KR20190122423A - 머신러닝 기반의 실내 측위 방법 및 시스템 - Google Patents

머신러닝 기반의 실내 측위 방법 및 시스템 Download PDF

Info

Publication number
KR20190122423A
KR20190122423A KR1020180046181A KR20180046181A KR20190122423A KR 20190122423 A KR20190122423 A KR 20190122423A KR 1020180046181 A KR1020180046181 A KR 1020180046181A KR 20180046181 A KR20180046181 A KR 20180046181A KR 20190122423 A KR20190122423 A KR 20190122423A
Authority
KR
South Korea
Prior art keywords
neural network
location
terminal
positioning
mobile robot
Prior art date
Application number
KR1020180046181A
Other languages
English (en)
Other versions
KR102119196B1 (ko
Inventor
이승훈
Original Assignee
한국정보공학 주식회사
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 한국정보공학 주식회사 filed Critical 한국정보공학 주식회사
Priority to KR1020180046181A priority Critical patent/KR102119196B1/ko
Publication of KR20190122423A publication Critical patent/KR20190122423A/ko
Application granted granted Critical
Publication of KR102119196B1 publication Critical patent/KR102119196B1/ko

Links

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
    • 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
    • G01S5/0257—Hybrid positioning
    • G01S5/0268—Hybrid positioning by deriving positions from different combinations of signals or of estimated positions in a single positioning system
    • 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
    • G01S5/0269—Inferred or constrained positioning, e.g. employing knowledge of the physical or electromagnetic environment, state of motion or other contextual information to infer or constrain a position
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Electromagnetism (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
  • Position Fixing By Use Of Radio Waves (AREA)

Abstract

본 발명은, 측위 대상 지역 내 여러 위치에서 상기 측위 대상 지역에 설치된 복수의 비콘으로부터 수집한 전파특성정보를 데이터베이스화한 학습데이터베이스를 마련하는 단계 및 피측위 단말이 상기 복수의 비콘으로부터 수집한 전파특성정보를 상기 학습데이터베이스에 적용하여 상기 피측위 단말의 위치를 추정하는 단계를 포함하는 실내 측위 방법에 있어서, 상기 피측위 단말의 위치를 추정하는 단계는, 이동로봇이 상기 측위 대상 지역 내 복수의 기준점을 이동하며, 상기 기준점 각각에서 수집된 각종 입력데이터를 뉴럴 네트워크에 적용하여 추정한 상기 이동로봇의 위치와, 상기 해당 기준점의 위치를 비교하여, 상기 뉴럴 네트워크의 노드 간 가중치를 조절하여 상기 뉴럴 네트워크를 학습하는 단계 및 상기 피측위 단말이 상기 측위 대상 지역 내에서 상기 입력데이터를 상기 학습된 뉴럴 네트워크에 적용하여 상기 피측위 단말의 위치를 추정하는 단계를 포함하되, 상기 입력데이터는, 상기 피측위 단말이 상기 복수의 비콘으로부터 수집한 전파특성정보, 상기 피측위 단말의 자세 데이터 및 주변환경데이터를 포함하는 것을 특징으로 하는 머신러닝 기반의 실내 측위 방법을 제공한다.

