KR20190125624A - 딥-러닝을 통한 무선신호 전파 채널 해석을 이용한 실내공간의 구조를 예측하는 방법 - Google Patents

딥-러닝을 통한 무선신호 전파 채널 해석을 이용한 실내공간의 구조를 예측하는 방법 Download PDF

Info

Publication number
KR20190125624A
KR20190125624A KR1020180049639A KR20180049639A KR20190125624A KR 20190125624 A KR20190125624 A KR 20190125624A KR 1020180049639 A KR1020180049639 A KR 1020180049639A KR 20180049639 A KR20180049639 A KR 20180049639A KR 20190125624 A KR20190125624 A KR 20190125624A
Authority
KR
South Korea
Prior art keywords
learning
propagation channel
indoor space
parameter data
radio signal
Prior art date
Application number
KR1020180049639A
Other languages
English (en)
Other versions
KR102114033B1 (ko
Inventor
김성철
이정용
Original Assignee
서울대학교산학협력단
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 서울대학교산학협력단 filed Critical 서울대학교산학협력단
Priority to US17/051,541 priority Critical patent/US20230045798A1/en
Priority to KR1020180049639A priority patent/KR102114033B1/ko
Priority to PCT/KR2018/005029 priority patent/WO2019212069A1/ko
Publication of KR20190125624A publication Critical patent/KR20190125624A/ko
Application granted granted Critical
Publication of KR102114033B1 publication Critical patent/KR102114033B1/ko

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/391—Modelling the propagation channel
    • H04B17/3912—Simulation models, e.g. distribution of spectral power density or received signal strength indicator [RSSI] for a given geographic region
    • 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
    • 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
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • 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
    • 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
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/309—Measuring or estimating channel quality parameters
    • H04B17/318—Received signal strength
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
    • H04W16/18—Network planning tools
    • H04W16/20—Network planning tools for indoor coverage or short range network deployment
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/10—Scheduling measurement reports ; Arrangements for measurement reports
    • 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
    • G06N3/048—Activation functions
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/309—Measuring or estimating channel quality parameters
    • H04B17/364—Delay profiles
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/04—Arrangements for maintaining operational condition

Abstract

딥-러닝을 통한 무선신호 전파 채널 해석을 이용한 실내공간의 구조를 예측하는 방법이 개시된다. 다양한 실내공간에 관하여 무선신호의 채널 데이터를 수집하고, 그로부터 PDP, AoA, AoD와 같은 전파 채널 파라미터 데이터를 추출한다. 다량의 전파 채널 파라미터 데이터를 대응하는 실내공간의 꼭지점 좌표값 데이터와 함께 인공 신경망에 입력하여 미리 딥-러닝한다. 예측대상인 실내공간에서 전파 채널 파라미터 데이터를 추출하고, 그 데이터를 학습된 인공 신경망에 기초하여 가장 잘 매칭되는 실내공간을 찾아내고, 그 최적 매칭 실내공간을 예측대상 실내공간의 구조로 예측한다.

