KR20220013798A - Method and Apparatus for Effectively Positioning in Complex Building Structures - Google Patents

Method and Apparatus for Effectively Positioning in Complex Building Structures Download PDF

Info

Publication number
KR20220013798A
KR20220013798A KR1020200093208A KR20200093208A KR20220013798A KR 20220013798 A KR20220013798 A KR 20220013798A KR 1020200093208 A KR1020200093208 A KR 1020200093208A KR 20200093208 A KR20200093208 A KR 20200093208A KR 20220013798 A KR20220013798 A KR 20220013798A
Authority
KR
South Korea
Prior art keywords
positioning
model
latent
radio
value
Prior art date
Application number
KR1020200093208A
Other languages
Korean (ko)
Other versions
KR102395858B1 (en
Inventor
이준구
김민석
한동수
Original Assignee
한국과학기술원
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 한국과학기술원 filed Critical 한국과학기술원
Priority to KR1020200093208A priority Critical patent/KR102395858B1/en
Publication of KR20220013798A publication Critical patent/KR20220013798A/en
Application granted granted Critical
Publication of KR102395858B1 publication Critical patent/KR102395858B1/en

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
    • G01S5/0205—Details
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G01S2201/00—Indexing scheme relating to beacons or beacon systems transmitting signals capable of being detected by non-directional receivers and defining directions, positions, or position lines fixed relatively to the beacon transmitters
    • G01S2201/01—Indexing scheme relating to beacons or beacon systems transmitting signals capable of being detected by non-directional receivers and defining directions, positions, or position lines fixed relatively to the beacon transmitters adapted for specific applications or environments
    • G01S2201/02—Indoor positioning, e.g. in covered car-parks, mining facilities, warehouses
    • 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
    • G01S2205/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
    • G01S2205/01—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations specially adapted for specific applications
    • G01S2205/02—Indoor

Abstract

본 발명은 복잡한 건물 구조에서의 효과적인 측위 방법 및 장치에 관한 것으로서, 본 발명의 송신장치로부터 복수의 수신장치가 수신하는 무선신호를 이용하는 측위 방법은, 복수의 수신장치가 수신하는 무선신호를 기계학습하여 무선측위모델을 생성하는 단계; 및 상기 무선측위모델을 이용하여, 상기 학습 후에 송신장치로부터의 무선신호에 대한 해당 위치 좌표를 생성하는 단계를 포함하고, 상기 무선측위모델의 생성에서, 송신장치에 대하여 해당 수신장치가 일직선 경로 상에 있을 때(uk=1)의 각 뷰 그룹의 수신신호(xk)에 대하여, 상기 기계학습을 통해 해당 송신장치의 위치와의 차이가 최소가 되는 측위 위치값(

Figure pat00044
)을 산출하기 위한 상기 무선측위모델을 생성한다. The present invention relates to an effective positioning method and apparatus in a complex building structure. The positioning method using a wireless signal received by a plurality of receiving devices from a transmitting device of the present invention is machine learning the wireless signals received by the plurality of receiving devices. to generate a radio positioning model; and generating the corresponding position coordinates for the radio signal from the transmitting device after the learning by using the radio positioning model, wherein in the generation of the radio positioning model, the receiving device is on a straight path With respect to the received signal (x k ) of each view group when in (u k = 1), the positioning position value (
Figure pat00044
) to generate the radio positioning model for calculating.

Description

복잡한 건물 구조에서의 효과적인 측위 방법 및 장치{Method and Apparatus for Effectively Positioning in Complex Building Structures}Method and Apparatus for Effectively Positioning in Complex Building Structures

본 발명은 측위 방법 및 장치에 관한 것으로서, 특히, 복잡한 건물 구조나 실외에서 CSI(Channel State Information) 패킷을 이용하여 효과적으로 위치를 정확하게 측위할 수 있는 방법 및 장치에 관한 것이다. The present invention relates to a positioning method and apparatus, and more particularly, to a method and apparatus capable of accurately positioning a location effectively using a CSI (Channel State Information) packet in a complex building structure or outdoors.

실내에서는 GPS 신호를 수신하기 어렵기 때문에 실내에서는 와이파이(WiFi) 신호를 사용한 위치 측정 기술이 가능하고, 실외에서는 GPS 신호나 이동통신망 자원을 사용한 위치 측정 기술이 활용될 수 있다. 위치 측정 기술은 다양한 위치기반 서비스에 광범위하게 활용되고 있다.Since it is difficult to receive a GPS signal indoors, a location measurement technology using a Wi-Fi signal is possible indoors, and a location measurement technology using a GPS signal or a mobile communication network resource can be utilized outdoors. Location measurement technology is widely used in various location-based services.

그러나, 종래의 위치 측정 기술은 복잡한 건물 구조 또는 실외에서, Non Line of Sight (NLos), 즉, 다중 경로 상의 (multi-path) 통신 신호와, Line of Sight (LoS), 즉, 일직선 경로 상 (single path)의 통신 신호를 구분하여 처리하지 못함에 따라, 측위에 필요한 유용한 정보가 없는 NLos 신호에 의한 왜곡이나 손실이 발생하여, 측위의 정확성이 떨어지는 문제점이 있다.However, the conventional location measurement technology has a complex building structure or outdoors, with a Non Line of Sight (NLos), that is, a multi-path communication signal, and a Line of Sight (LoS), that is, on a straight path ( As a communication signal of a single path) cannot be distinguished and processed, distortion or loss occurs due to an NLos signal without useful information necessary for positioning, resulting in poor positioning accuracy.

따라서, 본 발명은 상술한 문제점을 해결하기 위하여 안출된 것으로, 본 발명의 목적은, CSI(Channel State Information) 패킷을 이용하여 복잡한 건물 구조 등에서 효과적으로 위치를 정확하게 측위할 수 있는 방법 및 장치를 제공하는 데 있다. Accordingly, the present invention has been devised to solve the above-described problems, and an object of the present invention is to provide a method and apparatus capable of accurately positioning a location effectively in a complex building structure using a CSI (Channel State Information) packet. there is

또한, 본 발명의 목적은, 패킷 분석 이후에 측위 시 정확도 향상을 위해, CSI 데이터에 지도학습(supervised learning) 형태의 다양한 뷰(view) 기반의 확장성있는 기계학습을 적용하여, CSI 패킷의 무선 특성에 의한 왜곡현상에도 불구하고, 정확하게 측위할 수 있는 방법 및 장치를 제공하는 데 있다. In addition, an object of the present invention is to apply scalable machine learning based on various views in the form of supervised learning to CSI data to improve accuracy in positioning after packet analysis, An object of the present invention is to provide a method and an apparatus capable of accurately positioning in spite of a distortion phenomenon due to characteristics.

먼저, 본 발명의 특징을 요약하면, 상기의 목적을 달성하기 위한 본 발명의 일면에 따른 송신장치로부터 복수의 수신장치가 수신하는 무선신호를 이용하는 측위 방법은, 복수의 수신장치가 수신하는 무선신호를 기계학습하여 무선측위모델을 생성하는 단계; 및 상기 무선측위모델을 이용하여, 상기 학습 후에 송신장치로부터의 무선신호에 대한 해당 위치 좌표를 생성하는 단계를 포함하고, 상기 무선측위모델의 생성에서, 송신장치에 대하여 해당 수신장치가 일직선 경로 상에 있을 때(uk=1)의 각 뷰 그룹의 수신신호(xk)에 대하여, 상기 기계학습을 통해 해당 송신장치의 위치와의 차이가 최소가 되는 측위 위치값(

Figure pat00001
)을 산출하기 위한 상기 무선측위모델을 생성한다.First, to summarize the features of the present invention, in order to achieve the above object, a positioning method using a radio signal received by a plurality of receiving devices from a transmitting device according to an aspect of the present invention is a radio signal received by the plurality of receiving devices. generating a wireless positioning model by machine learning; and generating the corresponding position coordinates for the radio signal from the transmitting device after the learning by using the radio positioning model, wherein in the generation of the radio positioning model, the receiving device is on a straight path With respect to the received signal (x k ) of each view group when in (u k = 1), the positioning position value (
Figure pat00001
) to generate the radio positioning model for calculating.

상기 복수의 수신장치가 수신하는 무선신호는, CSI(Channel State information) 패킷을 포함하고, 상기 무선측위모델을 생성하는 측위 장치가 상기 CSI 패킷에 대하여 생성하는 CSI 데이터셋을 이용하여 상기 무선측위모델을 생성한다.The radio signals received by the plurality of receiving devices include a CSI (Channel State information) packet, and the radio positioning model using a CSI dataset generated by the positioning device generating the radio positioning model with respect to the CSI packet. to create

상기 CSI 패킷은, 상기 무선신호에 포함되는 복수의 서브캐리어(subcarrier) 중에서, 미리 설정된 인덱스(index)에 대응하는 각각의 서브캐리어에 대한 채널정보를 포함한다.The CSI packet includes channel information for each subcarrier corresponding to a preset index among a plurality of subcarriers included in the radio signal.

상기 CSI 데이터셋은, 상기 CSI 패킷에 대한 상기 복수의 수신장치의 안테나들에서의 진폭과 위상차에 대한 정보를 포함한다.The CSI dataset includes information on amplitudes and phase differences of the antennas of the plurality of receiving devices for the CSI packet.

상기 무선측위모델을 생성하는 단계는, (A) 상기 일직선 경로 상에 있을 때(uk=1)의 각 뷰 그룹의 수신신호(xk)에 대하여, 잠재 위치 매핑을 위한 모델(hk(xk))을 생성하는 단계; (B) 상기 잠재 위치 매핑을 위한 모델(hk(xk))로부터의 각각의 잠재 위치값(zk)에 대하여, 잠재위치 회귀매핑을 위한 모델(gk(xk))을 생성하는 단계; (C) 상기 잠재 위치 매핑을 위한 모델(hk(xk))로부터의 각각의 잠재 위치값(zk)을 합산한 잠재위치 합산위치값(z)에 대하여, 뷰 그룹 분류의 매핑을 위한 모델(hQ(z))을 생성하는 단계; 및 (D) 상기 뷰 그룹 분류의 매핑을 위한 모델(hQ(z))로부터의 뷰 분류값(

Figure pat00002
)과 상기 각각의 잠재 위치값(zk)을 element-wise multiplication(동일위치원소곱셈) 연산한 값들을 합산한 뷰반영 합산위치값(z')에 대하여, 출력위치 회귀매핑을 위한 모델(hR(z'))을 생성하는 단계를 포함한다.The generating of the radio positioning model includes (A ) a model for latent location mapping (h k ( x k )); (B) For each latent position value (z k ) from the model for latent position mapping (h k (x k )), generating a model (g k (x k )) for latent position regression mapping step; (C) For the latent location summation location value (z) by summing each potential location value (z k ) from the latent location mapping model (h k (x k )), for mapping of view group classification generating a model h Q (z); and (D) the view classification value from the model (h Q (z)) for the mapping of the view group classification (
Figure pat00002
) and each latent position value (z k ), a model for output position regression mapping (h R (z')).

