레이아웃을 나타내는 지도를 생성하는 방법이 제공되는데, 상기 방법은 관심 영역의 레이아웃의 부분적으로 완전한 지도를 획득하고 상기 건물의 레이아웃의 적어도 일부 알려지지 않은 부분을 포함하는 지도를 생성하는 것을 포함하며, 상기 지도는 규칙 세트 및 상기 부분적으로 완전한 지도를 사용하는 것에 기초하고, 상기 지도는 상기 부분적으로 완전한 지도의 레이아웃 정보를 보존하는 것을 특징으로 한다.

예시적인 실시예의 한 형태에 따르면, 건물 내의 영역들의 배치 레이아웃을 나타내는 지도를 생성하는 방법이 제공되는데, 상기 방법은, 건물 내 적어도 하나의 모바일 디바이스의 이동을 나타내는 복수의 궤적들에 기초하여 상기 건물의 부분적인 레이아웃을 식별하고, 상기 건물 내의 영역들의 배치 상의 제약을 기술하며, 상기 건물 내의 복수의 상이한 영역의 공간 관계를 기술하는 적어도 하나의 확률론적 규칙을 포함하는 규칙 세트를 선택하고, 상기 부분적인 레이아웃과 일치하는 가장 가능성 있는 완전한 레이아웃을 결정하기 위해 상기 규칙 세트를 이용하는 것에 기초하여 관심 영역의 완전한 레이아웃을 결정하는 것을 포함한다.

규칙 세트는 건물의 기하학적 제약을 설명하는 비-확률 규칙을 더 포함한다.

건물 내의 영역들의 배치 레이아웃을 나타내는 지도를 생성하는 방법으로서, 상기 방법은 복수의 건물 유형들로부터 건물 유형을 결정하는 것을 더 포함하고, 상기 규칙 세트를 선택하는 것은 상기 건물 유형에 특정한 규칙 세트를 선택하는 것을 포함한다.

규칙 세트는 특정 건물 유형에 대하여, 복수의 상이한 영역 유형의 크기 및 상기 복수의 상이한 영역 유형 간의 확률론적 관계의 기하학적 제약을 기술하는 적어도 하나의 기하학적 제약 규칙을 포함한다.

상기 규칙 세트는 건물의 적어도 하나의 영역의 속성을 식별하는 관심 지점 정보에 기초한 관심 지점 규칙을 더 포함한다.

관심 지점 규칙은 건물의 적어도 하나의 영역의 크기의 확률을 정의한다.

관심 지점 규칙은 관심 지점에 근접한 영역의 속성의 확률을 정의한다.

예시적인 실시예의 한 형태에 따르면, 건물 내부의 위치 서비스를 제공하는 방법이 제공되며, 상기 방법은 건물 내부의 적어도 하나의 모바일 디바이스 사용자의 움직임을 나타내는 크라우드 소싱된 정보를 통해 건물 내부의 부분적으로 완전한 지도를 얻고, 건물 내 영역의 배치에 대한 적어도 하나의 확률 제약을 나타내는 규칙 세트를 선택하고, 상기 규칙 세트와 부분적으로 완전한 지도를 이용하여 상기 건물 내부의 적어도 일부 알려지지 않은 부분의 지도를 생성하는 것을 포함한다. 상기 지도는 상기 부분적으로 완전한 지도의 정보를 보존한다.

건물 내부에 위치 서비스를 제공하는 방법은 시각화 데이터를 제공하여 지도를 표시하는 것을 포함한다.

예시적인 실시예의 한 형태에 따르면, 건물의 관심 영역 내의 레이아웃의 지도 정보를 제공하는 것을 포함하는 방법이 제공된다. 상기 지도 정보는 부분적으로 완전한 지도 레이아웃 정보를 보존하는 관심 영역의 가장 가능성 있는 레이아웃을 결정하기 위해 적어도 하나의 확률론적 규칙을 이용함으로써 부분적으로 완전한 지도 레이아웃 정보로부터 생성된다.

도 1은 관심 영역 내의 건물의 부분적으로 완성된 지도를 완성하기 위해 규칙들의 세트를 사용하는 컴퓨터 구현 방법의 실시예를 나타내는 흐름도이다. 일 실시예에서, 부분 지도(105)는 건물 내부의 레이아웃과 같은 영역들의 배치 레이아웃으로 얻어진다. 하지만, 보다 일반적으로 부분 지도는 적어도 일부 외부 공간을 포함할 수 있다.

일 실시예에서, 부분적인 지도(105)는 하나 이상의 모바일 디바이스로부터 크라우드 소싱되고 모바일 디바이스 사용자가 지나간 영역에 대응하는 궤적 (예를 들어, 추적) 데이터에 기초하여 생성되거나 그렇지 않으면 제공된다. 예로서, 궤적 데이터는 개별 모바일 디바이스에 배치된 센서들로부터의 센서 데이터에 기초할 수 있다. 예를 들어, 개별 모바일 디바이스는 사용자 이동에 기초하여 위치를 결정하기 위해 가속도계와 같은 센서를 포함할 수 있다. 또한, 개별 모바일 디바이스는 글로벌 포지셔닝 신호 (사용 가능한 경우) 및 블루투스(Bluetooth) 또는 무선 LAN과 같은 다른 사용 가능한 로컬 무선 네트워크 신호를 기반으로 위치를 결정하는 위치 센서를 포함할 수 있다.

