KR20190053470A

KR20190053470A - 딥러닝 기반 측위 시스템 및 이의 구축 방법

Info

Publication number: KR20190053470A
Application number: KR1020170149387A
Authority: KR
Inventors: 하재명; 박수용
Original assignee: 주식회사 셀리지온
Priority date: 2017-11-10
Filing date: 2017-11-10
Publication date: 2019-05-20
Also published as: KR102116824B1

Abstract

무선 신호 정보를 수집하는 데이터 수집 툴; 상기 데이터 수집 툴에 의해 수집된 무선 신호 정보를 이용하여 인공 신경망 구조의 측위 알고리듬을 학습시키고 학습된 결과를 검증하는 트레이닝 서버; 및 상기 트레이닝 서버에서 학습된 인공 신경망 구조의 측위 알고리즘을 탑재하고, 입력된 무선 신호 정보에 대해 인공 신경망 구조의 측위 알고리즘을 적용하여 입력된 무선 신호 정보가 획득된 위치를 추정하는 측위 서버를 포함하는 딥러닝 기반 무선 측위 시스템이 개시된다.

Description

딥러닝 기반 측위 시스템 및 이의 구축 방법{POSITIONING SYSTEM BASED ON DEEP LEARNIN AND CONSTRUCTION METHOD THEREOF}

본 발명은 딥러닝 기반 측위 시스템과 이를 구축하는 방법에 관한 것으로, 더욱 상세하게는 근거리 통신을 위한 억세스 포인트가 설치된 실내 공간에서 억세스 포인트와 통신하는 단말기의 위치를 실시간으로 정확하게 측정할 수 있는 딥러닝 기반 측위 시스템 및 이의 구축 방법에 관한 것이다.

실내 측위 기법은 전파, 광원 등을 이용하여 건물 내부에 있는 사용자의 위치를 파악하는 기술이다.

전파를 이용하는 무선 측위는 사용자의 이동 단말기와 이동통신망의 기지국, 와이파이 억세스 포인트, 블루투스 억세스 포인트와 같은 장치가 송출하는 신호를 측정하여 처리 함으로서 사용자의 위치를 측정하게 된다. 이때 사용자의 위치를 결정하기 위한 방법으로 무선 신호의 도달 시간을 기반으로 하는 방식과 배열 안테나를 이용한 도래각 기반으로 하는 측정방식과 신호 세기를 기반으로 하는 방식 등이 알려져 있다.

대표적인 시간 기반의 측위 방식으로는 TOA(Time Of Arrival) 방식과 TDOA(Time Difference Of Arrival) 방식이 있는데 TOA 방식은 무선 신호의 도달 시간을 이용하고 TDOA는 무선 신호의 도달시간의 차이를 이용하는 방식이다.

도래각을 기반으로 한 측위 방식은 두 개 이상의 기지국이 단말기로부터 오는 신호의 방향을 측정하여 방향각을 구하고 이것을 이용하여 단말기의 위치를 측정한다. 단말기의 위치를 구하기 위해서는 최소 2 개 이상의 방향각이 필요하다.

다른 실내 측위 방식의 하나인 Cell ID 방식은 단말기의 위치를 서비스 커버리지의 정보를 이용해 추정하는 기술이다. 단말기의 위치는 Cell의 서비스 영역에 위치한다. Cell ID 방식을 개선한 Enhanced Cell ID 방식은 상기 Cell ID 방법에 기지국과 단말기 사이에 거리정보를 추가하여 정확도를 개선한 방식이다.

또 다른 실내 측위 방식의 하나인 RF 패턴 매칭 방식은 신호원으로부터 수신기의 안테나에 수신된 RF 패턴을 이용한다. 이 RF패턴은 사전에 구축된 위치에 대한 기준 RF 패턴 데이터베이스와 비교되어서 가장 유사한 기준 RF패턴에 해당하는 위치를 매핑하여 단말기의 위치로 추정하는 방식이다.

핑거프린트 방식은 실내 공간을 가상의 격자로 잘게 쪼개고 해당 격자마다 각 와이파이 신호의 세기를 측정하여 지문과 같은 형태로 데이터베이스화 해 놓은 후에 자신이 측정한 와이파이 신호의 세기를 데이터베이스와 비교하여 위치를 알아 낼 수 있도록 하는 방식으로서 종래의 방식보다 더 정확성을 향상시킨 방식이다.

이와 같이 실내 측위를 위한 다양한 기술적 방법이 개발되고 적용되어 왔지만 각 기술이 가지는 단점들 때문에 아직까지도 만족할 만한 성능을 제공하지 못하고 있는 실정이다.

예를 들어 TOA나 TDOA 같은 시각 기준 방식은 와이파이와 같은 일반적인 무선장치에서는 정확한 시간 측정이 어렵고 측정된 시간에 대한 오차가 커서 실제 상용화에 적용하기가 힘든 것이 사실이다.

물론 UWB나 RFID 방식의 무선신호를 사용하면 와이파이 대비 보다 정확한 시간을 측정하는 것이 가능하지만 별도의 억세스 포인트와 전용 수신기(스마트폰과 같은 일반적인 기기에는 UWB나 RFID를 사용할 수 없음)가 필요하여 상용화에 적합하지 못한 것이 현실이다.

또한, 종래의 핑거프린트 방식은, 수집되는 억세스 포인트의 숫자가 많고 신호세기의 출렁거림으로 인하여 인접 격자와의 구분이 쉽지 않고 이것을 알고리듬으로 구현한다는 것이 매우 어려워서 때로는 많은 오차가 발생하며 RF 신호의 빈번한 변경으로 RF 데이터 베이스를 주기적으로 다시 생성하여야 하는 문제가 있다.

이에 본 발명은, 딥러닝 알고리듬, 특히 RNN(Recurrent Neural Network) 구조를 이용한 딥러닝 알고리듬을 적용하여 피측정 단말기의 위치를 더욱 정확하게 측정할 수 있는 딥러닝 기반 측위 시스템 및 그 구축 방법을 제공하는 것을 해결하고자 하는 기술적 과제로 한다.

상기 기술적 과제를 해결하기 위한 수단으로서 본 발명은,

무선 신호 정보를 수집하는 데이터 수집 툴;

상기 데이터 수집 툴에 의해 수집된 무선 신호 정보를 이용하여 인공 신경망 구조의 측위 알고리듬을 학습시키고 학습된 결과를 검증하는 트레이닝 서버; 및

상기 트레이닝 서버에서 학습된 인공 신경망 구조의 측위 알고리즘을 탑재하고, 입력된 무선 신호 정보에 대해 인공 신경망 구조의 측위 알고리즘을 적용하여 입력된 무선 신호 정보가 획득된 위치를 추정하는 측위 서버;

를 포함하는 딥러닝 기반 무선 측위 시스템을 제공한다.

본 발명의 일 실시형태에서, 상기 데이터 수집 툴은, 측위의 대상이 되는 공간을 복수의 단위 구역으로 구분하여 각 단위 구역에 식별자를 부여하고, 각 단위 구역 마다 복수의 무선 신호 정보를 수집할 수 있다.