(A) 단계는, 각각의 잠재위치 신경망에서, 잠재 위치 매핑을 위한 모델(hk(xk))을 구성하는 제1가중치(Wk)와 제1성향(bk)을 학습하여, 상기 각각의 잠재 위치값(zk)을 산출한다.Step (A) is, in each latent location neural network, learning the first weight (W k ) and the first tendency (b k ) constituting the model (h k (x k )) for latent location mapping, Each potential position value (z k ) is calculated.

(B) 단계는, 각각의 잠재위치 회귀신경망에서, 상기 잠재위치 회귀매핑을 위한 모델(gk(xk))을 구성하는 제2가중치(Wk')와 제2성향(bk')을 학습하여, 해당 송신장치의 위치와의 차이가 최소가 되도록, 상기 각각의 뷰 그룹 방향으로의 잠재회귀 위치값(

Figure pat00003
)을 산출한다.In step (B), in each latent position regression neural network, the second weight (W k ') and the second tendency (b k ') constituting the model (g k (x k )) for the latent position regression mapping By learning , the latent regression position value in the direction of each view group (
Figure pat00003
) is calculated.

(C) 단계는, 뷰 분류 신경망에서, 상기 뷰 그룹 분류의 매핑을 위한 모델(hQ(z))을 구성하는 제3가중치(WQ)와 제3성향(bQ)을 학습하여, 송신장치에 대하여 해당 수신장치의 뷰 그룹에 대한 정보적 경로 여부의 실제 바이너리 값(u) 및 상기 뷰 분류값(

Figure pat00004
)의 차이가 최소가 되도록, 상기 뷰 분류값(
Figure pat00005
)을 산출한다. 상기 뷰 분류값(
Figure pat00006
)은 상기 측위 방법에 의한 측위 위치가 k번째 뷰 그룹에 속할 확률에 해당한다.Step (C) is, in the view classification neural network, learning the third weight (W Q ) and the third propensity (b Q ) constituting the model (h Q (z)) for the mapping of the view group classification, and transmitting With respect to the device, the actual binary value (u) and the view classification value (
Figure pat00004
) so that the difference of the view classification value (
Figure pat00005
) is calculated. The view classification value (
Figure pat00006
) corresponds to the probability that the positioning position by the positioning method belongs to the k-th view group.

(D) 단계는, 출력위치 회귀신경망에서, 상기 출력위치 회귀매핑을 위한 모델(hR(z'))를 구성하는 제4가중치(WR)와 제4성향(bR)을 학습하여, 상기 잠재위치 회귀매핑을 위한 모델(gk(xk))로부터의 각각의 뷰 그룹 방향으로의 잠재회귀 위치값(

Figure pat00007
)을 기초로 해당 송신장치의 위치와의 차이가 최소가 되도록, 상기 측위 위치값(
Figure pat00008
)을 산출한다.Step (D), in the output position regression neural network, by learning the fourth weight (W R ) and the fourth tendency (b R ) constituting the model (h R (z')) for the output position regression mapping, The latent regression position value (g k (x k )) in the direction of each view group from the latent position regression mapping model (g k (x k ))
Figure pat00007
) based on the positioning position value (
Figure pat00008
) is calculated.

그리고, 본 발명의 다른 일면에 따른, 송신장치로부터 복수의 수신장치가 수신하는 무선신호를 이용하는 측위 장치는, 복수의 수신장치가 수신하는 무선신호에 대하여, 기계학습하여 무선측위모델을 생성하는 모델 생성부; 및 상기 무선측위모델을 이용하여, 상기 학습 후에 송신장치로부터의 무선신호에 대한 해당 위치 좌표를 생성하는 측위부를 포함하고, 상기 모델 생성부는, 송신장치에 대하여 해당 수신장치가 일직선 경로 상에 있을 때(uk=1)의 각 뷰 그룹의 수신신호(xk)에 대하여, 상기 기계학습을 통해 해당 송신장치의 위치와의 차이가 최소가 되는 측위 위치값(

Figure pat00009
)을 산출하기 위한 상기 무선측위모델을 생성한다.And, according to another aspect of the present invention, a positioning device using a wireless signal received by a plurality of receiving devices from a transmitting device is a model for generating a wireless positioning model by machine learning on the wireless signals received by the plurality of receiving devices generator; and a positioning unit for generating the corresponding position coordinates for the radio signal from the transmitting device after the learning by using the radio positioning model, wherein the model generating unit is configured to include, when the receiving device is on a straight path with respect to the transmitting device For the received signal (x k ) of each view group of (u k = 1), the positioning position value (
Figure pat00009
) to generate the radio positioning model for calculating.

본 발명에 따른 측위 방법 및 장치에 따르면, CSI(Channel State Information) 패킷을 이용하되, 패킷 분석 이후에 측위 시 정확도 향상을 위해, CSI 데이터에 지도학습 형태의 다양한 뷰(view) 기반의 확장성있는 기계학습을 적용함으로써, 복잡한 건물 구조에서 CSI 패킷의 무선 특성에 의한 왜곡현상에 불구하고 효과적으로 위치를 정확하게 측위할 수 있다.According to the positioning method and apparatus according to the present invention, CSI (Channel State Information) packets are used, but in order to improve accuracy in positioning after packet analysis, various views based on supervised learning on CSI data are scalable. By applying machine learning, it is possible to accurately position a location effectively in a complex building structure despite the distortion caused by the radio characteristics of the CSI packet.

또한, 본 발명에 따른 측위 방법 및 장치에 따르면, WiFi 또는 이동통신망에서의 실내외 측위를 가능하게 하여 광범위한 모바일 서비스에 응용될 수 있도록 하였다. In addition, according to the positioning method and apparatus according to the present invention, by enabling indoor and outdoor positioning in WiFi or a mobile communication network, it can be applied to a wide range of mobile services.

본 발명에 관한 이해를 돕기 위해 상세한 설명의 일부로 포함되는 첨부도면은, 본 발명에 대한 실시예를 제공하고 상세한 설명과 함께 본 발명의 기술적 사상을 설명한다.
도 1은 본 발명의 일 실시예에 의한 측위 시스템을 나타내는 개략도이다.
도2는 본 발명의 일 실시예에 의한 측위장치(100)를 나타내는 블록도이다.
도 3은 본 발명의 일 실시예에 따른 모델생성부(130)의 구체적인 블록도이다.
도 4는 본 발명의 일 실시예에 따른 측위 장치(100)의 구현 방법의 일례를 설명하기 위한 도면이다.BRIEF DESCRIPTION OF THE DRAWINGS The accompanying drawings, which are included as part of the detailed description to help the understanding of the present invention, provide an embodiment of the present invention and together with the detailed description, explain the technical spirit of the present invention.
1 is a schematic diagram showing a positioning system according to an embodiment of the present invention.
2 is a block diagram showing a positioning device 100 according to an embodiment of the present invention.
3 is a detailed block diagram of the model generator 130 according to an embodiment of the present invention.
4 is a view for explaining an example of an implementation method of the positioning device 100 according to an embodiment of the present invention.

이하에서는 첨부된 도면들을 참조하여 본 발명에 대해서 자세히 설명한다. 이때, 각각의 도면에서 동일한 구성 요소는 가능한 동일한 부호로 나타낸다. 또한, 이미 공지된 기능 및/또는 구성에 대한 상세한 설명은 생략한다. 이하에 개시된 내용은, 다양한 실시 예에 따른 동작을 이해하는데 필요한 부분을 중점적으로 설명하며, 그 설명의 요지를 흐릴 수 있는 요소들에 대한 설명은 생략한다. 또한 도면의 일부 구성요소는 과장되거나 생략되거나 또는 개략적으로 도시될 수 있다. 각 구성요소의 크기는 실제 크기를 전적으로 반영하는 것이 아니며, 따라서 각각의 도면에 그려진 구성요소들의 상대적인 크기나 간격에 의해 여기에 기재되는 내용들이 제한되는 것은 아니다.Hereinafter, the present invention will be described in detail with reference to the accompanying drawings. In this case, the same components in each drawing are denoted by the same reference numerals as much as possible. In addition, detailed descriptions of already known functions and/or configurations will be omitted. The content disclosed below will focus on parts necessary to understand operations according to various embodiments, and descriptions of elements that may obscure the gist of the description will be omitted. Also, some components in the drawings may be exaggerated, omitted, or schematically illustrated. The size of each component does not fully reflect the actual size, so the contents described herein are not limited by the relative size or spacing of the components drawn in each drawing.

본 발명의 실시예들을 설명함에 있어서, 본 발명과 관련된 공지기술에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략하기로 한다. 그리고, 후술되는 용어들은 본 발명에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례 등에 따라 달라질 수 있다. 그러므로 그 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다. 상세한 설명에서 사용되는 용어는 단지 본 발명의 실시 예들을 기술하기 위한 것이며, 결코 제한적이어서는 안 된다. 명확하게 달리 사용되지 않는 한, 단수 형태의 표현은 복수 형태의 의미를 포함한다. 본 설명에서, "포함" 또는 "구비"와 같은 표현은 어떤 특성들, 숫자들, 단계들, 동작들, 요소들, 이들의 일부 또는 조합을 가리키기 위한 것이며, 기술된 것 이외에 하나 또는 그 이상의 다른 특성, 숫자, 단계, 동작, 요소, 이들의 일부 또는 조합의 존재 또는 가능성을 배제하도록 해석되어서는 안 된다. In describing the embodiments of the present invention, if it is determined that the detailed description of the known technology related to the present invention may unnecessarily obscure the gist of the present invention, the detailed description thereof will be omitted. And, the terms to be described later are terms defined in consideration of functions in the present invention, which may vary according to intentions or customs of users and operators. Therefore, the definition should be made based on the content throughout this specification. The terminology used in the detailed description is for the purpose of describing embodiments of the present invention only, and should not be limiting in any way. Unless explicitly used otherwise, expressions in the singular include the meaning of the plural. In this description, expressions such as “comprising” or “comprising” are intended to indicate certain features, numbers, steps, acts, elements, some or a combination thereof, one or more other than those described. It should not be construed to exclude the presence or possibility of other features, numbers, steps, acts, elements, or any part or combination thereof.

또한, 제1, 제2 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되는 것은 아니며, 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.In addition, terms such as first and second may be used to describe various components, but the components are not limited by the terms, and the terms are for the purpose of distinguishing one component from other components. used only as

도 1은 본 발명의 일 실시예에 의한 측위 시스템을 나타내는 개략도이다. 1 is a schematic diagram showing a positioning system according to an embodiment of the present invention.