일 예로서, 부분적인 지도(105)는 궤적 데이터 예들에 기초할 수 있다. 궤적 데이터로부터, 주 통로의 위치와 같은 통행이 잦은 영역의 레이아웃은 패턴 분석에서 식별될 수 있다. 또한, 패턴 매칭을 기반으로 방 입구와 같은 다른 레이아웃 특징을 식별하기에 충분한 궤적 데이터 예가 있을 수 있다. 예를 들어, 통로에서 벗어난 모바일 디바이스를 나타내는 하나 이상의 인스턴스의 궤적 데이터는 방 또는 상점 입구를 나타낼 수 있다. 그러나 부분적인 레이아웃을 생성할 건물의 하나 이상의 부분에 충분하지 않은 궤적 데이터가 있을 수 있다. 이와 같이, 부분적인 지도는 관심 영역의 적어도 하나의 부분에서 불완전하다.

부분적인 지도를 완성하는 것을 돕기 위해 규칙 세트가 선택된다(110). 규칙 세트에서의 일련의 규칙들은 관심 영역의 지도 레이아웃을 확장하거나 완성하기 위한 상이한 옵션들에 대한 가설 테스팅을 허용한다. 일 실시예에서, 규칙 세트 및 알려진 부분적인 지도(105)와 일치하는 현재의 최선의 가설이 선택된다. 일 실시예에서, 규칙 세트는 몇몇 결정론적 규칙(deterministic rule)을 포함할 수 있고 또한 적어도 하나의 확률론적인 규칙을 포함할 수 있다. 일 실시예에서, 규칙 세트의 규칙은 비용 함수 분석에서 조건(terms)으로서 사용된다.

지도의 완성은 건물의 전체 내부와 같은 원하는 지리적 위치에 대한 것일 수 있다. 하지만, 보다 일반적으로 지도는 원하는 관심 영역에서 완성될 수 있다. 또한, 일부 상황에서는 부분적으로 완전한 지도를 적어도 하나의 알 수 없는 영역으로 확장하는 것으로 충분할 수 있다. 예를 들어, 쇼핑몰에서 원하는 관심 영역은 쇼핑몰의 공공 장소일 수 있으며, 이에 따라 쇼핑몰에 있는 개인 사무실을 포함하지 않을 수 있다.

다른 예로서, 경우에 따라, 원하는 영역은 쇼핑몰의 윙(wing) 와 같은 전체 지리적 위치의 부분(subset) 일 수 있다. 또한, 일부 실시예들에서, 지도는 생성된 지도가 소정의 원하는 통계적 신뢰도 또는 정확도 내에서 정확하다는 최소 확신이 있는 영역에서만 완성될 수 있다. 예를 들어, 쇼핑몰의 단 하나의 윙에 대한 부분적인 지도 데이터가 있는 경우, 원하는 최소의 신뢰 수준을 갖는 완전한 지도를 생성하기에 충분한 부분적인 데이터가 있는 쇼핑몰 부분에서만 지도가 완성될 수 있다.

일 실시예에서, 규칙은 개별 영역이 공간의 단위인, 레이아웃의 서로 다른 영역들 사이의 가능한 관계를 반영하는 확률론적 기하학적 제약의 세트를 포함한다. 예를 들어, 공간 단위는 방 유형, 사무실 단위, 상점 단위, 통로, 복도 등이 될 수 있다. 개별 영역은 크기 (예 : 큰 영역, 중간 영역, 작은 영역) 또는 기능 (예 : 식품점, 비 식품점 등) 에 기반하는 것과 같은 영역 유형으로 더 분류될 수 있다.

기하학적 제약의 확률론적인 형태는 레이아웃에서 가능한 공간 배치를 설명한다. 특정 목적을 위한 건물 디자인에는 종종 경제적 고려 사항, 미학, 디자인 및 건축 효율성, 인간 행동을 기반으로 하는 공간 관계가 있을 수 있다. 또한 지리적 위치 및 건축 연도와 상관 관계가 있을 수 있다. 예를 들어, 쇼핑몰 디자인은 수십 년 동안 천천히 진화해 왔다. 특정 크기 범위, 건축 날짜 및 지리적 위치의 쇼핑몰에 대한 일반적인 디자인이 있다. 확률론적 의미에서, 많은 쇼핑몰 디자인은 확률론적 규칙을 구성할 수 있는 일련의 디자인 속성을 가지고 있다. 예를 들어, 제1 크기의 방의 제1 방 입구의 존재를 나타내는 부분적인 지도 정보가 있는 경우, 인접한 방이 일정 크기를 가질 확률은 레이아웃에서 인접한 방이 특정 크기를 가지는 가설을 분석할 때 사용될 수 있다.

예를 들어, 기하학적 제약에는 가능한 크기 및 크기차이를 반영하는 개별 적인 공간 단위의 크기 제한, 내부 또는 외부 복도의 확률 및 복도 크기, 및 특정 유형의 공간 단위 (예: 특정 유형 또는 방 또는 상점) 가 서로 이웃할 수 있는 확률이 포함될 수 있다.