Description

머신러닝 기반의 실내 측위 방법 및 시스템 {METHOD AND SYSTEM FOR INDOOR POSITIONING BASED ON MACHINE LEARNING}
본 발명은 뉴럴 네트워크를 이용한 머신러닝 기반의 실내 측위 방법 및 시스템에 관한 것이다.
실내에서는 GPS 신호를 수신하기 어렵기 때문에 GPS 신호 이외의 다른 무선 자원을 이용하여 위치를 측정 내지 추정하는 기술들이 제시되고 있다. 근거리 무선 통신인 NFC(Near Field Communication)는 10cm 이내의 근거리에서만 작동하는 반면, 블루투스 비콘(Bluetooth Beacon)은 최대 50m 거리에서 작동할 수 있어, 블루투스 비콘 신호를 이용한 측위 방법들이 제시되고 있다.
블루투스 비콘신호를 이용한 대표적인 측위 방법으로는 핑거프린트 방법이 있다. 핑거프린트 측위방법은 사전에 측위서비스 지역의 전파특성정보를 데이터베이스화하여 위치를 추정할 경우에 구축된 데이터베이스 정보와 수신된 신호정보 간의 비교를 통해 위치를 추정하는 방법이다.
이때, 전파특성정보를 산출하는 데 필요한 측정치로는 수신된 신호 세기(RSSI; Received Signal Strength Indicator)를 주로 사용하고 있으나, 수신된 신호의 세기는 물리적인 환경 변화에 민감한 특성으로 인하여 변화 정도가 불안정하며, 측위 오차를 발생시킬 수 있는 문제가 있다.
따라서, 이와 같은 문제를 해결하기 위한 방안이 절실히 요구되는 실정이다.
KR 2011-0116565 A1
본 발명은 뉴럴 네트워크를 이용하되, 뉴럴 네트워크의 학습 효과를 높임으로써 피측위 단말의 위치 추정 정확도를 향상시킬 수 있는 머신러닝 기반의 실내 측위 방법 및 시스템을 제공하고자 한다.
상기 과제를 해결하기 위하여 본 발명은, 측위 대상 지역 내 여러 위치에서 상기 측위 대상 지역에 설치된 복수의 비콘으로부터 수집한 전파특성정보를 데이터베이스화한 학습데이터베이스를 마련하는 단계 및 피측위 단말이 상기 복수의 비콘으로부터 수집한 전파특성정보를 상기 학습데이터베이스에 적용하여 상기 피측위 단말의 위치를 추정하는 단계를 포함하는 실내 측위 방법에 있어서, 상기 피측위 단말의 위치를 추정하는 단계는, 이동로봇이 상기 측위 대상 지역 내 복수의 기준점을 이동하며, 상기 기준점 각각에서 수집된 각종 입력데이터를 뉴럴 네트워크에 적용하여 추정한 상기 이동로봇의 위치와, 상기 해당 기준점의 위치를 비교하여, 상기 뉴럴 네트워크의 노드 간 가중치를 조절하여 상기 뉴럴 네트워크를 학습하는 단계 및 상기 피측위 단말이 상기 측위 대상 지역 내에서 상기 입력데이터를 상기 학습된 뉴럴 네트워크에 적용하여 상기 피측위 단말의 위치를 추정하는 단계를 포함하되, 상기 입력데이터는, 상기 피측위 단말이 상기 복수의 비콘으로부터 수집한 전파특성정보, 상기 피측위 단말의 자세 데이터 및 주변환경데이터를 포함하는 것을 특징으로 하는 머신러닝 기반의 실내 측위 방법을 제공한다.
일 실시예에 따라, 상기 뉴럴 네트워크를 학습하는 단계는, 상기 이동로봇이 상기 측위 대상 지역 내 복수의 기준점을 이동하며, 상기 주변환경데이터를 수집하는 제1 단계, 상기 이동로봇이 상기 측위 대상 지역을 상기 주변환경데이터에 따라 유사환경구역으로 분류하고, 상기 유사환경구역별로 이동경로를 나누어 설정하는 제2 단계, 상기 이동로봇이 상기 나누어진 이동 경로를 따라 이동하며 전파특성정보를 수집하는 제3 단계, 및 상기 이동로봇이 상기 제3 단계에서 수집한 전파특성정보를 상기 뉴럴 네트워크에 적용하여 상기 뉴럴 네트워크를 학습하는 제4 단계를 포함할 수 있다.
일 실시예에 따라, 상기 자세 데이터는, 상기 피측위 단말의 3축 기울기 데이터 및 3축 가속도 데이터를 포함할 수 있다.
일 실시예에 따라, 상기 주변환경데이터는, 상기 피측위 단말의 주변 온도 및 습도를 포함할 수 있다.
또한, 본 발명은, 측위 대상 지역 내 여러 위치에서 상기 측위 대상 지역에 설치된 복수의 비콘으로부터 수집한 전파특성정보를 데이터베이스화한 학습데이터베이스를 저장하고, 피측위 단말이 상기 복수의 비콘으로부터 수집한 전파특성정보를 상기 학습데이터베이스에 적용하여 상기 피측위 단말의 위치를 추정하는 측위서버를 포함하는 실내 측위 시스템에 있어서, 상기 측위서버는, 상기 피측위 단말이 상기 측위 대상 지역 내에서 상기 입력데이터를 뉴럴 네트워크에 적용하여 상기 피측위 단말의 위치를 추정하되, 상기 뉴럴 네트워크는, 이동로봇이 상기 측위 대상 지역 내 복수의 기준점을 이동하며, 상기 기준점 각각에서 수집된 각종 입력데이터를 상기 뉴럴 네트워크에 적용하여 추정한 상기 이동로봇의 위치와, 상기 해당 기준점의 위치를 비교하여, 상기 뉴럴 네트워크의 노드 간 가중치를 조절하여 학습된 뉴럴 네트워크인 것을 특징으로 하며, 상기 입력데이터는, 상기 피측위 단말이 상기 복수의 비콘으로부터 수집한 전파특성정보, 상기 피측위 단말의 자세 데이터 및 주변환경데이터를 포함하는 것을 특징으로 하는 머신러닝 기반의 실내 측위 시스템을 제공한다.