Description

딥-러닝을 통한 무선신호 전파 채널 해석을 이용한 실내공간의 구조를 예측하는 방법 {Estimation Method of Room Shape Using Radio Propagation Channel Analysis through Deep Learning}
본 발명은 실내공간의 구조를 추정하는 기술에 관한 것으로서, 보다 상세하게는 무선신호를 활용한 실내공간의 모양을 추정하는 기술에 관한 것이다.
최근에, 장치의 위치뿐만 아니라 장치가 있는 장소를 분석하기 위한 연구가 활발히 진행되고 있다. 장치가 있는 방의 모양을 확인하면 장소의 가상 현실 실현, 로봇의 이동 경로 계산(예컨대 로봇청소기의 청소 경로 산출), 방의 무선 전파 모델 개선(예컨대 무선공유기의 최적 위치 산출)과 같은 응용 프로그램에서 더 나은 결과를 얻을 수 있다. 즉, 방 형태의 식별은 중요한 문제이다. 그러나 건물 도식을 직접 분석하지 않고서도 한 영역을 완전히 이해하는 것은 어렵다.
실내공간을 예측하는 종래 기술의 한 가지는 카메라 내지 시각 센서를 이용하여 방의 모양을 식별하는 기술이다. 시각 센서를 사용하는 기술은 건물 개략도를 참조하지 않고 방의 모양을 식별하기 위한 기술이다. 그러나 이 방법은 빛의 양 및 장애물의 존재와 같은 환경 요인에 의해 시각 센서가 크게 영향을 받는 단점이 있다. 또한 이미지 데이터를 처리할 때 높은 계산 성능을 가진 하드웨어가 필요하다.
시각 센서를 사용하는 대신, 예컨대 초음파와 같은 음향신호(acoustic signal)를 사용하여 실내공간을 예측하는 기술도 알려져 있다. Dokmanic 등은 하기 논문에서 환경에서 광량의 영향을 덜 받는 음향신호를 사용하여 실내 모양을 추정하는 방법을 제안했다. 제안된 방법은 실내에서 음파를 발사하였을 때 벽, 바닥, 천장 등에서 반사되어 수신된 시간 영역 임펄스 응답(Time domain Impulse response: 이하 TIR)로부터 유추 가능한 실내 모양을 모두 대입해보아 실내 모양을 추정한다. TIR로부터 벽의 모양을 유추하기 위하여 행렬 연산을 수행하며 이를 통해 가능한 실내 모양의 조합을 줄이는 기법을 사용한다. 또한, 음파의 지연 프로파일을 재정렬하여 방 모양을 추정하고 가능한 벽의 조합을 찾아서 방의 벽 위치를 예측한다. 이 작업은 지연 프로필만 사용하여 방의 모양을 추정하는 첫 번째 제안된 방법이다. 그럼에도 불구하고 지연 프로파일을 재배열할 때 경험적 조정이 필요했기 때문에 다양한 형태의 실내공간에 대해 성능을 보장할 수 없다는 단점이 있다. 또한, 제안된 방법은, 무한히 정밀한 해상도(resolution)를 갖는 TIR 측정을 가정하고, 가능한 모든 행렬 조합을 검사한다. 그렇기 때문에 처리해야 할 연산량이 매우 많다는 단점이 있다. 또한 해당 기법에서 제시하는 알고리즘은 신호가 실내 환경에서 2회의 반사만을 거친다고 가정하기 때문에 다수의 반사를 거치는 실제의 실내 전파 채널 환경과는 차이가 있다. 그러므로 이 방법으로 추정되는 실내공간의 모양이 정확하다고 확실하게 보장하기 어렵다.
여러 개의 방이 있는 실내공간의 모양을 추정해야 할 필요도 있다. 음향신호는 장애물에 의한 영향을 크게 받는 성질이 있어 벽체 등을 투과하지 못하므로, 그러한 요구를 수용하기 위한 기술 확장성이 약한 단점도 있다.
대한민국 공개특허번호 10-2015-0138003호, 2015년12월09일 공개, 실내의 구조를 나타내는 데이터를 생성하는 디바이스 및 방법
종래기술 논문: I. Dokmanic, Y. M. Lu, M. Vetterli, "Can one hear the shape of a room: The 2-D polygonal case", Proc. ICASSP, pp. 321-324, 2011.)
본 발명은 장애물에 의한 영향을 적게 받는 무선신호(전파)를 사용하여 방의 구조를 예측하는 방법을 제공하기 위한 것이다.
본 발명은 또한 미리 여러 다양한 방 구조 환경에 대한 채널 응답 데이터를 축적한 후 이를 인공 신경망(Neural Network: NN)을 이용하여 딥-러닝시키고, 그 딥-러닝된 인공 신경망의 데이터를 기반으로 방의 구조를 예측하는 방법을 제공하기 위한 것이다.
상기 목적을 달성하기 위한 본 발명의 실시예들에 따르면, 딥-러닝 기반 무선신호 전파채널 해석을 이용한 실내공간의 구조 예측 방법이 제공된다. 상기 실내공간의 구조 예측 방법은 다수의 학습용 실내공간에 대하여 학습용 전파 채널 파라미터 데이터를 추정하는 단계를 포함한다. 여기서, 상기 학습용 전파 채널 파라미터 데이터는 상기 다수의 학습용 실내공간 각각의 내부에서 송수신기의 위치를 변경하면서 상기 송수신기가 무선 전파 신호를 송신하여 다중 전파 채널 경로를 통해 수신한 무선 전파 신호로부터 추정된다. 상기 실내공간의 구조 예측 방법은 상기 다수의 학습용 실내공간 각각의 꼭지점들의 좌표값과 추정된 상기 학습용 전파 채널 파라미터 데이터를 인공 신경망의 입력으로 사용하여 상기 학습용 전파 채널 파라미터 데이터와 학습용 실내공간의 구조 간의 대응관계를 딥-러닝 하는 단계를 포함한다. 상기 실내공간의 구조 예측 방법은 예측대상 실내공간에서 송수신기가 송신하여 다중 전파 채널 경로를 통해 수신한 제1 무선신호로부터 제1 전파 채널 파라미터 데이터를 추정하는 단계를 포함한다. 그리고 상기 실내공간의 구조 예측 방법은, 상기 인공 신경망을 통해 딥-러닝한 데이터에 기초하여, 추정된 상기 제1 전파 채널 파라미터 데이터와 최적 매칭을 이루는 실내공간의 구조를 찾아서 상기 예측대상 실내공간의 구조로 예측하는 단계를 포함한다.
예시적인 실시예에 있어서, 상기 학습용 전파 채널 파라미터 데이터를 추정하는 단계는, 각 학습용 실내공간 내에서, 송신기가 학습용 무선신호를 송신하는 단계와, 수신기가 상기 학습용 실내공간의 다중 전파 채널 경로를 통과한 학습용 무선신호를 수신하는 단계와, 수신된 상기 학습용 무선신호를 분석하여 상기 학습용 실내공간에 관한 학습용 전파 채널 파라미터 데이터를 추정하는 단계를 포함할 수 있다.
예시적인 실시예에 있어서, 상기 학습용 전파 채널 파라미터 데이터는 상기 학습용 무선신호의 전력지연 프로파일(power delay profile: PDP)과, 상기 학습용 무선신호의 도래각(angle of arrival: AoA) 프로파일과 발사각(angle of departure: AoD) 프로파일 중 적어도 하나를 학습용 전파 채널 파라미터로 사용하여 얻은 데이터를 포함할 수 있다.
예시적인 실시예에 있어서, 상기 수신기가 무지향성 안테나 (omnidirectional antenna)를 사용하는 경우, 상기 학습용 무선신호의 전력지연 프로파일(PDP) 데이터를 상기 학습용 전파 채널 파라미터 데이터로서 추정할 수 있다. 상기 전력지연 프로파일은 최소제곱법(Least Square 법) 또는 최소 평균 제곱 오차법(minimum mean square error: MMSE)을 사용하여 추정될 수 있다.
예시적인 실시예에 있어서, 상기 수신기가 지향성을 갖는 배열 안테나(array antenna)를 사용하는 경우, 상기 학습용 무선신호의 도래각(AoA) 프로파일을 상기 학습용 전파 채널 파라미터 데이터로서 추정할 수 있다.
예시적인 실시예에 있어서, 상기 송신기가 지향성을 갖는 배열 안테나를 사용하는 경우, 상기 학습용 무선신호의 발사각(AoD) 프로파일을 상기 학습용 전파 채널 파라미터 데이터로서 추정할 수 있다.
예시적인 실시예에 있어서, 상기 학습용 전파 채널 파라미터 데이터의 추정은 상기 송신기와 상기 수신기가 근접하게 위치한 상태에서 3D 무선신호선 추적 기법(3D radio ray tracing method)을 이용하여 수행될 수 있다.