또한, 단지 공간적 고려 사항에만 절대적으로 기반하지 않는 다른 의미 정보를 기반으로 하는 다른 규칙이 포함될 수 있다. 경우에 따라, 크라우드 소싱된 정보에는 지리적 위치 내의 개별 영역 이름이 포함될 수 있다. 예를 들어, 개별 상점 이름 또는 총 상점 수를 사용할 수 있다. 예를 들어, 상점 이름은 상점 Wi-Fi 액세스 포인트로부터, 모바일 디바이스에서 찍은 크라우드 소싱된 사진으로부터, 소셜 미디어 사이트를 확인하고 위치를 설명하는 정보를 게시한 사람으로부터, 또는 모바일 디바이스의 사용자에게 피드백을 제공하도록 요청함으로써 획득될 수 있다. 또한, 관심 지점(POI; point of interest) 정보는 공개 소스 (예 : 웹 사이트), 또는 정보 비컨 (예 : 쇼핑몰의 개별 상점 무선 지점) 에서 이용할 수 있다. 예로서, 정보는 전체 건물 면적 (footprint), 건물 내의 관심 지점 (예를 들어, 쇼핑몰 내의 상점의 이름), 및 총 상점 수에 대해 이용 가능할 수 있다. 또한 이 의미론적 정보는 건물 유형과 건축 연도를 포함할 수 있다.

가장 가능성 있는 완전한 지도는 규칙 세트 및 부분적인 지도에 기초하여 관심 영역에서 결정되며(115), 상기 가장 가능성 있는 완전한 지도는 부분적인 지도 정보와 일치하는 공간 레이아웃을 갖는다. 즉, 부분적인 지도(105)의 확장인 완전한 지도가 생성된다. 따라서, 완전한 지도는 부분적인 지도(105)의 알려진 정보와 일치하고, 부분적인 지도(105)의 알려진 정보를 유지한다. 따라서, 예를 들어, 부분적으로 완전한 지도가 알려진 통로 및 알려진 일련의 방 입구를 나타내는 정보를 갖는다면, 완전한 지도는 알려진 통로 정보 및 알려진 일련의 방 입구를 보존할 것이다. 완전한 지도는 사실일 가능성이 있으며 알려진 부분적인 지도 정보와 상충되지 않는 추가 정보를 제공한다. 부가적으로, 일 실시예에서, 부분적인 지도 정보의 점진적인 업데이트가 생성되도록 부분적인 지도 정보가 저장된다. 더욱이, 부분적인 지도가 생성되는 원 추적 데이터(raw trace data)는 또한 부분적인 지도의 특징과 부분적인 지도가 생성되는 추적 데이터 모두의 증분 업데이트를 허용하도록 저장될 수 있다.

일 실시예에서, 완전한 지도는 시각화된 표현를 생성하는데 사용된다(120). 시각화는 관심 영역 또는 관심 영역의 하위 영역 내에서 레이아웃 정보를 제공하는 표현을 포함할 수 있다. 일 실시예에서, 지도의 어느 부분이 다른 부분들보다 정확할 가능성이 더 높은지를 나타내기 위해 지도의 상이한 영역들에서의 신뢰 팩터를 사용자에게 표시하기 위한 추가 정보가 제공될 수 있다. 지도 정보 및 신뢰 정보는 모바일 디바이스에 서비스로서 제공될 수 있다. 일 실시예에서, 부분적인 지도(105)의 커버리지를 증가시키는 추가 데이터가 이용 가능하게 될 때 업데이트가 수행된다(125).

도 2는 궤적(추적) 데이터에 기초하여 관심 영역에서 완전한 지도를 생성하기 위한 컴퓨터 구현 방법의 실시예를 도시한다. 부분적인 지도 커버리지 정보(205)가 획득된다. 예를 들어, 부분적인 지도 커버리지 데이터는 모바일 디바이스로부터의 크라우드 소싱된 궤적 데이터로부터 결정될 수 있다. 궤적 데이터는 경로 정보로 제한될 수 있다. 그러나, 보다 일반적으로 다른 유형의 정보는 사용자가 특정 위치에서 보낸 시간의 길이, 사용자의 이동 속도, 가속도 등과 같은 인간의 행동을 나타내는 모바일 디바이스들로부터 크라우드 소싱될 수 있다. 예를 들어, 쇼핑몰의 경우, 사용자는 통상적으로 쇼핑몰의 푸드 코트와 같은 특정 영역에 앉아 있다. 이 추가 정보는 경우에 따라 정보의 보조 소스로 사용할 수 있다. 규칙 세트(210)가 선택되고, 상기 규칙 세트는 기하학적 제약을 포함하며, 또한 다른 규칙도 포함할 수 있다. 규칙 세트는 확률론적 규칙을 포함하며 건물 사용, 지리적 위치, 건축 연도 또는 기타 요인에 대한 정보를 비롯한 다양한 요소를 기반으로 선택할 수 있다.