또한, 본 발명은 상기 머신러닝 기반의 실내 측위 방법을 실행하기 위한 컴퓨터 프로그램을 기록한 컴퓨터 판독 가능한 기록 매체를 제공한다.
본 발명에 따르면, 핑거프린트 방식 이외에 뉴럴 네트워크를 이용하여, 피측위 단말의 위치 추정 정확도를 향상시킬 수 있다.
또한, 본 발명에 따르면, 상기 뉴럴 네트워크 학습시 측위 대상 지역 내에서 주변환경데이터에 따라 구분된 세부 유사환경구역별로 전파특성정보를 수집하므로써, 수집 데이터의 왜곡이나 유실을 방지하여 학습 효과를 높일 수 있다.
도 1은 본 발명의 일 실시예에 따른 머신러닝 기반의 실내 측위 방법의 단계별 흐름도이다.
도 2는 뉴럴 네트워크의 구조를 나타낸 도면이다.
도 3은 본 발명의 일 실시예에 따른 뉴럴 네트워크의 구조를 나타낸 도면이다.
도 4는 본 발명의 일 실시예에 따른 이동로봇이 뉴럴 네트워크를 학습하는 과정을 설명하기 위한 도면이다.
도 5는 본 발명의 일 실시예에 따른 이동로봇이 측위 대상 지역을 주변환경데이터에 따라 분류된 유사환경구역을 나타낸 도면이다.
도 6은 본 발명의 일 실시예에 따른 뉴럴 네트워크를 학습하는 방법의 단계별 흐름도이다.
이하에서는 본 발명의 바람직한 실시예를 첨부한 도면을 참고하여 상세하게 설명한다. 본 발명을 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 흐리게 할 수 있다고 판단되는 경우 그 상세한 설명을 생략하기로 한다. 도면에서 본 발명을 명확하게 설명하기 위하여 설명과 관계없는 부분은 생략하였고, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 부여하였다. 또한, 명세서 전체에서, 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한, 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있음을 의미한다.
실내 측위 방법 및 시스템
도 1은 본 발명의 일 실시예에 따른 머신러닝 기반의 실내 측위 방법의 단계별 흐름도이다.
도 1에 도시한 바와 같이, 본 발명의 일 실시예에 따른 머신러닝 기반의 실내 측위 방법은, 크게 학습데이터베이스를 마련하는 단계(S110)와 상기 학습데이터베이스를 이용하여 피측위 단말의 위치를 추정하는 단계(S120)를 포함할 수 있다.
다만, 도 1에 도시한 구성요소들이 필수적인 것은 아니어서, 그보다 많은 구성요소들을 갖거나 그보다 적은 구성요소들을 갖는 머신러닝 기반의 실내 측위 방법이 구현될 수 있음은 물론이다.
이하, 각 구성요소들에 대해 살펴보기로 한다.
핑거프린트(finger-print) 측위 방법은 사전에 측위 대상 지역의 전파특성정보를 데이터베이스화하고, 위치를 추정할 경우 기 구축된 데이터베이스와 수신된 신호정보를 상호 비교함으로써 위치를 추정하는 방법이다.
여기서, 전파특성정보를 산출하는 데 필요한 측정치로는 TOA(Time Of Arrival), TDOA(Time Difference Of Arrival), RSSI(Received Signal Strength Indicator) 등과 같이 여러 가지가 있으나, 주로 수신된 신호 세기, 즉 RSSI(Received Signal Strength Indicator)를 포함하여 사용하고 있다.
상기 측위 대상 지역 내에서 전파특성정보를 수집하기 위해, 상기 측위 대상 지역 내를 자율적으로 이동하는 이동로봇을 이용할 수 있으며, 상기 이동로봇은 상기 측위 대상 지역 내를 자율적으로 이동하면서 상기 측위 대상 지역에 설치된 적어도 하나의 전송기, 일 예로 비컨(beacon)으로부터 전송된 신호의 세기 정보를 지속적으로 수집하여 학습데이터베이스를 마련할 수 있다(S110).
구체적으로 상기 이동로봇은 상기 측위 대상 지역 내에서 자율 이동하면서, 위치별로 수신된 적어도 하나의 신호들로부터 추출한 전송기의 고유한 식별부호와, 상기 수신된 신호에 대한 전파특성 등을 이용하여 학습데이터베이스를 마련할 수 있다.
여기서, 상기 측위 대상 지역을 이동하는 이동로봇은, 상기 측위 대상 지역 내에서 임의의 경로를 따라 주행하며 전파특성정보를 수집할 수 있으나, 효율적으로 공백 위치 없이 정보를 수집하기 위해, 상기 측위 대상 지역에 대한 지도 정보와 상기 측위 대상 지역 내 이동 경로를 저장하고, 기 저장된 이동 경로를 따라 주행하면서 전파특성정보 등을 지속 수집할 수 있다.
상기 이동로봇에 의해 수집된 정보를 전달받은 측위서버(미도시)는, 수집된 정보를 이용하여 학습데이터베이스를 마련할 수 있다. 구현예에 따라 상기 측위서버가 아닌 상기 이동로봇이 상기 학습데이터베이스를 직접 마련할 수도 있음은 물론이다.