본 발명의 일 실시형태에서, 상기 무선 신호 정보는, 상기 무선 신호 정보는, 각 단위 구역에서 무선신호를 수신 가능한 억세스 포인트의 식별자 및 상기 억세스 포인트와의 무선 신호 세기를 포함할 수 있다.

본 발명의 일 실시형태에서, 상기 데이터 수집 툴은, 상기 무선 신호 정보를 상기 단위 구역의 식별자와 결합하고, 상기 단위 구역의 식별자와 그에 결합된 무선 신호 정보를 상기 트레이닝 서버의 학습에 사용되는 트레이닝 데이터와 검증에 사용되는 테스트 데이터로 구분할 수 있다.

본 발명의 일 실시형태에서, 상기 데이터 수집 툴은, 상기 억세스 포인트 별 무선 신호 세기의 값을 요소로 하는 벡터값 X와 상기 단위 구역의 식별자에 해당하는 벡터값 Y로 매핑하며, 상기 벡터값 X와 벡터값 Y를 상호 일대일 매핑할 수 있다.

본 발명의 일 실시형태에서, 상기 데이터 수집 툴은, 상기 무선 신호 정보를 수집하기 위한 영역의 지도와, 상기 지도의 축적 정보와, 상기 지도 상에 표시된 상기 단위 구역과, 상기 단위 구역 별 무선 신호 정보 수집 여부를 표시하는 식별표식과 상기 무선 신호 정보를 수집하여야 하는 위치를 표시하는 마커를 디스플레이할 수 있다.

본 발명의 일 실시형태에서, 상기 데이터 수집 툴은, 수집된 무선 신호 정보 중 이동형 억세스 포인트에 대한 무선 신호 정보는 삭제할 수 있다.

본 발명의 일 실시형태에서, 상기 트레이닝 서버는, 딥러닝을 위한 신경망 구조의 측위 알고리듬을 포함하며, 상기 데이터 수집 툴에 의해 수집된 무선 신호 정보의 학습을 통해 인공 신경망 구조의 웨이트 값과 바이어스 값을 최적화할 수 있다.

본 발명의 일 실시형태에서, 상기 신경망 구조는 RNN(Recurrent Neural Network)이며, 상기 RNN은 LSTM(Long Short Term Memory) 네트워크일 수 있다.

본 발명의 일 실시형태에서, 상기 트레이닝 서버는, 비용 함수값이 최소가 되는 지점을 찾기 위한 러닝 레이트(learning rate)가 설정될 수 있다.

본 발명의 일 실시형태에서, 상기 트레이닝 서버는, 학습량을 나타내는 트레이닝 카운트(Training Count)가 설정될 수 있다.

본 발명의 일 실시형태에서, 상기 트레이닝 서버는, 측위 대상 영역에 존재하는 억세스 포인트의 개수에 해당하는 입력 데이터 규모를 가지며, 1의 출력 데이터 규모를 가지며, 상기 입력 데이터 규모와 동일하거나 임의로 결정된 히든 데이터 규모를 가질 수 있다.

본 발명의 일 실시형태에서, 상기 트레이닝 서버는, 시간 상 그 이전에 수집된 무선 신호 데이터를 얼마나 측위에 적용할 것인지를 나타내는 시퀀스 길이가 설정될 수 있다.

본 발명의 일 실시형태에서, 상기 트레이닝 서버는, 상기 데이터 수집 툴에서 제공되는 데이터를 신경망 구조에 적용하기 적합한 형태로 전처리하고, 전처리된 상기 트레이닝 데이터를 딥러닝을 위한 신경망 구조에 입력하여 측위 알고리듬을 학습 시키며, 학습된 신경망 구조의 측위 알고리듬에 전처리된 상기 테스트 데이터를 입력하여 학습된 신경망 구조의 측위 알고리듬을 검증할 수 있다.

본 발명의 일 실시형태에서, 측위 대상이 되며 상기 억세스 포인트로부터 무선 신호 정보를 수집할 수 있는 피측정 단말기를 더 포함할 수 있다.

본 발명의 일 실시형태에서, 상기 피측정 단말기는 수집한 무선 신호 정보를 상기 측위 서버로 제공하고 상기 측위 서버는 상기 피측정 단말기에서 제공된 무선 신호 정보에 신경망 구조의 측위 알고리듬을 적용하여 상기 피측정 단말기의 위치를 도출할 수 있다.

본 발명의 일 실시형태에서, 상기 측위 서버는, 상기 피측정 단말기에서 제공된 무선 신호 정보를 신경망 구조에 적용하기 적합한 형태로 전처리 한 후 신경망 구조의 측위 알고리듬에 입력하여 상기 피측정 단말기의 위치를 추정하고, 상기 트레이닝 서버의 학습에 사용된 위치 정보와 가장 가까운 위치를 최종 위치 정보로 상기 피측정 단말기에 제공할 수 있다.

본 발명의 일 실시형태에서, 상기 피측정 단말기는 상기 트레이닝 서버에서 학습된 인공 신경망 구조의 측위 알고리즘을 탑재하고, 수집한 무선 신호 정보를 이용하여 스스로 위치를 추정할 수 있다.

상기 기술적 과제를 해결하기 위한 다른 수단으로서 본 발명은,

측위의 대상이 되는 공간을 구분한 복수의 단위 구역마다 복수의 무선 신호 정보를 수집하는 데이터 수집 단계; 및

상기 데이터 수집 단계에서 수집된 무선 신호 정보를 이용하여 인공 신경망 구조의 측위 알고리듬을 학습시키고 학습된 결과를 검증하는 트레이닝 단계;

를 포함하는 딥러닝 기반 무선 측위 시스템 구축 방법을 제공한다.

본 발명의 일 실시형태에서, 상기 무선 신호 정보는, 각 단위 구역에서 무선 신호 정보를 수신 가능한 억세스 포인트의 식별자 별 무선 신호 세기를 포함할 수 있다.

본 발명의 일 실시형태에서, 상기 데이터 수집 단계는, 상기 무선 신호 정보를 상기 단위 구역의 식별자와 결합하고, 상기 단위 구역의 식별자와 그에 결합된 무선 신호 정보를 상기 트레이닝 서버의 학습에 사용되는 트레이닝 데이터와 검증에 사용되는 테스트 데이터로 구분할 수 있다.

본 발명의 일 실시형태에서, 상기 데이터 수집 단계는, 상기 억세스 포인트 별 무선 신호 세기의 값을 요소로 하는 벡터값 X와 상기 단위 구역의 식별자에 해당하는 벡터값 Y로 매핑하며, 상기 벡터값 X와 벡터값 Y를 상호 일대일 매핑할 수 있다.

본 발명의 일 실시형태에서, 상기 트레이닝 단계는, 딥러닝을 위한 신경망 구조의 측위 알고리듬을 포함하는 트레이닝 서버를 마련하고, 상기 데이터 수집 단계에서 수집된 무선 신호 정보를 상기 트레이닝 서버에 입력하여 학습시킴으로써 인공 신경망 구조의 웨이트 값과 바이어스 값을 최적화할 수 있다.

본 발명의 일 실시형태에서, 상기 트레이닝 단계는, 상기 데이터 수집 단계에서 생성된 데이터를 신경망 구조에 적용하기 적합한 형태로 전처리하고, 전처리된 상기 트레이닝 데이터를 딥러닝을 위한 신경망 구조에 입력하여 측위 알고리듬을 학습 시키며, 학습된 신경망 구조의 측위 알고리듬에 전처리된 상기 테스트 데이터를 입력하여 학습된 신경망 구조의 측위 알고리듬을 검증 할 수 있다.

상기 딥러닝 기반 측위 시스템 및 그 구축 방법에 따르면, 무선 신호 정보를 이용하여 위치를 측정함에 있어서 딥러닝을 기반으로 한 측위 알고리즘을 적용하므로 데이터베이스에 저장된 데이터와 패턴의 유사성을 고전적인 분석 알고리듬으로 비교하는 핑거프린트 방식에 비해 더욱 정확한 측위가 가능하게 된다.

특히, 상기 딥러닝 기반 측위 시스템 및 그 구축 방법에 따르면, RNN 구조의 딥러닝을 통해 측위 알고리즘을 구현함으로써 이전 시간의 데이터가 현재의 측위 결과에 영향을 주게 됨으로써 불연속적인 오차 특징을 배제하여 더욱 정확한 측위가 가능하다.

도 1은 본 발명의 일 실시형태에 따른 딥러닝 기반 측위 시스템의 블록 구성도이다.
도 2는 본 발명의 일 실시형태에 따른 딥러닝 기반 측위 시스템 구축 방법을 도시한 흐름도이다.
도 3은 본 발명의 일 실시형태에 따른 딥러닝 기반 측위 시스템의 데이터 수집 툴 표시 화면의 일례를 도시한다.
도 4 및 도 5는 본 발명의 일 실시형태에 따른 딥러닝 기반 측위 시스템의 데이터 수집 툴에 의해 수행되는 신호 정보 변환에 의해 생성된 데이터 구조를 도시한 도면이다.
도 6은 본 발명의 일 실시형태에 따른 딥러닝 기반 측위 시스템에 적용되는 측위 알고리듬의 구현을 위한 신경망 구조를 도시한 도면이다.
도 7은 본 발명의 일 실시형태에 따른 딥러닝 기반 측위 시스템의 측위 알고리듬 학습 및 검증용 입력 데이터 구조의 일례를 도시한 도면이다.
도 8은 본 발명의 일 실시형태에 따른 딥러닝 기반 측위 시스템의 트레이닝 서버에서 이루어지는 데이터 처리 과정을 도시한 도면이다.
도 9는 본 발명의 일 실시형태에 따른 딥러닝 기반 측위 시스템의 측위 서버에서 이루어지는 데이터 처리 과정을 도시한 도면이다.

이하, 첨부의 도면을 참조하여 본 발명의 다양한 실시형태에 따른 딥러닝 기반 측위 시스템 및 그 구축 방법을 더욱 상세하게 설명한다.

본 발명의 일 실시형태에 따른 딥러닝 기반 측위 시스템은 딥러닝 기반 측위 알고리듬을 생성하기 위해 필요한 무선 신호 정보를 수집하는 데이터 수집 툴(10)과, 수집된 무선 신호 정보를 이용하여 인공 신경망 구조의 측위 알고리듬을 학습시키는 트레이닝 서버(20)와, 트레이닝 서버(20)에서 학습된 인공 신경망 구조의 측위 알고리즘을 탑재하는 측위 서버(30)와, 측위 서버(30)에 수집된 무선 신호 정보를 제공하고 제공된 무선 신호 정보를 입력으로 측위 서버(30)가 측정한 위치 정보를 제공받는 피측정 단말기(40)를 포함하여 구성될 수 있다.

이에 더하여 본 발명의 일 실시형태에 따른 딥러닝 기반 측위 시스템은 측위 서버(30)가 측정한 위치 정보를 제공 받아 그에 대응되는 위치 기반 서비스를 제공하는 응용 서비스 서버(50)를 포함할 수 있다.

데이터 수집 툴(10)은 측위의 대상이 되는 공간(특히, 실내 공간)을 일정 크기의 격자 또는 이동 경로 상의 일정 구간으로 구분한 단위 구역에 식별자(고유 번호)를 부여하고, 해당 단위 구역에서 무선 신호 정보를 복수 개 수집하며, 수집된 정보를 트레이닝 서버(20)에서 이루어지는 학습에 요구되는 형식으로 변환하여 트레이닝 서버(20)로 제공한다.

트레이닝 서버(20)는 딥러닝 기반 측위 알고리즘에 적용되는 인공 신경망 구조를 설계하여 적용하고, 데이터 수집 툴에서 제공되는 정보를 이용하여 해당 인공 신경망 구조에 최적화된 값들을 찾아 측위 알고리즘을 완성한다.

측위 서버(30)는 트레이닝 서버(20)에서 학습되고 검증되어 최적화된 인공신경망 구조의 측위 알고리즘을 탑재하고 피측정 단말기(40)의 위치를 추정하는 기능을 제공하는 서버이다. 피측정 단말기(40)가 현재 위치에서 수집한 무선 신호 정보를 이용하여 단말기의 위치를 추정한다.

측위 서버(30)는 추정된 피측정 단말기(40)의 위치 정보를 서비스의 종류에 따라 피측정 단말기(40)로 또는 응용 서비스 서버(50)(응용 서비스가 탑재된 일반 사용자 단말기도 가능)로 전송할 수 있다.

응용 서비스 서버(50)는 네비게이션, 현 위치 안내, 존 진출입 서비스, 위치 기반 광고 서비스 등과 같은 다양한 위치 기반 응용 서비스를 제공할 수 있다.

피측정 단말기(40)는 현재 위치에서의 무선 신호 정보를 수집하여 측위 서버(30)로 전달하고, 측위 서버(30)는 전달받은 무선 신호 정보에 인공 신경망 구조를 적용한 측위 알고리듬을 적용하여 위치 정보를 추정 할 수 있다. 또한, 본 발명의 일 실시형태에서 응용 서비스의 용도에 따라 피측정 단말기에 인공 신경망 측위 알고리듬을 직접 탑재할 수도 있다.

도 2는 본 발명의 일 실시형태에 따른 딥러닝 기반 측위 시스템 구축 방법을 도시한 흐름도이다.