예시적인 실시예에 있어서, 상기 제1 전파 채널 파라미터 데이터를 추정하는 단계는, 상기 송수신기의 송신기와 수신기가 지향성을 갖는 배열 안테나를 사용하는 경우, 상기 송신기와 상기 수신기의 배열 안테나를 회전시키면서 상기 제1 무선신호를 송수신하는 단계; 및 회전하면서 수신된 상기 제1 무선신호의 데이터를 병합하여 무지향성 안테나와 같은 효과를 생성하는 단계를 포함할 수 있다.
예시적인 실시예에 있어서, 상기 대응관계를 딥-러닝하는 단계는, 상기 다수의 학습용 실내공간 각각의 꼭지점들의 좌표값과 상기 학습용 전파 채널 파라미터 데이터를 상기 인공 신경망의 딥-러닝을 위한 입력 데이터로 제공하는 단계와, 상기 인공 신경망에서, 입력된 상기 학습용 전파 채널 파라미터 데이터를 딥-러닝하여 대응되는 실내공간의 추정된 꼭지점들의 좌표값을 구하는 단계와, 상기 추정된 꼭지점들의 좌표값과 상기 대응되는 실내공간의 실제 꼭지점들의 좌표값 간의 차이값을 산출하는 단계와, 상기 차이값이 작아지도록 가중치를 조정하는 단계와, 조정된 가중치를 적용하여 상기 차이값을 다시 산출하는 것을 반복하고, 다시 산출된 차이값이 문턱값 이하로 작아지는 경우, 상기 대응관계를 딥-러닝하는 것을 종료하는 단계를 포함할 수 있다.
예시적인 실시예에 있어서, 상기 제1 전파 채널 파라미터 데이터를 추정하는 단계는, 상기 예측대상 실내공간 내에 위치하는 송신기에서 상기 제1 무선신호를 송신하는 단계와, 상기 예측대상 실내공간 내에 상기 송신기와 근접하게 위치한 수신기가 상기 예측대상 실내공간의 다중 전파 채널 경로를 거친 제1 무선신호를 수신하는 단계와, 송수신된 상기 제1 무선신호를 분석하여 상기 예측대상 실내공간에 관한 제1 전파 채널 파라미터 데이터를 추정하는 단계를 포함할 수 있다.
예시적인 실시예에 있어서, 상기 예측하는 단계는, 추정된 상기 제1 전파 채널 파라미터 데이터를 학습된 상기 인공 신경망에 입력하여 상기 제1 전파 채널 파라미터 데이터와 최적 매칭을 이루는 실내공간의 구조를 찾아내는 단계와, 찾아낸 실내공간의 꼭지점들의 좌표값을 상기 예측대상 실내공간의 꼭지점들의 좌표값으로 추정하는 단계를 포함할 수 있다.
예시적인 실시예에 있어서, 상기 송신기가 송신하는 상기 제1 무선신호는 프리앰블(Preamble) 신호일 수 있다.
예시적인 실시예에 있어서, 상기 수신기가 무지향성 안테나를 사용하는 경우, 상기 제1 무선신호의 전력지연 프로파일(PDP) 데이터를 상기 제1 전파 채널 파라미터 데이터로서 추정할 수 있다.
예시적인 실시예에 있어서, 상기 수신기가 지향성을 갖는 배열 안테나를 사용하는 경우, 상기 제1 무선신호의 도래각(AoA) 프로파일을 상기 제1 전파 채널 파라미터 데이터로서 더 추정할 수 있다.
예시적인 실시예에 있어서, 상기 송신기가 지향성을 갖는 배열 안테나를 사용하는 경우, 상기 제1 무선신호의 발사각(AoD) 프로파일을 상기 제1 전파 채널 파라미터 데이터로서 더 추정할 수 있다.
예시적인 실시예에 있어서, 상기 제1 전파 채널 파라미터 데이터는 (i) 상기 제1 무선신호의 전력지연 프로파일(PDP) 데이터 또는, (ii) 상기 제1 무선신호의 전력지연 프로파일(PDP) 데이터 및 상기 제1 무선신호의 도래각(AoA) 프로파일 데이터와 발사각(AoD) 프로파일 데이터 중 적어도 어느 하나를 포함할 수 있다.
예시적인 실시예에 있어서, 상기 인공 신경망은 다중 레이어 퍼셉트론 구조를 갖는 인공 신경망일 수 있다.
본 발명에 따른 방법은 실내공간 구조를 예측하는 데 무선신호(전파)를 사용한다. 무선신호는 장애물을 통과할 수 있으므로 실내공간 구조 예측에 장애물의 영향을 최소화 할 수 있어 정확한 추정이 가능하다. 또한, 무선신호(전파)는 예컨대 벽 구조 등을 투과할 수 있으므로, 전파를 이용하는 본 발명의 기술은 여러 개의 실내공간이 있는 실내공간의 모양을 추정하는 기술로 확장될 수 있다. 이는 음파를 이용하는 기술의 한계를 극복할 수 있는 장점이다.
본 발명은 여러 다양한 실내공간 구조 환경에 대한 전파 채널 파라미터 데이터를 미리 학습해두고, 실제 무선신호의 채널 응답과 가장 매칭이 잘 되는 실내공간 구조를 그 학습된 자료를 기초로 하여 찾아내는 방식을 취한다. 따라서 실제로 실내공간 구조를 예측하는 데 소요되는 연산 시간을 종래 기술에 비해 크게 줄일 수 있다. 짧은 시간 내에 실내 구조를 추정할 수 있으므로, 이런 점을 활용하여 송수신기 위치를 여러 번 바꾸어가며 추정할 경우 실내 구조를 더욱 정확히 추정할 수 있다.
또한, 본 발명의 기술은 충분한 광량을 필요로 하는 시각 센서 기반 기술의 한계도 극복할 수 있는 장점을 가진다.
도 1은 실내구조 예측장치가 실내공간 내의 전파 채널을 통해 수신한 무선신호를 사용하여 실내공간의 모양을 예측하는 환경을 나타낸다.
도 2는 본 발명의 예시적인 실시예에 따른 실내구조 예측장치의 구성을 간략하게 나타낸 블록도이다.
도 3은 본 발명의 실시예에 따라 전파 채널 파라미터를 학습하는 데 사용되는 인공 신경망 기반 딥-러닝 방법의 프레임워크를 예시한다.
도 4는 본 발명의 실시예에 따라 인공 신경망을 이용하여 다양한 구조의 실내공간들의 무선신호에 관한 전파 채널 파라미터 데이터를 딥-러닝을 하는 방법을 나타내는 흐름도이다.
도 5는 본 발명의 실시예에 따른 인공 신경망의 예로서, 다층의 은닉 레이어를 포함하는 다중 레이어 퍼셉트론(multi-layer perceptron: MLP) 구조의 인공 신경망을 도시한다.
도 6은 본 발명의 실시예에 따라 딥-러닝을 통해 확보된 학습된 인공 신경망을 사용하여 특정 실내공간의 구조를 예측하는 방법을 나타내는 흐름도이다.
도 7은 송신기에서 송신된 무선신호가 실내공간의 다중 전파 경로의 일부를 통해 수신기에 수신되는 것을 무선신호선 추적 기법을 사용하여 도식적으로 나타낸다.
도 8은 경험적 누적 분포 함수를 사용하여 실내공간의 구조 예측의 성능을 분석한 그래프이다.
도 9는 본 발명의 실시예에 따른 딥-러닝 방법을 사용하여 실내공간의 구조를 예측한 결과를 예시한다.
도 10은 본 발명에 따른 방법의 학습 및 검증의 정확도 분석을 위한 Epoch-평균 제곱 오차 그래프이다.
도 11은 환경 변화에 따른 성능 차이를 분석한 결과를 나타내는데, (a) 실내공간의 크기 변화에 따른 추정 오차 변화를 나타내고, (b) 실내공간의 중심으로부터의 거리에 따른 추정 오차 변화를 나타낸다.
이하에서는 첨부한 도면을 참조하면서 본 발명의 실시예에 관해 구체적으로 설명한다.
도 1은 실내구조 예측장치(10)가 실내공간(100) 내의 전파 채널을 통해 수신한 무선신호를 사용하여 실내공간의 모양을 예측하는 환경을 나타낸다.
도 1을 참조하면, 실내구조 예측 장치(10)는 실내공간(100) 내에 위치하면서 해당 실내공간(100)의 구조 내지 모양을 예측할 수 있다. 실내공간(100)의 구조는 예컨대 해당 실내공간(100)의 모서리들의 꼭지점의 좌표값으로 정의될 수 있다. 실내공간(100)이 육면체인 경우, 4각형인 바닥과 천장의 총 8개의 꼭지점(v1, v2, ..., v8)을 포함할 수 있다.
도 2는 본 발명의 예시적인 실시예에 따른 실내구조 예측장치(10)의 구성을 간략하게 나타낸 블록도이다.
도 2를 참조하면, 실내구조 예측장치(10)는 송신기(20)와 수신기(30)를 포함할 수 있다. 예시적인 실시예에 있어서 송신기(20)와 수신기(30)는 서로 근접 배치된 것일 수 있다. 송신기(20)와 수신기(30)는 물리적으로 하나의 장치(이하, 송수신기(40)라 함)로 구현될 수 있다.
송신기(20)는 실내공간의 구조를 예측하기 위해 무선 전파신호를 송신할 수 있다. 예시적인 실시예에 따르면, 송신기(20)는 무선 전파신호의 프리앰블 신호x(t)를 송신할 수 있다. 프리앰블 신호는 통신 시스템에서 실제 데이터를 송수신하기 전에 송수신하여 전파 채널을 추정하는 데 활용될 수 있다.
송신기(20)에서 송신된 무선전파신호는 해당 실내공간(100)을 지나 벽, 바닥, 천장 등에 부딪혀 일부는 반사될 수 있다. 이러한 반사를 거쳐 다시 수신기(30)에 수신될 수 있다. 수신기(30)는 송신신호 x(t)가 무선신호 전파채널(50)을 통과했다는 것을 나타내는 신호 y(t)를 수신할 수 있다. 수신기(30)에서 수신된 신호에 대하여, 무선신호 전파채널(50)을 통해 수신되는 신호의 증폭, 수신신호에 포함된 노이즈 제거를 위한 필터링, 중간주파수 신호의 추출, 아날로그 신호를 디지털 신호로 변환 등의 신호처리를 수행할 수 있다.
이러한 신호처리는 수신기(30) 모듈에서 수행하거나 또는 후술하는 데이터 처리부(80) 모듈에서 수행할 수 있다.
수신기(30)는 수신신호 y(t)와 송신신호 x(t)로부터 전파채널 전달함수 h(t)를 다음과 같이 추정할 수 있다.
h(t) = I(y(t), x(t)) ......(1)
여기서, I는 채널 추정 함수를 나타낸다.
실내공간(100)의 구조에 관한 정보가 반영되어 있는 전파채널 전달함수 h(t)로부터 해당 실내공간(100)의 모양 즉, 구조를 예측할 수 있다.
실내구조 예측장치(10)는 수신기(30)로부터 전달되는 수신신호를 처리하기 위한 데이터 처리부(80)와 이의 처리 결과를 저장하기 위한 데이터 저장소(90)를 포함할 수 있다. 데이터 처리부(80)는 디지털 신호 처리기(Digital Signal Processor: DSP)(60)와 인공 신경망(NN)(70)을 포함할 수 있다.
DSP(60)는 디지털 수신신호를 수신기(30)로부터 제공받아 그로부터 소정의 채널 파라미터의 데이터를 추출할 수 있다. 예시적인 실시예에 따르면, 상기 소정의 채널 파라미터는 해당 실내공간 내에서 무선 전파 신호에 관한 전력 지연 프로파일(PDP)을 포함할 수 있다. 또한, 상기 소정의 채널 파라미터는 수신기(30)에 수신되는 무선 전파 신호의 도래각(AoA) 프로파일 및/또는 발신기(30)에서 송신되는 무선 전파 신호의 발사각(AoD) 프로파일 등과 같은 다양한 전파 채널 파라미터들을 더 포함할 수 있다.
예시적인 실시예에 따르면, 수신기(30)가 무지향성 안테나(omni-directional antenna)를 사용하면 PDP만 추정될 수 있다. 전형적인 통신 시스템에서, PDP는 최소 제곱 또는 최소 평균 제곱 오차 알고리즘과 같은 알고리즘을 사용하여 추정될 수 있다. 수신기(30)에 802.11ac 표준과 같은 어레이 안테나가 있는 경우, AoA는 다중 신호 분류 알고리즘과 회전 불변 기술들을 통한 신호 파라미터들의 추정과 같은 알고리즘들을 사용하여 계산될 수 있다. 송신기(20)에 어레이 안테나가 있으면, AoD를 추출할 수도 있다. 송신기(20)가 어레이 안테나를 사용하는 경우 AoD는 예컨대 칼만 필터를 사용하여 추정할 수 있다. 다양한 시스템에서 제안된 방법의 적용 가능성을 분석하기 위해, 송수신기(40)는 무 지향성 안테나 또는 지향성을 갖는 어레이 안테나를 채용한 것일 수 있다.
NN(70)은 DSP(60)가 제공하는 전파 채널 파라미터 데이터와 다양한 실내공간의 구조에 관한 데이터를 이용하여 그 전파 채널 파라미터 데이터와 실내공간 구조 간의 대응 관계에 관한 딥-러닝할 수 있다. 딥-러닝 기법은 축적된 데이터를 통해 시스템을 학습한 후, 새로운 데이터를 측정했을 때의 답을 추정하는 기법이다. 딥-러닝 기법은 NN(70)을 구성하는 방법에 따라 다양한 구조로 데이터를 학습할 수 있다. 예시적인 실시예에 있어서, NN(70)은 다층의 은닉 레이어를 구성하기 위해 다중 레이어 퍼셉트론(MLP) 프레임워크를 사용할 수 있다. MLP 구조에 관해서는 후술하기로 한다. NN(70)은 후술하는 알고리즘을 구현한 소프트웨어와 그것을 실행할 수 있는 프로세서로 구현될 수 있다. 또한, NN(70)은 후술하는 알고리즘을 실행할 수 있는 전용의 회로로 구현될 수도 있다.
NN(70)을 이용한 딥-러닝을 통해 확보된 학습 정보는 데이터 저장소(90)에 저장될 수 있다. 데이터 저장소(90)는 전원이 오프되어도 정보를 유지할 수 있는 비휘발성 데이터 저장장치를 사용하여 구현될 수 있다.
도 3은 본 발명의 실시예에 따라 전파 채널 파라미터를 학습하는 데 사용되는 NN(70) 기반 딥-러닝 방법의 프레임워크를 예시한다.
도 3을 참조하면, NN(70)이 j번째(j = 1, 2, ..., p) 채널 파라미터
Figure pat00001
를 입력 파라미터로 선택하면, 모든 입력 파라미터들이 라인에 연쇄적으로 연결되어 NN(70)의 입력 파라미터를
Figure pat00002
로 설정할 수 있다. 여기서
Figure pat00003
는 벡터 연쇄연결(vector concatenation)을 나타낸다. 입력 레이어와 출력 레이어 사이의 K개의 은닉 레이어에 사용되는 뉴런의 개수가 N1, N2, ..., NK로 설정된다. NN(70)의 출력 값은 실내공간 구조를 구성하는 꼭지점의 좌표로 설정될 수 있다.
예시적인 실시예에서, 실내공간의 일반적인 모양인 육면체 형태의 실내공간을 가정할 수 있다. 입력 채널 파라미터들을 사용하여 육면체 모양의 실내공간의 모양을 이해하기 위해, NN(70)은 육면체를 구성하는 8개의 꼭지점의 좌표
Figure pat00004
에 해당하는 정보를 출력값으로 돌려줄 수 있다. 여기서,
Figure pat00005
는 각 꼭지점의 3차원 좌표 벡터를 나타낸다.
상기 과정에 따라 구성된 NN(70)을 사용할 때, 그 NN(70)에 대한 입력 데이터와 그의 출력 데이터 간의 관계는 다음과 같이 표현될 수 있다.
Figure pat00006
......(2)
여기서, f는 각 뉴런에 적용되는 활성 함수를 나타낸다.
Figure pat00007
는 NN(70)을 구성하고 있는 가중치를 나타낸다. 이와 같은 입출력 데이터 관계를 구성하기 위하여, 각 은닉 레이어에서는 다음과 같이 출력을 계산할 수 있다.
Figure pat00008
......(3) 여기서,
Figure pat00009
는 k 번째 은닉 레이어의 h 번째 뉴런에서 출력되는 값을 나타내며,
Figure pat00010
는 (k - 1)번째 은닉 레이어의 i 번째 뉴런과 k번째 은닉 레이어의 h번째 뉴런 사이의 가중치를 나타낸다.
위와 같이 구성된 NN(70) 프레임워크는 역전파(back-propagation) 방법을 통해 예측오차를 최소화하는 가중치를 학습할 수 있다.
그런 다음, 학습된 NN(70)은 임의의 건물에 대해 실내공간을 구성하는 각 꼭지점의 좌표를 추정하는 역할을 할 수 있다.
다음으로, 도 4는 본 발명의 예시적인 실시예에 따라 인공 신경망을 이용하여 다양한 구조의 실내공간들의 무선신호에 관한 전파 채널 파라미터 데이터를 딥-러닝을 하는 방법을 나타내는 흐름도이다.
예시적인 실시예에 따르면, 본 발명은 축적된 학습 데이터를 딥-러닝하고, 그 딥-러닝된 NN(70)을 기반으로 하여 실내공간의 모양 내지 구조를 예측할 수 있다. 이 방법은 특히 분석 솔루션을 사용할 수 없는 상황에서 휴리스틱(heuristic) 알고리즘이 관찰할 수 없는 특징들을 활용할 수 있다는 이점이 있다.
도 4를 참조하면, 본 발명의 예시적인 실시예에 따른 실내공간 구조의 예측 방법은 먼저 학습된 인공 신경망을 구축할 수 있다. 그 학습된 인공 신경망의 구축을 위해, 다양한 학습용 실내공간에 대하여 학습용 전파 채널 파라미터 데이터를 추출할 수 있다(S100 단계). 여기서 그 학습용 전파 채널 파라미터 데이터는 학습 대상인 다수의 학습용 실내공간마다 추출할 수 있다. 구체적으로, 학습 대상인 각 실내공간의 내부에서 송신기(20)가 약속된 학습용 무선 전파 신호를 송신할 수 있다. 송신기(20)와 근접하게 위치한 수신기(30)가 해당 실내공간의 경계부에서 반사되어 다중 전파 채널 경로를 통해 전파되는 학습용 무선 전파 신호를 수신할 수 있다. DSP(60)는 송수신기(40)로부터 전달받은 무선 전파 신호를 분석하여 해당 실내공간에 관한 전파 채널 파라미터 데이터를 추출할 수 있다. 이러한 전파 채널 파라미터 데이터의 추출은 해당 실내공간에서 송수신기(40)의 위치를 다양하게 변경하면서 수행될 수 있다. 이를 통해, 충분한 학습용 데이터를 확보할 수 있다.
다양한 실내공간에 관한 학습용 전파 채널 파라미터 데이터를 충분히 확보한 후, 전파 채널 파라미터 데이터를 NN(70)에서 학습하기에 적합한 벡터 형태로 가공할 수 있다. 아울러, 각 전파 채널 파라미터 데이터에 대응하는 학습용 실내공간 각각의 꼭지점들의 좌표값도 NN(70)에 적합하게 가공할 수 있다(S150 단계). 꼭지점들의 좌표값은 기지값일 수 있다.
다음으로, NN(70)은 가공된 학습용 전파 채널 파라미터 데이터와 실내공간의 꼭지점 좌표값을 입력 데이터로 사용하여 학습용 전파 채널 파라미터 데이터와 학습용 실내공간의 구조 간의 대응관계를 딥-러닝할 수 있다. 이를 통해, 학습된 인공 신경망을 미리 구축할 수 있다.
구체적으로, S150단계에서 가공된 학습용 전파 채널 파라미터 데이터와 그에 대응하는 학습용 실내공간의 꼭지점들의 좌표값을 NN(70)에 입력 데이터로 제공할 수 있다(S200 단계).
NN(70)에서는 그 입력된 학습용 전파 채널 파라미터 데이터를 학습하여 대응되는 실내공간의 추정된 꼭지점들의 좌표값을 구할 수 있다.
그렇게 추정된 꼭지점들의 좌표값과 해당 실내공간의 실제 꼭지점들의 좌표값 간의 차이값을 산출할 수 있다(S250 단계). 해당 실내공간의 실제 꼭지점들의 좌표값은 S150 단계에서 NN(70)의 입력값으로 제공되는 값이다.
산출된 좌표값의 차이값은 소정 크기의 문턱값과 비교될 수 있다(S300). 그 비교의 결과, 산출된 좌표값의 차이값이 문턱값 이하이면 산출된 좌표값을 갖는 실내공간이 실제의 실내공간과 거의 비슷한 구조인 것으로 보아 학습을 종료할 수 있다(S400 단계).
S300 단계에서의 비교 결과, 산출된 좌표값의 차이값이 상기 문턱값보다 크면, 산출된 차이값이 작아지도록 하는 가중치를 조정할 수 있다(S350 단계). 그런 다음, S250 단계로 되돌아가서 조정된 가중치를 적용하여 꼭지점들의 추정 좌표값을 다시 계산할 수 있다. 그리고 계산된 꼭지점 좌표값과 해당 실내공간의 실제 꼭지점들의 좌표값 간의 차이값을 다시 산출하여(S250 단계), 문턱값과 비교하고(S300 단계), 비교 결과에 따라 학습을 종료하든가(S400 단계) 또는 가중치를 재조정하는 단계(S350 단계)를 수행할 수 있다. 이러한 작업은 S250 단계에서 재 산출되는 좌표값이 상기 문턱값 이하로 작아질 때까지 반복하여 수행할 수 있다.
이와 같은 작업을 통해, 학습용 전파 채널 파라미터 데이터와 학습용 실내공간의 꼭지점 좌표값을 입력 데이터로 사용하여 학습용 전파 채널 파라미터 데이터와 학습용 실내공간의 구조 간의 대응관계에 관한 학습된 인공 신경망을 미리 구축할 수 있다. 이와 같은 학습의 결과로 얻어지는 전파 채널 파라미터 데이터와 실내공간의 구조 간의 대응 관계는 데이터 저장소(90)에 저장될 수 있다.
NN(70)을 이용한 딥-러닝에 관해 좀 더 구체적으로 설명한다. 딥-러닝 기법은 다층의 은닉 레이어를 중첩하여 인공신경망을 모방할 수 있다. 예시적인 실시예에 있어서, 다층의 은닉 레이어를 구성하기 위해 도 5에 도시된 것과 같은 다중 레이어 퍼셉트론(MLP) 프레임워크를 사용할 수 있다.
도 5를 참조하면, 다중 레이어 퍼셉트론의 구조를 갖는 NN(70)은 1개의 입력 레이어, K개의 은닉 레이어, 그리고 1개의 출력 레이어를 포함할 수 있다. 또한 네트워크의 각 레이어는 다수의 뉴런으로 구성될 수 있다. 각 레이어의 뉴런을 통과한 출력 값은 다음 레이어의 입력값으로 사용될 수 있다. 이 때 각 출력 값은 활성함수를 거친 후 다음 레이어로 전이 된다. 각 뉴런에 대해, 예컨대 시그모이드 함수(sigmoid functions)들이 활성 함수(activation function)로 사용될 수 있다.
이와 같은 NN(70)에 실내공간의 전파 채널 파라미터 데이터를 학습시킴으로써 실내공간의 구조 형태를 추정할 수 있다. 예시적인 실시예에 따르면, 실내공간 모양을 예측하기 위해, PDP, AoA 및 AoD와 같은 채널 파라미터의 데이터들이 NN(70)의 입력으로 사용될 수 있다.
이러한 전파 채널 파라미터들의 특정 조합을 사용하여 실내공간 모양을 예측하는 데 사용되는 파라미터들을 변경함으로써 실내공간 모양 예측의 정확성이 어떻게 변하는 지 분석할 수 있다.
도 6은 본 발명의 실시예에 따라 딥-러닝을 통해 확보된 학습된 인공 신경망을 사용하여 특정 실내공간의 구조를 예측하는 방법을 나타내는 흐름도이다.
학습된 인공 신경망의 준비가 이루어지고 나면, 그것을 사용하여 예측 대상인 실내공간의 구조를 예측할 수 있다. 예측 대상 실내공간에 대한 전파 채널 파라미터 데이터를 추출하여 학습된 인공 신경망을 통해 가장 잘 매칭되는 실내공간의 구조를 찾으면 된다.
도 6을 참조하면, 예측 대상인 실내공간에 위치한 송신기(20)가 무선신호를 송신할 수 있다(S500 단계). 송신기(20)가 송신하는 신호는 무선 프리앰블 신호일 수 있다.
그 송신 신호는 실내공간에서 다중 전파 채널(50) 경로를 거치면서 수신기(30)에 의해 수신될 수 있다(S550 단계). 수신기(30)는 앞에서 설명한 것처럼 수신신호를 증폭, 노이즈 제거, 디지털 신호로의 변환 처리를 한 후 DSP(60)로 제공할 수 있다.
DSP(60)에서는, 수신기(30)로부터 제공된 디지털 수신신호로부터 전파 채널 파라미터 데이터를 추정할 수 있다(S600 단계). 이 추정에 사용할 수 있는 전파 채널 파라미터는 무선 전파 신호의 시간영역 임펄스 응답(TIR) (또는 전력지연 프로파일(PDP)을 포함할 수 있다. 또한, 상기 추정에 사용할 수 있는 전파 채널 파마미터는 도래각(AoA) 프로파일, 발사각(AoD) 프로파일을 더 포함할 수 있다.
송수신기(40)의 송신기(20)와 수신기(30)가 배열 안테나를 사용하는 경우, 그 송신기(20)와 수신기(30)의 배열 안테나를 회전시켜 무지향성 안테나와 같은 효과를 내도록 할 수 있다. 배열 안테나는 지향성을 갖는다. 지향성 안테나를 사용할 경우 단일 방향으로만 무선신호를 송신하고 수신해서는 전체 실내공간의 구조를 얻을 수 없다. 송수신 안테나를 회전하여 신호 송수신 후, 수신신호 데이터를 병합하여 무지향성 안테나를 사용한 것과 같은 효과를 생성하는 것이 바람직하다. 예컨대, 안테나가 회전하는 과정에서 한 각도에 대한 신호가 예를 들어 세 번 합쳐질 경우 그 합한 데이터에서 세 개의 이득을 빼는 방식으로 수신신호 데이터를 병합할 수 있다.
DSP(60)는 해당 실내공간에 관한 추정된 전파 채널 파라미터 데이터를 학습된 NN(70)에 입력으로 제공할 수 있다(S650 단계).
학습된 NN(70)은 데이터 저장소(90)에 저장된 학습 데이터에 기초하여, 입력된 그 전파 채널 파라미터 데이터와 가장 잘 매칭되는 실내공간의 구조를 찾아낼 수 있다. 찾아진 그 최적 매칭된 실내공간의 구조를 예측 대상인 실내공간의 구조로 제공할 수 있다. 예측된 실내공간의 꼭지점들의 좌표값들도 알 수 있다. 꼭지점들의 좌표값으로부터 그 실내공간이 어떤 모양인지 알 수 있다.
위에서 설명한 것처럼, NN(70)을 사용하여 실내공간의 구조 즉, 모양 정보를 결정할 수 있다. 이에 필요한 NN(70)의 적절한 학습을 위해서는, 많은 양의 전파 채널 파라미터 데이터가 필요하다. NN(70)의 딥-러닝용 전파 채널 파라미터 데이터는 실제로 다양한 실내 환경에서 무선신호를 송수신하여 얻어질 수 있다. 대안으로, 학습을 위한 충분한 양의 데이터를 더욱 효율적으로 얻기 위한 본 발명의 예시적인 실시예에 따르면, 실제 환경과 유사한 채널 파라미터를 제공하고, 성능이 검증된 실내 3D 무선신호선 추적 기법을 사용할 수도 있다.
실내 3D 무선신호선 추적 기법은 주어진 실내공간에 위치한 각 벽에 대한 송신기(20)의 이미지를 생성하여 직선으로 수신기(30)에 연결하여 광선의 가상 경로를 계산할 수 있다. 계산된 가상 경로는 이미지 생성에 사용된 벽에서 가상 경로를 접어서 실제 경로를 예측하는 데 사용될 수 있다. 2 차원에서 계산된 경로는 높이 정보를 고려하여 3D 경로까지 확장될 수 있다. 각 경로의 출력은 반사, 전파 및 전송 손실로부터 계산될 수 있다. 각 경로로부터 획득된 전력은 수신 포인트에서의 수신 신호 강도를 예측하기 위해 합산될 수 있다.
도 7은 실내 3D 무선신호선 추적 기법의 간략한 설명을 위해 실내의 건물에서 추적된 광선의 일부만 도시한다. 도 7을 참조하면, 송수신기(40)를 동일한 기기에 위치시킨 후, 무선신호를 송신하고, 다중경로를 통해 전파된 신호를 수신하고, 그 수신신호를 분석하여 전파 채널 파라미터 (채널 응답, 도래각, 발사각)를 추정할 수 있다. 예시적인 실시예에 있어서, NN(70) 학습에 필요한 데이터를 얻기 위해 실내공간의 수평 및 수직 치수를 소정의 범위(예컨대 5m에서 22m까지의 범위)에서 다양하게 변경할 수 있다. 실내공간의 수평 및 수직 길이가 각각 L1 및 L2 인 경우, 송수신기(40)의 위치는 수직 및 수평 방향의 양단에서 소정 크기(d)를 제외한 공간 (L1 - 2d) x (L2 - 2d) 크기의 공간에서 소정 간격(s)간격으로 설정될 수 있다. 모든 환경에서 수신기(30)의 높이(h)는 일정한 높이 또는 가변적인 높이를 적용할 수 있다. 실제 시뮬레이션에서, d와 s의 값은 예컨대 1m로 적용하고, h는 예컨대 1.5m로 설정될 수 있다.
본 발명자들은 실내공간의 구조를 예측하는 데 필요한 학습용 데이터를 얻어서 성능을 평가하기 위한 시뮬레이션을 수행해보았다. NN(70) 프레임 워크는 사용된 채널 파라미터 유형에 따라 다르게 구성될 수 있다. 예시적인 실시예에 따르면, 채널의 최대 지연 시간은 입력 데이터의 크기를 일정하게 유지하기 위해 예컨대 200ns로 제한될 수 있다. 최대 도달 시간(ToA)이 예컨대 200 ns 미만일 때, 신호가 최대 ToA와 200ns 사이에 도달하는 경로의 전력은 예컨대 -2000dBm으로 설정될 수 있다. 이 방식으로 모든 입력 데이터도 일정한 치수로 변환할 수 있다. 표 1은 NN(70) 학습 과정에 대한 예시적인 시뮬레이션 환경과 하이퍼 파라미터들의 요약한 것이다.
심볼 파라미터 값
f c 중심 주파수 5GHz
P t 송신 전력 20 dBm
K 은닉 레이어의 개수 3
N i 각 은닉 레이어당 뉴런의 개수 50, 20, 20
f 활성화 함수 시그모이드 함수
예시적인 시뮬레이션에서, 실내 3D 무선신호선 추적 기법을 통해 총 324 개의 실내공간의 환경과 50505 개의 무선 전파 채널 파라미터 데이터를 생성되어 학습, 검증 및 성능 평가에 사용되었다. 또한 생성된 무선 전파 채널 파라미터 데이터의 70%, 15%, 15%가 학습, 검증 및 테스트 세트로 각각 사용되었다. 학습, 검증 및 테스트를 위한 데이터 세트는 무작위로 나누었다. 이하에서 설명된 성능 분석은 테스트 세트에서 얻은 수치 결과를 기반으로 한다.
도 8에서는 다양한 입력 데이터에 대해 꼭지점 위치 추정 오차의 누적 분포 함수(cumulative distribution function: CDF)를 보여주고 있다. CDF는 PDP, AoA 및 AoD와 같이 가능한 한 많은 정보를 사용하여 학습을 수행할 때 최상의 성능을 얻을 수 있음을 보여준다. 그 이유는 학습에 사용되는 파라미터의 수가 증가함에 따라 수신된 무선 전파 신호에 포함된 실내공간 모양에 관한 정보가 NN(70)에서 더욱 정확하게 학습되기 때문이다. 이를 감안하면, 가능한 한 많은 무선 전파 신호에 관한 데이터를 수집하여 실내 모양을 예측하는 것이 바람직하다.
도 9는 딥-러닝 방법을 사용하여 실내의 모양을 예측한 결과를 예시한다. 도 9를 참조하면, 예측된 실내공간의 모양(붉은 색 점선으로 표시된 육면체 형상)은 그 실내공간의 실제 모양(파란색 실선으로 표시된 육면체 형상)과 거의 같음을 알 수 있다.
NN(70)을 사용하는 예측에서 과적합(overfitting) 문제가 발생하는지를 확인하기 위해, 도 10은 인공 신경망을 이용한 학습 및 검증 정확도에 대한 에포크 및 평균 자승 오차 그래프를 예시한다. 일반적으로 과적합이 발생할 때는 학습 및 유효성 검사 정확도가 크게 다르다. 도 6에 도시되어 있듯이, 3496 에포크에 대한 학습 및 유효성 확인 정확도의 작은 차이는 학습된 NN(70)에서 과적합이 발생하지 않았음을 나타낸다.
실내공간의 체적에 따른 오차 및 송수신기(40)의 위치에 따른 오차의 변화를 분석하여, 오차가 실내공간의 크기나 송수신기(40)의 위치에 따라 달라지는지를 조사할 수 있다. 도 11은 환경 변화에 따른 성능 차이를 분석한 결과를 보여준다. 도 11의 (a)는 실내공간의 크기 변화에 따른 실내공간의 꼭지점 위치의 추정 오차의 변화를 보여준다. 두 변수 모두 양의 상관 계수를 가지지만, 그것들의 기울기는 유의하게 높지는 않다. 따라서 실내공간의 크기의 변화에 따라 오차가 크게 변하지 않는다고 볼 수 있다. 그러나 실내공간의 체적이 과도하게 큰 경우, 추정 오차는 시험 세트로부터의 추정 오차의 평균에 비해 약간 증가한다. 그 이유는 실내공간의 크기가 평균과 크게 다를 때, PDP의 통계값이 급격히 변하기 때문이다. 따라서 실내공간의 크기에 따른 성능의 차이를 없애기 위해 실내공간 크기와 채널 파라미터 간의 관계를 고려하여 NN(70)을 적절하게 학습할 수 있는 전처리 과정을 수행할 수 있다.
도 11의 (b)는 실내공간의 중심으로부터의 송수신기(40)의 상대거리 (
Figure pat00011
)와 실내공간의 꼭지점 위치에 관한 정규화된 추정 오차(
Figure pat00012
) 사이의 관계를 보여준다. 여기서, e는 실내공간의 꼭지점 위치의 추정 오차이고, A는 실내공간의 면적이며, r은 실내공간의 중심에서 송수신기(40) 위치까지의 거리이고, V는 그 실내공간의 체적이다. 도 11의 (b)에 따르면, 상기 추정 오차와 상기 상대 거리 간의 상관관계 R2 는 낮게 나타나므로 이들 사이에 명확한 관계가 없음을 확인할 수 있다. 학습된 NN(70)은 실내공간 내 송수신기(40)의 위치에 따라 꼭지점 위치의 추정에 관한 성능차를 보이지 않고 우수한 추정 정확도를 보여줄 수 있음을 알 수 있다. 따라서 NN(70)을 통한 실내공간 예측은 환경에 따라 크게 변화하지 않는다고 볼 수 있다.
이상에서 설명한 바와 같이, 본 발명은 전파 즉, 무선신호를 이용한 실내공간의 구조 예측을 딥-러닝 기법을 통해 수행한다. 본 발명은 축적된 데이터를 알고리즘에 활용한다. 다양한 환경에서 얻어진 전력 지연 프로파일(PDP), 도래각(AoA) 프로파일 및 발사각(AoD) 프로파일과 같은 다양한 전파 채널 파라미터들을 NN(70)의 학습에 사용한다. 그리고 예측 대상 실내공간에서 얻은 전파 채널 파라미터들을 학습된 NN(70)에 기초하여 분석하여 그 실내공간의 구조를 예측한다. 본 방법은 휴리스틱 측면이 거의 없기 때문에 환경 변화는 본 발명에 따른 알고리즘의 성능에 큰 영향을 미치지 않는다.
이상에서 설명된 실내구조 예측장치(10)는 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다.
이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다. 그러므로 다른 구현들, 다른 실시예들 및 청구범위와 균등한 것들도 후술하는 청구범위의 범위에 속한다.
본 발명은 로봇, 라우터, 모바일 기기 등의 실내공간 인지 및 활용에 사용할 수 있다. 또한, 본 발명에 따라 추정된 실내 구조는 측위, 실내지도 구성, 로봇 운용 등 다양한 시스템에서 활용할 수 있다.
10: 실내구조 예측 장치 20: 송신기
30: 수신기 40: 송수신기
50: 무선신호 전파채널 60: 디지털 신호 처리기
70: 인공 신경망 80: 데이터 처리부
90: 데이터 저장소 100: 실내공간