도 1을 참조하면, 본 발명의 일 실시예에 의한 측위시스템은, 복잡한 건물 구조 등 대상공간에 위치하는 복수의 무선수신장치(예, AP1 ~ AP7)를 이용하는 측위장치(100)를 포함할 수 있다. Referring to FIG. 1 , the positioning system according to an embodiment of the present invention may include a positioning device 100 using a plurality of wireless receiving devices (eg, AP1 to AP7) located in a target space such as a complex building structure. have.

이하, 도 1을 참조하여 본 발명의 일 실시예에 의한 측위시스템을 설명한다. Hereinafter, a positioning system according to an embodiment of the present invention will be described with reference to FIG. 1 .

대상공간은 집이나 회사, 학교, 쇼핑몰 등의 건물 내의 현관문 안밖의 공간 또는 LTE, 5G 등의 이동통신망을 이용하는 외부 공간일 수도 있으며, 대상공간 내에는 복수의 노드(N, 하얀점)들이 설정되어 있을 수 있다. 이때, 각각의 노드(N)들의 좌표정보는 미리 설정되어 있을 수 있으며, 각각의 노드(N)에 무선송신장치(미도시)들이 위치하여 무선신호를 발신할 수 있다. 도면에서 검은점(L)은 학습 후에 테스트에 사용될 위치이다. The target space may be a space inside or outside the front door of a building such as a house, company, school, or shopping mall, or an external space using a mobile communication network such as LTE or 5G, and a plurality of nodes (N, white dots) are set in the target space. may have been In this case, the coordinate information of each node N may be preset, and wireless transmitters (not shown) may be located in each node N to transmit a wireless signal. In the figure, the black dot (L) is a position to be used for testing after learning.

여기서, 무선송신장치들은 무선랜을 이용하여 무선신호를 발신할 수 있다. 즉, 802.11n 채널을 이용하여 무선신호를 발신할 수 있으며, 무선신호 내에는 CSI(Channel State Information) 패킷이 포함될 수 있다. 무선송신장치는 20MHz 또는 40MHz의 대역폭을 사용할 수 있으며, 64개 또는 128개의 OFDM(Orthogonal Frequency Division Multiplexing) 서브 캐리어(subcarrier)를 포함할 수 있다. Here, the wireless transmission devices may transmit a wireless signal using a wireless LAN. That is, a wireless signal may be transmitted using an 802.11n channel, and a CSI (Channel State Information) packet may be included in the wireless signal. The wireless transmitter may use a bandwidth of 20 MHz or 40 MHz, and may include 64 or 128 Orthogonal Frequency Division Multiplexing (OFDM) subcarriers.

측위장치(100)는 복수의 무선수신장치(예, AP1 ~ AP7)를 이용하여 무선송신장치가 발신하는 무선신호를 각각 수신할 수 있으며, 무선신호에 포함된 CSI 패킷들을 이용하여 무선송신장치의 위치를 측위할 수 있다. 실시예에 따라서는, 측위장치(100)가 무선신호에 포함된 서브 캐리어 중에서, [-28, -26, -24, -22, -20, -18, -16, -14, -12, -10, -8, -6, -4, -2, -1, 1, 3, 5, 7, 9, 11, 13, 15, 17, 19, 21, 23, 25, 27, 28]의 인덱스를 가지는 총 30개의 서브캐리어에 대한 CSI 패킷을 각각 복소수 형태로 검출할 수 있다. The positioning device 100 may receive each wireless signal transmitted by the wireless transmitter using a plurality of wireless receiving devices (eg, AP1 to AP7), and using CSI packets included in the wireless signal, location can be determined. According to the embodiment, the positioning device 100 among the sub-carriers included in the radio signal, [-28, -26, -24, -22, -20, -18, -16, -14, -12, - 10, -8, -6, -4, -2, -1, 1, 3, 5, 7, 9, 11, 13, 15, 17, 19, 21, 23, 25, 27, 28] It is possible to detect CSI packets for a total of 30 subcarriers in the form of a complex number, respectively.

일반적으로, WiFi 통신이나 LTE, 5G 등의 이동통신시 CSI 패킷을 추출하여 분석할 수 있으며, CSI 패킷에 대한 분석을 통하여 무선측위를 수행하는 것이 가능하다. 즉, CSI 패킷을 수신하는 복수의 무선수신장치(예, AP1 ~ AP7)를 이용하여 무선측위를 수행할 수 있다. 구체적으로, 무선수신장치(예, AP1 ~ AP7)에는 2개 이상의 안테나(예, 3개의 안테나)가 장착될 수 있으며, 각각의 안테나에서 수신한 CSI 패킷들 사이의 위상 차를 구하는 것이 가능하다. 이때 구해진 위상 차는 무선송신장치와 무선수신장치(예, AP1 ~ AP7)의 안테나 사이의 입사각과 밀접한 관련이 있다. In general, it is possible to extract and analyze a CSI packet during WiFi communication, LTE, 5G, etc. mobile communication, and it is possible to perform radio positioning through analysis of the CSI packet. That is, radio positioning may be performed using a plurality of radio receiving devices (eg, AP1 to AP7) that receive the CSI packet. Specifically, two or more antennas (eg, three antennas) may be mounted in the wireless receiver (eg, AP1 to AP7), and it is possible to obtain a phase difference between CSI packets received from each antenna. The phase difference obtained at this time is closely related to the angle of incidence between the antennas of the wireless transmitter and the wireless receiver (eg, AP1 to AP7).

따라서, 2개 이상의 안테나(예, 3개의 안테나)를 장착한 무선수신장치(예, AP1 ~ AP7)를 이용하면 각각의 무선수신장치(예, AP1 ~ AP7)에서의 입사각을 구할 수 있으며, 복수의 무선수신장치(예, AP1 ~ AP7)에 대한 각각의 입사각으로부터, 무선송신장치의 위치를 삼각측량법을 활용하여 구하는 것이 가능하다. Therefore, by using a wireless receiving device (eg, AP1 to AP7) equipped with two or more antennas (eg, three antennas), the angle of incidence at each wireless receiving device (eg, AP1 to AP7) can be obtained, and multiple It is possible to obtain the position of the wireless transmitter from each incident angle to the wireless receiver (eg, AP1 to AP7) using triangulation.

다만, 무선수신장치(예, AP1 ~ AP7)가 수신하는 CSI 패킷의 경우, 무선으로 전파되는 특성 때문에 왜곡현상이 심하게 발생할 수 있으며, 이로 인하여 CSI 패킷으로부터 구한 위상차에는 오차가 포함될 수 있다. 따라서, 삼각측량법으로 계산한 무선송신장치의 위치는 실제 위치와 오차가 크게 발생하여, 정확한 위치측정이 어려울 수 있다. However, in the case of a CSI packet received by a wireless receiving device (eg, AP1 to AP7), distortion may occur severely due to the characteristics of radio propagation, and thus, an error may be included in the phase difference obtained from the CSI packet. Therefore, the position of the wireless transmitter calculated by the triangulation method has a large error from the actual position, so it may be difficult to accurately measure the position.

이를 해결하기 위하여, 본 발명의 일 실시예에 의한 측위장치(100)는, CSI 패킷을 이용하되, 패킷 분석 이후에 측위 시 정확도 향상을 위해, 수신 CSI의 안테나 별 진폭과 안테나 간 위상 차이를 입력 데이터로 사용하는, 지도학습 형태의 다양한 뷰(view) 기반의 확장성있는 기계학습(machine learning) 을 적용함으로써, 복잡한 건물 구조에서 CSI 패킷의 무선 특성에 의한 왜곡현상에 불구하고 효과적으로 위치를 정확하게 측위할 수 있도록 하였다. 예를 들어, 여러 구역으로 나뉘어지는 복도가 존재하는 경우, 특정 AP 수신부에 대해 Line of Sight (LoS), 즉 일직선 경로 상 (single path)의 통신 신호를 받지 못하는 경우가 생긴다. 따라서 Non Line of Sight (NLos), 즉 다중 경로 상의 (multi-path) CSI를 받게 되는 경우 해당 정보는 측위에 필요한 유용한 정보를 담고 있지 않다. 본 발명은 이러한 유용한 정보를 담고 있지 않는 정보를 기계학습에서 배제하고, 유용한 정보를 가진 CSI 에 대한 선별을 통해 측위 성능을 개선할 수 있도록 하였다. 또한, 이에 따라 본 발명에서는, WiFi 또는 LTE, 5G 등의 이동통신망에서의 실내외 측위를 가능하게 하여 광범위한 모바일 서비스에 응용될 수 있도록 하였다. In order to solve this problem, the positioning device 100 according to an embodiment of the present invention uses a CSI packet, but inputs the amplitude of the reception CSI for each antenna and the phase difference between the antennas in order to improve accuracy in positioning after packet analysis. By applying scalable machine learning based on various views in the form of supervised learning that is used as data, it accurately positions the location effectively despite the distortion caused by the radio characteristics of CSI packets in complex building structures. made it possible For example, when a corridor divided into several zones exists, a communication signal of a Line of Sight (LoS), that is, a single path, may not be received for a specific AP receiver. Therefore, when Non Line of Sight (NLos), that is, multi-path CSI is received, the information does not contain useful information necessary for positioning. In the present invention, information that does not contain such useful information is excluded from machine learning, and positioning performance can be improved by selecting CSI with useful information. In addition, according to the present invention, indoor and outdoor positioning in a mobile communication network such as WiFi, LTE, 5G, etc. is possible, so that it can be applied to a wide range of mobile services.

이하, 본 발명의 일 실시예에 의한 측위장치(100)를 설명한다. Hereinafter, the positioning device 100 according to an embodiment of the present invention will be described.

도2는 본 발명의 일 실시예에 의한 측위장치(100)를 나타내는 블록도이다. 2 is a block diagram showing a positioning device 100 according to an embodiment of the present invention.

도2를 참조하면 본 발명의 일 실시예에 의한 측위장치(100)는, 수신부(110), 데이터처리부(120), 모델생성부(130) 및 측위부(140)를 포함할 수 있다. Referring to FIG. 2 , the positioning device 100 according to an embodiment of the present invention may include a receiving unit 110 , a data processing unit 120 , a model generating unit 130 , and a positioning unit 140 .

수신부(110)는 대상공간 내에 포함된 복수의 노드(N)에서 무선송신장치에 의해 전송된 무선신호를 수신할 수 있다. 수신부(110)는 복수의 무선수신장치(예, AP1 ~ AP7)들을 포함할 수 있으며, 복수의 무선수신장치(예, AP1 ~ AP7)를 통해 입력되는 무선신호들을 각각 입력받을 수 있다. 여기서, 복수의 노드(N)에서 무선송신장치가 기계학습을 위해 발신하는 샘플 무선신호를 학습에 이용할 수 있다. The receiver 110 may receive a radio signal transmitted by a radio transmitter from a plurality of nodes N included in the target space. The receiver 110 may include a plurality of wireless receiving devices (eg, AP1 to AP7), and may receive wireless signals input through the plurality of wireless receiving devices (eg, AP1 to AP7), respectively. Here, a sample wireless signal transmitted by the wireless transmitter from the plurality of nodes (N) for machine learning may be used for learning.