다음 단계로, 피측위 단말은 상기 측위 대상 지역 내에서 적어도 하나의 전송기로부터 전파특성을 수집하여 수집된 전파특성을 상기 측위서버에 전달할 수 있고, 상기 측위서버는 상기 피측위 단말에 의해 수집된 전파특성을 근거로 상기 기 마련된 학습데이터베이스와 비교하여 상기 피측위 단말의 위치를 추정할 수 있다(S120).
이때, 상기 측위서버가 상기 피측위 단말에 의해 수집된 전파특성정보와 상기 학습데이터베이스에 저장된 전파특성정보를 상호 비교하여 유사도를 산출하고 유사도가 높은 전파특성정보에 해당하는 좌표를 반환함으로써, 상기 피측위 단말은 실내에 있는 측위 대상 지역 내에서 위치를 획득할 수 있다.
전파특성정보는 시시각각 변하여, 전파특성정보 상호 간의 비교를 통한 유사도 산출로 정확한 위치를 추정하는 것은 한계가 있어, 본 발명의 일 실시예에 따라, 상기 피측위 단말의 위치를 추정하기 위해 뉴럴 네트워크(neural network)를 이용하여 상기 피측위 단말의 위치를 정확하게 추정하는 것이 바람직하다.
이에 따라, 상기 피측위 단말의 위치를 추정하는 단계(S120)는, 크게 뉴럴 네트워크를 학습하는 단계(S121)와, 상기 학습된 뉴럴 네트워크에 입력데이터를 적용하여 상기 피측위 단말의 위치를 추정하는 단계(S122)를 포함할 수 있다.
여기서, 상기 뉴럴 네트워크를 학습하는 단계(S121)는, 이동로봇이 상기 측위 대상 지역 내 복수의 기준점(reference point)을 이동하며 상기 기준점 각각에서 각종 입력데이터를 수집하고, 상기 측위서버는 상기 입력데이터를 임의의 연결 가중치 값을 가진 초기 뉴럴 네트워크에 적용하여 추정한 상기 이동로봇의 위치와, 상기 이동로봇이 위치한 기준점의 절대 위치를 비교하여, 상기 뉴럴 네트워크의 노드 간 가중치를 조절함으로써, 상기 측위서버는 상기 뉴럴 네트워크를 학습할 수 있다.
이를 위해, 상기 측위서버는 상기 이동로봇과 통신 가능하도록 연결되어, 상기 측위서버는 상기 이동로봇이 수집한 각종 입력데이터 및 상기 이동로봇의 절대 위치를 전달받을 수 있다.
또한, 상기 이동로봇은, 상기 측위 대상 지역 내 절대 위치를 측위하기 위해 기 공지된 다양한 방법들에 따를 수 있으나, 본 발명은 이를 특별히 한정하지 않으며, 다만 본 발명의 일 실시예에 따라 상기 이동로봇은 상기 측위 대상 지역의 지도(map)를 저장하고, 상기 이동로봇에 장착된 적어도 하나의 전방 감지 센서나 장애물 감지 센서 등에 의해 검출된 장애물 정보 또는 적어도 하나의 카메라 센서에 의해 인식된 이미지 정보 등을 이용하여 상기 이동로봇의 절대위치를 측정할 수 있다.
한편, 상기 뉴럴 네트워크가 학습하는 과정을 자세히 살펴보면, 도 2에 도시한 바와 같이, 뉴럴 네트워크는 각 층(입력층, 적어도 하나의 은닉층, 출력층)에서 처리 소자들인 노드들이 연결된 망(network)으로서, 입력층에서는 외부 입력을 받아들이고 출력층에서는 분류된 결과를 출력하며, 입력층과 출력층 사이에는 적어도 하나의 은닉층이 존재하게 된다.
입력층(input layer)은 네트워크 외부에서 입력을 받기 위한 것으로 아무런 연산이 이루어지지 않고, 상기 입력층에 입력데이터가 들어오면 은닉층(hidden layer)에 있는 노드들이 연산을 수행한 결과가 다음 층의 입력 값이 되며, 이러한 과정이 출력층(output layer)까지 계속되어 최종 결과가 나오게 된다.
연산이 이루어지는 노드는, 입력된 적어도 하나의 외부 자극을 합하여 출력할 수 있다. 구체적으로, 각 외부 자극에 연결가중치가 적용된 가중합일 수 있고, 여기에 바이어스되어 출력할 수 있다.
즉, 노드의 연산은 하기 수학식과 같이 나타낼 수 있다.
[수학식]
Figure pat00001
여기서, netj는 입력벡터(x1, x2, ..., xn)에 대한 가중치의 합이고, θj는 바이어스이며, wji는 i번째 입력과 j번째 노드 사이의 연결강도를 나타내고, 결과를 도출하기 위한 f(netj)는 j번째 노드의 활성화 함수로 yj는 출력 결과를 나타낸다.
상기 연결 가중치를 조절하는 방법은 여러 가지가 있으나, 일 실시예에 따라 목적 값과 실제 출력 값 사이의 오차를 근거로 조절하는 알고리즘으로 오류 역전파 알고리즘(error backpropagation algorithm)을 사용할 수 있다.
오류 역전파 알고리즘은 어떤 노드의 활성이 다른 노드의 잘못된 출력을 하는데 영향을 미쳤다면 두 노드 간의 연결 가중치를 그에 따라 조절해야 하며, 이러한 조절 과정은 그 아래에 있는 다른 노드들까지 계속 이루어질 수 있다.
여기서 오류는 평균자승오차(MSE; Mean Square Error) 함수를 이용하여 출력 위치 값과 목적 위치 값의 차이로 구할 수 있으며, 학습을 해나감에 있어 순차 학습 전략(incremental training strategy)과 일괄 학습 전략(batch training strategy)의 두 가지 전략이 있으나, 일반적으로 순차 학습 전략이 효율적이고 학습 데이터가 많은 경우에 학습이 빨리 이루어질 수 있는 장점이 있다.
여기서, 본 발명의 일 실시예에 따른 상기 입력데이터는, 적어도 하나의 전송기(일 예로 비콘)으로부터 수신한 전파특성정보(구체적으로 RSSI 데이터) 이외에, 바람직하게는 상기 피측위 단말의 자세 데이터 및 주변환경데이터를 더 포함하는 것이 바람직하다.
상기 피측위 단말이 수집한 전파특성은 측위 대상 지역 또는 피측위 단말의 주변 환경 변화나 피측위 단말의 자세 등에 민감하여, 그 변화에 따라 측위 오차를 발생시킬 수 있는 문제가 있기 때문에, 이러한 문제를 해결하기 위해 상기 입력데이터는, 상기 전파특성정보 이외에, 피측위 단말의 자세 데이터 및 주변환경데이터를 더 포함하는 것이 바람직하다.
여기서, 상기 피측위 단말의 자세 데이터는, 상기 피측위 단말에 포함된 가속도 센서 및 지자기 센서로부터 출력된 값일 수 있다.
가속도 센서는 중력 속도를 측정하는 센서로서, 3축 각각에 걸리는 중력가속도 크기를 반환하며 그 값은 accx, accy 및 accz으로 나타내어질 수 있고, 지자기 센서는 3축 지구 자기장을 측정하여 방위각을 반환하며 그 값은 magx, magy 및 magz으로 나타내어질 수 있다.
또한, 주변환경데이터는, 상기 피측위 단말 또는 그 주변의 온도 및 습도와 같은 전파 특성에 영향을 미칠 수 있는 환경 정보일 수 있다.
결국, 본 발명의 일 실시예에 따라 뉴럴 네트워크의 입력층에 입력되는 데이터는, 도 3에 도시한 바와 같이, 상기 피측위 단말의 자세 또는 방위각과 관련된 정보와, 주변의 온·습도와 같은 환경데이터를 포함하여, 종래 발생할 수 있는 측위 오차 원인을 제거할 수 있다.
또한, 본 발명의 일 실시예에 따라, 상기 뉴럴 네트워크에 적용되는 입력데이터는, 그 전단에 칼만, 가우시안 및 미디언 필터 중 적어도 하나가 적용되어, 상기 입력데이터에 포함된 노이즈를 제거한 것이 바람직하다.
한편, 본 발명의 일 실시예에 따른 이동로봇은 상기 뉴럴 네트워크의 학습 과정에서 상기 측위 대상 지역 내 복수의 기준점을 경유하여 자율 주행하고, 그 과정 중 상기 이동로봇은 각 기준점에서 상기 입력데이터를 수집할 수 있다.
일 예로, 도 3에 도시한 바와 같이, 이동로봇(R)은 측위 대상 지역(A) 내에서 복수의 기준점(11 ~ 19) 각각을 도면에 도시한 경로에 따라 경유하면서, 복수의 전송기(1 ~ 4)로부터 수신된 전파신호특성, 그리고 각 기준점(11 ~ 19)에서 측정된 온도 및 습도 정보를 입력데이터로 하여 상기 뉴럴 네트워크를 학습할 수 있다.
그러나 본 발명의 바람직한 일 실시예에 따른 상기 이동로봇(R)은 1차적으로 상기 측위 대상 지역(A) 내 각 기준점(11 ~ 19)을 경유하면서 먼저 주변환경데이터를 수집하고, 상기 측위 대상 지역(A)을 온도나 습도 분포에 따라 복수의 유사환경구역으로 분류한 다음에, 나누어진 구역별로 전파특성정보를 수집하고 이를 근거로 뉴럴 네트워크를 학습할 수 있다(도 6 참조).
상기 측위 대상 지역(A)은 개폐 가능한 문이나 창문의 위치·갯수·빈도 등이나, 유동인구의 경로·분포 등이나, 장애물의 분포 등에 따라 동일한 측위 대상 지역(A) 내라고 할지라도, 세부 구역에 따라 주변환경분포가 다를 수 있기 때문이다.
따라서, 도 6에 도시한 바와 같이, 상기 이동로봇(R)은 상기 측위 대상 지역(A) 내 각 기준점(11 ~ 19)을 경유하며 상기 온도나 습도 정보를 먼저 수집(S1211)하고, 상기 온도나 습도 정보의 편차를 기반으로 일정 범위 내에 속한 온도나 습도를 분류하여, 유사한 환경 정보들로 이루어진 구역들을 그룹화하고, 이를 근거로 기 저장된 상기 측위 대상 지역 지도(map) 상에 상기 그룹화된 유사환경구역들을 구분 저장할 수 있다(S1212).
구체적으로, 도 5에 도시한 바와 같이, 상기 이동로봇(R)은 기준점(11 ~ 19)들을 이동하며 수집한 온도를 기준으로 30 ~ 31℃의 분포를 가진 S1 구역과 31 ~ 32℃의 분포를 가진 S2 구역으로 분류할 수 있다.
이후, 2차적으로 상기 이동로봇(R)은 이렇게 분류된 세부 유사환경구역들을 기준으로 상기 뉴럴 네트워크의 학습을 위한 이동 경로를 나누어 설정할 수 있다(S1212).
즉, 각 세부 유사환경구역별로 이동 경로가 나누어지도록 설정할 수 있고, 나누어진 이동 경로를 따라 이동하며 전파특성정보를 수집할 수 있다(S1213).