도 2를 참조하면, 본 발명의 일 실시형태에 따른 딥러닝 기반 측위 시스템 구축 방법은, 데이터 수집 툴(10)에 의해 수행되는 데이터 수집 단계(S11)와, 트레이닝 서버(20)에 의해 수행되는 학습 및 검증 단계(S12) 및 측위 서버(S30)를 구축하는 단계(S13)를 포함하여 구성될 수 있다. 이와 같은 본 발명의 일 실시형태에 따른 딥러닝 기반 측위 시스템 구축 방법의 각 단계가 다음에 더욱 상세히 설명된다. 각 단계에 대한 설명을 통해 도 1에 도시된 본 발명의 일 실시형태에 따른 딥러닝 기반 측위 시스템의 각 구성 요소에 대한 작용이 더욱 상세하게 설명될 수 있을 것이다.

데이터 수집 단계(S11)

데이터 수집 단계(S11)는 데이터 수집 툴(10)에 의해 수행될 수 있다.

데이터 수집 툴(10)은 측위의 대상이 되는 전체 영역에서 무선 신호 정보를 수집하기 위한 장치로서 스마트 폰, 랩탑 컴퓨터 등과 같은 모바일 통신 장치로 구현될 수 있다.

본 발명의 일 실시형태에서, 데이터 수집 툴(10)은 측위 대상이 되는 전체 영역을 복수의 단위 구역(격자 또는 이동 경로 상에 설정된 구간)으로 구분하고 단위 구역마다 무선 신호 정보를 수집할 수 있다. 측위를 위한 무선 신호 정보는 해당 단위 구역에서 통신 가능한 와이파이 억세스 포인트의 식별자(예를 들어, 맥어드레스)와 각 억세스 포인트와의 무선 신호 세기 정보가 될 수 있다.

데이터 수집 툴에서 수집된 정보는 수집 위치 정보(즉, 단위 구역을 식별하기 위한 정보)와 결합되어 딥러닝 측위 알고리듬을 학습시키기 위한 트레이닝 데이터와 테스트 데이터로 구분될 수 있다.

도 3은 본 발명의 일 실시형태에 따른 딥러닝 기반 측위 시스템의 데이터 수집 툴 표시 화면의 일례를 도시한다.

데이터 수집 툴(10)은 사전 설치된 프로그램에 의해 도 3에 도시된 것과 같은 화면(11)을 표시하고 다음과 같이 동작할 수 있다.

데이터 수집 툴(10)에서 데이터 수집을 위한 프로그램을 실행하면, 수집 대상 지역(실내 공간 등)의 지도(111)를 로드할 수 있다. 이 지도(111)의 하단에는 지도 상에서 실제 거리를 유추할 수 있도록 축적 정보(112)가 표시될 수 있다.

또한, 데이터 수집 툴(10)에 표시된 지도(111) 상에는 와이파이 신호 정보를 수집하여야 하는 단위 구역(113, 113')가 표시될 수 있는데, 추후 와이파이 신호 정보 수집이 이루어져야 하는 단위 구역(113)과 와이파이 신호 정보 수집이 이미 이루어진 단위 구역(113')이 색상이나 명암 혹은 번호 표시 등의 방식으로 구분될 수 있다.

그리고, 데이터 수집을 하고자 하는 단위 구역의 위치를 마킹할 수 있는 마커(114)가 제공될 수 있다. 마커(114)는 와이파이 신호 정보를 수집하여야 하는 위치를 의미하며 마커가 표시된 위치로 이용자가 이동하여 신호 정보를 수집할 수 있다. 수집이 완료되면 데이터 수집이 완료된 지역임을 알 수 있게 하기 위해 해당 단위 구역의 색상, 명암을 변경하거나 해당 단위 구역에 번호를 부여할 수 있다.

수집이 필요한 단위 구역의 위치를 표시하는 방법은 사용자가 지도 상에 직접 표시하거나 GPS 등 내 위치를 알 수 있는 환경이라면 현재 위치를 지도 상에 자동으로 표시할 수도 있다.

데이터 수집 툴(10)은 각 단위 구역 별로 복수 개의 억세스 포인트에 대해 각각 신호의 세기를 복수 개 수집할 수 있으며 수집 개수는 사용자가 설정할 수 있도록 한다.

데이터 수집 툴(10)에 의해 수집되는 와이파이 신호 정보는 와이파이 억세스 포인트의 맥어드레스, 각 억세스 포인트에 대한 신호 세기, 사용자가 부여한 단위 구역의 식별자(식별 번호), 위치 좌표(확보 가능할 경우) 등을 포함할 수 있다.

한편, 데이터 수집 툴(10)은 전술한 것과 같이 와이파이 신호 정보를 수집하는 것뿐만 아니라, 단위 구역에 포함된 신호들에 대하여 동일한 구분 번호를 부여하고 이를 입력 데이터(X), 출력 데이터(Y)로 변환할 수 있다. 이러한 변환은 수집된 와이파이 신호 정보를 트레이닝 서버(20)에서 사용하기 위한 딥러닝 측위 알고리듬 입력 정보로 변환하는 것이다.

이하에서는 데이터 수집 툴(10)에 의해 이루어지는 데이터 변환에 대해 상세하게 설명하기로 한다.

데이터 수집 툴(10)은 수집한 와이파이 신호 정보를 단위 구역에서의 억세스 포인트 별 신호 세기 값을 요소로 하는 벡터 값 X, 단위 구역을 나타내는 Y로 매핑 한다. X는 억세스 포인트(각 억세스 포인트는 맥 어드레스와 같은 유니크한 값으로 구분됨)별로 수집한 신호 세기에 대응되는 값(측정된 신호 세기 값을 일정 함수를 이용하여 변환한 값)이고 Y는 단위 구역 각각에 부여한 수집 위치 구분 번호로서 위치 정보와 일대일로 매핑 되어야 하는 사용자가 부여한 정보이다.

여기서, X와 Y는 일대일로 매핑 되고 Y는 최종적으로 실제 위치 좌표와 일대일 매핑될 수 있다. 즉 Y 에 해당되는 위치 좌표 변환 DB가 구축될 필요가 있다. 또한, 모든 단위 구역 각각에 대하여 수집된 와이파이 신호 정보는 X, Y 벡터 값으로 변환될 수 있다.

도 4 및 도 5는 본 발명의 일 실시형태에 따른 딥러닝 기반 측위 시스템의 데이터 수집 툴에 의해 수행되는 신호 정보 변환에 의해 생성된 데이터 구조를 도시한 도면이다.

도 4에 도시된 것과 같이, 데이터 수집 툴(10)은 1 열이 데이터가 수집된 단위 구역의 번호인 Y의 값이 되며 Y 값에 해당하는 각 행은 Y 값에 대응되는 억세스 포인트 별 신호 세기 값을 나열한 X의 값이 될 수 있다.

여기서 X 값은 억세스 포인트의 맥어드레스 별로 구분하였으며 크기가 클수록 신호세기가 크다는 것을 나타낸다. 또한, 도 4의 예에서 신호 세기는 0~100 의 범위로 변환될 수 있으며 신호의 세기 0은 신호가 없음을 나타낸다. 이러한 신호 세기의 변화는 필요에 따라 다르게 설정될 수도 있다.

데이터 수집 툴(10)은 도 4와 같은 데이터 구조를 이용하여 학습을 위한 트레이닝 데이터와 검증을 위한 테스트 데이터를 도 5와 같이 생성할 수 있다.