한편, 학습 시, 무선송신장치(미도시)는 각각의 노드(N)에 위치할 수 있으며, 복수의 무선수신장치(예, AP1 ~ AP7)들도 미리 설정된 특정 위치에 고정될 수 있다. 이후, 특정 노드에서 무선송신장치가 샘플 무선신호를 발신하면, 무선수신장치(예, AP1 ~ AP7)는 해당 무선송신장치가 발신하는 샘플 무선신호를 각각 수신하여, 수신부(110)로 제공할 수 있다. 학습 결과가 반영된 사용자 등의 임의의 수신단말에서 측위장치(100)를 구비하여, 임의의 송신단말에서 상기와 같은 무선신호를 발신할 때 해당 위치를 측정하는 측위에 이용될 수 있다. Meanwhile, during learning, a wireless transmitter (not shown) may be located at each node N, and a plurality of wireless receivers (eg, AP1 to AP7) may also be fixed to a preset specific location. Thereafter, when the wireless transmitter transmits a sample wireless signal at a specific node, the wireless receiver (eg, AP1 to AP7) receives the sample wireless signals from the corresponding wireless transmitter, respectively, and provides it to the receiver 110 . have. By having the positioning device 100 in any receiving terminal, such as a user, in which the learning result is reflected, it can be used for positioning for measuring a corresponding position when any transmitting terminal transmits a radio signal as described above.

실시예에 따라서는, 무선송신장치를 각각의 노드(N)로 순차적으로 위치시킨 후 무선신호를 발신할 수 있으며, 수신부(110)는 각각의 노드(N)에서 발신하는 무선신호를, 특정 위치에 고정된 복수의 무선수신장치(예, AP1 ~ AP7)를 통하여 개별적으로 입력받을 수 있다. According to an embodiment, the wireless transmitter may be sequentially positioned to each node (N) and then a wireless signal may be transmitted, and the receiver 110 may transmit a wireless signal transmitted from each node (N) to a specific location. The input may be individually received through a plurality of wireless receiving devices (eg, AP1 to AP7) fixed to the .

여기서, 무선신호에는 CSI 패킷이 포함될 수 있으며, CSI 패킷에는 무선신호에 포함되는 복수의 서브캐리어 중에서, 미리 설정된 인덱스에 대응하는 각각의 서브캐리어의 채널정보들이 포함될 수 있다.Here, the radio signal may include a CSI packet, and the CSI packet may include channel information of each subcarrier corresponding to a preset index among a plurality of subcarriers included in the radio signal.

데이터처리부(120)는 수신한 무선신호를 기계학습에 적용하기 위하여, 수신 무선신호로부터 CSI 데이터셋을 생성할 수 있다. 즉, 데이터처리부(120)는 무선신호의 CSI 패킷에 대한 진폭 및 위상차를 이용하여, 각각의 노드(N)에 대응하는 CSI 패킷의 실수부(Real)와 허수부(Image)를 포함하는 CSI 데이터셋을 생성할 수 있다. 여기서, 안테나가 복수인 경우 각 안테나에서의 진폭과 위상차에 대한 정보를 반영한 CSI 데이터셋을 생성하여 이용할 수 있다. The data processing unit 120 may generate a CSI dataset from the received radio signal in order to apply the received radio signal to machine learning. That is, the data processing unit 120 uses the amplitude and phase difference of the CSI packet of the radio signal, and the CSI data including the real part and the imaginary part of the CSI packet corresponding to each node (N). You can create three. Here, when there are a plurality of antennas, a CSI dataset reflecting information on amplitude and phase difference in each antenna may be generated and used.

모델생성부(130)는 무선송신장치로부터의 수신된 무선 신호에 대하여, 즉, 상기 CSI 데이터셋에 대하여, 지도학습(supervised learning) 기반으로 기계학습하여, 대상공간에 대한 무선측위모델을 생성할 수 있다. 여기서, 무선측위모델을 생성하기 위하여, 먼저 데이터셋들을 신경망, 예를 들어, 부분연결 신경망(Partially Connected Neural Network)으로 연결할 수 있다. 즉, 모델생성부(130)는 신경망에 입력되는 각각의 데이터셋에 대해 가중치(weight)와 성향(bias)을 적용하여 학습함으로써, 무선신호를 송신하는 대상공간 상의 무선송신장치의 임의의 2차원 위치 y={y1, y2}에 대한 추정에 이용될 무선측위모델을 생성한다. 여기서, 수직한 XY 두 좌표축 상의 위치를 나타내기 위한 XY 좌표계에서, y1은 X축 상의 값, y2는 Y축 상의 값이다. The model generator 130 performs machine learning based on supervised learning on the wireless signal received from the wireless transmitter, that is, on the CSI dataset to generate a wireless positioning model for the target space. can Here, in order to generate a radiolocation model, first, datasets may be connected to a neural network, for example, a partially connected neural network. That is, the model generator 130 applies a weight and a bias to each data set input to the neural network and learns, thereby arbitrarily two-dimensional (2D) of the wireless transmitter on the target space for transmitting the wireless signal. A radiolocation model to be used for estimation of position y={y 1 , y 2 } is generated. Here, in the XY coordinate system for indicating positions on two vertical XY coordinate axes, y 1 is a value on the X axis, and y 2 is a value on the Y axis.

모델생성부(130)에서의 학습 후에, 측위부(140)는 생성된 무선측위모델을 이용하여, 대상공간 임의의 위치에서 출력되는 무선송신장치로부터의 무선신호에 대한 위치 좌표를 생성할 수 있다. 즉, 측위부(140)는 무선측위모델을 이용하여, 학습과정과 유사하게, 무선신호를 적용해 그에 대응하는 위치좌표를 측위할 수 있다. After learning in the model generating unit 130, the positioning unit 140 may use the generated radio positioning model to generate position coordinates for a wireless signal from a wireless transmitter output from an arbitrary position in the target space. . That is, the positioning unit 140 may use the wireless positioning model to position the corresponding position coordinates by applying a wireless signal, similar to the learning process.

모델생성부(130)는 상기 무선측위모델의 생성에서, 각 노드(N)의 무선송신장치에 대하여 해당 무선수신장치(어느 노드의 무선송신장치가 발신하는 무선 신호를 수신하는 어느 하나의 무선수신장치)가 일직선 경로 상에 있을 때(uk=1)의 각 뷰 그룹(예, 도 1에서 각 복도(corriddor1,2)의 일직선 경로 상에 있는 무선송신장치와 무선수신장치 그룹들로서, corriddor1의 그룹과 corriddor2의 그룹)의 수신신호(xk)에 대하여, 상기 기계학습을 통해 해당 송신장치의 위치와의 차이가 최소가 되는 측위 위치값(

Figure pat00010
)을 산출하기 위한 상기 무선측위모델을 생성하게 된다. 무선측위모델은, 하기하는 바와 같이, 잠재 위치 매핑을 위한 모델(hk(xk)), 잠재위치 회귀매핑을 위한 모델(gk(xk)), 뷰 그룹 분류의 매핑을 위한 모델(hQ(z)), 출력위치 회귀매핑을 위한 모델(hR(z')) 등을 포함한다. In the generation of the radio positioning model, the model generation unit 130 receives a radio signal from the radio receiving device (a radio transmitting device of any node) for the radio transmitting device of each node (N). When the device) is on a straight path (u k = 1), each view group (eg, in FIG. 1 , the wireless transmitter and wireless receiver groups on the straight path of each corridor (corriddor1,2)), the With respect to the received signal (x k ) of the group and the group of corriddor2), the positioning position value (
Figure pat00010
) to generate the radio positioning model for calculating. The radiolocation model is, as follows, a model for latent location mapping (h k (x k )), a model for latent location regression mapping (g k (x k )), and a model for mapping view group classification ( h Q (z)), a model for regression mapping of the output position (h R (z')), and the like.

이하, 도 3을 참조하여 본 발명의 일 실시예에 따른 모델생성부(130)의 동작을 좀 더 자세히 설명한다. Hereinafter, the operation of the model generator 130 according to an embodiment of the present invention will be described in more detail with reference to FIG. 3 .

도 3은 본 발명의 일 실시예에 따른 모델생성부(130)의 구체적인 블록도이다.3 is a detailed block diagram of the model generator 130 according to an embodiment of the present invention.

도 3을 참조하면, 본 발명의 일 실시예에 따른 모델생성부(130)는, 입력층(310), 각 뷰(view) 그룹(k)의 수신신호들(xk)에 대하여 학습하기 위한 제1신경망(320), 수신신호들(xk)에 대한 뷰를 결정하기 위한 학습과 측위 위치값(

Figure pat00011
)을 결정하기 위한 학습을 수행하는 제2신경망(330), 및 출력층(340)을 포함한다. 여기서, 수신신호들(xk)은 데이터처리부(120)에서 생성하는 CSI 데이터셋에 해당한다. 다만, 이에 한정되지 않으며 OFDM 프리앰플 신호 등 복수의 노드(N)에서 무선송신장치에 의해 전송된 다양한 무선신호의 수신신호들(xk)이 무선측위모델의 생성에 이용될 수 있다. Referring to FIG. 3 , the model generator 130 according to an embodiment of the present invention is configured to learn about the received signals x k of the input layer 310 and each view group k. The first neural network 320 , learning and positioning position value (
Figure pat00011
) includes a second neural network 330 that performs learning to determine, and an output layer 340 . Here, the received signals (x k ) correspond to the CSI data set generated by the data processing unit 120 . However, the present invention is not limited thereto, and reception signals (x k ) of various wireless signals transmitted by the wireless transmitter from a plurality of nodes (N), such as an OFDM preamplifier signal, may be used to generate a wireless positioning model.

입력층(310)은 각 뷰(view) 그룹(k)의 수신신호들(xk), 즉, CSI 데이터셋 x={x1, x2,..., xn}을 수신하여 은닉층인 제1신경망(320)으로 전달한다. 이외에도 입력층(310)은 학습 동안에 해당 노드(N)의 무선송신장치의 2차원 좌표계 상의 위치 y={y1, y2}, 뷰 그룹(k)에 대한 정보적(informative) 경로 여부의 바이너리 값(uk)(예, 정보적(informative)인 경우 '1'의 값, 비정보적(non-informative)인 경우 '0'의 값), 즉, u={u1, u2,..., un}을 제1신경망(320)으로 전달한다. The input layer 310 receives the reception signals (x k ) of each view group (k), that is, the CSI dataset x={x 1 , x 2 ,..., x n } to be a hidden layer. It is transmitted to the first neural network 320 . In addition, the input layer 310 is a binary information of whether the position y={y 1 , y 2 } of the corresponding node N on the two-dimensional coordinate system of the wireless transmitter during learning, and an informative path for the view group k Value (u k ) (eg, a value of '1' if informative, a value of '0' if non-informative), that is, u={u 1 , u 2 , . .., u n } is transmitted to the first neural network 320 .