Claims (18)

  1. 다수의 학습용 실내공간에 대하여 학습용 전파 채널 파라미터 데이터를 추정하는 단계, 여기서 상기 학습용 전파 채널 파라미터 데이터는 상기 다수의 학습용 실내공간 각각의 내부에서 송수신기의 위치를 변경하면서 상기 송수신기가 무선 전파 신호를 송신하여 다중 전파 채널 경로를 통해 수신한 무선 전파 신호로부터 추정되고;
    상기 다수의 학습용 실내공간 각각의 꼭지점들의 좌표값과 추정된 상기 학습용 전파 채널 파라미터 데이터를 인공 신경망의 입력으로 사용하여 상기 학습용 전파 채널 파라미터 데이터와 학습용 실내공간의 구조 간의 대응관계를 딥-러닝 하는 단계;
    예측대상 실내공간에서 송수신기가 송신하여 다중 전파 채널 경로를 통해 수신한 제1 무선신호로부터 제1 전파 채널 파라미터 데이터를 추정하는 단계; 및
    상기 인공 신경망을 통해 딥-러닝한 데이터에 기초하여, 추정된 상기 제1 전파 채널 파라미터 데이터와 최적 매칭을 이루는 실내공간의 구조를 찾아서 상기 예측대상 실내공간의 구조로 예측하는 단계를 포함하는 것을 특징으로 하는 딥-러닝 기반 무선신호 전파채널 해석을 이용한 실내공간의 구조 예측 방법.
  2. 제1항에 있어서, 상기 학습용 전파 채널 파라미터 데이터를 추정하는 단계는, 각 학습용 실내공간 내에서, 송신기가 학습용 무선신호를 송신하는 단계; 수신기가 상기 학습용 실내공간의 다중 전파 채널 경로를 통과한 학습용 무선신호를 수신하는 단계; 및 수신된 상기 학습용 무선신호를 분석하여 상기 학습용 실내공간에 관한 학습용 전파 채널 파라미터 데이터를 추정하는 단계를 포함하는 것을 특징으로 하는 딥-러닝 기반 무선신호 전파채널 해석을 이용한 실내공간의 구조 예측 방법.
  3. 제2항에 있어서, 상기 학습용 전파 채널 파라미터 데이터는 상기 학습용 무선신호의 전력지연 프로파일(PDP)과, 상기 학습용 무선신호의 도래각(AoA) 프로파일과 발사각(AoD) 프로파일 중 적어도 하나를 학습용 전파 채널 파라미터로 사용하여 얻은 데이터를 포함하는 것을 특징으로 하는 딥-러닝 기반 무선신호 전파채널 해석을 이용한 실내공간의 구조 예측 방법.
  4. 제2항에 있어서, 상기 수신기가 무지향성 안테나 (omnidirectional antenna)를 사용하는 경우, 상기 학습용 무선신호의 전력지연 프로파일(PDP) 데이터를 상기 학습용 전파 채널 파라미터 데이터로서 추정하는 것을 특징으로 하는 딥-러닝 기반 무선신호 전파채널 해석을 이용한 실내공간의 구조 예측 방법.
  5. 제4항에 있어서, 상기 전력지연 프로파일은 최소제곱법 또는 최소 평균 제곱 오차법을 사용하여 추정되는 것을 특징으로 하는 딥-러닝 기반 무선신호 전파채널 해석을 이용한 실내공간의 구조 예측 방법.
  6. 제3항에 있어서, 상기 수신기가 지향성을 갖는 배열 안테나를 사용하는 경우, 상기 학습용 무선신호의 도래각(AoA) 프로파일을 상기 학습용 전파 채널 파라미터 데이터로서 추정하는 것을 특징으로 하는 딥-러닝 기반 무선신호 전파채널 해석을 이용한 실내공간의 구조 예측 방법.
  7. 제3항에 있어서, 상기 송신기가 지향성을 갖는 배열 안테나를 사용하는 경우, 상기 학습용 무선신호의 발사각(AoD) 프로파일을 상기 학습용 전파 채널 파라미터 데이터로서 추정하는 것을 특징으로 하는 딥-러닝 기반 무선신호 전파채널 해석을 이용한 실내공간의 구조 예측 방법.
  8. 제2항에 있어서, 상기 학습용 전파 채널 파라미터 데이터의 추정은 상기 송신기와 상기 수신기가 근접하게 위치한 상태에서 3D 무선신호선 추적 기법(3D radio ray tracing method)을 이용하여 수행되는 것을 특징으로 하는 딥-러닝 기반 무선신호 전파채널 해석을 이용한 실내공간의 구조 예측 방법.
  9. 제1항에 있어서, 상기 제1 전파 채널 파라미터 데이터를 추정하는 단계는, 상기 송수신기의 송신기와 수신기가 지향성을 갖는 배열 안테나를 사용하는 경우, 상기 송신기와 상기 수신기의 배열 안테나를 회전시키면서 상기 제1 무선신호를 송수신하는 단계; 및 회전하면서 수신된 상기 제1 무선신호의 데이터를 병합하여 무지향성 안테나와 같은 효과를 생성하는 단계를 포함하는 것을 특징으로 하는 딥-러닝 기반 무선신호 전파채널 해석을 이용한 실내공간의 구조 예측 방법.
  10. 제1항에 있어서, 상기 대응관계를 딥-러닝 하는 단계는, 상기 다수의 학습용 실내공간 각각의 꼭지점들의 좌표값과 상기 학습용 전파 채널 파라미터 데이터를 상기 인공 신경망의 딥-러닝을 위한 입력 데이터로 제공하는 단계; 상기 인공 신경망에서, 입력된 상기 학습용 전파 채널 파라미터 데이터를 딥-러닝하여 대응되는 실내공간의 추정된 꼭지점들의 좌표값을 구하는 단계; 상기 추정된 꼭지점들의 좌표값과 상기 대응되는 실내공간의 실제 꼭지점들의 좌표값 간의 차이값을 산출하는 단계; 상기 차이값이 작아지도록 가중치를 조정하는 단계; 및 조정된 가중치를 적용하여 상기 차이값을 다시 산출하는 것을 반복하고, 다시 산출된 차이값이 문턱값 이하로 작아지는 경우, 상기 대응관계를 딥-러닝 하는 것을 종료하는 단계를 포함하는 것을 특징으로 하는 딥-러닝 기반 무선신호 전파채널 해석을 이용한 실내공간의 구조 예측 방법.
  11. 제1항에 있어서, 상기 제1 전파 채널 파라미터 데이터를 추정하는 단계는, 상기 예측대상 실내공간 내에 위치하는 송신기에서 상기 제1 무선신호를 송신하는 단계; 상기 예측대상 실내공간 내에 상기 송신기와 근접하게 위치한 수신기가 상기 예측대상 실내공간의 다중 전파 채널 경로를 거친 제1 무선신호를 수신하는 단계; 및 송수신된 상기 제1 무선신호를 분석하여 상기 예측대상 실내공간에 관한 제1 전파 채널 파라미터 데이터를 추정하는 단계를 포함하는 것을 특징으로 하는 딥-러닝 기반 무선신호 전파채널 해석을 이용한 실내공간의 구조 예측 방법.
  12. 제11항에 있어서, 상기 예측하는 단계는, 추정된 상기 제1 전파 채널 파라미터 데이터를 학습된 상기 인공 신경망에 입력하여 상기 제1 전파 채널 파라미터 데이터와 최적 매칭을 이루는 실내공간의 구조를 찾아내는 단계; 및 찾아낸 실내공간의 꼭지점들의 좌표값을 상기 예측대상 실내공간의 꼭지점들의 좌표값으로 추정하는 단계를 포함하는 것을 특징으로 하는 것을 특징으로 하는 딥-러닝 기반 무선신호 전파채널 해석을 이용한 실내공간의 구조 예측 방법.
  13. 제11항에 있어서, 상기 송신기가 송신하는 상기 제1 무선신호는 프리앰블 신호인 것을 특징으로 하는 딥-러닝 기반 무선신호 전파채널 해석을 이용한 실내공간의 구조 예측 방법.
  14. 제11항에 있어서, 상기 수신기가 무지향성 안테나를 사용하는 경우, 상기 제1 무선신호의 전력지연 프로파일(PDP) 데이터를 상기 제1 전파 채널 파라미터 데이터로서 추정하는 것을 특징으로 하는 딥-러닝 기반 무선신호 전파채널 해석을 이용한 실내공간의 구조 예측 방법.
  15. 제14항에 있어서, 상기 수신기가 지향성을 갖는 배열 안테나를 사용하는 경우, 상기 제1 무선신호의 도래각(AoA) 프로파일을 상기 제1 전파 채널 파라미터 데이터로서 더 추정하는 것을 특징으로 하는 딥-러닝 기반 무선신호 전파채널 해석을 이용한 실내공간의 구조 예측 방법.
  16. 제14항에 있어서, 상기 송신기가 지향성을 갖는 배열 안테나를 사용하는 경우, 상기 제1 무선신호의 발사각(AoD) 프로파일을 상기 제1 전파 채널 파라미터 데이터로서 더 추정하는 것을 특징으로 하는 딥-러닝 기반 무선신호 전파채널 해석을 이용한 실내공간의 구조 예측 방법.
  17. 제11항에 있어서, 상기 제1 전파 채널 파라미터 데이터는 (i) 상기 제1 무선신호의 전력지연 프로파일(PDP) 데이터 또는, (ii) 상기 제1 무선신호의 전력지연 프로파일(PDP) 데이터 및 상기 제1 무선신호의 도래각(AoA) 프로파일 데이터와 발사각(AoD) 프로파일 데이터 중 적어도 어느 하나를 포함하는 것을 특징으로 하는 딥-러닝 기반 무선신호 전파채널 해석을 이용한 실내공간의 구조 예측 방법.
  18. 제1항에 있어서, 상기 인공 신경망은 다중 레이어 퍼셉트론 구조를 갖는 인공 신경망인 것을 특징으로 하는 딥-러닝 기반 무선신호 전파채널 해석을 이용한 실내공간의 구조 예측 방법.
KR1020180049639A 2018-04-30 2018-04-30 딥-러닝을 통한 무선신호 전파 채널 해석을 이용한 실내공간의 구조를 예측하는 방법 KR102114033B1 (ko)