일 실시예에서, 각 규칙은 비용 함수에서 항(term)으로서 사용되도록 선택된다. 일 실시예에서, 복수의 상이한 비용 함수가 병렬적으로 테스트된다(215). 비용 함수 분석에서, 부분 커버리지 데이터와 일치하는 최적화된 레이아웃을 갖는 레이아웃을 결정하기 위해 적어도 하나의 확률론적 최적화 방법이 적용된다. 일 실시예에서, N 개의 상이한 방법들의 세트 (예를 들어, 신뢰 전파, 모테 카를로(Mote Carlo) 방법들, 또는 다른 다중-변수 최적화 접근법들)이 적용되고, 가장 높은 스코어링 방법의 결과가 최적화된 레이아웃으로서 선택된다.

가장 높은 스코어링 비용 함수의 결과는 가장 가능성 있는 완전한 지도를 결정하기 위해 선택된다(220). 그 후, 규칙은 전체 비용이 최소화되고 부분 지도의 알려진 영역이 보존되도록 최적의 실내 레이아웃 (예: 방, 통로, 개방된 공간)을 식별하는데 사용될 수 있다.

관심 영역에 대한 레이아웃 정보의 디스플레이를 위해 지도 시각화가 생성된다(225). 일 실시예에서, 시각화는 또한 통계적 신뢰도가 낮은 지도의 영역을 나타낸다.

부분적인 지도 데이터는 더 많은 데이터가 이용 가능하게 됨에 따라 부분적인 지도의 점진적인 업데이트가 가능하도록 저장될 수 있다. 또한, 궤적 데이터는 궤적 데이터의 점진적인 업데이트가 가능하도록 저장될 수 있다. 이는 추가 데이터를 사용할 수 있게 되면 업데이트된 지도를 생성한다.

규칙 세트는 다양한 방법으로 생성될 수 있다. 건물의 특정 카테고리는 경제적 고려, 미학, 디자인 및 건축 효율성, 인간 행동을 기반으로 건물의 가능한 레이아웃에 대한 암묵적 규칙(implicit rule)을 갖는 경향이 있다. 또한 건축 연도, 크기 및 일반적인 지리적 위치는 건물 디자인 경향과 관련이 있다. 예를 들어, 미국의 현대적인 쇼핑몰에는 대개 하나 이상의 대형 앵커 상점, 일부 중간 크기 상점 및 일련의 작은 상점들이 있다. 완전히 동일한 쇼핑몰은 거의 없지만, 기하학적 제약 측면에서 유사하고 특정 크기의 특정 점포가 서로 인접할 가능성이 있는많은 쇼핑몰이 있다. 일반적인 전체 쇼핑몰 크기 및 모양과 관련한 몇 가지 일반적인 전체 쇼핑몰 면적(footprints)도 있다.

반대로, 병원은 일반적으로 쇼핑몰과는 다른 방식으로 구성된다. 예를 들어, 많은 병원에서 대부분의 유형의 방은 많은 다른 종류의 건물과 비교하여 상대적으로 작고 밀집되어 있다. 예를 들어, 병실은 일반적으로 밀집되어 있으며, 실험실은 대부분 밀집되어 있고, 수술실은 대부분 밀집되어 있다. 또한 병원에는 종종 외부 통로가 있다.

도 3a는 여러 가지 상이한 상점들을 갖는 쇼핑몰 레이아웃의 예를 도시한다. 이 예에서, 궤적 데이터는 점선(305)으로 도시된다. 통로(310)는 빈번한 통행으로 인해 알려질 수 있다. 이 예에서, 일련의 작은 상점들과 보다 큰 앵커 상점에 대한 궤적 데이터가 있다. 따라서, 작은 상점 및 앵커 상점의 입구는 궤적 데이터의 인스턴스로부터 결정될 수 있다. 그 다음 문제는 불완전한 부분적인 지도 데이터를 가지고 규칙을 사용하여 통로(310)에 따라 있는 상점들과 같이 불완전한 데이터가 있는 관심 영역에서 더 완전한 지도를 생성하는 것이다.

쇼핑몰의 경우, 쇼핑몰 설계에 있어 일반적인 산업 관례를 반영하는 규칙 세트를 선택할 수 있다. 예를 들어, 많은 쇼핑몰에서 많은 상점은 상점 전면 폭이 거의 동일하다. 또한 종종 더 큰 앵커 상점이 있다. 식품점 및 식당은 보통 더 작고, 개방 구역 (예: 푸드 코트) 주변에 밀집되어 있다. 통로는 보통 입구를 내부에 있다. 많은 상점은 거의 동일한 상점 전면 폭을 가지고 있다. 상점 크기 차이, 상점 크기 일관성, 주변 및/또는 근처의 상점 가능성 (특정 상점 유형이 서로 인접해 있음), 다른 상점에 대한 상점의 크기 유사성의 가능성, 및 통로가 쇼핑몰의 내부 또는 외부에 위치할 가능성과 같은 가능성 있는 상점 레이아웃과 관련된 다양한 확률이 있다.

도 3b는 학습된 값들의 예를 형성하기 위해 알려진 쇼핑몰 지도들 세트로부터 도출 된 기하학적 제약들의 세트의 예시적인 예이다. 이 예에서는 세 가지 상이한 일반적인 상점 크기 및 관련 크기 차이가 있다. 인접 상점 크기 일관성, 상점에 인접할 확률, 앵커 상점에 인접할 확률, 식료품 상점에 인접할 확률, 동일한 카테고리의 검출된 상점과의 크기 유사성, 및 건물의 외부에 인접한 통로 확률과 관련된 확률도 있다. 보다 일반적으로, 다른 기하학적 제약은 알려진 쇼핑몰 지도로부터 도출될 수 있다. 또한, 기하학적 제약은 전체 쇼핑몰 크기, 건축 연도, 지리적 위치와 같은 요소 또는 기타 요소를 기반으로 커스터마이즈(customize)될 수 있다.

또한, 도 3c의 예에 도시된 바와 같이, 쇼핑몰에 대한 규칙 세트는 다른 의미론적 규칙(semantic rule)을 포함할 수 있다. 이러한 의미론적 규칙 중 일부는 결정론적(deterministic)일 수 있지만 다른 것은 확률론적(probabilistic)일 수 있다. 크라우드 소싱은 쇼핑몰에 있는 하나 이상의 상점 이름을 결정하는 데 사용될 수 있다. 또한, 비컨(beacons)은 개별 상점을 식별하는 데 사용될 수도 있다. 쇼핑몰에는 통상적으로 상점들이 클러스터링 (clustering)된다. 특정한 상점 유형이 감지되면 (예: Gap®), 유사한 유형의 특정 상점이 가까이 있을 연관 확률이 있을 수 있다 (예: Gap® 상점 근처의 Prada® 상점). POI 데이터베이스 (DB)에서 사용할 수 있는 상점의 총 수가 존재할 수 있다. 쇼핑몰 면적 크기, 앵커 상점 수 등과 관련된 전체 모양 확률이 있을 수 있다. 상점 크기는 쇼핑몰 면적 및 통로 형태에 기반할 수도 있다.

도 3d는 쇼핑몰에 적용된 도 3b 및 도 3c의 규칙 세트의 예를 도시한다. 이 예에서, 통로 윤관(hallway skeleton)이 일부 상점 입구 또는 경계와 함께 매핑된다는 점에서 쇼핑몰은 부분적으로 매핑된다. 하나 이상의 상점의 신원을 알 수 있다. 건물의 면적(footprint) 또한 알려질 수 있다. 따라서, 부분적인 지도 정보 및 규칙 세트를 포함하는 초기 정보(315) 세트가 존재한다. 초기 정보(315)에 비용 함수 방법 세트들이 병렬로 적용된다(320). 벽이 가장 존재할 만한 위치, 상점의 신원, 및 통로 폭을 나타내는 관심 영역에서 지도를 생성하도록 가장 높은 스코어링 방법의 결과가 선택된다(325).

도 4a는 병원 레이아웃의 예를 도시한다. 이 예에서, 병원에는 4 개의 수술실 (OR), 간호원실, 병실 및 실험실이 포함되어 있다. 도 4b는 여러 병원 설계를 분석하여 학습된 값의 규칙 세트의 예를 보여준다. 규칙 세트에는 각 유형의 방의 크기, 크기 분산, 인접 크기 일관성, 병실 인접 확률, 실험실 인접 확률, 수술실 인접 확률, 동일한 카테고리의 검출된 방에 대한 크기 유사 확률, 및 외부 통로 확률에 대한 규칙이 포함된다.

도 5, 도 6, 및 도 7은 가설 테스팅, 점진적인 업데이트 및 신뢰 수준의 일부 형태(aspects)을 설명하기 위해 적용된 간단한 예시적인 규칙 세트 갖는 상대적으로 간단한 방 레이아웃을 보여준다. 도 5a는 도면(505)에 5 개의 방을 갖는 간단한 건물의 예를 도시한다. 도면(510)은 궤적 데이터(512, 514)뿐만 아니라 검출된 통로 및 검출된 방 입구를 도시한다. 그런 다음, 가설 테스팅이 도면(515, 520 및 530)의 세 가지 가능한 레이아웃에 대해 수행된다. 도면(515, 520 및 530)의 예에서, 규칙 세트는 비교적 간단하고 방 폭 규칙, 방 유사 규칙 및 방 입구 규칙을 포함한다. 도 5b에 도시된 바와 같이, 방 폭 규칙은 현재 폭, 이상적인 폭 및 스케일링 계수에 기초하여 스코어를 생성 할 수 있다. 방 유사성 규칙은 현재 방 크기, 왼쪽 방 크기, 오른쪽 방 크기 및 스케일링 계수에 기초하여 스코어를 생성한다. 방 입구 위치 규칙은 입구에서 방 좌측까지의 벽의 길이, 입구에서 방 우측까지의 벽의 길이 및 스케일링 계수에 기초하여 스코어를 생성한다. 따라서, 초기 부분 지도 정보와 일치하는 상이한 방 레이아웃들이 스코어링될 수 있다. 이 예에서, 도면(515)은 가장 높은 스코어를 가지며, 도면(520 및 530)은 더 낮은 스코어를 갖는다.

가설 테스팅의 한 측면은 부가적인 부분적인 지도 정보가 이용 가능하면 완성된 지도의 정확성이 증가한다는 것이다. 도 6은 추가 궤적 정보가 있을 때 지도 정확도가 어떻게 증가하는지 보여주는 예이다. 도면(600-A)은 하나의 방 입구(620)의 위치를 결정하기 위한 알려진 통로(610) 및 궤적 데이터(615)를 도시한다. 차후 시점에서, 도면(600-B)은 추가적인 궤도 데이터(625)가 두번째 방 입구(630)를 결정하기 위해 이용 가능할 수 있음을 예시한다. 도면(600-C)에 도시된 바와 같이, 다른 차후 시점에서, 궤적 데이터(635)가 세번째 방 입구(640)를 결정하는데 이용 가능하고 궤적 데이터(645)가 네번째방 입구 (650)를 결정하는데 이용 가능하도록 다른 이용 가능한 궤적 데이터가 이용될 수 있다.

도면(605-A)은 도면(600-A)의 정보로부터 생성된 지도를 예시한다. 도면(605-B)은 도면(600-B)의 정보에 기초하여 생성된 지도를 도시한다. 도면(600-C)은 도면(600-C)의 부분 궤적 데이터에 기초한 지도를 도시한다. 도면(605-A, 605-B 및 605-C)에서 볼 수 있듯이, 이용 가능한 궤적 데이터가 더 많아지면 지도의 정확도가 높아진다. 그러나, 완전한 지도는 알려진 방 입구에 대해서는 알려진 레이아웃 정보와 항상 일치한다. 따라서, 완전한 지도는 부분적인 지도 정보의 정보와 일치하고 확장되는 관심 영역에서 가장 가능성 있는 지도이다.

도 7은 점진적인 업데이트가 어떻게 출력 지도의 신뢰도를 높이는지를 보여준다. 더 많은 궤적 데이터를 사용할 수 있게 되면, 지도의 개별 방 레이아웃이 정확하다는 신뢰도가 높아진다. 이것은 컬러 코드, 텍스쳐의 변화, 또는 텍스트 디스플레이 또는 다른 기술에 의해 시각적으로 표시될 수 있다. 예시의 목적 상, 제1 (낮은) 신뢰도 C1, 제2 (중간) 신뢰도 C2, 제3 매체 (높은 신뢰도) C3, 더 높은 신뢰도 C4가 있다고 가정한다. 이 추가 신뢰도 정보는 완전한 지도의 레이아웃의 다양한 부분들이 정확하다는 신뢰도를 사용자에게 나타내도록 제공될 수 있다. 또한, 신뢰도 정보는 다른 방식으로 사용될 수 있다. 예를 들어, 완전한 지도는 최소 신뢰도 수준을 만족하는 지역에서만 제공될 수 있다. 또 다른 옵션으로, 사용자는 원하는 최소 신뢰도 수준을 선택하여 지도 정보를 표시할 수 있다. 여전히 또 다른 예로서, 크라우드 소싱 애플리케이션에서, 사용자는 낮은 신뢰도를 갖는 영역에 대한 정보를 제공하도록 초대될 수 있다.

도 8은 규칙 세트에 대해 학습된 규칙을 생성하는 알고리즘의 예를 도시한다. 건물 카테고리에 대한 잠재적 규칙 세트가 식별된다(805). 학습 데이터(training data)(810)가 제공된다. 학습 데이터의 예로는 특정 카테고리의 건물에 대한 라벨이 붙은 (labeled) 지도가 있다. 예를 들어, 쇼핑몰의 경우, 학습 데이터에는 알려진 쇼핑몰의 라벨이 붙은 지도가 포함될 수 있다. 학습 데이터는 또한 다른 의미론적 정보를 포함할 수 있다. 예를 들어, 쇼핑몰의 경우, 의미론적 정보는 라벨링된 지도와 다른 비-레이아웃 정보를 포함할 수 있다. 학습 알고리즘은 학습 데이터에 기초하여 관련 규칙의 파라미터(815)를 계산한다. 출력(820)은 학습 데이터로부터 생성된 가중치가 적용된(weighted) 파라미터를 갖는 규칙 세트이다. 이 규칙은 기존의 알려진 방이나 홀을 수정하지 않고 건물 레이아웃의 알려지지 않은 부분을 채우기 위해 추적 데이터와 함께 사용할 수 있을 만큼 유연하도록 만들어진다.

도 9는 일 실시예에 따른 장치의 블록도이다. 지도 어셈블리 유닛(900)은 프로세서(910) 및 메모리(915)를 포함한다. 일 실시예에서, 지도 어셈블리 유닛(900)은 하나 이상의 서버로서 구현된다. 일부 실시예에서, 지도 어셈블리 유닛(900)은 모바일 디바이스(901)로부터 직접 추적 데이터를 수신할 수 있다. 그러나, 보다 일반적으로 추적 데이터는 다른 엔티티에서 얻을 수 있다. 지도 어셈블리 유닛(900)은 또한 프로세서, 메모리 및 디스플레이를 갖는 모바일 디바이스의 디스플레이 상에 디스플레이하기 위해 지도 정보 또는 위치 정보를 개별 모바일 디바이스에 제공할 수 있다. 일 실시예에서, 지도 어셈블리 유닛(920)은 전술한 방법들 또는 그 서브 세트들 중 임의의 것을 구현하는데 사용될 수 있다.

지도 어셈블리 유닛(900)의 하나 이상의 개별 컴포넌트는 메모리(915) 상에 저장되고 프로세서(910)상에서 실행되는 소프트웨어로서 구현될 수 있다. 궤적/추적 데이터 수집 유닛(920)은 모바일 디바이스로부터 크라우드 소싱된 궤적 데이터를 획득하고 임의의 필요한 데이터 정리를 수행한다. 일 실시예에서, 규칙 세트 생성 유닛(925)은 학습 데이터에 기초하여 확률론적 규칙을 생성하도록 제공된다. 부분적인 지도 커버리지 생성 유닛(930)은 궤적 데이터로부터 부분적인 지도를 결정하며, 부분적인 지도는 통로 및 방 또는 상점 입구와 같은 하나 이상의 건물 레이아웃 영역을 식별할 수 있다.

규칙 세트 선택 유닛(935)은 특정 사용을 위한 규칙 세트를 선택하는데 사용된다. 대부분의 일반적인 경우에는, 건물의 특정 클래스에 맞게 조정되고, 건축 추정 연도, 지리적 위치 또는 기타 요소와 같은 요인에 따라 추가로 조정된 규칙 세트와 같이 다수의 상이한 규칙 세트들이 있을 수 있다. 지도 완성 유닛(940)은 규칙 세트의 규칙에 기초하고 부분적인 지도 정보를 보존하는 관심 영역의 완전한 지도를 생성한다. 지도 시각화 유닛(945)은 예를 들어 지도 디스플레이를 생성하기 위해 모바일 디바이스에 제공될 수 있는 지도 시각화 정보를 생성한다. 또한, 지도 정보는 모바일 디바이스의 사용자의 위치에 기반한 서비스와 같은 다른 유형의 위치 서비스를 제공하는 것을 돕기 위해 사용될 수 있다.

추가 애플리케이션 및 확장은 건물 내 공간의 방 또는 다른 유닛의 매핑과 함께 고려된다. 또 다른 애플리케이션은 상점 내부의 지도를 생성하는 것이다. 상점은 종종 특정 일반 마케팅 규칙에 따라 상품을 위치시킨다. 예를 들어, 식품 매장에서 유제품은 종종 상점의 뒷 편에 위치하며, 농산물(produce) 은 가장자리에 위치하는 경향이 있으며, 냉동 식품은 상점의 중간에 위치한다. 따라서 크라우드 소싱을 사용하여 식품 배치에 대한 부분적인 정보와 상점 내부의 가장 가능성 있는 완전한 지도를 결정하는 데 사용되는 확률론적 규칙을 생성할 수 있다.

또한, 크라우드 소싱은 아이템 배치를 제안하는 모바일 디바이스의 센서로부터의 데이터를 포함할 수 있다. 예를 들어, 모바일 디바이스 내의 온도 센서는 냉장 품목을 갖는 식료품점 부분의 위치를 제안할 수 있다. 모바일 디바이스의 가속도계 정보 및 모션 센서는 선반으로 뻗는 손과 팔 동작을 제안할 수 있다. 크라우드 소싱된 정보에는 사용자가 특정 유형의 음식을 구매하기 위해 상점에 가려고 한다는 게시물과 같은 소셜 미디어 게시물(sotial media postings)이 포함될 수도 있다.

건물의 내부를 매핑하기 위한 애플리케이션이 설명되었지만, 외부 공간을 포함하기 위한 추가 확장도 고려된다. 예를 들어, 많은 건물에는 적어도 일부 외부 공간이 포함된다. 또한, 어떤 경우에는 외부 공간이 객실이나 상점과 비슷한 공간 단위로 구성된다.

본 발명은 특정 실시예와 관련하여 설명되었지만, 본 발명을 설명된 실시예들로 한정하려는 의도는 아니라는 것을 이해되어야 한다. 반대로, 첨부된 청구 범위에 의해 정의된 본 발명의 정신 및 범위 내에 포함될 수 있는 대안적인 예, 수정 예 및 균등물을 포함하는 것으로 의도된다. 본 발명은 이러한 특정 세부 사항의 일부 또는 전부 없이 실시될 수 있다. 또한, 불필요하게 본 발명을 모호하게 하는 것을 피하기 위해 공지된 특징들이 상세하게 기술되지 않았을 수도 있다. 본 발명에 따르면, 구성 요소, 처리 단계 및/또는 데이터 구조는 다양한 유형의 운영 체제, 프로그래밍 언어, 컴퓨팅 플랫폼, 컴퓨터 프로그램 및/또는 컴퓨팅 장치를 사용하여 구현될 수 있다. 또한, 당업자는 하드 와이어 디바이스, 필드 프로그램 가능 게이트 어레이 (FPGA), 주문형 집적 회로 (ASIC) 등과 같은 디바이스가 본 명세서에 개시된 발명 개념의 범위 및 정신을 벗어나지 않고 사용될 수 있다는 것을 인식할 것이다. 본 발명은 또한 메모리 디바이스와 같은 컴퓨터 판독 가능 매체 상에 저장된 컴퓨터 명령어 세트로서 명백하게 구현될 수 있다.

Claims (15)

1. 건물 내의 영역들의 배치 레이아웃을 나타내는 지도를 생성하는 컴퓨터 구현 방법에 있어서,
   관심 영역의 레이아웃의 부분적으로 완전한 지도를 획득하고
   상기 건물의 레이아웃의 적어도 일부 알려지지 않은 부분(unknown portion)을 포함하는 지도를 생성하는 것을 포함하고,
   상기 지도는 규칙 세트(rule set) 및 상기 부분적으로 완전한 지도를 이용하는 것에 기초하고, 상기 지도는 상기 부분적으로 완전한 지도의 레이아웃 정보를 보존하는 방법.
2. 제1항에 있어서, 상기 부분적으로 완전한 지도는 적어도 하나의 모바일 디바이스로부터의 크라우드 소싱된 궤적 데이터(crowed-sourced trajectory data)에 기초하여 결정되는 방법.
3. 제1항에 있어서, 상기 규칙 세트는 상기 건물 내의 영역들의 배치에 대한 기하학적 제약(geometrical constraints)을 기술하는 적어도 하나의 확률론적 규칙(probabilistic rule)을 포함하는 방법.
4. 제3항에 있어서, 상기 지도를 생성하는 것은 상기 규칙 세트 및 상기 부분적으로 완전한 지도와 일치하는 상이한 레이아웃들에 대해 가설 테스팅(hypothesis testing)을 수행하는 것을 포함하는 방법.
5. 제3항에 있어서, 상기 관심 영역에서 가장 가능성 있는 완전한 지도를 결정하기 위해 비용 함수 분석(cost function analysis)이 수행되는 방법.
6. 제3항에 있어서, 상기 규칙 세트는 특정 건물 클래스에 대해, 복수의 상이한 영역 유형의 크기의 기하학적 제약을 기술하는 적어도 하나의 기하학적 제약 룰과, 상기 복수의 상이한 영역 유형들 간의 확률론적 관계를 포함하는 방법.
7. 제1항에 있어서,
   업데이트된 부분적으로 완전한 지도를 획득하고
   업데이트된 지도를 생성하는 것을 더 포함하고, 상기 업데이트된 지도는 상기 규칙 세트 및 상기 업데이트된 부분적으로 완전한 지도를 이용하는 것에 기초하고, 상기 지도는 상기 업데이트된 부분적으로 완전한 지도의 레이아웃 정보를 보존하는 방법.
8. 제1항에 있어서, 상기 레이아웃의 개별 영역들의 신뢰도 인자(confidence factor)의 시각적인 표시(visual indication)로 상기 지도를 예시하는 디스플레이를 생성하는 것을 더 포함하는 방법.
9. 건물 내의 영역들의 배치 레이아웃을 나타내는 지도를 생성하는 컴퓨터 구현 방법에 있어서,
   상기 건물 내의 적어도 하나의 모바일 디바이스의 움직임(movement)을 나타내는 복수의 궤적에 기초하여 상기 건물의 부분적인 레이아웃을 식별하고;
   상기 규칙 세트는 상기 건물 내의 복수의 상이한 영역들의 공간 관계(spatial relationship)들을 기술하는 적어도 하나의 확률론적 규칙을 포함하고, 상기 건물 내의 영역들의 배치에 대한 제약을 기술하는 규칙 세트를 선택하는 것을 포함하며;
   부분적인 레이아웃과 일치하는 가장 가능성 있는 완전한 레이아웃을 결정하기 위해 규칙 세트를 이용하여 관심 영역 내의 완전한 레이아웃을 결정하는 것을 포함하는 방법.
10. 제9항에 있어서, 상기 규칙 세트는 상기 건물의 기하학적 제약을 설명하는 비-확률론적 규칙을 더 포함하는 방법.
11. 제10항에 있어서,
    복수의 건물 유형들로부터 건물 유형을 결정하는 것을 더 포함하고;
    상기 규칙 세트를 선택하는 것은 상기 건물 유형에 특정한 규칙 세트를 선택하는 것을 포함하는 방법.
12. 제9항에 있어서, 상기 부분 레이아웃은 저장되고, 상기 방법은,
    업데이트된 복수의 궤적들에 기초하여 상기 건물의 업데이트된 부분 레이아웃을 식별하고;
    상기 업데이트된 부분 레이아웃과 일치하는 가장 가능성 있는 완전한 레이아웃을 결정하기 위하여, 상기 규칙 세트와 상기 업데이트된 궤적의 관계를 이용하여 상기 업데이트된 완전한 레이아웃을 결정하는 것을 더 포함하는 방법.
13. 제9항에 있어서, 상기 완전한 레이아웃의 개개의 영역들의 신뢰도 인자의 시각적인 표시로 관심 영역에서의 상기 완전한 레이아웃을 나타내는 디스플레이를 생성하는 것을 더 포함하는 방법.
14. 제9항에 있어서, 상기 규칙 세트는 상기 건물의 적어도 하나의 영역의 속성을 식별하는 관심 지점 정보에 기초한 관심 지점 규칙(point of interest rule)을 더 포함하는 방법.
15. 시스템에 있어서,
    적어도 하나의 프로세서 및 메모리를 포함하는 지도 어셈블리 유닛을 포함하며, 상기 지도 어셈블리 유닛은 확률론적 규칙 세트 및 부분적으로 완전한 지도를 이용하여 건물의 내부의 적어도 일부 알려지지 않은 부분의 지도를 생성하도록 구성되며, 상기 지도는 상기 부분적으로 완전한 지도의 정보를 보존하는 시스템.

Images