여기서, 뷰(view) 그룹(k)은 무선수신장치가 무선송신장치를 일직선으로 바라보는 뷰 구역을 그루핑한 구분자이다. 예를 들어, 도 1과 같이, AP1 ~ AP7의 무선송신장치들이 어느 노드(N)의 무선송신장치로부터 무선신호를 수신할 때, 다양한 경로로 무선신호를 수신할 수 있다. 도 1의 예에서 뷰(view) 그룹(k)의 수는 복도(corriddor1,2)의 수=2와 같고, 이때, 일직선 경로 상에 있는 무선송신장치와 무선수신장치 그룹들로서, corriddor1의 그룹(k=1)은 AP1~AP5을 포함하고, corriddor2의 그룹(k=2)은 AP3~AP7을 포함한다. 즉, corriddor1의 그룹(k=1)의 AP1~AP5에서 수신되는 CSI 데이터셋은 x1, corriddor2의 그룹(k=2)의 AP3~AP7에서 수신되는 CSI 데이터셋은 x2와 같이 되고, 각각 다수의 벡터 성분을 가질 수 있다. Here, the view group (k) is a delimiter in which the view area in which the wireless receiving device views the wireless transmitting device in a straight line is grouped. For example, as shown in FIG. 1 , when the wireless transmitters of AP1 to AP7 receive a wireless signal from the wireless transmitter of a certain node (N), they may receive the wireless signal through various paths. In the example of Fig. 1, the number of view groups (k) is equal to the number of corridors (corriddor1,2) = 2, at this time, as the radio transmitter and radio receiver groups on a straight path, the group ( k=1) includes AP1 to AP5, and the group of corriddor2 (k=2) includes AP3 to AP7. That is, the CSI dataset received from AP1 to AP5 of the group of corriddor1 (k=1) is x 1 , and the CSI dataset received from AP3 to AP7 of the group (k=2) of corriddor2 is x 2 , respectively. It can have multiple vector components.

이와 같이, 뷰(view) 그룹(k)을 구분하는 이유는, 정보적(informative)인 CSI, 또는 비정보적(non-informative)인 CSI를 구분하여 학습이 이루어지도록 하기 위함이다. 예를 들어, 도 1에서 무선수신장치 AP1은 corriddor2의 그룹(k=2)에 존재하는 무선송신장치와 일직선 경로 상에 있지 않고, 따라서 수신 신호는 비정보적(non-informative)인 것으로 취급하게 된다. As such, the reason for classifying the view group k is to classify informational CSI or non-informative CSI so that learning is performed. For example, in FIG. 1, the wireless receiving device AP1 is not on a straight path with the wireless transmitting device existing in the group (k=2) of corriddor2, and thus the received signal is treated as non-informative. do.

뷰 그룹(k)에 대한 정보적(informative) 경로 여부의 바이너리 값(uk), 즉, u={u1, u2,..., un}은 이와 같은 정보적(informative)인 CSI에 대한 선별적 학습을 위해 사용된다. 예를 들어, 어느 노드(N)의 무선송신장치에 대하여 해당 무선수신장치(어느 노드의 무선송신장치가 발신하는 무선 신호를 수신하는 어느 하나의 무선수신장치)가 일직선 경로 상에 있을 때, 정보적(informative)인 CSI 수신을 나타내기 위하여 uk=1로 설정된다. 또한, 무선 신호를 수신하는 어느 하나의 무선수신장치가 무선송신장치와 다중 경로 상에 있는 경우, 비정보적(non-informative)인 CSI 수신을 나타내기 위하여 uk=0로 설정된다. 각각의 바이너리 값(uk)은 각 k마다, xk에 대응되는 다수의 벡터 성분을 가질 수 있다. The binary value (u k ) of whether or not the informational path to the view group (k), that is, u={u 1 , u 2 ,..., u n } is such an informative CSI It is used for selective learning about For example, when a corresponding wireless receiving device (a wireless receiving device that receives a radio signal transmitted by a wireless transmitting device of a node) is on a straight path with respect to a wireless transmitting device of a certain node (N), information In order to indicate informative CSI reception, uk =1 is set. In addition, when any one wireless receiving device receiving a wireless signal is on a multipath with the wireless transmitting device, uk = 0 is set to indicate non-informative CSI reception. Each binary value u k may have a plurality of vector components corresponding to x k for each k.

입력층(310)은 각 뷰(view) 그룹(k)의 수신신호들(xk), 즉, CSI 데이터셋 x={x1, x2,..., xn}을 수신하여 은닉층인 제1신경망(320)으로 전달한다. 이외에도 입력층(310)은 학습 동안에 해당 노드(N)의 무선송신장치의 2차원 좌표계 상의 위치 y={y1, y2}, 뷰 그룹(k)에 대한 정보적(informative) 경로 여부의 바이너리 값(uk)(예, 정보적(informative)인 경우 '1'의 값, 비정보적(non-informative)인 경우 '0'의 값), 즉, u={u1, u2,..., un}을 제1신경망(320)으로 전달한다. 학습 후에, 대상공간 임의의 위치에서 출력되는 무선송신장치로부터의 무선신호에 대한 위치 좌표를 생성하기 위한 측위에서는, 바이너리 값(uk) 없이 제1신경망(320) 및 제2신경망(330)의 파라미터들을 적용하여 무선송신장치의 위치 y={y1, y2}에 대한 측위 위치값(

Figure pat00012
)을 산출할 수 있게 된다. The input layer 310 receives the reception signals (x k ) of each view group (k), that is, the CSI dataset x={x 1 , x 2 ,..., x n } to be a hidden layer. It is transmitted to the first neural network 320 . In addition, the input layer 310 is a binary information of whether the position y={y 1 , y 2 } of the corresponding node N on the two-dimensional coordinate system of the wireless transmitter during learning, and an informative path for the view group k Value (u k ) (eg, a value of '1' if informative, a value of '0' if non-informative), that is, u={u 1 , u 2 , . .., u n } is transmitted to the first neural network 320 . After learning, in the positioning for generating the position coordinates for the radio signal from the wireless transmitter outputted at any position in the target space, the first neural network 320 and the second neural network 330 without a binary value (u k ) Positioning position value for position y = {y 1 , y 2 } of the wireless transmitter by applying parameters
Figure pat00012
) can be calculated.

제1신경망(320)은, 각 뷰(view) 그룹(k)의 수신신호들(xk)에 대하여 학습하여 각각의 잠재 위치값(zk)을 산출하는 복수의 잠재위치 신경망(321), 및 각각의 잠재 위치값(zk)에 대하여 학습하여, 해당 무선송신장치의 위치{y1, y2}와의 차이가 최소가 되도록, 각각의 뷰 그룹 방향으로의 잠재회귀 위치값(

Figure pat00013
)을 산출하는 복수의 잠재위치 회귀신경망(322)를 포함한다. The first neural network 320 is a plurality of latent location neural networks 321 for calculating each latent location value (z k ) by learning about the received signals (x k ) of each view group (k), And by learning about each latent position value (z k ), the latent regression position value (
Figure pat00013
) includes a plurality of latent location regression neural networks 322 for calculating.

잠재위치 신경망(321) 각각은, 무선송신장치에 대하여 해당 무선수신장치가 일직선 경로 상에 있을 때(uk=1)의 각 뷰 그룹의 수신신호(xk)에 대하여, 잠재 위치 매핑을 위한 모델(hk(xk))을 생성한다. Each of the latent location neural networks 321, for the received signal (x k ) of each view group when the wireless receiving device is on a straight path with respect to the wireless transmitter (u k = 1), for latent location mapping Create a model h k (x k ).

즉, 잠재위치 신경망(321) 각각은, 상기 일직선 경로 상에 있을 때(uk=1)의 각 뷰 그룹의 수신신호(xk)에 대하여, 잠재 위치 매핑을 위한 모델(hk(xk))을 구성하는 제1가중치(Wk)와 제1성향(bk)을 학습하여, 각각의 잠재 위치값(zk)을 산출한다. 이때, 반복 학습 시마다 제1가중치(Wk)와 제1성향(bk)이 업데이트되고, 회귀 손실, 즉, 해당 송신장치의 위치와의 차이가 최소가 되도록 업데이트된 제1가중치(Wk)와 제1성향(bk) 각 벡터를 포함하는 잠재 위치 매핑을 위한 모델(hk(xk))의 함수가 업데이트되어 측위부(140)로 제공된다. 여기서, 해당 송신장치의 위치와의 차이

Figure pat00014
을 최소화하는 방법으로 Gradient descent based back-propagation(경사하강기반 역전파) 등의 알고리즘을 적용해 모델(hk(xk))의 함수가 업데이트될 수 있다. That is, each of the latent location neural networks 321 is a model (h k (x k ) for latent location mapping with respect to the received signal (x k ) of each view group when on the straight path (u k = 1). ))), the first weight (W k ) and the first propensity (b k ) are learned, and each potential position value (z k ) is calculated. At this time, the first weight (W k ) and the first tendency (b k ) are updated every time iterative learning, and the regression loss, that is, the first weight (W k ) updated so that the difference from the position of the corresponding transmitter is minimized. The function of the model h k (x k ) for latent location mapping including each vector and the first tendency b k is updated and provided to the positioning unit 140 . Here, the difference from the location of the corresponding transmitter
Figure pat00014
As a method of minimizing , the function of the model (h k (x k )) can be updated by applying an algorithm such as gradient descent based back-propagation.

위에서도 기술한 바와 같이, 본 발명에서는 각각의 신경망(321, 322)에서 uk=1 일 경우에만 파라미터들을 업데이트한다. 즉, 정보적인 CSI 에 대해서만 학습한다. 비록 비정보적인 CSI 에 대해서도 모델(hk(xk))로부터의 각각의 잠재 위치값(zk)은 생성되지만, 학습된 모델을 사용하여 이후 테스트 위치(L, 검은점)의 각 뷰 그룹에 대하여 정보적인지 여부를 판단될 수 있다. 각각의 잠재 위치값(zk)은 입력 데이터 xk 벡터의 차원 축소 개념으로도 볼 수 있으며, xk 벡터를 가장 근접하게 표현함과 동시에 잠재위치 신경망(321)을 통해 각 뷰 그룹의 회귀(regression) 결과를 최적화하여 적절한 특징 정보를 포함하게 된다.As described above, in the present invention, parameters are updated only when u k =1 in each of the neural networks 321 and 322 . That is, only informational CSI is learned. Although each latent position value (z k ) from the model (h k (x k )) is generated even for non-informative CSI, each view group of later test positions (L, black dots) is generated using the trained model. It can be determined whether it is informational about the Each latent position value (z k ) can also be viewed as a concept of dimensionality reduction of the input data x k vector. ) to optimize the results to include appropriate feature information.

