KR20190083382A - A system and method for position measurement using adaptive KNN technology - Google Patents
A system and method for position measurement using adaptive KNN technology Download PDFInfo
- Publication number
- KR20190083382A KR20190083382A KR1020180000572A KR20180000572A KR20190083382A KR 20190083382 A KR20190083382 A KR 20190083382A KR 1020180000572 A KR1020180000572 A KR 1020180000572A KR 20180000572 A KR20180000572 A KR 20180000572A KR 20190083382 A KR20190083382 A KR 20190083382A
- Authority
- KR
- South Korea
- Prior art keywords
- adaptive
- knn
- difference value
- location
- positions
- Prior art date
- Legal status (The legal status 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 status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 72
- 230000003044 adaptive effect Effects 0.000 title claims abstract description 58
- 238000005259 measurement Methods 0.000 title claims abstract description 53
- 238000005516 engineering process Methods 0.000 title claims abstract description 30
- 230000005484 gravity Effects 0.000 claims abstract description 8
- 230000005389 magnetism Effects 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims description 5
- 238000000691 measurement method Methods 0.000 claims 5
- 238000004891 communication Methods 0.000 abstract description 9
- 230000000694 effects Effects 0.000 abstract description 3
- 238000003672 processing method Methods 0.000 abstract description 2
- 238000004364 calculation method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000001174 ascending effect Effects 0.000 description 2
- 238000012790 confirmation Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
- G01S5/02—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves
- G01S5/0252—Radio frequency fingerprinting
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S11/00—Systems for determining distance or velocity not using reflection or reradiation
- G01S11/02—Systems for determining distance or velocity not using reflection or reradiation using radio waves
- G01S11/06—Systems for determining distance or velocity not using reflection or reradiation using radio waves using intensity measurements
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
본 발명의 목적은, 특히 WiFi fingerprint 방식을 적용한 KNN 기술에서 고정된 K 값을 사용하기 때문에 발생하는 위치 추정 오차를 줄이기 위한 것이다. 본 창안 기술에 따르면, 측정 위치에 따라서 사전에 측정되어 저장된 무선랜 수신 신호 정보와, 임의의 위치에서 측정된 무선랜 수신 신호 정보와의 차이를 비교한 차이값의 패턴에 따라서, 측정 위치마다 다른 K 값을 적용함으로써 간단한 데이터 처리 방법으로 측정 위치 전체적으로 위치 추정 오차를 약 60% 정도 줄이는 획기적인 효과가 확인되었다.
일 실시예에 따른, 적응형 KNN 기술을 이용한 위치 측정 시스템은, 위치 측정의 대상 공간내의 하나 이상의 임의의 위치에서, 좌표 및 전파, 자기, 빛, 영상, 소리, 온도, 기압, 중력, 시간 중에 하나 이상의 위치 속성 정보를 사전에 측정하여 저장하였다가 통신을 통해 단말에게 제공해 주는 서비스 서버; 및 서비스 서버로 부터 제공 받은 위치 속성 정보와 추정하려는 위치에서 측정한 동일한 종류의 위치 속성 정보들의 차이를 비교 계산하고, 그 차이값에 따라서 상기의 임의의 위치들을 순서대로 정렬하며, 가장 작은 차이값과 대비하여 일정 비율 이내로 큰 차이값에 해당하는 위치들만 포함하여 가중치와 함께 평균을 구해 위치를 추정하는 단말을 포함한다.An object of the present invention is to reduce a position estimation error caused by using a fixed K value in a KNN technology using a WiFi fingerprint scheme. According to the present inventive technique, in accordance with the pattern of the difference value obtained by comparing the difference between the wireless LAN receiving signal information previously measured and stored according to the measurement position and the wireless LAN receiving signal information measured at an arbitrary position, By applying the K value, it is confirmed that a simple data processing method has a remarkable effect of reducing the position estimation error by about 60% over the entire measurement position.
According to one embodiment, a position measurement system using adaptive KNN technology can be used to estimate the position and orientation of a position in a space of interest, such as coordinates and propagation, magnetism, light, image, sound, temperature, air pressure, gravity, A service server for previously measuring and storing at least one location attribute information and providing the stored location attribute information to the terminal through communication; And comparing the difference between the position attribute information provided from the service server and the position attribute information of the same kind measured at the position to be estimated, sorting the arbitrary positions in order according to the difference value, And estimates a position by obtaining an average along with a weight including only positions corresponding to large difference values within a predetermined ratio.
Description
본 발명은 실내 또는 실외에서 위치를 측정하기 위한 것으로, 특히 WiFi fingerprint 방식에서 적응형 K nearest neighbour (KNN) 기술을 적용한 시스템 및 방법에 관한 것이다.Field of the Invention [0002] The present invention relates to a system and method for measuring an indoor or outdoor position, and in particular, to an adaptive K nearest neighbor (KNN) technique in a WiFi fingerprint system.
위치를 기반으로 하는 서비스 및 기술이 활발하게 개발되고 활용되고 있다. 실외에서는 미국의 Global Positioning System (GPS) 신호를 수신받아서 위치를 추정하고 있으나, 실내에서는 아직까지 적절한 위치 측정 시스템이 상용화되지 못하고 있다. 그 이유는 GPS 위성과 같은 송신기들를 별도로 설치하거나 WiFi fingerprint 기술과 같은 사전에 위치 정보를 수집해야 하는데, 두 가지 경우 모두 비용과 수고가 많이 필요하기 때문이다. 또한 실내 위치 측정을 위해서 일반 사용자들이 별도의 단말기를 가지고 다녀야 한다면 실용성이 없으므로 위치 측정은 스마트폰을 기반으로 해야 하는데, 스마트폰에는 무선랜 및 이동통신 기능이 있어서 이를 기반으로 하는 것이 적절하다. Location-based services and technologies are actively being developed and utilized. In the outdoors, the position is estimated by receiving the US Global Positioning System (GPS) signal, but a suitable position measurement system has not yet been commercialized in the room. This is because transmitters such as GPS satellites must be installed separately or the location information must be collected in advance, such as WiFi fingerprint technology, because both require a lot of cost and labor. In addition, since it is not practicable if a general user has to carry a separate terminal for indoor location measurement, the location measurement should be based on a smart phone, and a smart phone has a wireless LAN and a mobile communication function.
최근 무선랜 신호의 세기를 측정하여 이를 데이터베이스로 구축하고, 임의의 위치에서 측정된 무선랜 신호의 세기와 비교하여 가장 유사한 신호의 위치를 현재의 위치로 추정하는 WiFi fingerprint 방식이 활발하게 연구되고 있다. 이 방식은 스마트폰만 있으면 실내에서도 위치를 추정할 수 있으므로 실용화 가능성이 높고 몇몇 건물에서는 이미 구축되어 사용되고 있다. 무선랜 수신 신호 세기의 데이터를 가지고 위치를 추정하는 기술에는 여러 가지가 있지만, 특히 K nearest neighbour라고 하는 기계학습 기술을 많이 적용하고 있다. 다른 복잡한 알고리즘보다 KNN 방식이 간단하고 위치 추정 성능도 좋기 때문이다. Recently, a WiFi fingerprint method for estimating the position of the most similar signal as a current position by measuring the strength of a wireless LAN signal, constructing it as a database, and comparing the strength of the wireless LAN signal measured at an arbitrary position has been actively studied . This method can be used to estimate the position in the room with only a smartphone, so it is highly likely to be put to practical use, and some buildings have already been constructed and used. There are many techniques for estimating the position using the data of the received signal strength of the wireless LAN, but in particular, a machine learning technique called K nearest neighbor is applied in many cases. This is because the KNN scheme is simpler and the position estimation performance is better than other complex algorithms.
그런데 KNN 방식에서는 K 개의 위치 좌표값을 평균하여 최종 위치를 추정하는데, 기존에는 K 값을 고정하여 사용하였다. 추정 위치마다 최적의 K 값이 다르지만 그 K 값을 모르기 때문이다. 따라서 추정된 위치의 오차가 작지 않은 문제가 있다. However, in KNN method, K position coordinates are averaged to estimate the final position. This is because the optimum K value is different for each estimated position, but the K value is unknown. Therefore, there is a problem that the error of the estimated position is not small.
본 발명의 목적은, 특히 WiFi fingerprint 방식을 적용한 KNN 기술에서 고정된 K 값을 사용하기 때문에 발생하는 위치 추정 오차를 줄이기 위한 것이다.An object of the present invention is to reduce a position estimation error caused by using a fixed K value in a KNN technology using a WiFi fingerprint scheme.