구체적으로, 상기 이동로봇(R)은 구분된 유사환경구역들 중 어느 한 유사환경구역 내 기준점을 전부 경유한 다음, 이웃한 다른 유사환경구역 내 기준점을 경유할 수 있도록, 상기 이동로봇(R)은 이동 경로를 설정할 수 있다. 일 예로, 도 5에 도시한 바와 같이, 이동로봇(R)은 S1 구역 내 기준점들(11 ~ 15)을 모두 경유(제1 이동 경로)하여 전파특성정보를 수집한 이후, S1 구역과 인접한 S2 구역으로 이동하여 상기 S2 구역 내 기준점들(16 ~ 19)을 모두 경유(제2 이동 경로)하여 전파특성정보를 수집하는 것이 바람직하다.
상기 이동로봇(R)이 상기 측위 대상 지역 내 복수의 기준점들을 임의로 이동하며 지속적으로 전파특성정보 및 환경정보를 수집한다면, 환경정보가 급하게 변하는 지점이나 그 전후 지점이 2 이상이 발생하게 된다. 일 예로, 도 5에 도시한 바와 같이 구분된 유사환경구역을 도 4에 도시한 이동 경로에 적용하면, 이동로봇(R)은 서로 다른 유사환경구역을 3회 건너가게 된다.
결국, 환경 변화에 민감한 전파특성의 측위 오차가 다수 발생할 수 있고, 또 측위 오차를 해소하기 위해 채용된 필터 등에 의해 이동로봇이 측정한 전파특성정보는 왜곡되거나 누락되는 문제가 발생할 수 있기 때문에, 본 발명의 바람직한 일 실시예에 따라, 상기 이동로봇이 상기 뉴럴 네트워크 학습시 상기 측위 대상 지역을 세부 유사환경구역으로 나누고 그에 따라 이동 경로를 나누어 설정하여 전파특성정보를 수집한다면 위와 같은 문제는 해소될 수 있다.
한편, 본 발명의 일 실시예에 따라 뉴럴 네트워크의 학습이 이루어진 이후, 피측위 단말은 측위 대상 지역 내에서 수집한 전파특성을 포함한 입력데이터를 상기 학습된 뉴럴 네트워크에 적용하여 상기 피측위 단말의 위치를 추정할 수 있고(S122), 종래 대비 상대적으로 정확하게 피측위 단말의 위치를 추정할 수 있게 된다.
여기서, 상기 피측위 단말은 그 종류를 특별히 한정하지 않으나, 상기 전송기, 일 예로 비콘으로부터 전파신호를 수신하고, 상기 측위서버와 통신 가능하도록 연결 가능한 단말기로서, 일 예로 상기 피측위 단말은 휴대폰, 스마트 폰(smart phone), 노트북 컴퓨터(laptop computer), 디지털방송용 단말기, PDA(personal digital assistants), PMP(portable multimedia player), 네비게이션, 슬레이트 PC(slate PC), 태블릿 PC(tablet PC), 울트라북(ultrabook) 등과 같은 휴대 가능한 단말기는 물론, 항시 휴대 가능한 형태, 즉 사용자의 목걸이에 착용할 수 있는 목걸이 형태, 사용자의 손목에 착용할 수 있는 시계 형태, 사용자의 발목에 착용할 수 있는 발찌 형태 또는 옷에 부착할 수 있는 명찰 형태 등으로 구현된 단말기일 수 있다.
컴퓨터 판독 가능한 기록 매체
이상 설명된 본 발명의 일 실시예에 따른 머신러닝 기반의 실내 측위 방법은 다양한 컴퓨터 구성요소를 통하여 수행될 수 있는 프로그램 명령어의 형태로 구현되어 컴퓨터 판독 가능한 기록 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능한 기록 매체는 프로그램 명령어, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 컴퓨터 판독 가능한 기록 매체에 기록되는 프로그램 명령어는 본 발명을 위하여 특별히 설계되고 구성된 것들이나 컴퓨터 소프트웨어 분야의 당 업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능한 기록 매체의 예에는, 하드 디스크, 플로피 디스크, 및 자기 테이프와 같은 자기 매체, CD-ROM, DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 ROM, RAM, 플래시 메모리 등과 같은 프로그램 명령어를 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령어의 예에는, 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드도 포함된다. 상기 하드웨어 장치는 본 발명에 따른 처리를 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상으로 본 발명의 바람직한 실시예를 도면을 참고하여 상세하게 설명하였다. 본 발명의 설명은 예시를 위한 것이며, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자는 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다.
따라서, 본 발명의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미, 범위 및 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.
A: 측위 대상 지역 R: 이동로봇
1 ~ 4: 비콘 11 ~ 19: 기준점
S1, S2: 유사환경구역

Claims (6)

  1. 측위 대상 지역 내 여러 위치에서 상기 측위 대상 지역에 설치된 복수의 비콘으로부터 수집한 전파특성정보를 데이터베이스화한 학습데이터베이스를 마련하는 단계; 및
    피측위 단말이 상기 복수의 비콘으로부터 수집한 전파특성정보를 상기 학습데이터베이스에 적용하여 상기 피측위 단말의 위치를 추정하는 단계;
    를 포함하는 실내 측위 방법에 있어서,
    상기 피측위 단말의 위치를 추정하는 단계는,
    이동로봇이 상기 측위 대상 지역 내 복수의 기준점을 이동하며, 상기 기준점 각각에서 수집된 각종 입력데이터를 뉴럴 네트워크에 적용하여 추정한 상기 이동로봇의 위치와, 상기 해당 기준점의 위치를 비교하여, 상기 뉴럴 네트워크의 노드 간 가중치를 조절하여 상기 뉴럴 네트워크를 학습하는 단계; 및
    상기 피측위 단말이 상기 측위 대상 지역 내에서 상기 입력데이터를 상기 학습된 뉴럴 네트워크에 적용하여 상기 피측위 단말의 위치를 추정하는 단계;
    를 포함하되,
    상기 입력데이터는, 상기 피측위 단말이 상기 복수의 비콘으로부터 수집한 전파특성정보, 상기 피측위 단말의 자세 데이터 및 주변환경데이터를 포함하는 것을 특징으로 하는 머신러닝 기반의 실내 측위 방법.
  2. 제 1 항에 있어서,
    상기 뉴럴 네트워크를 학습하는 단계는,
    상기 이동로봇이 상기 측위 대상 지역 내 복수의 기준점을 이동하며, 상기 주변환경데이터를 수집하는 제1 단계;
    상기 이동로봇이 상기 측위 대상 지역을 상기 주변환경데이터에 따라 유사환경구역으로 분류하고, 상기 유사환경구역별로 이동경로를 나누어 설정하는 제2 단계;
    상기 이동로봇이 상기 나누어진 이동 경로를 따라 이동하며 전파특성정보를 수집하는 제3 단계; 및
    상기 이동로봇이 상기 제3 단계에서 수집한 전파특성정보를 상기 뉴럴 네트워크에 적용하여 상기 뉴럴 네트워크를 학습하는 제4 단계;
    를 포함하는 것을 특징으로 하는 머신러닝 기반의 실내 측위 방법.
  3. 제 1 항에 있어서,
    상기 자세 데이터는,
    상기 피측위 단말의 3축 기울기 데이터 및 3축 가속도 데이터를 포함하는 것을 특징으로 하는 머신러닝 기반의 실내 측위 방법.
  4. 제 1 항에 있어서,
    상기 주변환경데이터는,
    상기 피측위 단말의 주변 온도 및 습도를 포함하는 것을 특징으로 하는 머신러닝 기반의 실내 측위 방법.
  5. 측위 대상 지역 내 여러 위치에서 상기 측위 대상 지역에 설치된 복수의 비콘으로부터 수집한 전파특성정보를 데이터베이스화한 학습데이터베이스를 저장하고, 피측위 단말이 상기 복수의 비콘으로부터 수집한 전파특성정보를 상기 학습데이터베이스에 적용하여 상기 피측위 단말의 위치를 추정하는 측위서버;
    를 포함하는 실내 측위 시스템에 있어서,
    상기 측위서버는,
    상기 피측위 단말이 상기 측위 대상 지역 내에서 상기 입력데이터를 뉴럴 네트워크에 적용하여 상기 피측위 단말의 위치를 추정하되,
    상기 뉴럴 네트워크는, 이동로봇이 상기 측위 대상 지역 내 복수의 기준점을 이동하며, 상기 기준점 각각에서 수집된 각종 입력데이터를 상기 뉴럴 네트워크에 적용하여 추정한 상기 이동로봇의 위치와, 상기 해당 기준점의 위치를 비교하여, 상기 뉴럴 네트워크의 노드 간 가중치를 조절하여 학습된 뉴럴 네트워크인 것을 특징으로 하며,
    상기 입력데이터는, 상기 피측위 단말이 상기 복수의 비콘으로부터 수집한 전파특성정보, 상기 피측위 단말의 자세 데이터 및 주변환경데이터를 포함하는 것을 특징으로 하는 머신러닝 기반의 실내 측위 시스템.
  6. 제 1 항 내지 제 4 항 중 어느 한 항에 따른 머신러닝 기반의 실내 측위 방법을 실행하기 위한 컴퓨터 프로그램을 기록한 컴퓨터 판독 가능한 기록 매체.
KR1020180046181A 2018-04-20 2018-04-20 머신러닝 기반의 실내 측위 방법 및 시스템 KR102119196B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020180046181A KR102119196B1 (ko) 2018-04-20 2018-04-20 머신러닝 기반의 실내 측위 방법 및 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180046181A KR102119196B1 (ko) 2018-04-20 2018-04-20 머신러닝 기반의 실내 측위 방법 및 시스템

Publications (2)

Publication Number Publication Date
KR20190122423A true KR20190122423A (ko) 2019-10-30
KR102119196B1 KR102119196B1 (ko) 2020-06-04

Family

ID=68463183

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180046181A KR102119196B1 (ko) 2018-04-20 2018-04-20 머신러닝 기반의 실내 측위 방법 및 시스템

Country Status (1)

Country Link
KR (1) KR102119196B1 (ko)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111050294A (zh) * 2020-02-24 2020-04-21 张早 一种基于深度神经网络的室内定位系统及方法
CN111551893A (zh) * 2020-06-19 2020-08-18 天津大学 一种深度学习与集成神经网络的室内定位方法
CN114091612A (zh) * 2021-11-25 2022-02-25 中国银行股份有限公司 一种基于无线宽带wifi的室内定位方法及系统
WO2023034500A1 (en) * 2021-09-02 2023-03-09 Intel Corporation Systems, apparatus, and methods for data driven location detection

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20110116565A (ko) 2010-04-19 2011-10-26 목포대학교산학협력단 베이지안 알고리즘을 이용한 실내 측위 방법
KR20130033610A (ko) * 2011-09-27 2013-04-04 한국전자통신연구원 환경 정보 기반 공간 인식 방법 및 장치, 공간 인식 시스템
KR20170024631A (ko) * 2015-08-25 2017-03-08 주식회사 페이스시스템 비콘을 이용한 사업장 내 위치 추정 방법 및 이를 통한 위치 기반 서비스 제공 시스템 및 방법
KR101815073B1 (ko) * 2016-07-12 2018-01-04 주식회사 무림지앤아이 정확성을 향상시킨 옥내 이동 객체 혼합 측위 위치 결정방법

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20110116565A (ko) 2010-04-19 2011-10-26 목포대학교산학협력단 베이지안 알고리즘을 이용한 실내 측위 방법
KR20130033610A (ko) * 2011-09-27 2013-04-04 한국전자통신연구원 환경 정보 기반 공간 인식 방법 및 장치, 공간 인식 시스템
KR20170024631A (ko) * 2015-08-25 2017-03-08 주식회사 페이스시스템 비콘을 이용한 사업장 내 위치 추정 방법 및 이를 통한 위치 기반 서비스 제공 시스템 및 방법
KR101815073B1 (ko) * 2016-07-12 2018-01-04 주식회사 무림지앤아이 정확성을 향상시킨 옥내 이동 객체 혼합 측위 위치 결정방법

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111050294A (zh) * 2020-02-24 2020-04-21 张早 一种基于深度神经网络的室内定位系统及方法
CN111551893A (zh) * 2020-06-19 2020-08-18 天津大学 一种深度学习与集成神经网络的室内定位方法
WO2023034500A1 (en) * 2021-09-02 2023-03-09 Intel Corporation Systems, apparatus, and methods for data driven location detection
CN114091612A (zh) * 2021-11-25 2022-02-25 中国银行股份有限公司 一种基于无线宽带wifi的室内定位方法及系统

Also Published As

Publication number Publication date
KR102119196B1 (ko) 2020-06-04

Similar Documents

Publication Publication Date Title
Li et al. Toward location-enabled IoT (LE-IoT): IoT positioning techniques, error sources, and error mitigation
CN109298389B (zh) 基于多粒子群优化的室内行人组合位姿估计方法
Liu et al. Fusing similarity-based sequence and dead reckoning for indoor positioning without training
Bae et al. Large-scale indoor positioning using geomagnetic field with deep neural networks
CN105424030B (zh) 基于无线指纹和mems传感器的融合导航装置和方法
KR102119196B1 (ko) 머신러닝 기반의 실내 측위 방법 및 시스템
CN113706612B (zh) 融合uwb和单目视觉slam的煤矿井下车辆定位方法
CN104394588B (zh) 基于Wi‑Fi指纹和多维尺度分析的室内定位方法
Lakshmi et al. Improved Chan algorithm based optimum UWB sensor node localization using hybrid particle swarm optimization
Correa et al. Indoor pedestrian tracking by on-body multiple receivers
Deng et al. WiFi positioning based on user orientation estimation and smartphone carrying position recognition
Morawska et al. Transfer learning-based UWB indoor localization using MHT-MDC and clusterization-based sparse fingerprinting
Seco et al. RFID-based centralized cooperative localization in indoor environments
Wang et al. Indoor PDR Positioning Assisted by Acoustic Source Localization, and Pedestrian Movement Behavior Recognition, Using a Dual‐Microphone Smartphone
Long et al. The adaptive fingerprint localization in dynamic environment
CA3065025C (en) Method and system of mobile device sequencing for localization
Mahida et al. Indoor positioning framework for visually impaired people using Internet of Things
Mikhalev et al. Passive emitter geolocation using agent-based data fusion of AOA, TDOA and FDOA measurements
Kessel et al. Automated WLAN calibration with a backtracking particle filter
Petukhov et al. Adaptive Kalman filtering for hybrid ToA/AoA navigation system
Varma et al. ReMAPP: reverse multilateration based access point positioning using multivariate regression for indoor localization in smart buildings
CN113891270A (zh) 用于提升定位的平滑度与精准度的电子装置及方法
Ahriz et al. Autoencoder Matrix Completion Based Indoor Localization
Koppanyi et al. UWB/IMU integration with adaptive motion constraints to support UXO mapping
Huang et al. Unsupervised radio map learning for indoor localization

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right