잠재위치 회귀신경망(322) 각각은, 상기 잠재 위치 매핑을 위한 모델(hk(xk))로부터의 각각의 잠재 위치값(zk)에 대하여, 잠재위치 회귀매핑을 위한 모델(gk(xk))을 생성한다. Each of the latent location regression neural networks 322 is, for each latent location value (z k ) from the model for latent location mapping (h k (x k )), a model for latent location regression mapping (g k ( x k )).

즉, 잠재위치 회귀신경망(322) 각각은, 상기 각각의 잠재 위치값(zk)에 대하여, 잠재위치 회귀매핑을 위한 모델(gk(xk))을 구성하는 제2가중치(Wk')와 제2성향(bk')을 학습하여, 해당 송신장치의 위치와의 차이가 최소가 되도록, 각각의 뷰 그룹 방향으로의 잠재회귀 위치값(

Figure pat00015
)을 산출한다. 이때, 반복 학습 시마다 제2가중치(Wk')와 제2성향(bk')이 업데이트되고, 회귀 손실, 즉, 해당 송신장치의 위치와의 차이가 최소가 되도록 업데이트된 제2가중치(Wk')와 제2성향(bk') 각 벡터를 포함하는 잠재위치 회귀매핑을 위한 모델(gk(xk))의 함수가 업데이트되어 측위부(140)로 제공된다. 여기서, 해당 송신장치의 위치와의 차이
Figure pat00016
을 최소화하는 방법으로 Gradient descent based back-propagation(경사하강기반 역전파) 등의 알고리즘을 적용해 모델(gk(xk))의 함수가 업데이트될 수 있다. That is, each of the latent location regression neural networks 322, for each of the latent location values (z k ), a second weight (W k ') constituting a model (g k (x k )) for latent location regression mapping ) and the second tendency (b k ') so that the difference with the position of the corresponding transmitter is minimized, the latent regression position value (
Figure pat00015
) is calculated. At this time, the second weight (W k ') and the second tendency (b k ') are updated every time iterative learning, and the regression loss, that is, the second weight (W) updated so that the difference from the position of the corresponding transmitter is minimized. The function of the model (g k (x k )) for latent position regression mapping including each vector of k ') and the second tendency (b k ') is updated and provided to the positioning unit 140 . Here, the difference from the location of the corresponding transmitter
Figure pat00016
As a method of minimizing , the function of the model (g k (x k )) can be updated by applying an algorithm such as gradient descent based back-propagation.

제2신경망(330)은, 수신신호들(xk)에 대한 뷰를 결정하기 위한 학습과 측위 위치값(

Figure pat00017
)을 결정하기 위하여, 각각의 잠재 위치값(zk)을 합산한 잠재위치 합산위치값(z)에 대하여 학습하여, 뷰 분류값(
Figure pat00018
)(측위 위치가 k번째 뷰 그룹에 속할 확률)을 산출하는 뷰 분류 신경망(331), 및 뷰 분류값(
Figure pat00019
)을 상기 각각의 잠재 위치값(zk)과 element-wise multiplication(동일위치원소곱셈) 연산한 값들을 합산한 뷰반영 합산위치값(z')에 대하여 학습하여 당 송신장치의 위치와의 차이가 최소가 되는 측위 위치값(
Figure pat00020
)을 산출하는 출력위치 회귀신경망(332)을 포함한다. The second neural network 330 is a learning and positioning position value (
Figure pat00017
) to determine the view classification value (
Figure pat00018
) (the probability that the positioning position belongs to the k-th view group), a view classification neural network 331, and a view classification value (
Figure pat00019
) of each latent position value (z k ) and element-wise multiplication (same-position element multiplication) calculated values are learned about the view-reflected sum position value (z'), and the difference from the position of the transmitter Positioning position value at which is the minimum (
Figure pat00020
) includes an output position regression neural network 332 that calculates.

뷰 분류 신경망(331)은, 상기 잠재 위치 매핑을 위한 모델(hk(xk))로부터의 각각의 잠재 위치값(zk)을 합산한 잠재위치 합산 위치값(z)에 대하여, 뷰 그룹 분류의 매핑을 위한 모델(hQ(z))을 생성한다.The view classification neural network 331, for the latent position summation position value (z) by summing each latent position value (z k ) from the latent position mapping model (h k (x k )), the view group Create a model (h Q (z)) for the mapping of classifications.

즉, 뷰 분류 신경망(331)은, 상기 각각의 잠재 위치값(zk)을 합산한 잠재위치 합산위치값(z)에 대하여, 뷰 그룹 분류의 매핑을 위한 모델(hQ(z))을 구성하는 제3가중치(WQ)와 제3성향(bQ)을 학습하여, 뷰 분류값(

Figure pat00021
)(측위 위치가 k번째 뷰 그룹에 속할 확률)을 산출한다. 이때, 반복 학습 시마다 제3가중치(WQ)와 제3성향(bQ)이 업데이트되고, 회귀 손실, 즉 해당 송신장치의 위치와의 차이가 최소가 되도록 업데이트된 제3가중치(WQ)와 제3성향(bQ) 각 벡터를 포함하는 뷰 그룹 분류의 매핑을 위한 모델(hQ(z))의 함수가 업데이트되어 측위부(140)로 제공된다. That is, the view classification neural network 331 generates a model (h Q (z)) for the view group classification mapping with respect to the summed latent position value (z) obtained by summing each of the latent position values (z k ). By learning the third weight (W Q ) and the third propensity (b Q ), the view classification value (
Figure pat00021
) (probability that the positioning position belongs to the k-th view group) is calculated. At this time, the third weight (W Q ) and the third propensity (b Q ) are updated every time iterative learning, and the regression loss, that is, the third weight (W Q ) and The function of the model (h Q (z)) for the mapping of the view group classification including each vector of the third tendency (b Q ) is updated and provided to the positioning unit 140 .

출력위치 회귀신경망(332)은, 상기 뷰 그룹 분류의 매핑을 위한 모델(hQ(z))로부터의 뷰 분류값(

Figure pat00022
)과 상기 각각의 잠재 위치값(zk)을 element-wise multiplication(동일위치원소곱셈)(k가 같은 값끼리 곱셈) 연산한 값들을 합산한 뷰반영 합산위치값(z')에 대하여, 출력위치 회귀매핑을 위한 모델(hR(z'))을 생성한다. The output position regression neural network 332 is a view classification value (
Figure pat00022
) and each latent position value (z k ) for element-wise multiplication (multiplication of values with the same k) for the calculated values for the view-reflected sum position value (z'), output Create a model (h R (z')) for position regression mapping.

즉, 출력위치 회귀신경망(332)은, 상기 뷰 분류값(

Figure pat00023
)을 상기 각각의 잠재 위치값(zk)과
Figure pat00024
(
Figure pat00025
는, element-wise multiplication, 동일위치원소곱셈) 연산한 값들을 합산한 뷰반영 합산위치값(z')에 대하여, 출력위치 회귀매핑을 위한 모델(hR(z'))를 구성하는 제4가중치(WR)와 제4성향(bR)을 학습하여, 송신장치에 대하여 해당 수신장치의 뷰 그룹에 대한 정보적 경로 여부의 실제 바이너리 값(u) 및 상기 뷰 분류값(
Figure pat00026
)의 차이가 최소가 되고, 상기 각각의 뷰 그룹 방향으로의 잠재회귀 위치값(
Figure pat00027
)을 기초로 해당 송신장치의 위치와의 차이가 최소가 되는, 측위 위치값(
Figure pat00028
)을 산출한다. 이때, 반복 학습 시마다 제4가중치(WR)와 제4성향(bR)이 업데이트되고, 회귀 손실, 즉, 해당 송신장치의 위치와의 차이가 최소가 되도록 업데이트된 제4가중치(WR)와 제4성향(bR)각 벡터를 포함하는 출력위치 회귀매핑을 위한 모델(hR(z'))의 함수가 업데이트되어 측위부(140)로 제공된다. That is, the output position regression neural network 332 is the view classification value (
Figure pat00023
) to each of the potential position values (z k ) and
Figure pat00024
(
Figure pat00025
is the fourth constituting the model (h R (z')) for the output position regression mapping with respect to the view-reflected sum position value (z') that sums the values calculated by element-wise multiplication, same-position element multiplication By learning the weight (W R ) and the fourth tendency (b R ), the actual binary value (u) and the view classification value (
Figure pat00026
) becomes the minimum, and the latent regression position value (
Figure pat00027
) based on the positioning position value (
Figure pat00028
) is calculated. At this time, the fourth weight (W R ) and the fourth propensity (b R ) are updated every time iterative learning, and the regression loss, that is, the fourth weight (W R ) updated so that the difference from the position of the corresponding transmitter is minimized. The function of the model (h R (z')) for output position regression mapping including each vector and the fourth tendency (b R ) is updated and provided to the positioning unit 140 .

결국, 뷰 분류 신경망(331)을 통해 실제 바이너리 값(u) 및 상기 뷰 분류값(

Figure pat00029
)의 차이, 즉, 회귀 손실
Figure pat00030
이 최소화되고, 출력위치 회귀신경망(332)을 통해 해당 송신장치의 위치와의 차이, 즉, 회귀 손실
Figure pat00031
이 최소화되도록, Gradient descent based back-propagation(경사하강기반 역전파) 등의 알고리즘을 적용해 모델(hR(z'))의 함수가 업데이트될 수 있다. 즉, 제2신경망(330)의 전체적인 회귀 손실
Figure pat00032
가 최소화된다. Eventually, the actual binary value (u) and the view classification value (
Figure pat00029
), i.e. the regression loss
Figure pat00030
is minimized, and the difference with the position of the corresponding transmitter through the output position regression neural network 332, that is, the regression loss
Figure pat00031
To minimize this, the function of the model h R (z') may be updated by applying an algorithm such as gradient descent based back-propagation. That is, the overall regression loss of the second neural network 330 .
Figure pat00032
is minimized

출력층(340)은, 출력위치 회귀신경망(332)으로부터 측위 위치값(

Figure pat00033
)을 전달받아, 사용자에게 가시적인 정보를 제공한다. 출력층(340)은, 무선송신장치의 위치 y={y1, y2}, 측위 위치값(
Figure pat00034
) 이외에도 수신신호들(xk), 바이너리 값(uk) 등을 제공할수 있다. The output layer 340 is a positioning position value (
Figure pat00033
) to provide visible information to the user. The output layer 340 is, the position y = {y 1 , y 2 } of the wireless transmitter, the positioning position value (
Figure pat00034
), receive signals (x k ), binary values (u k ), etc. may be provided.

이와 같이 기계 학습을 통하여, 모델생성부(130)은 잠재 위치 매핑을 위한 모델(hk(xk)), 잠재위치 회귀매핑을 위한 모델(gk(xk)), 뷰 그룹 분류의 매핑을 위한 모델(hQ(z)), 출력위치 회귀매핑을 위한 모델(hR(z')) 등을 포함하는 무선측위모델을 생성한다.As described above, through machine learning, the model generator 130 performs mapping of a model for latent location mapping (h k (x k )), a model for latent location regression mapping (g k (x k )), and view group classification. A radio positioning model including a model for (h Q (z)) and a model for output position regression mapping (h R (z')) is generated.