Priority Applications (3)

Application Number Priority Date Filing Date Title
US17/051,541 US20230045798A1 (en) 2018-04-30 2018-04-30 Method for predicting structure of indoor space using radio propagation channel analysis through deep learning
KR1020180049639A KR102114033B1 (ko) 2018-04-30 2018-04-30 딥-러닝을 통한 무선신호 전파 채널 해석을 이용한 실내공간의 구조를 예측하는 방법
PCT/KR2018/005029 WO2019212069A1 (ko) 2018-04-30 2018-04-30 딥-러닝을 통한 무선신호 전파 채널 해석을 이용한 실내공간의 구조를 예측하는 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180049639A KR102114033B1 (ko) 2018-04-30 2018-04-30 딥-러닝을 통한 무선신호 전파 채널 해석을 이용한 실내공간의 구조를 예측하는 방법

Publications (2)

Publication Number Publication Date
KR20190125624A true KR20190125624A (ko) 2019-11-07
KR102114033B1 KR102114033B1 (ko) 2020-05-25

Family

ID=68386369

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180049639A KR102114033B1 (ko) 2018-04-30 2018-04-30 딥-러닝을 통한 무선신호 전파 채널 해석을 이용한 실내공간의 구조를 예측하는 방법

Country Status (3)

Country Link
US (1) US20230045798A1 (ko)
KR (1) KR102114033B1 (ko)
WO (1) WO2019212069A1 (ko)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102270808B1 (ko) * 2020-09-15 2021-06-29 국민대학교산학협력단 무선 인공지능을 이용한 보이는 네트워크 제공 장치 및 방법
KR20210082749A (ko) * 2019-12-26 2021-07-06 한국과학기술원 실내측위장치 및 실내측위방법
KR102319395B1 (ko) * 2020-05-19 2021-10-28 연세대학교 산학협력단 빔 스위칭을 이용한 다중 패턴 기반의 신경망 알고리즘을 적용한 표적 방향 탐지 장치
CN113965281A (zh) * 2021-10-08 2022-01-21 上海科技大学 一种基于端到端学习的空中计算系统设计方法

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200306960A1 (en) * 2019-04-01 2020-10-01 Nvidia Corporation Simulation of tasks using neural networks
CN113015093B (zh) * 2021-01-29 2024-04-05 辽宁大学 一种基于三维深度残差神经网络的室内无线定位方法
US20220260675A1 (en) * 2021-02-18 2022-08-18 The United States Of America, As Represented By The Secretary Of The Navy Ground based radar cross section measurement of countermeasures
CN116760493B (zh) * 2023-06-12 2023-12-22 广东技术师范大学 无线信号室内传播模型构建方法、强度预测方法及装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20060033740A (ko) * 2003-06-27 2006-04-19 팀버 테크놀로지스, 인코포레이티드 기계학습시스템을 이용한 반도체 웨이퍼 상에 형성된구조물의 광학적 계측
KR20120048373A (ko) * 2010-11-05 2012-05-15 목포대학교산학협력단 Ｋｎｎ과 ｇｋ방법을 이용한 ｆｃｍ 군집화 기반의 혼합된 무선 실내 측위 방법
KR20150043243A (ko) * 2012-05-01 2015-04-22 5디 로보틱스, 인크. 협력적 공간적 위치파악
KR20150138003A (ko) 2014-05-29 2015-12-09 삼성전자주식회사 실내의 구조를 나타내는 데이터를 생성하는 디바이스 및 방법
KR101850286B1 (ko) * 2017-06-27 2018-04-19 한국기술교육대학교 산학협력단 딥 러닝 기반 cctv용 영상 인식 방법

Family Cites Families (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB2311697B (en) * 1996-03-22 1999-07-28 Matsushita Electric Ind Co Ltd Wireless communication system and method and system for detection of position of radio mobile station
KR101815162B1 (ko) * 2012-03-21 2018-01-30 에스케이 텔레콤주식회사 실내 측위 방법 및 그를 위한 시스템 및 장치
KR101679203B1 (ko) * 2015-02-05 2016-12-07 (주)위니텍 무선신호 발신장치를 이용한 실내 위치측정 시스템 및 그 방법
KR20170018143A (ko) * 2015-08-05 2017-02-16 라임아이 주식회사 비콘 신호 송출 기기를 이용한 실내 측위 방법 및 그 장치
KR101760741B1 (ko) * 2015-08-25 2017-07-26 주식회사 페이스시스템 비콘을 이용한 사업장 내 위치 추정 방법 및 이를 통한 위치 기반 서비스 제공 시스템 및 방법
US11151655B1 (en) * 2015-12-11 2021-10-19 State Farm Mutual Automobile Insurance Company Structural characteristic extraction and claims processing using 3D images
KR101869865B1 (ko) * 2015-12-21 2018-06-22 서울대학교산학협력단 기 설계된 음향 데이터 신호를 이용한 실내 위치 추정 방법
US10645259B2 (en) * 2016-08-31 2020-05-05 Siemens Healthcare Gmbh Machine learning based real-time radiation dose assessment
US9989633B1 (en) * 2017-03-15 2018-06-05 Cypress Semiconductor Corporation Estimating angle measurements for source tracking using a phased array system
US10657376B2 (en) * 2017-03-17 2020-05-19 Magic Leap, Inc. Room layout estimation methods and techniques
US10643153B2 (en) * 2017-04-24 2020-05-05 Virginia Tech Intellectual Properties, Inc. Radio signal identification, identification system learning, and identifier deployment
US10895853B2 (en) * 2017-12-12 2021-01-19 Distech Controls Inc. Inference server and environment controller for inferring one or more commands for controlling an appliance taking into account room characteristics
US10908561B2 (en) * 2017-12-12 2021-02-02 Distech Controls Inc. Environment controller and method for inferring one or more commands for controlling an appliance taking into account room characteristics
US20190184569A1 (en) * 2017-12-18 2019-06-20 Bot3, Inc. Robot based on artificial intelligence, and control method thereof
US11533116B2 (en) * 2020-03-19 2022-12-20 Sonos, Inc. Systems and methods for state detection via wireless radios

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20060033740A (ko) * 2003-06-27 2006-04-19 팀버 테크놀로지스, 인코포레이티드 기계학습시스템을 이용한 반도체 웨이퍼 상에 형성된구조물의 광학적 계측
KR20120048373A (ko) * 2010-11-05 2012-05-15 목포대학교산학협력단 Ｋｎｎ과 ｇｋ방법을 이용한 ｆｃｍ 군집화 기반의 혼합된 무선 실내 측위 방법
KR20150043243A (ko) * 2012-05-01 2015-04-22 5디 로보틱스, 인크. 협력적 공간적 위치파악
KR20150138003A (ko) 2014-05-29 2015-12-09 삼성전자주식회사 실내의 구조를 나타내는 데이터를 생성하는 디바이스 및 방법
KR101850286B1 (ko) * 2017-06-27 2018-04-19 한국기술교육대학교 산학협력단 딥 러닝 기반 cctv용 영상 인식 방법

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
종래기술 논문: I. Dokmanic, Y. M. Lu, M. Vetterli, "Can one hear the shape of a room: The 2-D polygonal case", Proc. ICASSP, pp. 321-324, 2011.)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20210082749A (ko) * 2019-12-26 2021-07-06 한국과학기술원 실내측위장치 및 실내측위방법
KR102319395B1 (ko) * 2020-05-19 2021-10-28 연세대학교 산학협력단 빔 스위칭을 이용한 다중 패턴 기반의 신경망 알고리즘을 적용한 표적 방향 탐지 장치
KR102270808B1 (ko) * 2020-09-15 2021-06-29 국민대학교산학협력단 무선 인공지능을 이용한 보이는 네트워크 제공 장치 및 방법
CN113965281A (zh) * 2021-10-08 2022-01-21 上海科技大学 一种基于端到端学习的空中计算系统设计方法
CN113965281B (zh) * 2021-10-08 2023-09-22 上海科技大学 一种基于端到端学习的空中计算系统设计方法

Also Published As

Publication number Publication date
US20230045798A1 (en) 2023-02-16
KR102114033B1 (ko) 2020-05-25
WO2019212069A1 (ko) 2019-11-07

Similar Documents

Publication Publication Date Title
KR102114033B1 (ko) 딥-러닝을 통한 무선신호 전파 채널 해석을 이용한 실내공간의 구조를 예측하는 방법
Cobos et al. A survey of sound source localization methods in wireless acoustic sensor networks
CN107517446A (zh) 基于Wi‑Fi热点的室内定位方法及装置
Dorfan et al. Tree-based recursive expectation-maximization algorithm for localization of acoustic sources
Salvati et al. Sound source and microphone localization from acoustic impulse responses
US5537511A (en) Neural network based data fusion system for source localization
Jung et al. Indoor localization using particle filter and map-based NLOS ranging model
Kovandžić et al. Near field acoustic localization under unfavorable conditions using feedforward neural network for processing time difference of arrival
Drioli et al. Acoustic target tracking through a cluster of mobile agents
Parker et al. Indoor target intercept using an acoustic sensor network and dual wavefront path planning
Sala et al. Using neural networks and Active RFID for indoor location services
JP2015081824A (ja) 放射音強度マップ作成システム、移動体および放射音強度マップ作成方法
US7400291B2 (en) Local positioning system which operates based on reflected wireless signals
Shareef et al. Localization using extended Kalman filters in wireless sensor networks
Schaff et al. Jointly optimizing placement and inference for beacon-based localization
Lui et al. Particle swarm optimization for time-difference-of-arrival based localization
Grinstein et al. Graph neural networks for sound source localization on distributed microphone networks
Ding et al. Microphone array acoustic source localization system based on deep learning
US11894880B2 (en) Automatic fine-grained radio map construction and adaption
Heydari et al. Real-time TDOA-based stationary sound source direction finding
Chetupalli et al. Robust offline trained neural network for TDOA based sound source localization
Gates et al. PADF RF localization criteria for multimodel scattering environments
Alshami et al. A light WLAN radio map for floor detection in multi-floor environment localization
Bizon et al. Blind Transmitter Localization Using Deep Learning: A Scalability Study
Yapar et al. On the Effective Usage of Priors in RSS-based 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
GRNT Written decision to grant