KR20180085916A - 웨어러블 장치의 위치를 추정하는 방법 및 이를 이용하는 장치 - Google Patents

Abstract

애완동물(pet) 등의 타겟의 움직임에 따라 장착 위치가 가변될 수 있는 웨어버블 장치의 위치 추정 방법 및 이를 이용하는 장치가 개시된다. 위치 추정 장치는 펫의 움직임을 센싱하여 3축 센서 신호를 출력하는 센서부, 센서부로부터 출력된 3축 센서 신호로부터 x축, y축 및 Z축의 각속도 신호와 가속도 신호를 추출한 후, 기 설정된 시간구간 내의 각 축 별 특징값을 계산하는 특징 추출부, 특징 추출부로부터 출력되는 특징값을 분류 알고리즘에 의해 처리하여 동작을 판별하는 동작 판별부, 판별된 동작의 기저장된 가속도 신호들과 상기 각 축의 가속도 신호를 비교하여 중력 가속도 방향 판별부, 중력가속도 방향에 기초하여 지면과의 각도를 연산하는 각도 연산부, 및 각도 연산부으로부터 제공된 지면과의 각도 및 중력 가속도 방향 획득부에서 제공된 중력 가속도 방향에 기초하여 웨어러블 장치의 장착 위치를 산출하는 장착 위치 판별부를 포함한다.

Description

웨어러블 장치의 위치를 추정하는 방법 및 이를 이용하는 장치{METHOD FOR ESTIMATING POSITION OF WEARABLE DEVICES AND APPARATUS USING THE SAME}

본 발명은 웨어러블 장치의 위치를 추정하는 방법 및 장치에 관한 것으로, 보다 상세하게는, 애완동물 등의 타겟의 움직임에 따라 장착 위치가 가변될 수 있는 웨어버블 장치의 위치 추정 방법 및 이를 이용하는 장치에 관한 것이다.

최근 스마트폰과 함께 웨어러블 장치를 사용하는 추세가 증가하고 있다. 웨어러블 장치는 안경이나 시계, 의복과 같이 인체에 착용할 수 있는 컴퓨터를 의미한다. 그에 따라 웨어러블 장치는 언제 어디서나 쉽게 사용할 수 있으며, 착용이 편리하다. 웨어러블 장치는 주로 스마트 와치와 같이 시계의 형태와 같이 손목에 착용 하는 형태로 출시되고 있으며, 머리나 발목에 착용할 수 있는 형태로 출시되고도 있다.

이러한 웨어러블 장치는 애완동물 예컨대, 개, 고양이 등 애완동물(이하, 통칭하여 '펫'이라고 칭함)의 목줄에도 적용되고 있다. 펫(pets)용 웨어러블 장치는 펫의 운동 상태 또는 건강 상태를 체크하거나 펫의 위치를 제공하는 데 사용되고 있다.

펫의 운동 상태를 확인하기 위해서는 웨이러블 장치의 장착 위치가 특정되어야 한다. 웨어러블 장치의 장착 위치는 펫의 동작이나 상태를 판별하는데 이용된다.

한편, 펫의 목줄에 적용된 웨어러블 장치는 처음 장착시 장치를 정위치에 착용시켜 주더라도 펫의 움직임(흔들기, 목 긁기, 옆으로 눕기)에 따라 장착 위치가 변하게 된다. 만일 웨어러블 장치의 장착 위치가 부정확하다면, 웨어러블 장치로부터 혹은 웨어러블 장치에서 측정한 위치 정보를 이용하여 정확한 운동 정보를 산출할 수 없다. 따라서, 정확한 웨어러블 장치의 장착 위치를 획득하는 것이 필요하다. 그리고, 펫의 경우 스스로 캘리브레이션을 수행할 수 없기 때문에 자동으로 캘리브레이션을 수행하는 알고리즘이 필요하다.

즉, 캘리브레이션은 임의로 절대좌표를 지정해 주는 것인데 관성센서만으로는 절대좌표를 줄 수 없기에 일반적으로는 지자기센서를 사용한다. 방향을 감지하는 지자계 센서는 지구의 자기장을 측정하여 센서의 방향 변화를 감지하는데 이때 자기 간섭의 위험이 있어 캘리브레이션(calibration)을 자주 해주어야 한다. 하지만, 펫에 지자기센서를 적용하는 경우, 센서를 착용한 펫이 8자를 그리며 진행하여 캘리브레이션을 수행해야 하지만 실제로 펫이나 펫의 주인이 그러한 캘리브레이션을 수행하기가 매우 어렵다. 또한, 펫에 장착된 웨어버블 장치의 위치가 언제 변동되는지를 알 수 없어, 캘리브레이션의 수행 시점을 특정할 수 없는 문제가 있다.

국내 공개특허공보 제10-2016-0108491호 (2016.09.19.)

본 발명은 전술한 바와 같은 문제점을 해결하기 위해 안출된 것으로서, 지자계 센서를 제외하고 관성 센서만을 이용하여 웨어러블 장치의 캘리브레이션을 수행할 수 있는 웨어러블 장치의 위치를 추정하는 방법 및 이를 이용하는 장치를 제공하는 것을 그 목적으로 한다.

상기 기술적 과제를 달성하기 위하여 본 발명의 일 측면에 따르면, 펫(pet)에 장착되는 웨어러블 장치의 장착 위치를 추정하는 위치 추정 장치로서, 상기 펫의 움직임을 센싱하여 3축 센서 신호를 출력하는 센서부; 상기 센서부로부터 출력된 상기 3축 센서 신호로부터 x축, y축, 및 Z축의 각속도 신호 및 3축의 가속도 신호를 추출한 후, 기 설정된 시간구간 내의 상기 각 축 별 특징값을 계산하는 특징 추출부; 상기 특징 추출부로부터 출력되는 특징값을 분류 알고리즘에 의해 처리하여 동작을 판별하는 동작 판별부; 기계학습 알고리즘에 의해 학습된 동작패턴을 저장하는 패턴 제공부; 상기 판별된 동작의 기저장된 가속도 신호들을 필터링하거나 상기 각 축의 가속도 신호를 비교하여 중력 가속도 방향을 추출하는 중력 가속도 방향 판별부; 상기 중력가속도 방향에 기초하여 지면과의 각도를 연산하는 각도 연산부; 및 상기 각도 연산부로부터 제공된 지면과의 각도 및 상기 중력 가속도 방향 획득부에서 제공된 중력 가속도 방향에 기초하여, 상기 웨어러블 장치의 장착 위치를 산출하는 장착 위치 판별부를 포함하는, 위치 추정 장치가 제공된다.

일실시예에서, 중력 가속도 방향 판별부는, 3축 센서 혹은 관성 센서의 신호와 기저장된 걷기 패턴 데이터의 유사성에 기초하여 각 축 별의 걷기 패턴이 실린 정도를 획득하고, 걷기 패턴이 실린 정도에 대응하는 걷기 레벨을 토대로 중력 가속도의 방향을 추출할 수 있다.

상기 기술적 과제를 달성하기 위하여 본 발명의 다른 측면에 따르면, 펫에 장착되는 웨어러블 장치의 장착 위치를 추정하는 위치 추정 방법으로서, 펫의 움직임을 센싱하여 3축 센서 신호를 획득하는 단계; 상기 3축 센서 신호로부터 x축, y축, 및 Z축의 각속도 신호 및 x축, y축 및 z축의 가속도 신호를 추출한 후, 기 설정된 시간구간 내의 상기 각 축 별 특징값을 계산하는 단계; 상기 특징값을 분류 알고리즘에 의해 처리하여 동작을 판별하는 단계; 상기 3축 센서 신호와 기저장된 걷기 패턴 데이터의 유사성에 기초하여 각 축 별의 걷기 패턴이 실린 정도를 획득하고, 걷기 패턴이 실린 정도에 대응하는 걷기 레벨을 토대로 중력 가속도의 방향을 추출하는 단계; 상기 중력가속도 방향에 기초하여 지면과의 각도를 연산하는 단계; 및 상기 연산된 지면과의 각도 및 상기 추출된 중력 가속도 방향에 기초하여, 상기 웨어러블 장치의 장착 위치를 산출하는 단계를 포함하는 웨어러블 장치의 위치 추정 방법를 제공할 수 있다.

상기 기술적 과제를 해결하기 위하여 본 발명의 또 다른 측면에 따르면, 애완동물에 장착된 센서로부터 데이터를 획득하는 단계; 상기 데이터에 기초하여 상기 애완동물이 동적 상태인지를 판단하는 단계; 상기 동적 상태에서 상기 데이터에 기초하여 상기 애완동물이 걷기 상태인지를 판단하는 단계; 상기 걷기 상태에서 상기 데이터에 포함된 3축 기준 데이터를 분리하는 단계; 상기 3축 기준 데이터와 걷기 패턴 데이터의 유사성을 비교하는 단계; 상기 유사성에 대응하는 각 축 별 걷기 레벨을 토대로 중력 가속도를 결정하는 단계; 및 상기 중력 가속도에 대응하는 각 축과의 각도에 기초하여 상기 센서의 장착 위치를 갱신하는 단계를 포함하는, 웨어러블 장치의 위치를 추정하는 방법을 제공할 수 있다.

전술한 바와 같은 본 발명의 웨어버블 장치의 위치를 추정하는 방법 및 장치를 채용하는 경우에는, 펫이 웨어러블 장치를 착용 후 펫의 움직임에 따라 웨어러블 장치의 장착 위치가 변동하는 경우에도 동작 패턴을 인식하여 웨어러블 장치의 장착 위치에 대한 캘리브레이션을 효과적으로 수행할 수 있다.

또한, 웨어러블 장치의 센서에서 추출한 데이터를 효과적으로 캘리브레이션하고 캘리브레이션된 데이터에 기초하여 펫의 동작 판별을 수행함으로써 펫에 대한 정확한 동작 정보나 상태 정보의 추출이 가능하다.

또한, 웨어러블 장치의 각 위치 별로 동작 판별 알고리즘을 만들어 사용할 수 있고, 그에 의해 웨어버블 장치의 변동된 장착 위치 및 해당 상황 각각에 맞는 알고리즘을 적용하여 펫의 상태 또는 동작 판별의 정확도를 높일 수 있다.

또한, 종래에는 관성 센서로 방향성을 알 수 없기에 그 크기만으로 특징을 추출하여 움직임을 추정하였으나, 본 실시예에 따른 웨어러블 장치의 위치 추정 방법 및 장치는 관성 센서를 이용한 각도 정보를 활용하며, 이를 통해 활동량뿐만 아니라 자세 정보를 획득할 수 있다. 즉, 본 실시예에 따른 위치 추적 방법 및 장치는 펫의 동작의 방향성을 알 수 있기 때문에 펫이 오른쪽이나 왼쪽으로 뛰거나 돌거나 누운 정보를 추출할 수 있고, 이를 통해 주인의 개입 없이도 자체 보정을 통해 펫의 건강 상태나 동작 상태를 정확하게 판별할 수 있는 장점이 있다.

또한, 본 실시예에 의하면, 펫에 대하여 추출한 정보를 주인에게 알려주고, 필요한 경우, 추출한 정보에 기초한 경고 메시지를 주인에게 전달하여 펫을 적극적으로 돌볼 수 있도록 할 수 있다.

도 1은 본 발명의 일 실시예에 따른 웨어러블 장치의 위치 추정 장치에 대한 블록도이다.
도 2는 도 1의 위치 추정 장치에 채용할 수 있는 웨어러블 장치의 위치에 따른 가속도 신호의 방향을 추정하는 과정을 설명하기 위한 예시도이다.
도 3a 내지 3c는 도 1의 위치 추정 장치에 채용할 수 있는 웨어러블 장치의 장착 위치에 따른 가속도 데이터를 설명하기 위한 예시도들이다.
도 4a 내지 4c는 도 1의 위치 추정 장치에 채용할 수 있는 웨어러블 장치의 장착 위치에 따른 동일한 움직임에서의 가속도 데이터를 나타낸 예시도들이다.
도 4d는 도 4a 내지 도 4c의 가속도 데이터를 서로 다른 장착 위치들로 변화한 경우를 설명하기 위한 예시도이다.
도 5는 도 1의 위치 추정 장치에 채용할 수 있는, 중력 가속도를 이용한 지면과의 각도 추출 과정을 설명하기 위한 도면이다.
도 6은 본 발명의 일 실시예에 따라 지면과의 각도에 따라 웨어러블 장치의 위치를 보정하는 예를 나타낸 도면이다.
도 7은 웨어러블 장치의 위치에 따른 센서 감지값의 변화를 나타낸 도면이다.
도 8은 본 발명의 실시예에 따른 웨어러블 장치의 장착 위치 추정 방법의 흐름도이다.

본 발명은 다양한 변환을 가할 수 있고 여러 가지 실시예를 가질 수 있는바, 특정 실시예들을 도면에 예시하고 상세하게 설명하고자 한다. 본 발명의 효과 및 특징, 그리고 그것들을 달성하는 방법은 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 다양한 형태로 구현될 수 있다.

이하, 첨부된 도면을 참조하여 본 발명의 실시예들을 상세히 설명하기로 한다. 도면을 참조하여 설명할 때 동일하거나 대응하는 구성 요소는 동일한 도면부호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다.

도 1은 본 발명의 일실시예에 따른 웨어러블 장치의 위치 추정 장치에 대한 블록도이다.

도 1을 참조하면, 본 실시예에 따른 웨어러블 장치의 위치 추정 장치(100)는 센서부(110), 특징 추출부(120), 동작 판별부(130), 패턴 제공부(132), 중력 가속도 방향 판별부(140), 각도 연산부(150), 및 장착 위치 판별부(160)를 포함한다.

센서부(110)는 3축 (x축, y축, z축) 상에서의 가속도 신호를 감지하여 각 축에서의 가속도 신호를 출력한다. 이를 위해, 센서부(110)는 관성 센서를 포함할 수 있다. 웨어러블 장치에서 움직임을 추정하는 데에는 관성 센서를 사용할 수 있다. 관성 센서는 각속도와 가속도를 측정하는 6축 센서를 말한다.

센서부(110)는 3축을 기준으로 데이터를 수집하기 때문에, 같은 움직임이라도 웨어러블 장치의 위치에 따라 가속도 신호가 달라진다. 그리고, 각속도와 가속도 데이터를 이용하여 펫의 움직임을 추정하기 위해서는 데이터의 기준이 되는 장착 위치가 중요하다.

도 2는 펫에 장착된 웨어러블 장치의 위치에 따른 가속도 신호의 방향을 나타낸 도면이다.

도 2를 참조하면, 펫에 웨어러블 장치가 장착되는 위치에 따라 가속도 신호가 나타나는 축이 달라지는 것을 알 수 있다. 즉, 웨어러블 장치의 장착 위치에 따라 가속도 신호의 패턴이 각각 다르게 나타날 수 있다.

특징 추출부(120)는 센서부(110)로부터 x축, y축 및 z축의 센서 신호를 수신하고, 3축의 센서 신호로부터 x축, y축 및 Z축의 각속도 신호 및 x축, y축 및 Z축의 가속도 신호를 추출한 후 각 축 별 특징값을 계산한다. 3축의 센서 신호를 3축의 각속도 신호와 3축의 가속도 신호를 포함할 수 있다.

구체적으로, 특징 추출부(120)는 기 설정된 시간구간 내의 상기 각 축의 각속도 신호 또는 가속도 신호의 RSS(Root Sum Square) 값을 산출할 수 있다.

동작 판별부(130)는 목걸이를 착용한 펫이 움직이면 그 동작을 판별한다. 또한, 동작 판별부(130)는 상기 특징 추출부(120)로부터 출력되는 특징값을 분류 알고리즘에 의해 처리하여 동작을 판별한다. 이를 위해, 동작 판별부(130)는 동작 판별을 위해 다양한 기계학습 알고리즘을 사용할 수 있다. 상기 분류 알고리즘은 예를 들면, 뉴럴 네트워크(neural network), 서포트 벡터 머신(support vector machine), 베이지안 네트워크(Bayesian network), 나이브 베이즈 분류기(Naive Bayes classifier), 결정 트리(decision tree), k-최근접점(k-nearest neighbour; KNN) 접근법, 부스팅(boosting), 동적 베이지안 네 트워크(DBN), 은닉 마르코프 모델(Hidden Markov Model; HMM), 강화 학습(reinforcement learning), 로지스틱 회귀(logistic regression), 유전 알고리즘(genetic algorithm), 및 가우시안 프로세스(Gaussian process)를 포함할 수 있다.

상세히 설명하면, 동작 판별부(130)는 기계학습 알고리즘에 의해 학습된 동작패턴과 실제 센서 데이터 패턴의 유사성 정도를 비교하여 판단한다. 이를 위해, 동작 판별부(130)는 패턴 제공부(135)로부터 기계학습 알고리즘에 의해 학습된 동작패턴을 제공받는다.

패턴 제공부(135)는 복수개의 동작들에 대한 동작 패턴을 저장하며, 동작 판별부(130)에 상기 저장된 동작 패턴을 제공한다. 기계학습 알고리즘에 의해 동작 패턴을 학습하는 데에는 많은 시간 및 자원이 필요하므로 미리 동작 패턴을 학습하여 둔다.

그에 따라, 동작 판별부(130)는 센서 데이터 패턴을 기계학습 알고리즘에 의해 학습된 동작 패턴과 비교하여, 센서 데이터 패턴이 어떤 동작 패턴에 대응하는 지를 판별한다.

중력 가속도 방향 획득부(140)는 X, Y, 및 Z의 3축의 센서 신호를 분석한다. 일례로, 걷기 동작 수행 중 각 축의 가속도 신호에 하기 수학식 1에 나타낸 바와 같은 이동평균을 적용하면 필터 효과로 DC 성분만이 검출되는데, 이 DC 성분의 값을 이용하여 중력가속도의 크기를 검출할 수 있다. 하기 수학식 1은 이동평균을 나타낸다.

수학식 1에서 t는 데이터의 순서이고, n은 평균을 내고자 하는 데이터의 수량(걷기 패턴의 구간)이다.

도 3a 내지 도 3c는 도 1의 위치 추정 장치에 채용할 수 있는 웨어러블 장치의 장착 위치에 따른 가속도 데이터를 설명하기 위한 예시도들이다.

도 3a는 웨어러블 장치(센서 포함)가 도 2의 1번 위치에 있는 경우로서 걷기 행동 중의 가속도 데이터를 나타낸다. 도 3b는 웨어러블 장치가 도 2의 2번 위치에 있는 경우로서 걷기 행동 중의 가속도 데이터를 나타낸다. 또한, 도 3c는 웨어러블 장치가 도 2의 3번 위치에 있는 경우로서 걷기 행동 중의 가속도 데이터를 나타낸다.

도 3a 내지 및 도 3c에서 이동평균은 점선으로 나타나 있다. 도 3a 내지 도 3c에서 점선으로 나타난 이동평균에 따라 중력 가속도의 방향을 검출할 수 있다.

구현에 따라서, 걷기 패턴의 기저장된 가속도 신호들과 각 축의 가속도 신호와의 유사성을 비교하면 각 축 별로 걷기 패턴이 실린 정도를 알 수 있다. 유사성 비교 즉, 걷기 패턴이 실린 정도(이하, 걷기 레벨이라 함)를 이용하여 각 축의 중력가속도의 크기에 대한 비율을 획득할 수 있다. 이러한 중력 가속도 방향 판별부(140)의 동작을 도 3을 참조하여 설명하기로 한다.

도 4a 내지 4c는 도 1의 위치 추정 장치에 채용할 수 있는 동일한 움직임에서의 가속도 데이터를 나타낸 예시도들이다. 도 4d는 도 4a 내지 도 4c의 가속도 데이터를 서로 다른 장착 위치들로 변화한 경우를 설명하기 위한 예시도이다.

도 4a는 웨어러블 장치가 도 2의 1번 위치에 장착된 경우로서 동일한 움직임에서의 가속도 데이터를 나타내고, 도 4b는 웨어러블 장치가 도 2의 2번 위치에 장착된 경우로서 동일한 움직임에서의 가속도 데이터를 나타내고, 도 4c는 웨어러블 장치가 도 2의 3번 위치에 장착된 경우로서 동일한 움직임에서의 가속도 데이터를 나타낸다.

도 4a 내지 도 4c에 도시한 바와 같이, 2번 위치에서의 가속도 신호가 y축에 많이 있으므로, 동일한 움직임에서 2번 위치의 가속도 신호가 지구 중심축을 가장 정확하게 가리키고 있음을 알 수 있다.

도 4d는 웨어러블 장치가 1번 내지 3번 위치에 장착된 경우의 가속도 신호들을 모두 나타낸다. 도 4d에 나타낸 바와 같이, 웨이러블 장치의 장착 위치에 따라 각 축에서 측정되는 가속도 신호의 형태가 달라진다. 그에 따라, 각 축에서의 가속도 신호를 획득함으로써, 중력가속도 방향을 획득할 수 있다.

중력 가속도 방향 획득부(140)는 획득한 중력가속도 방향을 각도 연산부(150)에 제공한다.

도 5는 도 1의 위치 추정 장치에 채용할 수 있는, 중력 가속도를 이용한 지면과의 각도 추출 과정을 설명하기 위한 도면이다.

본 실시예에 따른 위치 추정 장치의 각도 연산부(150)는 가속도 방향에 따른 지면과의 각도를 연산할 수 있다. 즉, 도 5에 도시한 (a), (b), (c) 및 (d) 중 적어도 어느 하나의 형태와 유사하게, 각도 연산부(150)는 각 축의 중력가속도 값에 기초하여 지면과의 각도를 연산할 수 있다. 이를 모식적으로 나타내면 수학식 2와 같다.

위의 수학식 2는 기재된 순서대로 x축, y축 및 z축에 대한 기울기(inclination) 각도를 각각 나타낸다.

또한, 다른 실시예에서는 패턴 비교를 통해 중력가속도 3축의 비율 값에 기초하여 역탄젠트 연산을 통해 지면과의 각도를 연산할 수 있다.

장착 위치 판별부(160)는 각도 연산부(150)으로부터 제공된 지면과의 각도 및 중력 가속도 방향 획득부(140)에서 제공된 중력 가속도 방향에 기초하여, 웨어러블 장치의 장착 위치를 산출할 수 있다.

구체적으로, 장착 위치 판별부(160)는 초기 장착 위치를 기준점으로 이후 장치의 위치 변동을 추정해 얻어진 데이터를 보정해 줄 수 있다.

또한, 구현에 따라서, 주인에게 장치 보정을 요청하거나 각 장착 위치별로 학습되어 있는 다른 알고리즘을 적용하여 동작 판별을 수행할 수 있다.

도 6은 본 발명의 다른 실시예에 따른 위치 추정 장치에서 지면과의 각도에 따라 웨어러블 장치의 위치를 보정하는 예를 나타낸 도면이다.

도 6을 참조하면, 장착 위치 판별부(160)는 웨어러블 장치가 1번의 초기 위치에서 2번의 위치로 변동된 경우, 상기 각도 연산부(150)으로부터 제공된 지면과의 각도에 따라 웨어러블 장치의 위치를 보정한다.

장착 위치 판별부(160)는 추정한 회전각으로 장착 위치 정보를 계산하여 장착 위치가 필요한 동작 판별에 활용한다. 예컨대, 장착 위치 판별부(160)에서 제공된 장착 위치 정보에 따라, 펫의 정정지 동작인 눕기, 자기, 앉기, 엎드리기, 점프하기, 돌기 등을 판별할 수 있다.

다른 실시예에 따라, 장착 위치 판별부(160)는 추기적으로 산출되는 웨어러블 장치의 위치들의 평균값을 하기 수학식 3과 같이 구하여 웨어러블 장치의 위치를 산출할 수 있다.

이와 같이, 장착 위치 판별부(160)는 복수개의 산출된 위치들의 평균값을 웨어러블 장치의 위치로 결정할 수 있다.

또한, 장착 위치 판별부(160)는 웨어러블 장치의 장착 위치에 대한 정보를 동작 판별부(130)에 제공한다. 또한, 동작 판별부(130)는 장착 위치 판별부(160)로부터 제공된 웨어러블 장치의 장착 위치에 대한 정보에 기초하여, 펫의 동작을 판별할 수 있다.

다른 실시에에 따라, 동작 판별부(130)는 추정한 회전각으로 장착 위치 정보를 계산하여 장착 위치가 필요한 동작 판별에 활용할 수 있다. 즉, 동작 판별부(130)는 정지 동작인 눕기, 자기, 앉기, 엎드리기, 점프하기, 돌기 동작 등을 판별할 수 있다. 또한, 동작 판별부(130)는 장치의 위치 정보(기울어짐 각도)를 활용하여 펫 움직임에 방향성(오른쪽, 왼쪽) 정보를 추가할 수 있다.

도 7은 본 실시예에 따른 웨어러블 장치의 위치에 따른 센서 감지값의 변화를 나타낸 도면이다.

도 7을 참조하면, 센서가 다른 위치에 있음에도 불구하고 펫의 자세가 대칭되기 때문에 같은 방향의 중력가속도가 측정됨을 알 수 있다. 물론, 실제로는 정자세와 달리 누운 자세에서는 센서의 위치가 1번에서 2번으로 이동할 수 있다. 따라서 본 실시예에서는 장착 위치 정보를 웨어러블 센서에서 추출하는 데이터의 동작 판별에 활용함으로써 자세에 상관없이 정확한 동작 정보를 추출하는 것이 가능하다. 즉, 각도 정보를 활용함으로써, 펫이 오른쪽이나 왼쪽으로 뛰어나가거나 돌거나 누운 정보를 상대적으로 정확하게 판단할 수 있다.

도 8은 본 발명의 다른 실시예에 따른 웨어러블 장치의 위치 추정 방법의 흐름도이다.

도 8을 참조하면, 본 실시예에 따른 위치 추정 방법을 이용하는 위치 추정 장치는 먼저 센서 데이터를 획득할 수 있다(S610). 예컨대, 위치 추장 장치는 펫의 움직임을 센싱하여 3축 센서 신호를 획득할 수 있다.

다음, 위치 추정 장치는 단계 S620에서 3축 센서 신호로부터 x축, y축 및 Z축의 각속도 신호 및 x축, y축 및 Z축의 가속도 신호를 추출한 후, 각 축 별 특징값을 계산할 수 있다. 각 축 별 특징값은 각 축의 각속도 신호 또는 가속도 신호의 RSS(Root Sum Square) 값이 될 수 있다.

다음, 위치 추정 장치는 단계 S630에서 상기 특징값을 분류 알고리즘에 의해 처리하여 동작을 판별할 수 있다. 일례로, 위치 추정 장치는 기계학습 알고리즘에 의해 학습된 동작 패턴과 실제 센서 데이터 패턴의 유사성 정도를 비교하여 동작을 판단할 수 있다.

다음, 위치 추정 장치는 단계 S640에서 판별된 동작이 동적 움직임 혹은 동적 상태인지를 판단할 수 있다. 일례로, 위치 추정 장치는 판별된 동작이 걷기 동작인지를 판단할 수 있다. 걷기 동작을 기준으로 선택하면, 걷기 동작이 대게 장착 위치의 기준이 되는 펫의 정자세에서 일정한 패턴으로 수행되기 때문에 이때의 센서 데이터를 본 실시예의 위치 추정에 효과적으로 이용할 수 있다.

다음, 위치 추정 장치는 단계 S650에서 3축 센서 신호와 기저장된 걷기 패턴 데이터의 유사성에 기초하여 각 축 별의 걷기 패턴이 실린 정도를 획득하고, 걷기 패턴이 실린 정도에 대응하는 걷기 레벨을 토대로 중력 가속도의 방향을 추출할 수 있다.

다음, 위치 추정 장치는 단계 S660에서 상기 중력가속도 크기에 기초하여 지면과의 각도를 연산할 수 있가. 그리고, 최종적으로, 위치 추정 장치는 단계 S670에서 지면과의 각도 및 상기 중력 가속도 방향에 기초하여 웨어러블 장치의 장착 위치를 산출할 수 있다.

전술한 구성(단계들)에 의하면, 펫이 웨어러블 장치를 처음 착용 후 정지상태가 아닌 걷기 패턴 중에도 웨어러블 장치의 장착 위치를 유추하여 장착 위치 추정의 정확도를 높일 수 있다.

또한, 장착 위치 정보를 웨어러블 센서에서 추출하는 데이터의 동작 판별에 활용함으로써 정확한 동작 정보 추출이 가능하다. 즉 각도 정보를 활용할 수 있다면 펫이 오른쪽이나 왼쪽으로 뛰거나 돌거나 누운 정보를 추출할 수 있다.

또한, 각 장착 위치 별로 동작 판별 알고리즘을 만든다면 각 상황에 맞는 알고리즘을 적용하여 판별의 정확도를 높일 수 있다.

또한, 종래에는 관성 센서로 방향성을 알 수 없기에 그 크기만으로 특징을 추출하여 움직임을 추정하는 반면, 본 발명의 웨어러블 장치의 위치 추정 방법 및 장치는 관성 센서를 이용하여 각도 정보도 활용할 수 있다.

또한, 추출한 장치 장착 위치 정보는 주인에게 알려주어 빠르게 장착 위치 보정에 개입할 수 있게 도와주거나 주인의 개입 없이도 자체 보정을 통해 정확하게 동작판별을 수행할 수 있도록 할 수 있다.

본 발명의 실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다.

전술한 실시예에서는 주로 펫의 목걸이 형태로 착용되는 웨어러블 장치가 모든 구성요소를 포함하는 형태를 중심으로 설명하였지만, 본 발명은 그러한 구성으로 한정되지 않고, 웨어러블 장치가 센서만을 포함하고, 사용자 단말이나 사용자의 컴퓨팅 장치에서 센서 데이터를 획득하여 웨어러블 장치의 위치를 추정하도록 구현될 수 있다.

상기의 본 발명의 상세한 설명에서는 첨부된 도면에 의해 참조되는 바람직한 실시 예를 중심으로 구체적으로 기술되었으나, 본 발명의 범위에서 벗어나지 않는 한도 내에서 여러 가지 변형 가능함은 물론이다. 그러므로 본 발명의 범위는 설명된 실시 예에 국한되어 정해져서는 안되며 후술하는 청구범위뿐 아니라 이 청구범위와 균등한 것들에 의해서 정해져야 한다.

Claims (10)

1. 펫(pet)에 장착되는 웨어러블 장치의 장착 위치를 추정하는 위치 추정 장치로서,
   상기 펫의 움직임을 센싱하여 3축 센서 신호를 출력하는 센서부;
   상기 센서부로부터 출력된 상기 3축 센서 신호로부터 x축, y축, 및 Z축의 각속도 신호 및 3축의 가속도 신호를 추출한 후, 기 설정된 시간구간 내의 상기 각 축 별 특징값을 계산하는 특징 추출부;
   상기 특징 추출부로부터 출력되는 특징값을 분류 알고리즘에 의해 처리하여 동작을 판별하는 동작 판별부;
   기계학습 알고리즘에 의해 학습된 동작패턴을 저장하는 패턴 제공부;
   상기 판별된 동작의 기저장된 가속도 신호들을 필터링하거나 상기 각 축의 가속도 신호를 비교하여 중력 가속도 방향을 추출하는 중력 가속도 방향 판별부;
   상기 중력가속도 방향에 기초하여 지면과의 각도를 연산하는 각도 연산부; 및
   상기 각도 연산부로부터 제공된 지면과의 각도 및 상기 중력 가속도 방향 획득부에서 제공된 중력 가속도 방향에 기초하여, 상기 웨어러블 장치의 장착 위치를 산출하는 장착 위치 판별부를 포함하는, 위치 추정 장치.
   
2. 청구항 1에 있어서, 상기 특징값은 상기 각 축의 가속도 신호의 RSS(Root Sum Square) 값을 포함하는, 위치 추정 장치.
   
3. 청구항 1에 있어서, 상기 기계학습 알고리즘은, 뉴럴 네트워크(neural network), 서포트 벡터 머신(support vector machine), 베이지안 네트워크(Bayesian network), 나이브 베이즈 분류기(Naive Bayes classifier), 결정 트리(decision tree), k-최근접점(k-nearest neighbour; KNN) 접근법, 부스팅(boosting), 동적 베이지안 네 트워크(DBN), 은닉 마르코프 모델(Hidden Markov Model; HMM), 강화 학습(reinforcement learning), 로지스틱 회귀(logistic regression), 유전 알고리즘(genetic algorithm) 및 가우시안 프로세스(Gaussian process) 중 어느 하나 이상을 포함하는, 위치 추정 장치.
   
4. 청구항 1에 있어서, 상기 동작 판별부는 상기 기계학습 알고리즘에 의해 학습된 동작패턴과 실제 데이터 패턴의 유사성 정도를 비교하여 판단함으로써 동작을 판별하는 위치 추정 장치.
   
5. 청구항 1에 있어서, 상기 장착 위치 판별부는 수학식 1에 따라 주기적으로 산출되는 웨어러블 장치의 위치들의 평균값을 구하여 웨어러블 장치의 위치로 판별하는 장착위치 추정 장치:
   [수학식 1]
   

   

   
   수학식 1에서 t는 데이터의 순서이고, n은 평균을 내고자 하는 데이터의 수량(걷기 패턴의 구간)이다.
   
6. 펫(pet)에 장착되는 웨어러블 장치의 장착 위치를 추정하는 위치 추정 방법으로서,
   상기 펫의 움직임을 센싱하여 3축 센서 신호를 획득하는 단계;
   상기 3축 센서 신호로부터 x축, y축, 및 Z축의 각속도 신호 및 x축, y축, 및 Z축의 가속도 신호를 추출한 후, 기 설정된 시간구간 내의 상기 각 축 별 특징값을 계산하는 단계;
   상기 특징값을 분류 알고리즘에 의해 처리하여 동작을 판별하는 단계;
   상기 판별된 동작의 기저장된 가속도 신호들과 상기 각 축의 가속도 신호를 비교하여 중력 가속도 방향을 추출하는 단계;
   상기 중력가속도 방향에 기초하여 지면과의 각도를 연산하는 단계; 및
   상기 연산된 지면과의 각도 및 상기 추출된 중력 가속도 방향에 기초하여, 상기 웨어러블 장치의 장착 위치를 산출하는 단계를 포함하는 위치 추정 방법.
   
7. 청구항 6에 있어서, 상기 특징값은 상기 각 축의 가속도 신호의 RSS(Root Sum Square) 값인 위치 추정 방법.
   
8. 청구항 6에 있어서, 상기 판별하는 단계 전에 기계학습 알고리즘에 의해 학습된 동작패턴을 저장하는 단계를 더 포함하는 위치 추정 방법.
   
9. 청구항 8에 있어서, 상기 판별하는 단계는 상기 기계학습 알고리즘에 의해 학습된 동작패턴과 실제 데이터 패턴의 유사성 정도를 비교하여 판단함으로써 동작을 판별하는 단계를 포함하는 장착위치 추정 방법.
   
10. 청구항 6에 있어서, 상기 장착 위치를 산출하는 단계는 수학식 1에 따라 주기적으로 산출되는 웨어러블 장치의 위치들의 평균값을 구하여 웨어러블 장치의 위치를 결정하는 장착위치 추정 방법:
    [수학식 1]
    [수학식 1]
    

    

    
    수학식 1에서 t는 데이터의 순서이고, n은 평균을 내고자 하는 데이터의 수량(걷기 패턴의 구간)이다.

Images