일 실시예에 따른, 적응형 KNN 기술을 이용한 제 1 위치 측정 시스템은, 위치 측정의 대상 공간내의 하나 이상의 임의의 위치에서, 좌표 및 전파, 자기, 빛, 영상, 소리, 온도, 기압, 중력, 시간 중에 하나 이상의 위치 속성 정보를 사전에 측정하여 저장하였다가 통신을 통해 단말에게 제공해 주는 서비스 서버; 및 서비스 서버로 부터 제공 받은 위치 속성 정보와 추정하려는 위치에서 측정한 동일한 종류의 위치 속성 정보들의 차이를 비교 계산하고, 그 차이값에 따라서 상기의 임의의 위치들을 순서대로 정렬하며, 가장 작은 차이값과 대비하여 일정 비율 이내로 큰 차이값에 해당하는 위치들만 포함하여 가중치와 함께 평균을 구해 위치를 추정하는 단말을 포함한다.According to one embodiment, a first position measurement system using an adaptive KNN technique may be used to estimate the position and / or orientation of a position in a space of a position measurement, such as coordinates and propagation, magnetism, light, image, sound, temperature, A service server for previously measuring and storing one or more location attribute information during a time, and providing the stored location attribute information to the terminal through communication; And comparing the difference between the position attribute information provided from the service server and the position attribute information of the same kind measured at the position to be estimated, sorting the arbitrary positions in order according to the difference value, And estimates a position by obtaining an average along with a weight including only positions corresponding to large difference values within a predetermined ratio.
일 실시예에 따른, 또 다른 적응형 KNN 기술을 이용한 제 2 위치 측정 시스템은, 위치 측정의 대상 공간내의 하나 이상의 임의의 위치에서 좌표 및 전파, 자기, 빛, 영상, 소리, 온도, 기압, 중력, 시간 중에 하나 이상의 위치 속성 정보를 사전에 측정하여 저장하고, 사용자 단말이 추정하려는 위치에서 측정한 동일한 종류의 위치 속성 정보를 통신을 통해 수신 받아, 상기의 서비스 서버에 저장된 위치 속성 정보와 추정하려는 단말 위치에서 측정된 동일한 종류의 위치 속성 정보들의 차이를 비교 계산하고, 그 차이값에 따라서 상기의 임의의 위치들을 순서대로 정렬하며, 가장 작은 차이값과 대비하여 일정 비율 이내로 큰 차이값에 해당하는 위치들만 포함하여 가중치와 함께 평균을 구해 단말의 위치를 추정하고, 그 위치를 통신을 통해 단말에게 전달하는 서비스 서버; 및 추정하려는 위치에서 측정한 동일한 종류의 위치 속성 정보를 서비스 서버로 전달하고 위치를 수신 받는 단말을 포함한다.According to one embodiment, a second position measurement system using another adaptive KNN technique may be used to determine the position and / or the position of the position and / And at least one location attribute information is measured and stored in advance, and the location attribute information of the same type measured at a location to be estimated by the user terminal is received through communication, and the location attribute information stored in the service server The positional attribute information of the same kind measured at the terminal position is compared and calculated, and the above arbitrary positions are arranged in order according to the difference value. In addition, Estimates the position of the terminal by calculating the average along with the weight, and transmits the position to the terminal through communication A service server; And a terminal that receives the location information by transmitting the same kind of location attribute information measured at the location to be estimated to the service server.
일 실시예에 따른, 적응형 KNN 기술을 이용한 위치 측정 단말은, 위치 측정의 대상 공간내에서 좌표 및 사전에 측정된 전파, 자기, 빛, 영상, 소리, 온도, 기압, 중력, 시간 중에 하나 이상의 위치 속성 정보를 서비스 서버로부터 전달받아 저장하는 제1 저장부; 및 추정하려는 위치에서 측정된 동일한 종류의 위치 속성 정보를 저장하는 제2 저장부; 제어부의 제어하에 상기의 제1 저장부와 제2 저장부에 저장된 두 가지의 위치 속성 정보들의 차이를 비교 계산하고, 차이값에 따라서 제1 저장부에 저장된 위치들을 순서대로 정렬하는 데이터 처리부; 가장 작은 차이값과 대비하여 일정 비율 이내로 큰 차이값에 해당하는 위치들만 포함하여 가중치와 함께 평균을 구해 위치를 추정하는 위치 추정부를 포함한다.According to one embodiment, a positioning terminal using an adaptive KNN technique may be configured to measure one or more of at least one of a radio wave, magnetic, light, image, sound, temperature, air pressure, gravity, A first storage unit for receiving location attribute information from a service server and storing the received location attribute information; And a second storage unit for storing location attribute information of the same kind measured at a location to be estimated; A data processing unit for comparing and calculating differences between two pieces of positional attribute information stored in the first storage unit and the second storage unit under the control of the control unit and arranging the positions stored in the first storage unit in order according to the difference value; And a position estimator for estimating a position by calculating an average along with a weight including only positions corresponding to a large difference value within a certain ratio in comparison with the smallest difference value.
일 실시예에 따른, 적응형 KNN 기술을 이용한 위치 측정 서비스 서버는, 좌표 및 전파, 자기, 빛, 영상, 소리, 온도, 기압, 중력, 시간 중에 하나 이상의 위치 속성 정보를 사전에 측정하여 저장하는 제1 저장부; 및 추정하려는 위치에서 측정된 동일한 종류의 위치 속성 정보를 단말로 부터 전달받아 저장하는 제2 저장부; 제어부의 제어하에 상기의 제1 저장부와 제2 저장부에 저장된 두 가지의 위치 속성 정보들의 차이를 비교 계산하고, 차이값에 따라서 제1 저장부에 저장된 위치들을 순서대로 정렬하는 데이터 처리부; 가장 작은 차이값과 대비하여 일정 비율 이내로 큰 차이값에 해당하는 위치들만 포함하여 가중치와 함께 평균을 구해 위치를 추정하는 위치 추정부를 포함한다.According to one embodiment, a location service server using adaptive KNN technology may measure and store one or more location attribute information in advance, such as coordinates and propagation, magnetism, light, image, sound, temperature, pressure, gravity, A first storage unit; And a second storage unit for receiving and storing location attribute information of the same kind measured at a location to be estimated, from the terminal; A data processing unit for comparing and calculating differences between two pieces of positional attribute information stored in the first storage unit and the second storage unit under the control of the control unit and arranging the positions stored in the first storage unit in order according to the difference value; And a position estimator for estimating a position by calculating an average along with a weight including only positions corresponding to a large difference value within a certain ratio in comparison with the smallest difference value.
본 발명은 상술한 실시 예에 한정되지 않으며, 본 발명의 기술적 사상 내에서 당 분야의 통상의 지식을 가진 자에 의하여 많은 변형이 가능함은 명백할 것이다.It will be apparent to those skilled in the art that the present invention is not limited to the above-described embodiment, and many modifications may be made by those skilled in the art without departing from the spirit of the present invention.
지금까지는 WiFi fingerprint 방식의 실내 위치 추정 시스템에서 대부분 KNN 기술을 적용하였고, 특히 K 값이 고정되었으므로 측정 위치에 따라서 위치 추정 오차가 달라지며 전체적으로도 오차가 커지는 문제가 있었다. Until now, KNN technology has been applied mostly in the WiFi fingerprint indoor position estimation system. Especially, since the K value is fixed, there is a problem that the position estimation error varies depending on the measurement position and the error as a whole increases.
본 창안 기술에 따르면, 측정 위치에 따라서 사전에 측정되어 저장된 무선랜 수신 신호 정보와, 임의의 위치에서 측정된 무선랜 수신 신호 정보와의 차이를 비교한 차이값의 패턴에 따라서, 측정 위치마다 다른 K 값을 적용함으로써 간단한 데이터 처리 방법으로 측정 위치 전체적으로 위치 추정 오차를 약 60% 정도 줄이는 획기적인 효과가 확인되었다.According to the present inventive technique, in accordance with the pattern of the difference value obtained by comparing the difference between the wireless LAN receiving signal information previously measured and stored according to the measurement position and the wireless LAN receiving signal information measured at an arbitrary position, By applying the K value, it is confirmed that a simple data processing method has a remarkable effect of reducing the position estimation error by about 60% over the entire measurement position.
도 1은 본 발명의 일실시예에 따른, 적응형 KNN 기술을 이용한 위치 측정 시스템의 구성도.
도 2는 본 발명의 일실시예에 따른, 적응형 KNN 기술을 이용한 위치 측정 단말 블록도.
도 3은 본 발명의 일실시예에 따른, 적응형 KNN 기술을 이용한 위치 측정 서비스 서버 블록도.1 is a block diagram of a position measurement system using an adaptive KNN technique, in accordance with an embodiment of the present invention.
FIG. 2 is a block diagram of a positioning terminal using an adaptive KNN technique according to an embodiment of the present invention; FIG.
3 is a block diagram of a location service server using an adaptive KNN technology, in accordance with an embodiment of the present invention.
이하, 본 발명의 바람직한 실시예를 첨부된 도면들을 참조하여 상세히 설명한다. 아울러 본 발명을 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략한다. Hereinafter, preferred embodiments of the present invention will be described in detail with reference to the accompanying drawings. In the following description of the present invention, detailed description of known functions and configurations incorporated herein will be omitted when it may make the subject matter of the present invention rather unclear.
도 1은 본 발명의 일실시예에 따른, WiFi fingerprint 방식의 적응형 KNN 기술을 이용한 위치 측정 시스템의 구성도이다. 일반적으로 단말(11)은 사용자나 mobile robot 등의 기기들이 휴대하고 이동하며, 특히 실내에서 현재의 위치를 파악하고자 할 때, 주변의 무선랜 공유기(14, 15, 16)의 전파 수신 신호의 세기를 측정하여 위치를 추정한다. 그러나 전파 신호 세기 이외에도, 단말 위치에서의 자기장, 빛, 영상, 소리, 온도, 기압, 중력 등의 신호를 측정하고, 해당 위치 고유의 위치 속성 정보로 간주하여 단말의 현재 위치를 추정할 수 있다.1 is a configuration diagram of a position measurement system using an adaptive KNN technology of a WiFi fingerprint scheme according to an embodiment of the present invention. In general, when the
WiFi fingerprint 방식은, 위치를 파악하려는 공간에서 사전에 격자 모양의 가상적인 그리드를 긋고 등간격으로 좌표값과 측정되는 무선랜 공유기들의 수신 신호의 세기 데이터 (위치 속성 정보)를 측정하여 메모리나 디스크 등의 서비스 서버(13)의 저장 매체 (제1 저장부)에 저장해 둬야 한다. 측정 위치마다 무선랜 공유기들의 수신 신호 세기가 다르므로, 마치 인간의 지문과 비슷하다고 하여 WiFi fingerprint라고 한다. 또한 단말은 파악하려고 하는 위치에서 동일한 종류의 위치 속성 정보, 즉 주변의 무선랜 공유기의 수신 신호 세기를 측정하고 제2 저장부에 저장한 후, 서비스 서버(13)으로 부터 통신망을 통해 제 1저장부에 저장되어 있는 위치를 파악하려는 공간 부근의 좌표와 위치 속성 정보를 전달 받아, 제 1저장부에 저장된 좌표에 해당하는 위치 속성 정보들과 제 2 저장부에 저장된 위치 속성 정보를 일일이 비교한다. 그래서 제 2저장부에 저장된 위치 속성 정보와 가장 유사한 제 1저장부에 저장된 위치 속성 정보에 해당되는 좌표가, 단말의 현재 위치 좌표로 추정되는 것이다. In the WiFi fingerprint method, a virtual grid of a grid shape is drawn in advance in a space to be located, and coordinate values and intensity data (location property information) of the received signals of the wireless LAN routers measured at regular intervals are measured, (First storage unit) of the
또한, 가장 위치 속성 정보가 유사한 하나의 좌표만을 사용하면 오차가 크므로, 일반적으로는 위치 속성 정보가 가장 유사한 좌표부터 틀린 좌표 순서대로 나열하여 놓고, 일정 개수, K 개의 좌표들을 평균하여 단말의 위치 좌표로 추정한다. 이 방식을 K Nearest Neighbour (KNN)라고 한다. 두 가지 위치 속성 정보의 유사도를 측정하는 방식에도 여러 가지 방식 있으나 일반적으로 다음 식(1)과 같이 Euclidean 거리를 계산하고, 그 결과값이 두 가지 위치 속성 정보의 차이값에 해당하며, 유사도는 차이값의 역수에 해당한다. 즉, 차이값, Disti가 작을수록 유사도는 커지게 된다.In general, since the position attribute information is arranged in order from the closest coordinate to the wrong coordinate, a certain number of K coordinates are averaged to obtain the position of the terminal Estimate with coordinates. This is called the K Nearest Neighbor (KNN). There are various methods for measuring the similarity of two position attribute information. Generally, the Euclidean distance is calculated as shown in the following equation (1), and the result corresponds to the difference value of the two position attribute information, Corresponds to the reciprocal of the value. That is, the smaller the difference value, Dist i , the greater the degree of similarity.
여기서 N은 단말 위치에서 측정된 무선랜 공유기의 총 개수이다. RSSf는 제 1저장부에 저장된 사전에 측정된 WiFi fingerprint 데이터이고, RSSt는 현재 단말의 위치에서 단말이 측정한 무선랜 공유기의 수신 신호 세기이다. Disti는 유사도를 계산한 결과 값이고, 역수의 크기는 유사도에 비례하므로, 아래 식 (2)에서와 같이 K 개의 좌표 값들의 평균을 구할 때에 가중치로 사용된다.Where N is the total number of wireless LAN routers measured at the terminal location. RSS f is previously measured WiFi fingerprint data stored in the first storage unit and RSS t is the received signal strength of the wireless LAN router measured by the terminal at the current location of the terminal. Dist i is the result of calculating the similarity. The size of the reciprocal is proportional to the similarity. Therefore, it is used as a weight when the average of K coordinate values is obtained as shown in the following equation (2).
여기서 K는 평균 계산에 포함되는 유사한 좌표들의 총 개수이고, 
여기까지는 일반적으로 사용되는 KNN 알고리즘에 대한 설명이다. 이 방식은 간단한 알고리즘에도 불구하고 복잡한 방식에 비해서 비슷한 위치 추정 성능을 보이고 있어서 실용적으로 많이 활용되고 있다. 그러나 이 방식은 K 값이 고정되어 단말의 위치에 따른 오차가 크다는 문제점이 있다. 즉, 표 1에서와 같이 단말 위치 (6,3)에 대해서는 K가 7일 때 오차가 가장 작지만, (15, 4)에 대해서는 K=1일 때 오차가 가장 작다. 따라서 K 값이 고정된 경우에는 단말의 위치에 따라 최적의 K 값을 고려하지 못하므로 전체적으로 위치 추정 오차가 커지게 된다. Here is a description of the commonly used KNN algorithm. In spite of the simple algorithm, this method shows similar position estimation performance compared to the complicated method, so that it is widely used practically. However, this method has a problem that the error is large according to the location of the terminal because the value of K is fixed. That is, as shown in Table 1, the error is the smallest when K is 7 for terminal position (6,3), but the error is the smallest when K = 1 for (15, 4). Therefore, when the K value is fixed, the optimal K value can not be considered according to the position of the UE, and thus the position estimation error becomes large as a whole.
K location
K
본 발명에서는 WiFi fingerprint의 위치 속성 정보와 단말 위치에서 측정된 위치 속성 정보와의 유사도 패턴을 분석하여, 단말의 위치에 따라 적응적으로 K 값이 변경되는 알고리즘을 창안하였으며, 그 결과 기존의 고정된 K 값의 KNN 알고리즘의 결과보다 위치 추정 오차가 약 50% 정도 감소되는 획기적인 실측 결과를 도출하였다. In the present invention, a similarity pattern between the location attribute information of the WiFi fingerprint and the location attribute information measured at the terminal location is analyzed to develop an algorithm in which the K value is adaptively changed according to the location of the terminal. As a result, The results of the landmark estimation result that the position estimation error is reduced about 50% than the KNN algorithm result are derived.
그 원리는 다음과 같다. 그림 1의 왼쪽은 단말 위치 (6, 3)에 대한 WiFi fingerprint 위치 속성 정보와의 차이값을 그린 것이다. 밝은 부분은 식 (1)의 결과값, Disti가 작은 곳이고, 즉 유사도가 큰 곳이다(여기서 i가 x-y 평면에서의 특정 위치임). 또한 번호는 유사도가 큰 순서에서 작은 순서를 표시한다. 유사도가 가장 큰 (3, 3) 위치은 실제 단말 위치인 (6, 3)과 많이 떨어져 있지만, 7번 위치인 (10, 4)까지 7개의 좌표를 모두 가중치를 적용하여 평균을 취하면 (6.6, 3)으로 단말의 위치를 추정하고 위치 추정 오차는 0.6m 로 줄어들게 된다. 이 경우에는 1번 위치의 유사도에 비해서 상대적으로 유사도가 큰 위치들이 다수 존재하는 패턴을 갖는다.The principle is as follows. The left side of Figure 1 is the difference value between WiFi fingerprint location attribute information for terminal location (6, 3). The bright part is the result of Eq. (1), where Dist i is small, that is, the degree of similarity is large (i is a specific position in the xy plane). The numbers also indicate small orders in the order of greatest similarity. (6, 3), which is the most similarity position, is a lot away from the actual terminal position (6, 3), but if we take the average by applying all the 7 coordinates to the 7th position (10, 4) 3), and the position estimation error is reduced to 0.6 m. In this case, there is a pattern in which a plurality of positions having a relatively high degree of similarity are present in comparison with the similarity degree at the first position.
이에 반해서, (15, 4) 위치의 유사도 패턴을 분석해 보면, 1번 위치만이 유사도가 월등하게 크고, 다른 위치들은 유사도가 낮은 것을 확인할 수 있다. 이럴 경우에는 1번 위치만 고려하는 것이 위치 추정 오차가 줄어드는 것이고, 실제로 K=1인 위치이 실제의 단말의 위치이다. 다른 여러 장소에서도 위치 속성 정보를 측정하여 분석을 하였지만, 대부분의 위치에서 동일한 유사도 패턴을 보이고 있었다. On the other hand, if we analyze the similarity patterns at positions (15, 4), it can be seen that only the 1st position is much larger in similarity and the other positions are less similar. In this case, considering only position 1 reduces the position estimation error, and the position where K = 1 is actually the position of the actual terminal. Although the location attribute information was measured and analyzed in many other places, the similarity pattern was shown in most locations.
그림 1. 단말 위치 (6, 3)과 (15, 4)에 대한, 제 1저장부 데이터와의 유사도 패턴Figure 1. Similarity pattern to first storage data for terminal positions (6, 3) and (15, 4)
위치 속성 정보의 유사도 패턴을 분석한 결과, 유사도가 가장 큰 위치의 유사도를 기준으로 일정 비율 이상으로 큰 위치들만 적응적으로 포함시켜 좌표 평균을 구하는 것이 위치 추정 오차를 전체적으로 줄일 수 있다는 것이 확인 되었다. 또한 유사도의 크기가 일정 비율보다 작다고 하더라도, 유사도가 가장 큰 위치부터 연속적으로 조금씩 줄어드는 경우에는 평균 계산에 해당 위치들을 포함시켜야 한다. 왜냐하면, 해당 위치들도 유사도가 가장 큰 위치과 정보를 공유하고 있다고 봐야하기 때문이다. 그러나, 유사도의 크기가 일정 비율보다 크고, 유사도가 가장 큰 위치부터 불연속적으로 조금씩 줄어드는 위치들은 평균 계산에서 제외된다. As a result of analyzing the similarity pattern of location attribute information, it has been confirmed that it is possible to reduce the position estimation error entirely by adaptively including the positions which are larger than a certain ratio based on the similarity degree of the position having the greatest similarity degree. Also, even if the magnitude of the similarity is smaller than a certain ratio, if the similarity is gradually decreased gradually from the greatest position, the positions should be included in the average calculation. This is because the locations should share information with the location with the greatest similarity. However, locations where the degree of similarity is larger than a certain ratio and where the degree of similarity is reduced discretely gradually decreases from the average calculation.
한 편, 상기에 해당되는 위치들 중에서, 서로 간에 바로 인접한 위치에 있는 위치들은 유사도가 큰 위치만 남기고 평균 계산 대상에서 제외시킨다. 동일 위치에서 여러 값이 평균에 합산되면 해당 위치로 추정 위치를 이끄는 bias 효과가 있기 때문이다. 이상의 내용은 아래의 표 3의 알고리즘으로 정리될 수 있다. On the other hand, among the positions corresponding to the above, the positions immediately adjacent to each other are excluded from the average calculation, leaving only the positions having high similarity. This is because if there are multiple values added at the same position, the bias effect will lead to the estimated position at the corresponding position. The above contents can be summarized by the algorithm of Table 3 below.
Output: Estimated TP position.
for i = 1 to M (i.e. number of RPs) do
Calculate ED i using (1) between the input datasets.
Sort RP i in ascending order according to ED i .
if ED i < (1.2 ED min ) OR ED i < 1.03 ED i-1 then
P i {P K | P K P M }
K = K + 1
else break
if geodesic distance between P i and P j in {P K | P i , P j P K , } ( the interval of RPs) then
P j {P K | P K P M }
end
end for
for l = 1 to K do
Calculate estimated position using (2) with only P l {P K | P K P M }.
end for Input : RSS data measured at the RPs and TP.
Output : Estimated TP position.
for i = 1 to M (ie number of RPs) do
Calculate ED i using (1) between the input datasets.
Sort RP i in ascending order according to ED i.
if ED i <(1.2 ED min ) OR ED i <1.03 ED i-1 then
P i { P K | P K P M }
K = K + 1
else break
if geodesic distance between P i and P j in { P K | P i , P j P K ,} (the interval of RPs) then
P j { P K | P K P M }
end
end for
for l = 1 to K do
Calculate estimated position using (2) with only P l { P K | P K P M }.
end for
창안된 알고리즘을 적용하여 기존의 고정된 K 값의 KNN 방식과 위치 추정 오차 성능을 비교하였다. 참고로 각 단말 위치마다 가장 오차가 작은 K 값만을 적용한 최소 추정 오차 방식 (Minimum estimation Error)에 의한 성능과도 비교하였다. 표 2를 보면, 장소 A는 열린 공간의 장소이고, 장소 B는 벽으로 칸이 분리된 공간이다. 각각 전형적인 패턴을 보이는 두 군데의 위치와 모든 시험 위치에 대한 평균 오차를 확인할 수 있다. 적응형 K 방법은 기존의 고정된 K=5 (일반적으로 전체 위치 추정 오차가 가장 작은 값임) 방식에 비해서 모든 경우에 단말의 위치 추정 오차가 대폭 감소한 것을 확인할 수 있다. 전체 시험 위치 평균 오차는 47% ~65% 정도 감소되었다. 다만 이상적인 방식인 MEE의 경우보다는 다소 오차가 큰 것을 확인할 수 있고, 좀 더 위치 추정 알고리즘의 개선의 여지가 있는 것이다. The proposed algorithm is applied to compare the existing fixed KNN scheme with the positioning error performance. For comparison, we also compared the performance with the minimum estimation error using only the smallest K value for each terminal location. In Table 2, place A is the place of the open space, and place B is the space separated by the wall. You can see the two locations that show typical patterns and the average error for all test locations. It can be seen that the adaptive K method significantly reduces the position estimation error of the terminal in all cases compared to the existing fixed K = 5 (generally the total positioning error is the smallest value). The overall test position mean error was reduced by 47% to 65%. However, it can be seen that the error is somewhat larger than that of the ideal case, MEE, and there is room for further improvement of the position estimation algorithm.
PositionMethod
Position
(m)(6, 3)
(m)
(m)(15, 4)
(m)
TPsAverage for 9
TPs
(m)(22, 4)
(m)
(m)(40, 8)
(m)
창안된 방법에서 적용된 파라미터는 세 가지가 있다. 단말 위치에서 측정한 위치 속성 정보와 제 1저장부에 저장된 위치 속성 정보들의 차이값에 따라서 오름차순으로 제 1저장부에 저장된 위치(좌표)들을 정렬했을 때, 가장 차이값이 작은 위치(가장 유사도가 큰 경우임)에 대비하여 일정 비율로 큰 차이값을 갖는 위치까지만 가중치를 곱해서 평균을 구한다(식 2 참조). 이 비율은 여러 가지 실험 데이터에 대해 분석해 본 결과 1.2 정도가 평균적으로 가장 성능이 좋았다. 두 번째로, 유사도가 가장 큰 위치부터 연속적으로 조금씩 줄어드는 경우에는, 그 이전 순서의 위치의 유사도보다 1/1.03배 이내로 그 다음 순서의 위치의 유사도가 작아져야 평균에 포함된다. 마지막으로, 서로 간에 바로 인접한 위치에 있는 위치를 제외할 때에는, 배제되는 인접한 위치의 기준은 제 1저장소에 저장되는 사전에 측정된 위치 속성 정보의 측정 간격과 관련된다. 보통 가상적인 그리드를 그리고 등간격으로 측정하므로, 바로 인접한 측정 위치 및 대각선 위치도 배제하기 위해서 측정 간격에 1.414를 곱한 거리를 사용한다. 이 세가지 파라미터는 실험적으로 보정될 수도 있다. There are three parameters applied in the invented method. When coordinates (coordinates) stored in the first storage unit are sorted in ascending order according to the difference between the position attribute information measured at the terminal position and the position attribute information stored in the first storage unit, the position having the smallest difference value (See Equation 2) by multiplying the weighted value only up to a position that has a large difference value at a certain ratio. As a result of analyzing various experimental data, the ratio of 1.2 was the best on average. Secondly, if the degree of similarity is reduced gradually from the position with the largest degree of similarity, the degree of similarity of positions in the next order should be less than 1 / 1.03 times the degree of similarity of positions in the previous order. Finally, to exclude locations that are immediately adjacent to each other, the criteria for the excluded adjacent locations are related to the measurement intervals of previously measured location property information stored in the first repository. Normally a virtual grid is measured at equidistant intervals, so distance is used to multiply the measurement interval by 1.414 to exclude adjacent measurement positions and diagonal positions. These three parameters may be experimentally corrected.
본 발명에서 창안된 알고리즘이 실제적으로 활용되는 시스템 구조와 방법으로는 다양한 형태가 있을 것이다. 그 한 가지 예로써, 도 1과 같이 단말과 서비스 서버가 통신망으로 서로 연결되어 동작하는 것이다. 일반적으로 스마트폰과 같은 단말은 사용자들이 휴대하고 임의의 장소에서 현재의 위치를 확인하려고 할 것이므로, 해당 장소의 WiFi fingerprint 데이터와 같은 임의의 위치에 대한 좌표와 위치 속성 정보는 사전에 측정되어 서비스 서버의 제 1저장부에 저장하고 있어야 한다. 그렇지 않고, 임의의 사용자들의 단말들이 각자의 위치 속성 정보를 각각의 제 1저장부에 저장하고 있다가, Person-to-Person (P2P) 서비스의 형태로 정보를 공유할 수도 있다. 사전에 측정된 임의의 위치에 대한 좌표와 위치 속성 정보의 저장 장소와 방법은 다양한 형태가 있을 수 있다. There are various types of system structures and methods in which the inventive algorithm is practically utilized. As one example, the terminal and the service server are connected to each other through a communication network as shown in FIG. In general, since a terminal such as a smart phone is intended to carry a user and confirm the current position at an arbitrary place, the coordinates and position attribute information of an arbitrary position such as WiFi fingerprint data of the place are measured in advance, In the first storage unit of the display unit. Alternatively, terminals of certain users may store their respective location attribute information in their respective first storage units, and may share information in the form of a Person-to-Person (P2P) service. The location and method of storing the coordinate and position attribute information of the arbitrary position measured in advance may be in various forms.
한 편, 임의의 위치에서 사용자가 위치 확인을 원할 때는, 단말은 해당 위치에서 측정한 무선랜 공유기의 전파 수신 신호 세기와 같은 위치 속성 정보를 제 2저장부에 저장하고, 이 정보와 서비스 서버의 제 1저장부에 저장되어 있던 해당 공간의 WiFi fingerprint 데이터를 통신망을 통해서 제공 받아, 서로의 유사도를 계산하여 현재 단말의 위치를 추정한다. 장치로 구현할 때, 제 1저장부와 제 2저장부는 동일한 장치가 될 수도 있고 분리된 장치가 될 수도 있다. 또한 유사도를 비교하는 작업을 서비스 서버에서 수행할 수도 있고, 단말에서 수행할 수도 있다. 단속적인 위치 확인의 경우 서비스 서버에서 위치 추정 계산을 하여 결과 위치 값만 단말로 보내주는 것이 효과적이다. 반대로, 단말 위치 추적과 같이 지속적으로 위치 추정이 필요한 경우에는, 제 1 저장부에 저장된 해당 공간에 관련된 위치 속성 정보들만 단말로 전달하여 단말에서 지속적으로 현재의 위치 속성 정보를 수집하고 위치를 추정하는 방식이 더욱 효과적이다. 이는 단말이 서비스 서버와 지속적으로 통신망이 연결되지 못할 수도 있으므로, 실내와 같이 이동통신망의 신호가 약한 곳에서는 더욱 유용할 수 있다. On the other hand, when the user desires location confirmation at an arbitrary position, the terminal stores the location attribute information, which is the same as the radio signal strength of the wireless LAN router measured at the corresponding location, in the second storage unit, The WiFi fingerprint data of the corresponding space stored in the first storage unit is received through the communication network, and the similarity of the WiFi fingerprint data is calculated to estimate the current location of the terminal. When implemented as an apparatus, the first storage unit and the second storage unit may be the same apparatus or a separate apparatus. Also, a task of comparing the degree of similarity may be performed in the service server or in the terminal. In the case of intermittent location confirmation, it is effective that the service server performs the position estimation calculation and sends only the result location value to the terminal. On the contrary, when position estimation is required continuously such as terminal location tracking, only the location attribute information related to the corresponding space stored in the first storage unit is transmitted to the terminal, so that the terminal continuously collects the current location attribute information and estimates the location Method is more effective. This may be more useful in a place where the signal of the mobile communication network is weak, such as indoor, because the terminal may not be continuously connected to the service server with the communication network.
도 2와 도 3은 각각 단말과 서비스 서버의 일실시 예를 제시한 것으로, 제어부(32, 52)의 제어하에, 사전에 측정된 위치 추정 대상 공간의 위치 속성 정보를 저장하는 제 1저장부(33, 53)과, 단말이 현재 위치에서 측정한 위치 속성 정보를 저장하는 제 2저장부(34, 54)와, 제 1 및 2 저장부에 저장된 위치 속성 정보들의 유사도를 비교하는 데이터처리부(35, 55)와, 본 발명에서 창안된 적응형 KNN 알고리즘을 적용하여 단말의 현재 위치를 추정하는 위치추정부(36, 56), 및 통신망을 통해 또는 단말과 서비스 서버가 직접 위치 속성 정보 또는 단말의 추정 위치를 교환하기 위한 통신 접속부를 포함한다.
2 and 3 illustrate an embodiment of a terminal and a service server, respectively. The
여기서는 위치 속성 정보의 사례로 무선랜 공유기의 전파 신호 세기만을 제시했지만, 지자기 신호의 세기나, 빛, 영상, 소리, 온도, 기압, 중력의 크기도 위치마다 다르므로 이들 정보를 위치 지문 (location fingerprint)으로 활용할 수 있다. 또는 이 중에서 여러 종류의 신호를 결합하여 위치 추정에 활용할 수도 있다. In this case, only the radio signal strength of the wireless LAN router is shown in the case of the location attribute information. However, since the magnitude of the geomagnetism signal, light, image, sound, temperature, ). Alternatively, various types of signals may be combined and used for position estimation.
또한 위치 추정 대상으로 스마트폰과 같은 사용자 단말뿐만 아니라 일반 차량, 이동 로봇이나 청소기, 자율주행 차량 등이 해당될 수 있다. In addition, not only a user terminal such as a smart phone, but also a general vehicle, a mobile robot, a cleaner, and an autonomous vehicle can be considered as a location estimation target.
제 1저장부와 제 2 저장부의 위치 속성 정보의 유사도와 제 1저장부에 저장된 사전에 측정된 위치 속성 정보의 개수와 측정 시간 등을 분석해 보면, 그 패턴에 따라 추정 위치의 정확도를 대략적으로 예측할 수 있다. 따라서 단말에 단말의 위치를 표시할 때에 이를 고려하여 위치 표식의 크기를 다르게 하던지 모양을 다르게 할 수 있다. 예를 들면, 정확도가 떨어지면 원의 크기를 크게 한다던지, 특정 방향으로 가능성이 높으면 다각형의 모양으로 위치를 표시하는 것이다. When the similarity degree of the location attribute information between the first storage unit and the second storage unit, the number of previously measured location property information stored in the first storage unit, and the measurement time are analyzed, the accuracy of the estimated location is roughly predicted . Accordingly, when displaying the position of the terminal to the terminal, the size of the position marker may be different or may be different in view of this. For example, if accuracy is low, the size of the circle is increased, or if the probability is high in a certain direction, the position is displayed in the shape of a polygon.
여기서, 본 발명의 여러 실시 예를 도시하여 설명하였지만, 본 발명이 속하는 기술 분야의 통상의 지식을 가진 당업자라면 본 발명의 원칙이나 정신에서 벗어나지 않으면서 본 실시예를 변형할 수 있음을 알 수 있을 것이다. 발명의 범위는 첨부된 청구항과 그 균등물에 의해 정해질 것이다.While the present invention has been particularly shown and described with reference to exemplary embodiments thereof, it is evident that many alternatives, modifications and variations will be apparent to those skilled in the art without departing from the scope and spirit of the invention. will be. The scope of the invention will be determined by the appended claims and their equivalents.
11: 단말
12: 인터넷
13: 서비스 서버
14,15,16: 무선랜 공유기
31: 단말
32,52: 제어부
33,53: 제1저장부
34,54: 제2저장부
35,55: 데이터처리부
36,56: 위치추정부
37,57: 통신접속부11: Terminal 12: Internet
13:
31:
33,53:
35, 55:
37,57: Communication connection
Claims (21)
위치 측정의 대상 공간내의 하나 이상의 임의의 위치에서, 좌표 및 전파, 자기, 빛, 영상, 소리, 온도, 기압, 중력, 시간 중에 하나 이상의 위치 속성 정보를 사전에 측정하여 저장하였다가 통신을 통해 단말에게 제공해 주는 서비스 서버; 및
서비스 서버로 부터 제공 받은 위치 속성 정보와 추정하려는 위치에서 측정한 동일한 종류의 위치 속성 정보들의 차이를 비교 계산하고, 그 차이값에 따라서 상기의 임의의 위치들을 순서대로 정렬하며, 가장 작은 차이값과 대비하여 일정 비율 이내로 큰 차이값에 해당하는 위치들만 포함하여 가중치와 함께 평균을 구해 위치를 추정하는 단말
을 포함하는 적응형 KNN 기술을 이용한 제 1 위치 측정 시스템.
A first position measurement system using adaptive KNN technology,
One or more location attribute information is previously measured and stored in at least one arbitrary position in the space of the position measurement for coordinate and propagation, magnetism, light, image, sound, temperature, air pressure, gravity, Service server; And
Calculates the difference between the position attribute information provided from the service server and the same kind of position attribute information measured at the position to be estimated, arranges the above arbitrary positions in order according to the difference value, A terminal that estimates a position by obtaining an average along with a weight including only positions corresponding to a large difference value within a predetermined ratio
The first position measurement system using an adaptive KNN technique.
적응형 KNN 기술을 이용한 제 1 위치 측정 시스템에서의 단말은,
차이값에 따라서 순서대로 정렬된 위치들 중에서, 가장 작은 차이값에서부터 연속적으로 이전 순서의 차이값보다 일정 비율 이내로 큰 차이값을 갖는 위치들만 포함하여, 가중치와 함께 평균을 구해 단말의 위치를 추정하는 기능
을 더 포함하는 적응형 KNN 기술을 이용한 제 1 위치 측정 시스템에서의 단말.
The method according to claim 1,
A terminal in a first location measurement system using adaptive KNN technology,
The mobile station estimates the position of the mobile station by calculating the average along with the weight including the positions having the large difference value within a predetermined ratio from the smallest difference value to the difference value of the previous order among the sequentially arranged positions according to the difference value function
Wherein the first location measurement system uses the adaptive KNN technique.
적응형 KNN 기술을 이용한 제 1 위치 측정 시스템에서의 단말은,
상기 1항과 2항에서 평균을 구할 때에 포함되는 위치들 중에서, 서로 간에 일정 거리 이상 떨어진 위치들만 포함하여 평균을 구해 위치를 추정하는 기능
을 더 포함하는 적응형 KNN 기술을 이용한 제 1 위치 측정 시스템에서의 단말.
3. The method according to claim 1 or 2,
A terminal in a first location measurement system using adaptive KNN technology,
Among the positions included when the averages are obtained in the above-mentioned items 1 and 2, a function of estimating a position by obtaining an average including only positions separated by a certain distance or more from each other
Wherein the first location measurement system uses the adaptive KNN technique.
적응형 KNN 기술을 이용한 제 1 위치 측정 시스템에서의 단말은,
사전에 제1 저장부에 저장된, 좌표 및 위치 속성 정보에 해당하는 위치들의 개수에 따라서 상기의 일정 비율 또는 일정 거리의 값이 달라지는 기능
을 더 포함하는 적응형 KNN 기술을 이용한 제 1 위치 측정 시스템에서의 단말.
The method according to claim 1,
A terminal in a first location measurement system using adaptive KNN technology,
A function of changing the value of the predetermined ratio or the predetermined distance according to the number of positions corresponding to coordinate and position attribute information stored in the first storage unit in advance
Wherein the first location measurement system uses the adaptive KNN technique.
적응형 KNN 기술을 이용한 제 1 위치 측정 시스템의 단말은,
위치 추정의 정확도에 따라서 추정하려는 위치를 표시하는 표식의 크기 또는 모양이 달라지는 기능
을 더 포함하는 적응형 KNN 기술을 이용한 제 1 위치 측정 시스템의 단말.
The method according to claim 1,
A terminal of the first position measurement system using the adaptive KNN technique,
A function that changes the size or shape of a landmark indicating the position to be estimated according to the accuracy of the position estimation
Wherein the first location measurement system uses the adaptive KNN technology.
위치 측정의 대상 공간내의 하나 이상의 임의의 위치에서 좌표 및 전파, 자기, 빛, 영상, 소리, 온도, 기압, 중력, 시간 중에 하나 이상의 위치 속성 정보를 사전에 측정하여 저장하고, 사용자 단말이 추정하려는 위치에서 측정한 동일한 종류의 위치 속성 정보를 통신을 통해 수신 받아, 상기의 서비스 서버에 저장된 위치 속성 정보와 추정하려는 단말 위치에서 측정된 동일한 종류의 위치 속성 정보들의 차이를 비교 계산하고, 그 차이값에 따라서 상기의 임의의 위치들을 순서대로 정렬하며, 가장 작은 차이값과 대비하여 일정 비율 이내로 큰 차이값에 해당하는 위치들만 포함하여 가중치와 함께 평균을 구해 단말의 위치를 추정하고, 그 위치를 통신을 통해 단말에게 전달하는 서비스 서버; 및
추정하려는 위치에서 측정한 동일한 종류의 위치 속성 정보를 서비스 서버로 전달하고 위치를 수신 받는 단말
을 포함하는 적응형 KNN 기술을 이용한 제 2 위치 측정 시스템.
A second position measurement system using adaptive KNN technology,
One or more location attribute information is previously measured and stored at one or more arbitrary positions in the space of the position measurement in the form of coordinates and propagation, magnetism, light, image, sound, temperature, The position attribute information of the same kind measured at the position to be estimated is compared with the position attribute information stored in the service server and compared with the difference of the same kind of position attribute information measured at the terminal position to be estimated, And estimates the position of the terminal by obtaining an average along with the weight including only positions corresponding to a large difference value within a certain ratio in comparison with the smallest difference value, To the terminal through the Internet; And
And transmits the same kind of location attribute information measured at a position to be estimated to the service server,
And a second position measurement system using an adaptive KNN technique.
적응형 KNN 기술을 이용한 제 2 위치 측정 시스템에서의 서비스 서버는,
차이값에 따라서 순서대로 정렬된 위치들 중에서, 가장 작은 차이값에서부터 연속적으로 이전 순서의 차이값보다 일정 비율 이내로 큰 차이값을 갖는 위치들만 포함하여, 가중치와 함께 평균을 구해 단말의 위치를 추정하는 기능
을 더 포함하는 적응형 KNN 기술을 이용한 제 2 위치 측정 시스템에서의 서비스 서버.
The method according to claim 6,
A service server in a second location measurement system using adaptive KNN technology,
The mobile station estimates the position of the mobile station by calculating the average along with the weight including the positions having the large difference value within a predetermined ratio from the smallest difference value to the difference value of the previous order among the sequentially arranged positions according to the difference value function
Wherein the service server in the second location measurement system employs an adaptive KNN technology.
적응형 KNN 기술을 이용한 제 2 위치 측정 시스템에서의 서비스 서버는,
상기 6항과 7항에서 평균을 구할 때에 포함되는 위치들 중에서, 서로 간에 일정 거리 이상 떨어진 위치들만 포함하여 평균을 구해 위치를 추정하는 기능
을 더 포함하는 적응형 KNN 기술을 이용한 제 2 위치 측정 시스템에서의 서비스 서버.
8. The method according to claim 6 or 7,
A service server in a second location measurement system using adaptive KNN technology,
In the above-mentioned items 6 and 7, among the positions included in the averages, a function of estimating a position by obtaining an average including only positions separated by a certain distance or more from each other
Wherein the service server in the second location measurement system employs an adaptive KNN technology.
적응형 KNN 기술을 이용한 제 2 위치 측정 시스템에서의 서비스 서버는,
사전에 제1 저장부에 저장된, 좌표 및 위치 속성 정보에 해당하는 위치들의 개수에 따라서 상기의 일정 비율 또는 일정 거리의 값이 달라지는 기능
을 더 포함하는 적응형 KNN 기술을 이용한 제 2 위치 측정 시스템에서의 서비스 서버.