모델생성부(130)에서의 학습 후에, 측위부(140)는 생성된 무선측위모델을 이용하여, 대상공간 임의의 위치에서 출력되는 무선송신장치로부터의 무선신호에 대한 위치 좌표를 생성할 수 있다. 즉, 측위부(140)는 무선측위모델을 이용하여, 학습과정과 유사하게, 무선신호를 적용해 그에 대응하는 위치좌표를 측위할 수 있다. After learning in the model generating unit 130, the positioning unit 140 may use the generated radio positioning model to generate position coordinates for a wireless signal from a wireless transmitter output from an arbitrary position in the target space. . That is, the positioning unit 140 may use the wireless positioning model to position the corresponding position coordinates by applying a wireless signal, similar to the learning process.

도 4는 본 발명의 일 실시예에 따른 측위 장치(100)의 구현 방법의 일례를 설명하기 위한 도면이다.4 is a view for explaining an example of an implementation method of the positioning device 100 according to an embodiment of the present invention.

본 발명의 일 실시예에 따른 측위 장치(100)는, 하드웨어, 소프트웨어, 또는 이들의 결합으로 이루어질 수 있다. 예를 들어, 본 발명의 측위 장치(100)는 위와 같은 기능/단계/과정들을 수행하기 위한 적어도 하나의 프로세서를 갖는 도 4와 같은 컴퓨팅 시스템(1000) 또는 인터넷 상의 서버 형태로 구현될 수 있다. The positioning device 100 according to an embodiment of the present invention may be formed of hardware, software, or a combination thereof. For example, the positioning device 100 of the present invention may be implemented in the form of a computing system 1000 as shown in FIG. 4 having at least one processor for performing the above functions/steps/processes or a server on the Internet.

컴퓨팅 시스템(1000)은 버스(1200)를 통해 연결되는 적어도 하나의 프로세서(1100), 메모리(1300), 사용자 인터페이스 입력 장치(1400), 사용자 인터페이스 출력 장치(1500), 스토리지(1600), 및 네트워크 인터페이스(1700)를 포함할 수 있다. 프로세서(1100)는 중앙 처리 장치(CPU) 또는 메모리(1300) 및/또는 스토리지(1600)에 저장된 명령어들에 대한 처리를 실행하는 반도체 장치일 수 있다. 메모리(1300) 및 스토리지(1600)는 다양한 종류의 휘발성 또는 불휘발성 저장 매체를 포함할 수 있다. 예를 들어, 메모리(1300)는 ROM(Read Only Memory)(1310) 및 RAM(Random Access Memory)(1320)을 포함할 수 있다. The computing system 1000 includes at least one processor 1100 , a memory 1300 , a user interface input device 1400 , a user interface output device 1500 , a storage 1600 connected through a bus 1200 , and a network An interface 1700 may be included. The processor 1100 may be a central processing unit (CPU) or a semiconductor device that processes instructions stored in the memory 1300 and/or the storage 1600 . The memory 1300 and the storage 1600 may include various types of volatile or nonvolatile storage media. For example, the memory 1300 may include a read only memory (ROM) 1310 and a random access memory (RAM) 1320 .

따라서, 본 명세서에 개시된 실시예들과 관련하여 설명된 방법 또는 알고리즘의 단계는 프로세서(1100)에 의해 실행되는 하드웨어, 소프트웨어 모듈, 또는 그 2 개의 결합으로 직접 구현될 수 있다. 소프트웨어 모듈은 RAM 메모리, 플래시 메모리, ROM 메모리, EPROM 메모리, EEPROM 메모리, 레지스터, 하드 디스크, 착탈형 디스크, CD-ROM과 같이 컴퓨터 등 장치로 판독 가능한 저장/기록 매체(즉, 메모리(1300) 및/또는 스토리지(1600))에 상주할 수도 있다. 예시적인 저장 매체는 프로세서(1100)에 커플링되며, 그 프로세서(1100)는 저장 매체로부터 정보(코드)를 판독할 수 있고 저장 매체에 정보(코드)를 기입할 수 있다. 다른 방법으로, 저장 매체는 프로세서(1100)와 일체형일 수도 있다. 프로세서 및 저장 매체는 주문형 집적회로(ASIC) 내에 상주할 수도 있다. ASIC는 사용자 단말기 내에 상주할 수도 있다. 다른 방법으로, 프로세서 및 저장 매체는 사용자 단말기 내에 개별 컴포넌트로서 상주할 수도 있다.Accordingly, steps of a method or algorithm described in connection with the embodiments disclosed herein may be directly implemented in hardware, a software module executed by the processor 1100 , or a combination of the two. A software module may be a storage/recording medium (i.e., memory 1300 and/or memory 1300) readable by a device, such as a computer, such as RAM memory, flash memory, ROM memory, EPROM memory, EEPROM memory, registers, hard disk, removable disk, or CD-ROM. Alternatively, it may reside in storage 1600 . An exemplary storage medium is coupled to the processor 1100 , the processor 1100 capable of reading information (code) from, and writing information (code) to, the storage medium. Alternatively, the storage medium may be integrated with the processor 1100 . The processor and storage medium may reside within an application specific integrated circuit (ASIC). The ASIC may reside within the user terminal. Alternatively, the processor and storage medium may reside as separate components within the user terminal.

상술한 바와 같이, 본 발명에 따른 측위장치(100)는, CSI(Channel State Information) 패킷을 이용하되, 패킷 분석 이후에 측위 시 정확도 향상을 위해, , CSI 데이터에 지도학습 형태의 다양한 뷰(view) 기반의 확장성있는 기계학습을 적용함으로써, 복잡한 건물 구조에서 CSI 패킷의 무선 특성에 의한 왜곡현상에도 불구하고 효과적으로 위치를 정확하게 측위할 수 있다. 또한, 본 발명에 따른 측위장치(100)는, WiFi 또는 이동통신망에서의 실내외 측위를 가능하게 하여 광범위한 모바일 서비스에 효과적으로 응용될 수 있다. As described above, the positioning device 100 according to the present invention uses a CSI (Channel State Information) packet, but in order to improve accuracy in positioning after packet analysis, various views in the form of supervised learning on CSI data )-based scalable machine learning, it is possible to accurately position a location effectively in a complex building structure despite the distortion caused by the radio characteristics of the CSI packet. In addition, the positioning device 100 according to the present invention can be effectively applied to a wide range of mobile services by enabling indoor and outdoor positioning in WiFi or a mobile communication network.

이상과 같이 본 발명에서는 구체적인 구성 요소 등과 같은 특정 사항들과 한정된 실시예 및 도면에 의해 설명되었으나 이는 본 발명의 보다 전반적인 이해를 돕기 위해서 제공된 것일 뿐, 본 발명은 상기의 실시예에 한정되는 것은 아니며, 본 발명이 속하는 분야에서 통상적인 지식을 가진 자라면 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다. 따라서, 본 발명의 사상은 설명된 실시예에 국한되어 정해져서는 아니 되며, 후술하는 특허청구범위뿐 아니라 이 특허청구범위와 균등하거나 등가적 변형이 있는 모든 기술 사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.As described above, in the present invention, specific matters such as specific components, etc., and limited embodiments and drawings have been described, but these are only provided to help a more general understanding of the present invention, and the present invention is not limited to the above embodiments. , various modifications and variations will be possible without departing from the essential characteristics of the present invention by those of ordinary skill in the art to which the present invention pertains. Therefore, the spirit of the present invention should not be limited to the described embodiments, and all technical ideas with equivalent or equivalent modifications to the claims as well as the claims to be described later are included in the scope of the present invention. should be interpreted as

입력층(310)
제1신경망(320)
잠재위치 신경망(321)
잠재위치 회귀신경망(322)
제2신경망(330)
뷰 분류 신경망(331)
출력위치 회귀신경망(332)
출력층(340) input layer 310
first neural network (320)
Latent Neural Network (321)
Latent Regression Neural Network (322)
Second neural network (330)
View Classification Neural Network(331)
Output Position Regression Neural Network (332)
output layer 340

Claims (11)