도 5에 도시된 바와 같이, 데이터 수집 툴(10)은 동일한 위치 번호(즉, 동일한 단위 구역)에서 수집한 복수의 데이터 중 일부를 트레이닝 데이터와 테스트 데이터로 구분할 수 있다. 이 때, 동일한 데이터를 트레이닝 데이터와 테스트 데이터로 중복 사용할 수 없다.

한편, X 값이 되는 억세스 포인트 별 신호 세기 값은 수집된 신호 세기 정보가 나타내는 값과 실제 도 4 또는 도 5와 같이 딥러닝 측위 알고리듬 입력 데이터 구조로 변환될 때, 계산에 적절한 값으로 변환될 수 있다. 예를 들어, 실제 수집된 신호 세기 정보가 -100 보다 크고 0 보다 작은 값이라고 하면, 이 실제 수집된 값을 신호 정보의 왜곡이 없도록 0 에서 100의 범위 내의 값으로 변환하여 사용할 수 있다.

최적의 측위 성능을 위해 와이파이 신호 정보를 수집하는 과정은, 딥러닝 오류를 크게 하는 요인이 될 수 있는 이동형 억세스 포인트에 대해 수집된 정보는 배제하고, 시각을 달리하여 여러 번 데이터를 수집하며, 복수의 데이터 수집 툴(10)을 이용하여 수집한 정보를 이용하는 것이 바람직하다.

학습 및 검증 단계(S12)

학습 및 검증 단계(S12)는 트레이닝 서버(20)에 의해 수행될 수 있다.

트레이닝 서버(20)는 딥러닝 측위 알고리듬을 탑재하고 있으며 트레이닝 데이터의 X, Y 값을 이용하여 히든 레이어(hidden layer)의 웨이트(W) 값과 바이어스(b) 값을 학습을 통하여 최적화하고, 테스트 데이터를 입력하여 측위 결과가 예측한 수준만큼 나오는지를 검증하는 기능을 제공하는 서버이다. 트레이닝 데이터와 테스트 데이터는, 전술한 것과 같이 데이터 수집 툴(10)이 수집한 신호 정보를 도 4와 같은 X, Y 값으로 구조화한 데이터이다.

도 6은 본 발명의 일 실시형태에 따른 딥러닝 기반 측위 시스템에 적용되는 측위 알고리듬의 구현을 위한 신경망 구조를 도시한 도면이다. 특히, 도 6은 딥러닝에 적용되는 다양한 신경망 구조의 알고리듬 중 RNN(Recurrent Neural Network)을 이용한 알고리듬 구조를 도시한 것이다.

도 6에 도시된 바와 같은 본 발명의 일 실시형태에 따른 딥러닝 알고리듬이 적용되는 측위용 RNN 구조의 출력 값은 CNN(Convolutional Neural Network이나 DNN(Deep Neural Network)과 달리 현재 입력 값뿐만 아니라 시간적으로 이전 데이터의 결과 값에도 영향을 받는다는 특징이 있다.

이러한 특성으로 인해, RNN이 적용된 경우 이전 시간 t-1 시점의 상태값이 현재 t 시점의 상태값에도 영향을 주게 되고 그에 따라 급격한 위치 오차를 방지하는 역할을 제공하여 보다 안정적인 측위 결과를 유지하도록 한다. 반면에 CNN이나 DNN은 t 시점에서의 입력 데이터에 의존하므로 측위 오차가 이전 t-1 시점에서의 결과 값과 불연속적으로 커질 가능성이 더 높다.

한편, RNN을 비롯한 딥러닝 네트워크는 레이어(Layer)가 깊어질수록 학습한 데이터의 특성이 소실되는 현상(back propagation)이 발생하게 된다. 이러한 학습 데이터 특성이 소실되는 현상은 딥러닝의 성능을 저해하는 요소가 될 수 있다.

이러한 문제를 방지하기 위하여 RNN의 일종인 LSTM(Long Short Term Memory) 네트워크가 개발되었는데 LSTM 네트워크는 시간이 길어지고 계층이 깊어져도 데이터를 유실하지 않고 유지하는 특징이 있는 유닛이다. 본 발명의 일 실시형태에서는 이 LSTM 네트워크를 적용하여 딥러닝 네트워크를 구성하고 데이터 수집 툴(10)에 의해 수집된 데이터를 이용하여 측위 알고리듬을 구현하기 위한 학습을 수행한다.

최적의 성능을 갖기 위한 RNN 측위 알고리듬을 구현하기 위한 학습 과정은 입력 레이더, 히든 레이어 및 출력 레이어 사이의 모든 웨이트(W) 값과 바이어스(b) 값을 찾는 과정이며, 이 때 다음과 같은 파라미터의 값을 튜닝하면서 학습을 진행하게 된다.

- 러닝 레이트(learning rate)- 러닝 레이트는 딥러닝 알고리듬의 비용 함수(Cost function, 혹은 Loss function이라고도 함)값이 최소가 되는 지점(미분 값이 0가 되는 지점)을 찾기 위해 외부에서 설정할 수 있는 단위 값이다. 러닝 레이트 값이 너무 크면 비용함수가 수렴하지 않고 발산하게 되며 너무 작으면 수렴하는데 너무 많은 시간이 걸리게 되므로 학습 데이터의 특성에 따라 적절한 값을 찾아야 한다.

- 트레이닝 카운트(Training Count 또는 학습 횟수)- 트레이닝 카운트는 학습량을 나타내는 값으로 외부에서 설정하여야 하는 값이다. 일반적으로 트레이닝 카운트 값이 클수록 학습이 잘 이루어지나(비용함수가 0에 수렴함) 어느 값 이상이 되면 학습결과는 더 이상 좋아지지 않고 시간 만 많이 소요된다.

- 입력 데이터 규모(Data dimension)- 데이터 규모는 특정 시간 t에서 입력되는 입력 데이터의 규모이며 RNN 입력에 사용된 트레이닝 데이터의 X 벡터의 규모, 즉 측위 대상 지역(모든 격자 셀에서 수집한 억세스 포인트 개수)에서 사용된 모든 억세스 포인트의 개수에 해당하는 값이 된다.

- 히든 데이터 규모(Hidden data dimension)- 히든 데이터 규모는 히든 레이어(Hidden layer)에 입력되는 데이터 값의 규모이며 일반적으로 입력 데이터 규모와 동일하거나 작게 적절한 값으로 설정된다.

- 출력 데이터 규모(Output data Dimension)- 출력 규모는 RNN 알고리듬의 최종 결과 값의 규모로 측위 알고리듬에 의해 결정되는 하나의 단위 구역이 되므로 출력 규모는 1로 설정될 수 있다. 출력 시간 t에서의 출력 값을 사용하고 나머지 시점의출력 값은 사용하지 않는다.

- 시퀀스 길이(Sequence Length)- 시퀀스 길이는 시간 축 상에서 병렬로 연결된 RNN 네트워크의 크기를 나타낸다. 시퀀스 길이는 이전 시간의 데이터를 몇 개까지 사용할 것인가와 연관이 있으며, 측위 주기 등과 같은 환경에 따라 적절한 값을 선택하여 최적의 측위 성능을 가질 수 있는 있도록 할 수 있다.

도 7은 본 발명의 일 실시형태에 따른 딥러닝 기반 측위 시스템의 측위 알고리듬 학습 및 검증용 입력 데이터 구조의 일례를 도시한 도면이다.

도 7에 도시된 예는 측위 대상 영역을 네 개의 단위 구역(격자 또는 셀)으로 구분하고 이 측위 대상 영역에 총 여섯 개의 억세스 포인트가 인식되는 예시이다. 전술한 것과 같은 데이터 수집 툴에 의해 수집된 데이터들은 크게 트레이닝 데이터와 테스트 데이터로 구분되고, 학습에 사용되는 트레이닝 데이터는 입력값이 되는 X 벡터(Train X, 각 억세스 포인트와의 무선 신호 세기)와 출력값이 되는 Y 벡터(Train Y, 단위 구역)로 나뉘며, 검증에 사용되는 테스트 데이터 역시 입력값이 되는 X 벡터(Test X, 각 억세스 포인트와의 무선 신호 세기)와 출력값이 되는 Y 벡터(Test Y, 단위 구역)로 나뉠 수 있다.

도 7에서 표시된 X 벡터의 값들은 피측정 단말기의 센서가 수집한 Raw Data의 값을 측위 알고리듬에 사용할 수 있는 형태로 변환한 값이 될 수 있다.

도 8은 본 발명의 일 실시형태에 따른 딥러닝 기반 측위 시스템의 트레이닝 서버에서 이루어지는 데이터 처리 과정을 도시한 도면이다.

도 8에 도시된 것과 같이, 트레이닝 서버(20)는 RNN 측위 알고리듬을 최적화하기 위해서 입력 데이터 전 처리 단계, 트레이닝 처리 단계, 테스트 처리 단계를 순차적으로 수행하게 된다.

입력 데이터 처리 단계에서, 트레이닝 서버(20)는 RNN 측위 알고리듬의 학습을 용이하게 하기 위해서, 비용 함수를 수렴(최대한 0 값을 가지도록)시키기 위해서 입력 데이터(Training X, Training Y, Test X, Test Y 의 원소 값) 값을 0과 1 사이의 값으로 스케일링(MinMaxScaling)하는 전처리 과정을 거친다.

이어, 트레이닝 서버(20)는, 스케일링 된 값을 시퀀스 길이 N을 가지는 RNN 네트워크로 입력하여 학습을 시키는 트레이닝 처리 단계를 수행한다. 전술한 바와 같이, 본 발명의 RNN 네트워크에서는 학습한 데이터의 특성이 소실되는 현상(back propagation) 문제를 방지하기 신경망의 셀 구성요소로서 LSTM 유닛을 사용하였다.

트레이닝 처리 단계에서, 시퀀스 길이, 입력 데이터 규모, 히든 데이터 규모, 트레이닝 카운트, 히든 레이어 사이즈 등을 사용자가 설정하도록 할 수 있다.

이어, 트레이닝 서버(20)는 학습된 RNN 네트워크에 Min-Max 스케일링된 테스트 데이터 X를 입력하여 측위 결과 Y'를 도출하고, 도출된 측위 결과가 스케일링된 출력 결과 Y와 얼마나 일치하는 지를 RMSE(Root Mean Square Error) 값을 산출하여 검증할 수 있다.

전술한 것과 같이, 학습과 검증이 완료되면, 측위를 위한 RNN 네트워크 구조의 알고리듬이 완성된다.

측위 서버 구축 단계(S13)

측위 서버(30)는 트레이닝 서버(20)에 의해 학습 및 검증이 완료된 RNN 네트워크 구조의 측위 알고리듬을 트레이닝 서버(20)로부터 제공받아 탑재할 수 있다. 측위 서버(30)는 도 9에 도시된 것과 같은 과정을 통해 측위를 수행할 수 있다.

도 9는 본 발명의 일 실시형태에 따른 딥러닝 기반 측위 시스템의 측위 서버에서 이루어지는 데이터 처리 과정을 도시한 도면이다.

구체적으로, 피측정 단말기(40)가 와이파이 신호 정보를 수집하여 측위 서버(30)로 전송하면, 측위 서버(30)는 RNN 네트워크 구조의 측위 알고리듬을 적용하기 이전에 전처리 과정(스케일링)을 통하여 입력 데이터(input data Xt)를 생성한다.

입력 데이터(Xt) 전처리 과정에서 스케일링을 통해(MinMax Scaling) 측위 알고리듬에 적용할 수 있는 스케일의 데이터로 변환되고, 스케일링된 입력 데이터가 RNN 네트워크로 입력된다.

측위 서버(30)에 탑재된 RNN 네트워크 구조의 측위 알고리듬은 입력 받은 데이터를 처리하여 그 출력값인 추정 위치 Yt'를 출력한다. 이 때, 추정 위치(Yt')는 트레이닝 서버(20)에 의해 실제 트레이닝에 사용되었던 Yt 값과 정확히 일치 하지 않는 값이 될 수 있으므로, 실제 트레이닝에 사용되었던 Yt 값 중 가장 근접한 단위구역으로 대체되고 해당 단위구역의 위치 좌표가 최종 위치 정보가 될 수 있다.

한편, 전술한 것과 같이 측위 서버(30)가 피측정 단말기(40)로부터 입력 값이 되는 와이파이 무선 신호 정보(억세스 포인트의 맥어드레스 및 그와의 통신 세기 크기)를 입력 받는 방식 이외에, 피측정 단말기(40)에 직접 측위 알고리듬을 트레이닝 서버(20)로부터 제공받아 탑재하여 측위 서비스가 제공될 수도 있다. 이 경우에도 전술한 측위 서버에서의 측위 기법과 동일하게 측위 서비스가 구현될 수 있다.

이상의 설명에서는 주로 와이파이 통신에서 억세스 포인트와의 무선 신호 정보를 이용한 딥러닝 기반 측위 시스템 또는 구축 방법에 대해 설명이 이루어졌으나, 억세스 포인트와 유사한 기능을 하는 요소를 갖는 모든 통신 시스템(예를 들어, 블루투스, RFID, UWB)에도 동일한 방식으로 본 발명은 적용될 수 있다.

또한, 본 발명에 사용된 측위 알고리듬은 실내 측위 뿐만 아니라 실외에서도 동일하게 확대하여 적용할 수 있다.

또한, 본 발명에 사용된 RNN 측위 알고리듬을 학습하기 위하여 수집 데이터를 일정 격자 또는 일정 간격으로 구분하여 구분된 격자를 구분하기 위하여 유니크한 번호(Y 값)를 부여하고 격자 별로 무선 신호를 복수 개 수집하여 데이터를 일정 비율로 분할하여 학습과 검증을 수행하는 방식을 제시하였으나 격자 셀에 부여한 구분 번호를 Y 값으로 사용하는 대신 수집 데이터의 위치 정보(위도, 경도 또는 위도 경도를 직접 계산할 수 있는 변환된 정보)를 Y 값으로 사용하여 훈련하고 검증하는 방법으로 구축하는 적용할 수 있다.

또한, 이상의 설명에서는 딥러닝에 사용되는 인공 신경망 구조로서 RNN을 주로 적용하여 설명하였지만 본 발명의 범위 내에서 RNN 대신 CNN 또는 DNN을 적용하여 측위 시스템을 구축할 수도 있다.

한편, 매우 넓은 범위에 본 발명의 여러 실시형태에 따른 딥러닝 기반 측위 시스템 및 이의 구축 방법을 적용하고자 하는 경우에는, 넓은 범위를 복수의 딥러닝 학습 영역으로 구분하고, 각 영역별로 대해 전술한 것과 같은 본 발명의 여러 실시형태에 따른 딥러닝 기반 측위 시스템을 구축하는 과정을 수행하면 되고 영역 선택 방법으로 피측정 단말기가 수집할 수 있는 다른 정보(예를 들어, MSC 정보, 기지국 정보, 억세스 포인트 정보)를 이용하여 산출한 추정 위치에 해당되는 영역을 먼저 선택하고 해당 영역에서 학습한 딥러닝 측위 알고리듬을 적용하는 방법으로 구축할 수 있다.

또한, 측위 대상 영역을 분할한 격자 또는 이동 경로 상의 구간에 해당하는 단위 구역 중 데이터를 수집할 수 있는 환경이 조성되지 못하여 무선 신호 정보의 수집이 이루어지지 못한 경우 해당 지역에서는 딥러닝 기반 측위 알고리듬을 생성하기 위한 학습이 이루어지지 못한다. 이러한 비학습지역에 속하는 단말기는 미리 필터링하여 본 발명의 여러 실시형태에 따른 딥러닝 기반 측위 알고리듬이 수행되지 않도록 하여야 하며, 다른 방식의 측위 알고리듬이 적용될 수 있게 할 수 있다.

본 발명의 여러 실시형태에 적용될 수 있는, 비학습지역에 있는 단말기를 판단하는 방법으로는, 단말기가 수집한 신호 정보를 이용하여 딥러닝 기반 측위 알고리듬의 입력 데이터 X를 생성한 경우 비학습지역에는 학습된 억세스 포인트 신호정보가 없기 때문에 X의 모든 신호 정보 값은 0으로 이루어질 가능성이 매우 높으므로 이러한 신호 정보를 가지는 단말기를 필터링하는 방식으로 수행될 수 있다. 다시 설명하면 피측정 단말기가 수집한 억세스 포인트의 식별 정보(맥 어드레스)와 측위 알고리듬에 사용된 억세스 포인트의 식별 정보를 비교하면 동일한 식별 정보가 없거나 매우 적은 비율만 있을 것이므로 이를 이용하여 비학습 지역에 있는 단말기를 필터링할 수 있다.

이상에서 본 발명의 특정한 실시형태에 관련하여 도시하고 설명하였지만, 이하의 특허청구범위에 의해 제공되는 본 발명의 기술적 사상을 벗어나지 않는 한도 내에서, 본 발명이 다양하게 개량 및 변화될 수 있다는 것은 당 기술분야에서 통상의 지식을 가진 자에게 있어서 자명할 것이다.

10: 데이터 수집 툴 20: 트레이닝 서버
30: 측위 서버 40: 피측정 단말기
50: 응용 서비스 서버

Claims

무선 신호 정보를 수집하는 데이터 수집 툴;
상기 데이터 수집 툴에 의해 수집된 무선 신호 정보를 이용하여 인공 신경망 구조의 측위 알고리듬을 학습시키고 학습된 결과를 검증하는 트레이닝 서버; 및
상기 트레이닝 서버에서 학습된 인공 신경망 구조의 측위 알고리즘을 탑재하고, 입력된 무선 신호 정보에 대해 인공 신경망 구조의 측위 알고리즘을 적용하여 입력된 무선 신호 정보가 획득된 위치를 추정하는 측위 서버;
를 포함하는 딥러닝 기반 무선 측위 시스템.
청구항 1에 있어서,
상기 데이터 수집 툴은, 측위의 대상이 되는 공간을 복수의 단위 구역으로 구분하여 각 단위 구역에 식별자를 부여하고, 각 단위 구역 마다 복수의 무선 신호 정보를 수집하는 것을 특징으로 하는 딥러닝 기반 무선 측위 시스템.
청구항 1 또는 청구항 2에 있어서,
상기 무선 신호 정보는, 각 단위 구역에서 무선신호를 수신 가능한 억세스 포인트의 식별자 및 상기 억세스 포인트와의 무선 신호 세기를 포함하는 것을 특징으로 하는 딥러닝 기반 무선 측위 시스템.
청구항 3에 있어서,
상기 데이터 수집 툴은, 상기 무선 신호 정보를 상기 단위 구역의 식별자와 결합하고, 상기 단위 구역의 식별자와 그에 결합된 무선 신호 정보를 상기 트레이닝 서버의 학습에 사용되는 트레이닝 데이터와 검증에 사용되는 테스트 데이터로 구분하는 것을 특징으로 하는 딥러닝 기반 무선 측위 시스템.
청구항 4에 있어서,
상기 데이터 수집 툴은, 상기 억세스 포인트 별 무선 신호 세기의 값을 요소로 하는 벡터값 X와 상기 단위 구역의 식별자에 해당하는 벡터값 Y로 매핑하며, 상기 벡터값 X와 벡터값 Y를 상호 일대일 매핑하는 것을 특징으로 하는 것을 특징으로 하는 딥러닝 기반 무선 측위 시스템.
청구항 1에 있어서,
상기 데이터 수집 툴은, 상기 무선 신호 정보를 수집하기 위한 영역의 지도와, 상기 지도의 축적 정보와, 상기 지도 상에 표시된 상기 단위 구역과, 상기 단위 구역 별 무선 신호 정보 수집 여부를 표시하는 식별표식과 상기 무선 신호 정보를 수집하여야 하는 위치를 표시하는 마커를 디스플레이 하는 것을 특징으로 하는 딥러닝 기반 무선 측위 시스템.
청구항 1에 있어서,
상기 데이터 수집 툴은, 수집된 무선 신호 정보 중 이동형 억세스 포인트에 대한 무선 신호 정보는 삭제하는 것을 특징으로 하는 딥러닝 기반 무선 측위 시스템.
청구항 1에 있어서,
상기 트레이닝 서버는, 딥러닝을 위한 신경망 구조의 측위 알고리듬을 포함하며, 상기 데이터 수집 툴에 의해 수집된 무선 신호 정보의 학습을 통해 인공 신경망 구조의 웨이트 값과 바이어스 값을 최적화하는 것을 특징으로 하는 딥러닝 기반 무선 측위 시스템.
청구항 8에 있어서,
상기 신경망 구조는 RNN(Recurrent Neural Network)인 것을 특징으로 하는 딥러닝 기반 무선 측위 시스템.
청구항 9에 있어서,
상기 RNN은 LSTM(Long Short Term Memory) 네트워크인 것을 특징으로 하는 딥러닝 기반 무선 측위 시스템.
청구항 8에 있어서,
상기 트레이닝 서버는, 비용 함수값이 최소가 되는 지점을 찾기 위한 러닝 레이트(learning rate)가 설정되는 것을 특징으로 하는 딥러닝 기반 무선 측위 시스템.
청구항 8에 있어서,
상기 트레이닝 서버는, 학습량을 나타내는 트레이닝 카운트(Training Count)가 설정되는 것을 특징으로 하는 딥러닝 기반 무선 측위 시스템.
청구항 8에 있어서,
상기 트레이닝 서버는, 측위 대상 영역에 존재하는 억세스 포인트의 개수에 해당하는 입력 데이터 규모를 가지며, 1의 출력 데이터 규모를 가지며, 상기 입력 데이터 규모와 동일하거나 임의로 결정된 히든 데이터 규모를 갖는 것을 특징으로 하는 딥러닝 기반 무선 측위 시스템.
청구항 10에 있어서,
상기 트레이닝 서버는, 시간 상 그 이전에 수집된 무선 신호 데이터를 얼마나 측위에 적용할 것인지를 나타내는 시퀀스 길이가 설정되는 것을 특징으로 하는 딥러닝 기반 무선 측위 시스템.
청구항 3에 있어서,
상기 데이터 수집 툴은, 상기 억세스 포인트 별 무선 신호 세기의 값을 요소로 하는 벡터값 X와 상기 단위 구역의 식별자에 해당하는 벡터값 Y로 매핑하며, 상기 벡터값 X와 벡터값 Y를 상호 일대일 매핑하는 것을 특징으로 하는 것을 특징으로 하는 딥러닝 기반 무선 측위 시스템.
청구항 5에 있어서,
상기 트레이닝 서버는, 상기 데이터 수집 툴에서 제공되는 데이터를 신경망 구조에 적용하기 적합한 형태로 전처리하고, 전처리된 상기 트레이닝 데이터를 딥러닝을 위한 신경망 구조에 입력하여 측위 알고리듬을 학습시키며, 학습된 신경망 구조의 측위 알고리듬에 상기 테스트 데이터를 입력하여 학습된 신경망 구조의 측위 알고리듬을 검증 하는 것을 특징으로 하는 딥러닝 기반 무선 측위 시스템.
청구항 1에 있어서,
측위 대상이 되며 상기 억세스 포인트로부터 무선 신호 정보를 수집할 수 있는 피측정 단말기를 더 포함하는 것을 특징으로 하는 딥러닝 기반 무선 측위 시스템.
청구항 17에 있어서,
상기 피측정 단말기는 수집한 수집한 무선 신호 정보를 상기 측위 서버로 제공하고 상기 측위 서버는 상기 피측정 단말기에서 제공된 무선 신호 정보에 신경망 구조의 측위 알고리듬을 적용하여 상기 피측정 단말기의 위치를 도출하는 것을 특징으로 하는 딥러닝 기반 무선 측위 시스템.
청구항 18에 있어서,
상기 측위 서버는, 상기 피측정 단말기에서 제공된 무선 신호 정보를 신경망 구조에 적용하기 적합한 형태로 전처리 한 후 신경망 구조의 측위 알고리듬에 입력하여 상기 피측정 단말기의 위치를 추정하고, 상기 트레이닝 서버의 학습에 사용된 위치 정보와 가장 가까운 위치를 최종 위치 정보로 상기 피측정 단말기에 제공하는 것을 특징으로 하는 딥러닝 기반 무선 측위 시스템.
청구항 17에 있어서,
상기 피측정 단말기는 상기 트레이닝 서버에서 학습된 인공 신경망 구조의 측위 알고리즘을 탑재하고, 수집한 무선 신호 정보를 이용하여 스스로 위치를 추정하는 것을 특징으로 하는 딥러닝 기반 무선 측위 시스템.
측위의 대상이 되는 공간을 구분한 복수의 단위 구역마다 복수의 무선 신호 정보를 수집하는 데이터 수집 단계; 및
상기 데이터 수집 단계에서 수집된 무선 신호 정보를 이용하여 인공 신경망 구조의 측위 알고리듬을 학습시키고 학습된 결과를 검증하는 트레이닝 단계;
를 포함하는 딥러닝 기반 무선 측위 시스템 구축 방법.
청구항 21에 있어서,
상기 무선 신호 정보는, 각 단위 구역에서 무선 신호 정보를 수신 가능한 억세스 포인트의 식별자 별 무선 신호 세기를 포함하는 것을 특징으로 하는 딥러닝 기반 무선 측위 시스템 구축 방법.
청구항 22에 있어서,
상기 데이터 수집 단계는, 상기 무선 신호 정보를 상기 단위 구역의 식별자와 결합하고, 상기 단위 구역의 식별자와 그에 결합된 무선 신호 정보를 상기 트레이닝 서버의 학습에 사용되는 트레이닝 데이터와 검증에 사용되는 테스트 데이터로 구분하는 것을 특징으로 하는 딥러닝 기반 무선 측위 시스템 구축 방법.
청구항 23에 있어서,
상기 데이터 수집 단계는, 상기 억세스 포인트 별 무선 신호 세기의 값을 요소로 하는 벡터값 X와 상기 단위 구역의 식별자에 해당하는 벡터값 Y로 매핑하며, 상기 벡터값 X와 벡터값 Y를 상호 일대일 매핑하는 것을 특징으로 하는 것을 특징으로 하는 딥러닝 기반 무선 측위 시스템 구축 방법.
청구항 21에 있어서,
상기 트레이닝 단계는, 딥러닝을 위한 신경망 구조의 측위 알고리듬을 포함하는 트레이닝 서버를 마련하고, 상기 데이터 수집 단계에서 수집된 무선 신호 정보를 상기 트레이닝 서버에 입력하여 학습시킴으로써 인공 신경망 구조의 웨이트 값과 바이어스 값을 최적화하는 것을 특징으로 하는 딥러닝 기반 무선 측위 시스템 구축 방법.
청구항 24에 있어서,
상기 트레이닝 단계는, 상기 데이터 수집 단계에서 생성된 데이터를 신경망 구조에 적용하기 적합한 형태로 전처리하고, 전처리된 상기 트레이닝 데이터를 딥러닝을 위한 신경망 구조에 입력하여 측위 알고리듬을 학습 시키며, 학습된 신경망 구조의 측위 알고리듬에 전처리된 테스트 데이터를 입력하여 학습된 신경망 구조의 측위 알고리듬을 검증 하는 것을 특징으로 하는 딥러닝 기반 무선 측위 시스템 구축 방법.