The method according to claim 6,
A service server in a second location measurement system using adaptive KNN technology,
A function of changing the value of the predetermined ratio or the predetermined distance according to the number of positions corresponding to coordinate and position attribute information stored in the first storage unit in advance
Wherein the service server in the second location measurement system employs an adaptive KNN technology.
위치 측정의 대상 공간내에서 좌표 및 사전에 측정된 전파, 자기, 빛, 영상, 소리, 온도, 기압, 중력, 시간 중에 하나 이상의 위치 속성 정보를 서비스 서버로부터 전달받아 저장하는 제1 저장부; 및
추정하려는 위치에서 측정된 동일한 종류의 위치 속성 정보를 저장하는 제2 저장부;
제어부의 제어하에 상기의 제1 저장부와 제2 저장부에 저장된 두 가지의 위치 속성 정보들의 차이를 비교 계산하고, 차이값에 따라서 제1 저장부에 저장된 위치들을 순서대로 정렬하는 데이터 처리부;
가장 작은 차이값과 대비하여 일정 비율 이내로 큰 차이값에 해당하는 위치들만 포함하여 가중치와 함께 평균을 구해 위치를 추정하는 위치 추정부
를 포함하는 적응형 KNN 기술을 이용한 위치 측정 시스템에서의 단말.
A location measurement terminal using adaptive KNN technology,
A first storage unit for receiving and storing at least one location attribute information of a radio wave, magnetism, light, image, sound, temperature, atmospheric pressure, gravity, and time measured in coordinates and in advance in the space of the position measurement; And
A second storage unit for storing position attribute information of the same kind measured at a position to be estimated;
A data processing unit for comparing and calculating differences between two pieces of positional attribute information stored in the first storage unit and the second storage unit under the control of the control unit and arranging the positions stored in the first storage unit in order according to the difference value;
A position estimating unit for estimating a position by obtaining an average along with a weight including only positions corresponding to a large difference value within a certain ratio in comparison with the smallest difference value,
A terminal in a location measurement system using an adaptive KNN technology.
적응형 KNN 기술을 이용한 위치 측정 단말의 위치추정부는,
차이값에 따라서 순서대로 정렬된 위치들 중에서, 가장 작은 차이값에서부터 연속적으로 이전 순서의 차이값보다 일정 비율 이내로 큰 차이값을 갖는 위치들만 포함하여, 가중치와 함께 평균을 구해 단말의 위치를 추정하는 기능
을 더 포함하는 적응형 KNN 기술을 이용한 위치 측정 단말의 위치추정부.
11. The method of claim 10,
The position estimating unit of the position measuring terminal using the adaptive KNN technique includes:
The mobile station estimates the position of the mobile station by calculating the average along with the weight including the positions having the large difference value within a predetermined ratio from the smallest difference value to the difference value of the previous order among the sequentially arranged positions according to the difference value function
The position estimating unit estimating the position of the position measuring terminal using the adaptive KNN technique.
적응형 KNN 기술을 이용한 위치 측정 단말의 위치추정부는,
상기 10항과 11항에서 평균을 구할 때에 포함되는 위치들 중에서, 서로 간에 일정 거리 이상 떨어진 위치들만 포함하여 평균을 구해 위치를 추정하는 기능
을 더 포함하는 적응형 KNN 기술을 이용한 위치 측정 단말의 위치추정부.
12. The method according to claim 10 or 11,
The position estimating unit of the position measuring terminal using the adaptive KNN technique includes:
In the above-mentioned 10 and 11, among the positions included when the average is obtained, a function of estimating a position by obtaining an average including positions apart by a predetermined distance or more from each other
The position estimating unit estimating the position of the position measuring terminal using the adaptive KNN technique.
적응형 KNN 기술을 이용한 위치 측정 단말의 위치추정부는,
사전에 제1 저장부에 저장된, 좌표 및 위치 속성 정보에 해당하는 위치들의 개수에 따라서 상기의 일정 비율 또는 일정 거리의 값이 달라지는 기능
을 더 포함하는 적응형 KNN 기술을 이용한 위치 측정 단말의 위치추정부.
11. The method of claim 10,
The position estimating unit of the position measuring terminal using the adaptive KNN technique includes:
A function of changing the value of the predetermined ratio or the predetermined distance according to the number of positions corresponding to coordinate and position attribute information stored in the first storage unit in advance
The position estimating unit estimating the position of the position measuring terminal using the adaptive KNN technique.
좌표 및 전파, 자기, 빛, 영상, 소리, 온도, 기압, 중력, 시간 중에 하나 이상의 위치 속성 정보를 사전에 측정하여 저장하는 제1 저장부; 및
추정하려는 위치에서 측정된 동일한 종류의 위치 속성 정보를 단말로 부터 전달받아 저장하는 제2 저장부;
제어부의 제어하에 상기의 제1 저장부와 제2 저장부에 저장된 두 가지의 위치 속성 정보들의 차이를 비교 계산하고, 차이값에 따라서 제1 저장부에 저장된 위치들을 순서대로 정렬하는 데이터 처리부;
가장 작은 차이값과 대비하여 일정 비율 이내로 큰 차이값에 해당하는 위치들만 포함하여 가중치와 함께 평균을 구해 위치를 추정하는 위치 추정부
를 포함하는 적응형 KNN 기술을 이용한 위치 측정 서비스 서버.
A location service server using adaptive KNN technology,
A first storage unit for previously measuring and storing at least one position attribute information among coordinates and propagation, magnetic, light, image, sound, temperature, air pressure, gravity, and time; And
A second storage unit for receiving and storing location attribute information of the same kind measured at a location to be estimated from the terminal;
A data processing unit for comparing and calculating differences between two pieces of positional attribute information stored in the first storage unit and the second storage unit under the control of the control unit and arranging the positions stored in the first storage unit in order according to the difference value;
A position estimating unit for estimating a position by obtaining an average along with a weight including only positions corresponding to a large difference value within a certain ratio in comparison with the smallest difference value,
A location service server using adaptive KNN technology.
적응형 KNN 기술을 이용한 위치 측정 서비스 서버의 위치 추정부는,
차이값에 따라서 순서대로 정렬된 위치들 중에서, 가장 작은 차이값에서부터 연속적으로 이전 순서의 차이값보다 일정 비율 이내로 큰 차이값을 갖는 위치들만 포함하여, 가중치와 함께 평균을 구해 단말의 위치를 추정하는 기능
을 더 포함하는 적응형 KNN 기술을 이용한 위치 측정 서비스 서버의 위치 추정부.
15. The method of claim 14,
The position estimating unit of the position measurement service server using the adaptive KNN technology estimates the position of the position measurement service server,
The mobile station estimates the position of the mobile station by calculating the average along with the weight including the positions having the large difference value within a predetermined ratio from the smallest difference value to the difference value of the previous order among the sequentially arranged positions according to the difference value function
A location estimating unit for estimating a location of the location service server using the adaptive KNN technology.
적응형 KNN 기술을 이용한 위치 측정 서비스 서버의 위치 추정부는,
상기 14항과 15항에서 평균을 구할 때에 포함되는 위치들 중에서, 서로 간에 일정 거리 이상 떨어진 위치들만 포함하여 평균을 구해 위치를 추정하는 기능
을 더 포함하는 적응형 KNN 기술을 이용한 위치 측정 서비스 서버의 위치 추정부.
16. The method according to claim 14 or 15,
The position estimating unit of the position measurement service server using the adaptive KNN technology estimates the position of the position measurement service server,
Among the positions included when the average is obtained in the above-mentioned 14 and 15, only the positions apart from each other by a predetermined distance or more are found and an average is obtained to estimate the position
A location estimating unit for estimating a location of the location service server using the adaptive KNN technology.
위치 측정의 대상 공간내의 하나 이상의 임의의 위치에서, 좌표 및 전파, 자기, 빛, 영상, 소리, 온도, 기압, 중력, 시간 중에 하나 이상의 위치 속성 정보를 사전에 측정하여 저장하는 단계; 및
상기의 사전에 측정된 위치 속성 정보와 추정하려는 위치에서 측정한 동일한 종류의 위치 속성 정보들의 차이를 비교 계산하고, 그 차이값에 따라서 상기의 임의의 위치들을 순서대로 정렬하며, 가장 작은 차이값과 대비하여 일정 비율 이내로 큰 차이값에 해당하는 위치들만 포함하여 가중치와 함께 평균을 구해 위치를 추정하는 단계
를 포함하는 적응형 KNN 기술을 이용한 위치 측정 방법.
The position measurement method using the adaptive KNN technique is described in, for example,
Measuring and storing one or more positional property information among coordinates and propagation, magnetism, light, image, sound, temperature, atmospheric pressure, gravity, and time in advance at one or more arbitrary positions in the space of the position measurement; And
Calculating a difference between the previously measured position attribute information and the position attribute information of the same kind measured at the position to be estimated, sorting the arbitrary positions in order according to the difference value, Estimating a position by calculating an average along with a weight including only positions corresponding to large difference values within a predetermined ratio
A method of position measurement using an adaptive KNN technique.
적응형 KNN 기술을 이용한 위치 측정 방법은,
차이값에 따라서 순서대로 정렬된 위치들 중에서, 가장 작은 차이값에서부터 연속적으로 이전 순서의 차이값보다 일정 비율 이내로 큰 차이값을 갖는 위치들만 포함하여, 가중치와 함께 평균을 구해 위치를 추정하는 단계
를 포함하는 적응형 KNN 기술을 이용한 위치 측정 방법.
18. The method of claim 17,
The position measurement method using the adaptive KNN technique is described in, for example,
Estimating a position by obtaining an average along with a weight including only positions having a large difference value within a predetermined ratio from the smallest difference value to the difference value of the previous order among the sequentially arranged positions according to the difference value,
A method of position measurement using an adaptive KNN technique.
적응형 KNN 기술을 이용한 위치 측정 방법은,
상기 17항과 18항에서 평균을 구할 때에 포함되는 위치들 중에서, 서로 간에 일정 거리 이상 떨어진 위치들만 포함하여 평균을 구해 위치를 추정하는 단계
를 포함하는 적응형 KNN 기술을 이용한 위치 측정 방법.
19. The method according to claim 17 or 18,
The position measurement method using the adaptive KNN technique is described in, for example,
Estimating a position by obtaining an average including positions apart from each other by a predetermined distance or more among the positions included when the average is obtained in the above 17 and 18,
A method of position measurement using an adaptive KNN technique.
적응형 KNN 기술을 이용한 위치 측정 방법은,
사전에 측정하여 저장한, 좌표 및 위치 속성 정보에 해당하는 위치들의 개수에 따라서 상기의 일정 비율 또는 일정 거리의 값이 달라지는 단계
를 포함하는 적응형 KNN 기술을 이용한 위치 측정 방법.
18. The method of claim 17,
The position measurement method using the adaptive KNN technique is described in, for example,
The predetermined ratio or the value of the predetermined distance varies depending on the number of positions corresponding to coordinate and position attribute information measured and stored in advance
A method of position measurement using an adaptive KNN technique.
적응형 KNN 기술을 이용한 위치 측정 방법은,
위치 추정의 정확도에 따라서 추정하려는 위치를 표시하는 표식의 크기 또는 모양이 달라지는 단계
를 포함하는 적응형 KNN 기술을 이용한 위치 측정 방법.18. The method of claim 17,
The position measurement method using the adaptive KNN technique is described in, for example,
The size or shape of the landmark indicating the position to be estimated varies depending on the accuracy of the position estimation
A method of position measurement using an adaptive KNN technique.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020180000572A KR102181216B1 (en) | 2018-01-03 | 2018-01-03 | System, and apparatus and method for position measurement |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020180000572A KR102181216B1 (en) | 2018-01-03 | 2018-01-03 | System, and apparatus and method for position measurement |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20190083382A true KR20190083382A (en) | 2019-07-12 |
| KR102181216B1 KR102181216B1 (en) | 2020-11-20 |
Family
ID=67254255
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020180000572A Active KR102181216B1 (en) | 2018-01-03 | 2018-01-03 | System, and apparatus and method for position measurement |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102181216B1 (en) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111726765A (en) * | 2020-05-29 | 2020-09-29 | 山西大学 | A WIFI indoor positioning method and system for large-scale complex scenes |
| KR20240039954A (en) * | 2022-09-20 | 2024-03-27 | 주식회사 에스위너스 | Satellite-based location information correction method and system |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20130033071A (en) * | 2011-09-26 | 2013-04-03 | 삼성전자주식회사 | A calculating method and acalculating device for accuracy of measuring location, and a method and an apparatus for measuring location of terminal using the accuracy of measuring location |
| KR20140028368A (en) * | 2012-08-28 | 2014-03-10 | 주식회사 센서웨이 | Positioning system for using k-nearest neighbor algorithm |
-
2018
- 2018-01-03 KR KR1020180000572A patent/KR102181216B1/en active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20130033071A (en) * | 2011-09-26 | 2013-04-03 | 삼성전자주식회사 | A calculating method and acalculating device for accuracy of measuring location, and a method and an apparatus for measuring location of terminal using the accuracy of measuring location |
| KR20140028368A (en) * | 2012-08-28 | 2014-03-10 | 주식회사 센서웨이 | Positioning system for using k-nearest neighbor algorithm |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111726765A (en) * | 2020-05-29 | 2020-09-29 | 山西大学 | A WIFI indoor positioning method and system for large-scale complex scenes |
| KR20240039954A (en) * | 2022-09-20 | 2024-03-27 | 주식회사 에스위너스 | Satellite-based location information correction method and system |
Also Published As
| Publication number | Publication date |
|---|---|
| KR102181216B1 (en) | 2020-11-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107318084B (en) | Fingerprint positioning method and device based on optimal similarity | |
| CN103402258B (en) | Wi-Fi (Wireless Fidelity)-based indoor positioning system and method | |
| Boonsriwai et al. | Indoor WIFI localization on mobile devices | |
| JP6031104B2 (en) | Concept to determine the orientation of a portable device | |
| Pei et al. | Using inquiry-based Bluetooth RSSI probability distributions for indoor positioning | |
| Niculescu et al. | Error characteristics of ad hoc positioning systems (APS) | |
| KR101600190B1 (en) | Indoor positioning apparatus considering environmental parameters and method thereof | |
| CN107517446A (en) | Indoor orientation method and device based on Wi Fi focuses | |
| US10567918B2 (en) | Radio-location method for locating a target device contained within a region of space | |
| WO2004095790A1 (en) | Method and system for determining user location in a wireless communication network | |
| TW201329486A (en) | Positioning method | |
| JP2011214920A (en) | Position estimating device, position estimation method, and program | |
| US9164164B2 (en) | Indoor localization method and system | |
| US20160091341A1 (en) | Method and apparatus for object localization | |
| Eyng et al. | Kalman filtering-aided hybrid indoor positioning system with fingerprinting and multilateration | |
| Su et al. | A hybrid indoor-position mechanism based on bluetooth and WiFi communications for smart mobile devices | |
| KR20190083382A (en) | A system and method for position measurement using adaptive KNN technology | |
| Kiring et al. | Wi-Fi radio map interpolation with sparse and correlated received signal strength measurements for indoor positioning | |
| JP2012103191A (en) | Radio wave monitoring device and radio wave monitoring method | |
| US20160091349A1 (en) | Method and apparatus for object localizing | |
| CN105898710B (en) | Positioning method and device based on virtual positioning node | |
| Ramaneti et al. | IoT based 2D indoor navigation system using BLE beacons and Dijkstra's algorithm | |
| Xu et al. | Variance-based fingerprint distance adjustment algorithm for indoor localization | |
| CN107318159A (en) | A kind of indoor fingerprint positioning method | |
| Uraiya et al. | Genetic algorithm for wireless sensor network with localization based techniques |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination | ||
| PA0109 | Patent application |
Patent event code: PA01091R01D Comment text: Patent Application Patent event date: 20180103 |
|
| PA0201 | Request for examination | ||
| PG1501 | Laying open of application | ||
| E902 | Notification of reason for refusal | ||
| PE0902 | Notice of grounds for rejection |
Comment text: Notification of reason for refusal Patent event date: 20191106 Patent event code: PE09021S01D |
|
| E90F | Notification of reason for final refusal | ||
| PE0902 | Notice of grounds for rejection |
Comment text: Final Notice of Reason for Refusal Patent event date: 20200506 Patent event code: PE09021S02D |
|
| E701 | Decision to grant or registration of patent right | ||
| PE0701 | Decision of registration |
Patent event code: PE07011S01D Comment text: Decision to Grant Registration Patent event date: 20201109 |
|
| GRNT | Written decision to grant | ||
| PR0701 | Registration of establishment |
Comment text: Registration of Establishment Patent event date: 20201116 Patent event code: PR07011E01D |
|
| PR1002 | Payment of registration fee |
Payment date: 20201116 End annual number: 3 Start annual number: 1 |
|
| PG1601 | Publication of registration | ||
| PR1001 | Payment of annual fee |
Payment date: 20230823 Start annual number: 4 End annual number: 4 |
|
| PR1001 | Payment of annual fee |
Payment date: 20241030 Start annual number: 5 End annual number: 5 |