송신장치로부터 복수의 수신장치가 수신하는 무선신호를 이용하는 측위 방법에 있어서,
복수의 수신장치가 수신하는 무선신호를 기계학습하여 무선측위모델을 생성하는 단계; 및
상기 무선측위모델을 이용하여, 상기 학습 후에 송신장치로부터의 무선신호에 대한 해당 위치 좌표를 생성하는 단계를 포함하고,
상기 무선측위모델의 생성에서, 송신장치에 대하여 해당 수신장치가 일직선 경로 상에 있을 때(uk=1)의 각 뷰 그룹의 수신신호(xk)에 대하여, 상기 기계학습을 통해 해당 송신장치의 위치와의 차이가 최소가 되는 측위 위치값(
Figure pat00035
)을 산출하기 위한 상기 무선측위모델을 생성하는 측위 방법.A positioning method using radio signals received by a plurality of receiving devices from a transmitting device, the positioning method comprising:
generating a radio positioning model by machine learning a radio signal received by a plurality of receiving devices; and
Using the radio positioning model, comprising the step of generating the corresponding position coordinates for the radio signal from the transmitting device after the learning,
In the generation of the radio positioning model, with respect to the received signal (x k ) of each view group when the corresponding receiving device is on a straight path with respect to the transmitting device (u k = 1), the corresponding transmitting device through the machine learning Positioning position value at which the difference from the position of
Figure pat00035
) a positioning method for generating the radio positioning model for calculating. 제1항에 있어서,
상기 복수의 수신장치가 수신하는 무선신호는, CSI(Channel State information) 패킷을 포함하고, 상기 무선측위모델을 생성하는 측위 장치가 상기 CSI 패킷에 대하여 생성하는 CSI 데이터셋을 이용하여 상기 무선측위모델을 생성하는 측위 방법.According to claim 1,
The radio signals received by the plurality of receiving devices include a CSI (Channel State information) packet, and the radio positioning model using a CSI dataset generated by the positioning device generating the radio positioning model with respect to the CSI packet. A positioning method to create 제2항에 있어서,
상기 CSI 패킷은, 상기 무선신호에 포함되는 복수의 서브캐리어(subcarrier) 중에서, 미리 설정된 인덱스(index)에 대응하는 각각의 서브캐리어에 대한 채널정보를 포함하는 측위 방법.3. The method of claim 2,
The CSI packet includes channel information for each subcarrier corresponding to a preset index among a plurality of subcarriers included in the radio signal. 제3항에 있어서,
상기 CSI 데이터셋은, 상기 CSI 패킷에 대한 상기 복수의 수신장치의 안테나들에서의 진폭과 위상차에 대한 정보를 포함하는 측위 방법.4. The method of claim 3,
The CSI data set includes information on amplitude and phase difference in the antennas of the plurality of receivers for the CSI packet. 제1항에 있어서,
상기 무선측위모델을 생성하는 단계는,
(A) 상기 일직선 경로 상에 있을 때(uk=1)의 각 뷰 그룹의 수신신호(xk)에 대하여, 잠재 위치 매핑을 위한 모델(hk(xk))을 생성하는 단계;
(B) 상기 잠재 위치 매핑을 위한 모델(hk(xk))로부터의 각각의 잠재 위치값(zk)에 대하여, 잠재위치 회귀매핑을 위한 모델(gk(xk))을 생성하는 단계;
(C) 상기 잠재 위치 매핑을 위한 모델(hk(xk))로부터의 각각의 잠재 위치값(zk)을 합산한 잠재위치 합산위치값(z)에 대하여, 뷰 그룹 분류의 매핑을 위한 모델(hQ(z))을 생성하는 단계; 및
(D) 상기 뷰 그룹 분류의 매핑을 위한 모델(hQ(z))로부터의 뷰 분류값(
Figure pat00036
)과 상기 각각의 잠재 위치값(zk)을 element-wise multiplication(동일위치원소곱셈) 연산한 값들을 합산한 뷰반영 합산위치값(z')에 대하여, 출력위치 회귀매핑을 위한 모델(hR(z'))을 생성하는 단계
를 포함하는 측위 방법.According to claim 1,
The step of generating the radio positioning model comprises:
(A) generating a model (h k (x k )) for latent location mapping with respect to the received signal (x k ) of each view group when on the straight path (u k = 1);
(B) For each latent position value (z k ) from the model for latent position mapping (h k (x k )), generating a model (g k (x k )) for latent position regression mapping step;
(C) For the latent location summation location value (z) by summing each potential location value (z k ) from the latent location mapping model (h k (x k )), for mapping of view group classification generating a model h Q (z); and
(D) the view classification value from the model (h Q (z)) for the mapping of the view group classification
Figure pat00036
) and each latent position value (z k ), a model for output position regression mapping (h Step to generate R (z'))
A positioning method comprising a. 제5항에 있어서,
(A) 단계는, 각각의 잠재위치 신경망에서, 잠재 위치 매핑을 위한 모델(hk(xk))을 구성하는 제1가중치(Wk)와 제1성향(bk)을 학습하여, 상기 각각의 잠재 위치값(zk)을 산출하는, 측위 방법.6. The method of claim 5,
Step (A) is, in each latent location neural network, learning the first weight (W k ) and the first tendency (b k ) constituting the model (h k (x k )) for latent location mapping, A positioning method for calculating each potential position value (z k ). 제5항에 있어서,
(B) 단계는, 각각의 잠재위치 회귀신경망에서, 상기 잠재위치 회귀매핑을 위한 모델(gk(xk))을 구성하는 제2가중치(Wk')와 제2성향(bk')을 학습하여, 해당 송신장치의 위치와의 차이가 최소가 되도록, 상기 각각의 뷰 그룹 방향으로의 잠재회귀 위치값(
Figure pat00037
)을 산출하는, 측위 방법.6. The method of claim 5,
In step (B), in each latent position regression neural network, the second weight (W k ') and the second tendency (b k ') constituting the model (g k (x k )) for the latent position regression mapping By learning , the latent regression position value in the direction of each view group (
Figure pat00037
), the positioning method. 제5항에 있어서,
(C) 단계는, 뷰 분류 신경망에서, 상기 뷰 그룹 분류의 매핑을 위한 모델(hQ(z))을 구성하는 제3가중치(WQ)와 제3성향(bQ)을 학습하여, 송신장치에 대하여 해당 수신장치의 뷰 그룹에 대한 정보적 경로 여부의 실제 바이너리 값(u) 및 상기 뷰 분류값(
Figure pat00038
)의 차이가 최소가 되도록, 상기 뷰 분류값(
Figure pat00039
)을 산출하는, 측위 방법.6. The method of claim 5,
Step (C) is, in the view classification neural network, learning the third weight (W Q ) and the third propensity (b Q ) constituting the model (h Q (z)) for the mapping of the view group classification, and transmitting With respect to the device, the actual binary value (u) and the view classification value (
Figure pat00038
) so that the difference of the view classification value (
Figure pat00039
), the positioning method. 제8항에 있어서,
상기 뷰 분류값(
Figure pat00040
)은 상기 측위 방법에 의한 측위 위치가 k번째 뷰 그룹에 속할 확률인, 측위 방법.9. The method of claim 8,
The view classification value (
Figure pat00040
) is the probability that the positioning position by the positioning method belongs to the k-th view group, the positioning method. 제5항에 있어서,
(D) 단계는, 출력위치 회귀신경망에서, 상기 출력위치 회귀매핑을 위한 모델(hR(z'))를 구성하는 제4가중치(WR)와 제4성향(bR)을 학습하여, 상기 잠재위치 회귀매핑을 위한 모델(gk(xk))로부터의 각각의 뷰 그룹 방향으로의 잠재회귀 위치값(
Figure pat00041
)을 기초로 해당 송신장치의 위치와의 차이가 최소가 되도록, 상기 측위 위치값(
Figure pat00042
)을 산출하는, 측위 방법.6. The method of claim 5,
Step (D), in the output position regression neural network, by learning the fourth weight (W R ) and the fourth tendency (b R ) constituting the model (h R (z')) for the output position regression mapping, The latent regression position value (g k (x k )) in the direction of each view group from the latent position regression mapping model (g k (x k ))
Figure pat00041
) based on the positioning position value (
Figure pat00042
), the positioning method. 송신장치로부터 복수의 수신장치가 수신하는 무선신호를 이용하는 측위 장치에 있어서,
복수의 수신장치가 수신하는 무선신호에 대하여, 기계학습하여 무선측위모델을 생성하는 모델 생성부; 및
상기 무선측위모델을 이용하여, 상기 학습 후에 송신장치로부터의 무선신호에 대한 해당 위치 좌표를 생성하는 측위부를 포함하고,
상기 모델 생성부는, 송신장치에 대하여 해당 수신장치가 일직선 경로 상에 있을 때(uk=1)의 각 뷰 그룹의 수신신호(xk)에 대하여, 상기 기계학습을 통해 해당 송신장치의 위치와의 차이가 최소가 되는 측위 위치값(
Figure pat00043
)을 산출하기 위한 상기 무선측위모델을 생성하는 측위 장치.In a positioning device using a radio signal received by a plurality of receiving devices from a transmitting device,
a model generator for generating a radio positioning model by machine learning on a radio signal received by a plurality of receiving devices; and
Using the radio positioning model, comprising a positioning unit that generates the corresponding position coordinates for the radio signal from the transmitter after the learning,
The model generator, with respect to the received signal (x k ) of each view group when the corresponding receiving device is on a straight path with respect to the transmitting device (u k = 1), the position of the corresponding transmitting device through the machine learning Positioning position value where the difference of
Figure pat00043
) a positioning device for generating the radio positioning model for calculating.
KR1020200093208A 2020-07-27 2020-07-27 Method and Apparatus for Effectively Positioning in Complex Building Structures KR102395858B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200093208A KR102395858B1 (en) 2020-07-27 2020-07-27 Method and Apparatus for Effectively Positioning in Complex Building Structures

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200093208A KR102395858B1 (en) 2020-07-27 2020-07-27 Method and Apparatus for Effectively Positioning in Complex Building Structures

Publications (2)

Publication Number Publication Date
KR20220013798A true KR20220013798A (en) 2022-02-04
KR102395858B1 KR102395858B1 (en) 2022-05-10

Family

ID=80268120

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200093208A KR102395858B1 (en) 2020-07-27 2020-07-27 Method and Apparatus for Effectively Positioning in Complex Building Structures

Country Status (1)

Country Link
KR (1) KR102395858B1 (en)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101945320B1 (en) * 2017-11-23 2019-02-08 가천대학교 산학협력단 Method and computer device for providing indoor wireless locaiton service based on machine learning, and computer readable recording medium
KR101974002B1 (en) * 2018-11-14 2019-04-30 국방과학연구소 Method of positioning mobile device with seamless, high precision scheme
KR20200012837A (en) * 2017-03-28 2020-02-05 오토매톤, 인크. Location tracking method and location tracking device of RFID tag

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200012837A (en) * 2017-03-28 2020-02-05 오토매톤, 인크. Location tracking method and location tracking device of RFID tag
KR101945320B1 (en) * 2017-11-23 2019-02-08 가천대학교 산학협력단 Method and computer device for providing indoor wireless locaiton service based on machine learning, and computer readable recording medium
KR101974002B1 (en) * 2018-11-14 2019-04-30 국방과학연구소 Method of positioning mobile device with seamless, high precision scheme

Also Published As

Publication number Publication date
KR102395858B1 (en) 2022-05-10

Similar Documents

Publication Publication Date Title
CN110022523B (en) Method, device and system for positioning terminal equipment
Fang et al. A novel algorithm for multipath fingerprinting in indoor WLAN environments
Wang et al. CSI-based fingerprinting for indoor localization: A deep learning approach
Wu et al. CSI-based indoor localization
Zhang et al. A novel CSI-based fingerprinting for localization with a single AP
US11467248B2 (en) Position estimation device and communication device
US9164164B2 (en) Indoor localization method and system
Zhang et al. Toward reliable non-line-of-sight localization using multipath reflections
Cai et al. Self-deployable indoor localization with acoustic-enabled IoT devices exploiting participatory sensing
Zhan et al. Deepmtl pro: Deep learning based multiple transmitter localization and power estimation
Aditya et al. Localization of multiple targets with identical radar signatures in multipath environments with correlated blocking
Li et al. Configurable multipath-assisted indoor localization using active relay
Al-Qaisi et al. Quantized lower bounds on grid-based localization algorithm for wireless sensor networks
KR102293205B1 (en) Apparatus and method for indoor positioning
Tian et al. MIMO CSI-based super-resolution AoA estimation for Wi-Fi indoor localization
KR102395858B1 (en) Method and Apparatus for Effectively Positioning in Complex Building Structures
Sundar et al. WALE: A weighted adaptive location estimation algorithm
Gao Channel state information fingerprinting based indoor localization: a deep learning approach
Zhou et al. Simultaneous localization and channel estimation for 5G mmWave MIMO communications
Gui et al. Performance analysis of indoor localization based on channel state information ranging model
Lu et al. A survey for cloud data security
Tian et al. SAPIL: single access point based indoor localisation using Wi‐Fi L‐shaped antenna array
Wang et al. Joint parameter estimation employing coherent passive MIMO radar
Berruet et al. E-loc: Enhanced csi fingerprinting localization for massive machine-type communications in wi-fi ambient connectivity
Wang et al. Ranging and fingerprinting‐based indoor Wi‐Fi localisation using channel state information

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant