KR20220077233A - 클러스터 기반의 실내 위치 측정 장치 및 방법 - Google Patents

클러스터 기반의 실내 위치 측정 장치 및 방법 Download PDF

Info

Publication number
KR20220077233A
KR20220077233A KR1020200165049A KR20200165049A KR20220077233A KR 20220077233 A KR20220077233 A KR 20220077233A KR 1020200165049 A KR1020200165049 A KR 1020200165049A KR 20200165049 A KR20200165049 A KR 20200165049A KR 20220077233 A KR20220077233 A KR 20220077233A
Authority
KR
South Korea
Prior art keywords
clustering
clusters
file
reference file
files
Prior art date
Application number
KR1020200165049A
Other languages
English (en)
Other versions
KR102483251B1 (ko
Inventor
황승훈
샤란 신하 라쉬미
Original Assignee
동국대학교 산학협력단
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 동국대학교 산학협력단 filed Critical 동국대학교 산학협력단
Priority to KR1020200165049A priority Critical patent/KR102483251B1/ko
Publication of KR20220077233A publication Critical patent/KR20220077233A/ko
Application granted granted Critical
Publication of KR102483251B1 publication Critical patent/KR102483251B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
    • G01S5/02—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves
    • G01S5/0252—Radio frequency fingerprinting
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S11/00—Systems for determining distance or velocity not using reflection or reradiation
    • G01S11/02—Systems for determining distance or velocity not using reflection or reradiation using radio waves
    • G01S11/06—Systems for determining distance or velocity not using reflection or reradiation using radio waves using intensity measurements
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W64/00—Locating users or terminals or network equipment for network management purposes, e.g. mobility management
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Signal Processing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Mathematical Physics (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Position Fixing By Use Of Radio Waves (AREA)

Abstract

클러스터 기반의 실내 위치 측정 장치 및 방법이 개시된다. 복수의 액세스 포인트(AP; Access Point)가 설치된 대상 공간 내의 복수의 참조 지점(reference point) 별로, 상기 복수의 AP의 수신 신호 세기(RSSI; Received Signal Strength Indicator) 값을 포함하는 복수의 참조 파일을 획득하고, 상기 복수의 참조 파일 전체를 임의의 K개의 참조 파일을 포함하는 복수의 클러스터로 클러스터링하고, 상기 복수의 클러스터 각각의 RSSI의 평균 신호 강도를 계산하고, 상기 RSSI의 평균 신호 강도에 기초하여 거리 측정을 계산하기 위한 예측 파일을 상기 복수의 클러스터 각각에 할당하고, 상기 거리에 기초하여 상기 K 값을 갱신하되, 상기 예측 파일은 상기 복수의 클러스터 각각으로부터의 최소 거리를 기준으로 할당되는, 실내 위치 측정을 위한 클러스터링을 포함한다.

Description

클러스터 기반의 실내 위치 측정 장치 및 방법{APPARATUS AND METHOD FOR INDOOR POSITIONING BASED ON CLUSTERING}
본 발명의 실시예들은 실내 위치 측정 기술에 관한 것으로서, 더욱 상세하게는 클러스터를 이용한 실내 위치 측정 기술에 관한 것이다.
사물 인터넷(Internet of Things, IoT)은 다양한 분야에 적용될 수 있는 새로운 애플리케이션이다. IoT는 무선통신으로 사용할 수 있는 저가의 저전력 장치를 기반으로 물리적 개체의 주소를 지정하고 통신할 수 있도록 한다. 이에 따라, 많은 빅 데이터 처리 기술이 IoT에 널리 사용되고 있으며, IoT의 성장과 함께 실내 위치 측정과 관련되 기술에 많은 연구가 진행되고 있다.
한편, 실내 위치 측정 기술은 대형 백화점, 병원, 사무실 건물과 같은 다양한 상황에서 위치 기반 서비스(Location Based Service, LBS)와 같은 편의를 제공한다. GPS(Global Positioning System) 정보를 이용할 수 없는 밀폐된 실내에서의 위치를 파악하기 위해, 전파 신호, 그 중에서도 와이파이(Wi-Fi) 신호를 이용하는 방법이 널리 사용되고 있다.
이러한 방법 중 가장 보편적인 것이 복수의 참조 지점(RP, Reference Point)에서 복수의 중계점(AP, Access Point)에서 송신되는 신호 세기 데이터(RSSI, Received Signal Strength Indication)를 측정하여 각 참조점마다의 핑거프린트 맵(fingerprint map)을 제작하고, 이후 RSSI 측정 시 이를 기 제작된 핑거프린트 맵 상의 RSSI와 비교함으로써 현재 RSSI를 측정한 위치를 추정하는 것이다.
이 때, 온라인 단계에서 알 수 없는 위치에 있는 모바일 스테이션(Mobile Station, MS)은 주변 AP에서 원격 서버로 RSSI 값을 즉시 보고하고, 서버는 패턴 매칭 알고리즘을 사용하여 MS의 현재 위치를 추정한다.
현재 위치를 추정를 하기 위해 사용자 측에서 사용할 수 있는 정보는 RP, MAC 주소 및 AP 각각의 관련 신호 강도 등에 과한 정보뿐이므로, 각각의 정보들 사이의 관련성을 사용자가 정의 할 수 없는 문제가 있고, 위치를 추정하기 위해 일반적으로 사용되는 패턴 알고리즘은 KNN사용되나, 종래의 KNN 또는 그 변형 알고리즘은 동일한 RSSI 차이가 동일한 기하학적 거리를 설명한다는 가정에서 시작되어, 복잡한 실내 환경에서 서로 다른 기하학적 거리로 인해 발생으로 인해 위치 추정의 정확도가 급감한다는 문제점이 있다.
대한민국 공개특허공보 제10-0994840호 (2019.07.12. 공개)
본 발명의 실시예들은 무선랜 액세스 포인트의 수신 신호 강도를 이용한 핑거프린트 기반의 실내 위치 측정 기술에 있어 측위의 정확성을 향상시키기 위한 것이다.
개시되는 일 실시예에 따른 클러스터 기반의 실내 위치 측정 방법은 하나 이상의 프로세서들, 및 상기 하나 이상의 프로세서들에 의해 실행되는 하나 이상의 프로그램들을 저장하는 메모리를 구비한 컴퓨팅 장치에서 수행되는 방법으로서, 복수의 액세스 포인트(AP; Access Point)가 설치된 대상 공간 내의 복수의 참조 지점(reference point) 별로, 상기 복수의 AP의 수신 신호 세기(RSSI; Received Signal Strength Indicator) 값을 포함하는 복수의 참조 파일을 획득하는 단계, 상기 복수의 참조 파일 전체를 임의의 K개의 참조 파일을 포함하는 복수의 클러스터로 클러스터링하는 단계, 상기 복수의 클러스터 각각의 RSSI의 평균 신호 강도를 계산하는 단계, 상기 RSSI의 평균 신호 강도에 기초하여 거리 측정을 계산하기 위한 예측 파일을 상기 복수의 클러스터 각각에 할당하는 단계, 상기 거리에 기초하여 상기 K 값을 갱신하는 단계를 포함하되, 상기 예측 파일은 상기 복수의 클러스터 각각으로부터의 최소 거리를 기준으로 할당되는 단계를 포함한다.
상기 복수의 클러스터로 클러스터링하는 단계는, 상기 복수의 참조 파일 중에서 임의의 참조 파일을 제 1 참조 파일로 결정하는 단계, 상기 제 1 참조 파일에서 가장 가까운 거리의 후보 참조 파일을 제 2 참조 파일로 결정하기 위한 KNN(K-Nearest Neighbors algorithm)을 수행하는 단계를 더 포함할 수 있다.
상기 복수의 클러스터로 클러스터링하는 단계는, 상기 제 2 참조 파일을 결정하고, 상기 제 2 참조 파일을 제 1 참조 파일로 갱신하는 단계를 더 포함할 수 있다.
상기 복수의 클러스터로 클러스터링하는 단계는, 상기 K개의 참조 파일이 결정될 때까지 갱신된 상기 제 1 참조 파일에 대해 상기 KNN을 재 수행하는 단계를 더 포함할 수 있다.
상기 복수의 클러스터로 클러스터링하는 단계는, 상기 제 1 참조 파일 및 상기 제 2 참조 파일 각각에 대응하는 상기 복수의 액세스 포인트의 평균값에 기초하여 상기 제 1 참조 파일 및 상기 후보 참조 파일 을 병합하여 제 2 참조 파일을 결정하는 단계를 더 포함할 수 있다.
상기 복수의 클러스터로 클러스터링하는 단계는, 상기 제 2 참조 파일을 결정하고, 상기 제 2 참조 파일을 제 1 참조 파일로 갱신하는 단계를 더 포함할 수 있다.
상기 복수의 클러스터로 클러스터링하는 단계는, 상기 K개의 참조 파일이 결정될 때까지 갱신된 상기 제 1 참조 파일에 대해 상기 KNN을 재 수행하는 단계를 더 포함 할 수 있다.
상기 복수의 클러스터로 클러스터링하는 단계는, 상기 복수의 클러스터 중에서 K개의 참조 파일을 포함하는 제 1 클러스터가 결정된 경우, 상기 제 1 클러스터에 K번째 포함된 상기 참조 파일을 기준으로 제 2 클러스터에 포함될 상기 참조 파일을 결정하는 단계를 더 포함 할 수 있다.
상기 K 값을 갱신하는 단계는, 상기 예측 파일에서 최소 거리에 있는 클러스터를 계산하고, 상기 클러스터에 할당된 상기 예측 파일을 기준으로 K 값을 계산하는 단계를 더 포함할 수 있다.
개시되는 추가적인 실시예에 따른 클러스터 기반의 실내 위치 측정 장치는 하나 이상의 프로세서들, 및 상기 하나 이상의 프로세서들에 의해 실행되는 하나 이상의 프로그램들을 저장하는 메모리를 구비한 컴퓨팅 장치에서 수행되는 장치로서, 복수의 액세스 포인트(AP; Access Point)가 설치된 대상 공간 내의 복수의 참조 지점(reference point) 별로, 상기 복수의 AP의 수신 신호 세기(RSSI; Received Signal Strength Indicator) 값을 포함하는 복수의 참조 파일을 획득하는 데이터 구성 모듈, 상기 복수의 참조 파일 전체를 K개의 참조 파일을 포함하는 복수의 클러스터로 클러스터링하는 클러스터링 모듈, 상기 복수의 클러스터의 RSSI의 평균 신호 강도를 계산하고, 상기 RSSI의 평균 신호 강도에 기초하여 거리 측정을 계산하기 위한 예측 파일을 상기 복수의 클러스터 각각에 할당하고, 상기 거리에 기초하여 상기 K 값을 갱신하는 학습 모듈을 포함하되, 상기 예측 파일은 상기 복수의 클러스터 각각으로부터의 최소 거리를 기준으로 할당된다.
상기 복수의 클러스터로 클러스터링하는 모듈은, 상기 복수의 참조 파일 중에서 임의의 참조 파일을 제 1 참조 파일로 결정하고, 상기 제 1 참조 파일에서 가장 가까운 거리의 후보 파일을 제 2 참조 파일로 결정하기 위한 KNN(K-Nearest Neighbors algorithm)을 수행할 수 있다.
상기 복수의 클러스터로 클러스터링하는 모듈은, 상기 제 2 참조 파일을 결정하고, 상기 제 2 참조 파일을 제 1 참조 파일로 갱신할 수 있다.
상기 복수의 클러스터로 클러스터링하는 모듈은, 상기 K개의 참조 파일이 결정될 때까지 갱신된 상기 제 1 참조 파일에 대해 상기 KNN을 재 수행할 수 있다.
상기 복수의 클러스터로 클러스터링하는 클러스터링 모듈은, 상기 제 1 참조 파일 및 상기 제 2 참조 파일 각각에 대응하는 상기 복수의 액세스 포인트의 평균값에 기초하여 상기 제 1 참조 파일 및 후보 참조 파일 을 병합하여 제 2 참조 파일을 결정 할 수 있다.
상기 복수의 클러스터로 클러스터링하는 모듈은, 상기 제 2 참조 파일을 결정하고, 상기 제 2 참조 파일을 제 1 참조 파일로 갱신 할 수 있다.
상기 복수의 클러스터로 클러스터링하는 모듈은, 상기 K개의 참조 파일이 결정될 때까지 갱신된 상기 제 1 참조 파일에 대해 상기 KNN을 재 수행할 수 있다.
상기 복수의 클러스터로 클러스터링하는 모듈은, 상기 복수의 클러스터 중에서 K개의 참조 파일을 포함하는 제 1 클러스터가 결정된 경우, 상기 제 1 클러스터에 K번째 포함된 상기 참조 파일을 기준으로 제 2 클러스터에 포함될 상기 참조 파일을 결정할 수 있다.
상기 복수의 클러스터로 클러스터링하는 모듈은, 상기 예측 파일에서 최소 거리에 있는 클러스터를 계산하고, 상기 클러스터에 할당된 상기 예측 파일을 기준으로 K 값을 계산하여 K 값을 갱신할 수 있다.
다른 예시적인 실시예에 따르면, 비일시적 컴퓨터 판독 가능한 저장매체(non-transitory computer readable storage medium)에 저장된 컴퓨터 프로그램으로서, 상기 컴퓨터 프로그램은 하나 이상의 명령어들을 포함하고, 상기 명령어들은 하나 이상의 프로세서들을 갖는 컴퓨팅 장치에 의해 실행될 때, 상기 컴퓨팅 장치로 하여금, 복수의 액세스 포인트(AP; Access Point)가 설치된 대상 공간 내의 복수의 참조 지점(reference point) 별로, 상기 복수의 AP의 수신 신호 세기(RSSI; Received Signal Strength Indicator) 값을 포함하는 복수의 참조 파일을 획득하고, 상기 복수의 참조 파일 전체를 K개의 참조 파일을 포함하는 복수의 클러스터로 클러스터링하고, 상기 복수의 클러스터의 RSSI의 평균 신호 강도를 계산하고, 상기 RSSI의 평균 신호 강도에 기초하여 거리 측정을 계산하기 위한 예측 파일을 상기 복수의 클러스터 각각에 할당하고, 상기 거리에 기초하여 상기 K 값을 갱신하되, 상기 예측 파일은 상기 복수의 클러스터 각각으로부터의 최소 거리를 기준으로 할당되는, 컴퓨터 프로그램이 제공된다.
개시되는 실시예들에 따르면, Wi-Fi 핑거 프린팅 기반 실내 측위 시스템에서 RP, MAC 주소 및 AP 각각의 관련 신호 강도 정보에 기초하여 정보들에 대한 관련성을 거리를 기준으로 정의하여 위치 추정의 정확도를 향상시킬 수 있다.
도 1은 일 실시예에 따른 실내 위치 측정 장치(100)을 설명하기 위한 블록도
도 2는 일 실시예에 따른 위치 추정 방법을 설명하기 위한 도면
도 3은 일 실시예에 따른 클러스터링 방법을 설명하기 위한 흐름도
도 4는 일 실시예에 따른 최소 거리에 기초한 클러스터링 방법을 예시하여 설명하기 위한 흐름도
도 5 및 도 6은 일 실시예에 따른 최소 거리에 기초한 클러스터링 방법을 예시하여 설명하기 위한 예시도
도 7는 예시적인 실시예들에서 사용되기에 적합한 컴퓨팅 장치를 포함하는 컴퓨팅 환경(10)을 예시하여 설명하기 위한 블록도
이하, 도면을 참조하여 구체적인 실시형태를 설명하기로 한다. 이하의 상세한 설명은 본 명세서에서 기술된 방법, 장치 및/또는 시스템에 대한 포괄적인 이해를 돕기 위해 제공된다. 그러나 이는 예시에 불과하며 개시되는 실시예들은 이에 제한되지 않는다.
실시예들을 설명함에 있어서, 관련된 공지기술에 대한 구체적인 설명이 개시되는 실시예들의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략하기로 한다. 그리고, 후술되는 용어들은 개시되는 실시예들에서의 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 실시예들을 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.
이하에서, '실내 공간' 또는 '대상 공간' 이라 함은, GPS(Global Positioning System) 정보를 이용할 수 없는 밀폐된 공간을 의미하며, 예시적으로는 GPS 정보로 내부에서의 위치 파악이 어려운 건물 내 공간을 의미할 수 있다. 이때, '실내 공간' 또는 '대상 공간'은 밀폐된 층계 하나를 의미할 수도 있으나, 반드시 이에 한정되는 것은 아니며, 실시예에 따라서는 밀폐된 건물 내 공간 전체를 의미할 수도 있다.
도 1은 일 실시예에 따른 실내 위치 측정 장치(100)을 설명하기 위한 블록도이다. 일 실시예에 따른 실내 위치 측정 장치(100)는 복수의 액세스 포인트(AP; Access Point)가 설치된 대상 공간 내의 위치를 측정하기 위한 장치를 의미한다.
도시된 바와 같이, 본 발명의 일 실시예에 따른 실내 위치 측정 장치(100)는 데이터 구성 모듈(102), 클러스터링 모듈(104), 학습 모듈(106) 및 위치 측정 모듈(108)을 포함한다.
데이터 구성 모듈(102)은 복수의 액세스 포인트(AP; Access Point)가 설치된 대상 공간 내의 복수의 참조 지점(RP, Reference Point) 별로, 상기 복수의 액세스 포인트의 수신 신호 세기(RSSI; Received Signal Strength Indicator) 값을 측정하여 학습을 위한 데이터를 구성한다.
참조 파일에 포함된 AP의 수신 신호 세기는 0 이상의 실수 값을 가질 수 있다.
일 실시예에 따르면, 데이터 구성 모듈(102) 은 대상 공간 내 특정 위치에서 동시 측정된 복수의 AP의 신호 세기 데이터를 각각 포함하는 복수의 AP 수신 신호 세기 정보를 획득한다.
이하에서, 참조 파일은 측정된 AP의 수신 신호 세기 정보를 측정 시점 및 측정 지점이 동일한 것끼리 분류한 신호 세기 정보의 집합을 의미한다.
일 실시예에 따르면, 참조 파일에 포함된 복수의 AP의 수신 신호 세기 정보는 0 이상의 실수 값을 가질 수 있다.
일 실시예에 따르면, 참조 파일은 복수의 AP의 수신 신호 세기 정보를 포함하는 csv(comma-separated values) 형식의 데이터일 수 있다.
구체적으로, 참조 파일은 '측정 횟수' 및 'AP의 개수'로 구성되는 데이터 집합일 수 있다.
일 실시예에 따르면, 참조 파일은 대상 공간 내 특정 위치의 좌표 데이터를 추가로 포함할 수 있다.
도 2는 클러스터링을 통한 위치 추정 방법을 설명하기 위한 도면이다. 도 2를 참조하여, 사용자의 단말을 이용한 사용자 위치 추정이 이루어지는 과정을 설명하면 아래와 같다.
클러스터링 모델을 이용한 위치 추정이 수행되기 위해서는 CNN 모델의 적절한 학습이 선행되어야 한다. 이를 위해, 오프라인 CNN 학습(Offline CNN Training) 단계에서, 대상 공간 내 모든 기 지정된 위치에서 모든 액세스 포인트(AP, Access Point)의 신호 세기 데이터(RSSI, Received Signal Strength Indication)를 측정한다. 이때, AP는 와이파이(Wi-Fi) 신호를 임의의 무선 장치에 송신하여 기 설치된 유선 장치와 연결시키는 임의의 장치를 의미하고, 측정이 이루어지는 지정된 위치가 참조 지점이다.
특정 참조 지점에서 인식 가능한 N개(N은 1 이상의 자연수)의 액세스 포인트(AP1 ~ APN) 각각으로부터 수신 신호 세기를 측정하고, 측정이 이루어지면 각 RP들은 자신의 위치 정보와 측정된 RSSI 값으로 특정되는 핑거프린트 (fingerprint) 정보를 포함한 참조 파일을 갖게 되고, 모든 RP들의 참조 파일이 모여 핑거프린트 데이터 셋(Fingerprint dataset), 즉, 학습을 위한 데이터를 구성한다.
이후, 구성된 전체 참조 파일 중에서 임의의 수의 참조 파일을 포함하는 복수의 클러스터로 클러스터링한다.
이후, 온라인 상(Online Phase)에서, 사용자 단말의 현재 위치에서 측정된 RSSI 값에 기초하여 클러스터를 할당하고, 참조 지점과의 평균 거리를 계산하고, 참조 지점과 가장 가까운 클러스터에 기초하여 클러스터링 모델을 사용하여 하나의 클러스터에 포함된 참조 파일의 수를 갱신하고, 갱신된 참조 파일의 수에 기초하여 클러터링된 클러스터에 기초하여 사용자 단말의 현재 위치를 추정한다(Position Estimation).
도 3 내지 도 5에 도시된 방법은 예를 들어, 도 1에 도시된 실내 위치 측정 장치(100)에 의해 수행될 수 있다.
도 3는 일 실시예에 따른 클러스터링 방법을 설명하기 위한 흐름도이다.
도 3을 참조하면, 310 단계에서, 실내 위치 측정 장치(100)는 복수의 액세스 포인트(AP; Access Point)가 설치된 대상 공간 내의 복수의 참조 지점(reference point) 별로, 복수의 AP의 수신 신호 세기(RSSI; Received Signal Strength Indicator) 값을 포함하는 복수의 참조 파일을 획득할 수 있다.
320 단계에서, 실내 위치 측정 장치(100)는 복수의 참조 파일 전체를 임의의 K개의 참조 파일을 포함하는 복수의 클러스터로 클러스터링 할 수 있다. 즉, K 값은 사용자에 의해 설정될 수 있다. 복수의 클러스터로 클러스터링하는 과정은 각각의 클러스터에 대해 순차적으로 또는 병렬적으로 수행될 수 있다. 다시 말해, 제 1 클러스터가 완성된 후, 두 번째 클러스터를 완성하는 순차뿐 아니라 모든 클러스터를 병렬적으로 완성할 수 있다.
330 단계에서, 실내 위치 측정 장치(100)는 복수의 클러스터 각각의 RSSI의 평균 신호 강도를 계산할 수 있다.
340 단계에서, 실내 위치 측정 장치(100)는 RSSI의 평균 신호 강도에 기초하여 거리 측정을 계산하기 위한 예측 파일을 복수의 클러스터 각각에 할당할 수 있다. 예측 파일은 복수의 클러스터 각각에 할당되는 파일로 각각의 클러스터를 대표하는 것일 수 있다. 이때, 예측 파일의 할당은 복수의 클러스터들 중에서 거리가 가장 가까운 클러스터를 기준으로 할당할 수 있다.
350 단계에서, 실내 위치 측정 장치(100)는 예측 파일 및 복수의 클러스터 각각으로부터의 최소 거리를 비교하여 K 값을 갱신하고, 갱신된 K 값에 기초하여 클러스터링을 재 수행하여 위치 측정을 수행할 수 있다.
도 4는 일 실시예에 따른 최소 거리에 기초한 클러스터링 방법을 예시하여 설명하기 위한 흐름도이다.
도 4를 참조하면, 일 실시예에 따라 321 단계에서, 실내 위치 측정 장치(100)는 하나의 클러스터에 포함될 참조 파일의 수가 사용자에 의해 설정될 수 있다.
322 단계에서, 실내 위치 측정 장치(100)는 복수의 참조 파일 중에서 임의의 참조 파일을 제 1 참조 파일로 결정하고, KNN(K-Nearest Neighbors algorithm)을 수행하여 제 1 참조 파일에서 가장 가까운 거리의 후보 참조 파일을 제 2 참조 파일로 결정할 수 있다. 이 때, 일 실시예에 따라, 제 1 참조 파일과 후보 참조 파일 각각에 대응하는 복수의 액세스 포인트의 평균값에 기초하여 제 1 참조 파일 및 후보 참조 파일을 병합한 것을 제 2 참조 파일로 결정할 수 있다.
323 단계에서, 실내 위치 측정 장치(100)는 제 2 참조 파일이 결정되면, 제 2 참조 파일을 제 1참조 파일로 갱신할 수 있다.
324 단계에서, 실내 위치 측정 장치(100)는 클러스터에 포함된 참조 파일의 수 가 K개가 될 때까지 갱신된 제 1 참조 파일에 대해 KNN을 재 수행할 수 있다.
325 단계에서, 실내 위치 측정 장치(100)는 K 개의 참조 파일로 구성된 제 1 클러스터의 번호를 결정할 수 있다.
326 단계에서, 실내 위치 측정 장치(100)는 순차적으로 또는 병렬적으로 모든 클러스터의 구성이 마쳐졌는지 확인하여, 모든 참조 파일에 대한 클러스터가 완성되지 않은 경우, 322 내지 325 단계를 더 수행할 수 있다.
도 5 및 도 6은 일 실시예에 따른 최소 거리에 기초한 클러스터링 방법을 예시하여 설명하기 위한 예시도이다.
도 5를 참조하면, 도 5의 (a)는 복수의 참조 파일 전체에서 임의의 참조 파일을 하나 선택한 것을 나타낸 도면이다. 도 5의 (b)는 도 5의 (a)에서 선택된 임의의 참조 파일을 제 1 참조 파일로 하여, 제 1 참조 파일로부터 가장 가까운 거리의 파일을 찾아 제 2 참조 파일로 설정하는 것을 나타낸 도면이다. 도 5의 (c)는 20개의 참조 파일을 포함하는 클러스터 1을 구성하고, 클러스터 2의 제 1 참조 파일이 선택된 모습을 나타낸 도면이다. 도 5의 (d)는 각각 20개의 참조 파일을 포함하는 클러스터 1 및 클러스터 2를 구성하고, 남은 참조 파일들을 나타낸 도면이다.
도 6을 참조하면, 도 6의 (a)는 복수의 참조 파일 전체에서 임의의 참조 파일을 하나 선택한 것을 나타낸 도면이다. 도 6의 (b)는 도 6의 (a)에서 선택된 임의의 참조 파일을 제 1 참조 파일로 하여, 제 1 참조 파일로부터 가장 가까운 거리의 파일을 찾아 제 2 참조 파일로 설정하는 것을 나타낸 도면이다. 도 5의 (c)는 제 1 참조 파일 및 제 2 참조 파일 각각에 대응하는 복수의 액세스 포인트의 평균값에 기초하여 제 1 참조 파일 및 제 2 참조 파일을 병합하여 제 3 참조 파일을 획득하는 것을 나타낸 도면이다. 도 5의 (d)는 20개의 참조 파일을 병합하여 클러스터 1을 구성하고, 클러스터 2의 제 1 참조 파일이 선택된 모습을 나타낸 도면이다. 도 5의 (e)는 각각 20개의 참조 파일을 병합하여 클러스터 1 및 클러스터 2를 구성하고, 남은 참조 파일들을 나타낸 도면이다.
도 7은 예시적인 실시예들에서 사용되기에 적합한 컴퓨팅 장치를 포함하는 컴퓨팅 환경(10)을 예시하여 설명하기 위한 블록도이다. 도시된 실시예에서, 각 컴포넌트들은 이하에 기술된 것 이외에 상이한 기능 및 능력을 가질 수 있고, 이하에 기술된 것 이외에도 추가적인 컴포넌트를 포함할 수 있다.
도시된 컴퓨팅 환경(10)은 컴퓨팅 장치(12)를 포함한다. 일 실시예에서, 컴퓨팅 장치(12)는 데이터 증강 장치(200 또는 300)일 수 있다.
컴퓨팅 장치(12)는 적어도 하나의 프로세서(14), 컴퓨터 판독 가능 저장 매체(16) 및 통신 버스(18)를 포함한다. 프로세서(14)는 컴퓨팅 장치(12)로 하여금 앞서 언급된 예시적인 실시예에 따라 동작하도록 할 수 있다. 예컨대, 프로세서(14)는 컴퓨터 판독 가능 저장 매체(16)에 저장된 하나 이상의 프로그램들을 실행할 수 있다. 상기 하나 이상의 프로그램들은 하나 이상의 컴퓨터 실행 가능 명령어를 포함할 수 있으며, 상기 컴퓨터 실행 가능 명령어는 프로세서(14)에 의해 실행되는 경우 컴퓨팅 장치(12)로 하여금 예시적인 실시예에 따른 동작들을 수행하도록 구성될 수 있다.
컴퓨터 판독 가능 저장 매체(16)는 컴퓨터 실행 가능 명령어 내지 프로그램 코드, 프로그램 데이터 및/또는 다른 적합한 형태의 정보를 저장하도록 구성된다. 컴퓨터 판독 가능 저장 매체(16)에 저장된 프로그램(20)은 프로세서(14)에 의해 실행 가능한 명령어의 집합을 포함한다. 일 실시예에서, 컴퓨터 판독 가능 저장 매체(16)는 메모리(랜덤 액세스 메모리와 같은 휘발성 메모리, 비휘발성 메모리, 또는 이들의 적절한 조합), 하나 이상의 자기 디스크 저장 디바이스들, 광학 디스크 저장 디바이스들, 플래시 메모리 디바이스들, 그 밖에 컴퓨팅 장치(12)에 의해 액세스되고 원하는 정보를 저장할 수 있는 다른 형태의 저장 매체, 또는 이들의 적합한 조합일 수 있다.
통신 버스(18)는 프로세서(14), 컴퓨터 판독 가능 저장 매체(16)를 포함하여 컴퓨팅 장치(12)의 다른 다양한 컴포넌트들을 상호 연결한다.
컴퓨팅 장치(12)는 또한 하나 이상의 입출력 장치(24)를 위한 인터페이스를 제공하는 하나 이상의 입출력 인터페이스(22) 및 하나 이상의 네트워크 통신 인터페이스(26)를 포함할 수 있다. 입출력 인터페이스(22) 및 네트워크 통신 인터페이스(26)는 통신 버스(18)에 연결된다. 입출력 장치(24)는 입출력 인터페이스(22)를 통해 컴퓨팅 장치(12)의 다른 컴포넌트들에 연결될 수 있다. 예시적인 입출력 장치(24)는 포인팅 장치(마우스 또는 트랙패드 등), 키보드, 터치 입력 장치(터치패드 또는 터치스크린 등), 음성 또는 소리 입력 장치, 다양한 종류의 센서 장치 및/또는 촬영 장치와 같은 입력 장치, 및/또는 디스플레이 장치, 프린터, 스피커 및/또는 네트워크 카드와 같은 출력 장치를 포함할 수 있다. 예시적인 입출력 장치(24)는 컴퓨팅 장치(12)를 구성하는 일 컴포넌트로서 컴퓨팅 장치(12)의 내부에 포함될 수도 있고, 컴퓨팅 장치(12)와는 구별되는 별개의 장치로 컴퓨팅 장치(12)와 연결될 수도 있다.
한편, 본 발명의 실시예는 본 명세서에서 기술한 방법들을 컴퓨터상에서 수행하기 위한 프로그램, 및 상기 프로그램을 포함하는 컴퓨터 판독 가능 기록매체를 포함할 수 있다. 상기 컴퓨터 판독 가능 기록매체는 프로그램 명령, 로컬 데이터 파일, 로컬 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체는 본 발명을 위하여 특별히 설계되고 구성된 것들이거나, 또는 컴퓨터 소프트웨어 분야에서 통상적으로 사용 가능한 것일 수 있다. 컴퓨터 판독 가능 기록매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM, DVD와 같은 광 기록 매체, 및 롬, 램, 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 상기 프로그램의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함할 수 있다.
이상에서 본 발명의 대표적인 실시예들을 상세하게 설명하였으나, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자는 상술한 실시예에 대하여 본 발명의 범주에서 벗어나지 않는 한도 내에서 다양한 변형이 가능함을 이해할 것이다. 그러므로 본 발명의 권리범위는 설명된 실시예에 국한되어 정해져서는 안 되며, 후술하는 청구범위뿐만 아니라 이 청구범위와 균등한 것들에 의해 정해져야 한다.
10: 컴퓨팅 환경
12: 컴퓨팅 장치
14: 프로세서
16: 컴퓨터 판독 가능 저장 매체
18: 통신 버스
20: 프로그램
22: 입출력 인터페이스
24: 입출력 장치
26: 네트워크 통신 인터페이스
100: 실내 위치 측정 장치
102: 데이터 구성 모듈
104: 클러스터링 모듈
106: 학습 모듈
108: 위치 측정 모듈

Claims (19)

  1. 하나 이상의 프로세서들, 및
    상기 하나 이상의 프로세서들에 의해 실행되는 하나 이상의 프로그램들을 저장하는 메모리를 구비한 컴퓨팅 장치에서 수행되는 방법으로서,
    복수의 액세스 포인트(AP; Access Point)가 설치된 대상 공간 내의 복수의 참조 지점(reference point) 별로, 상기 복수의 AP의 수신 신호 세기(RSSI; Received Signal Strength Indicator) 값을 포함하는 복수의 참조 파일을 획득하는 단계;
    상기 복수의 참조 파일 전체를 임의의 K개의 참조 파일을 포함하는 복수의 클러스터로 클러스터링하는 단계;
    상기 복수의 클러스터 각각의 RSSI의 평균 신호 강도를 계산하는 단계;
    상기 RSSI의 평균 신호 강도에 기초하여 거리 측정을 계산하기 위한 예측 파일을 상기 복수의 클러스터 각각에 할당하는 단계;
    상기 거리에 기초하여 상기 K 값을 갱신하는 단계를 포함하되,
    상기 예측 파일은 상기 복수의 클러스터 각각으로부터의 최소 거리를 기준으로 할당되는, 실내 위치 측정을 위한 클러스터링 방법.
  2. 청구항 1에 있어서,
    상기 복수의 클러스터로 클러스터링하는 단계는,
    상기 복수의 참조 파일 중에서 임의의 참조 파일을 제 1 참조 파일로 결정하는 단계;
    상기 제 1 참조 파일에서 가장 가까운 거리의 후보 참조 파일을 제 2 참조 파일로 결정하기 위한 KNN(K-Nearest Neighbors algorithm)을 수행하는 단계를 더 포함하는, 실내 위치 측정을 위한 클러스터링 방법.
  3. 청구항 2에 있어서,
    상기 복수의 클러스터로 클러스터링하는 단계는,
    상기 제 2 참조 파일을 결정하고, 상기 제 2 참조 파일을 제 1 참조 파일로 갱신하는 단계를 더 포함하는, 실내 위치 측정을 위한 클러스터링 방법.
  4. 청구항 3에 있어서,
    상기 복수의 클러스터로 클러스터링하는 단계는,
    상기 K개의 참조 파일이 결정될 때까지 갱신된 상기 제 1 참조 파일에 대해 상기 KNN을 재 수행하는 단계를 더 포함하는, 실내 위치 측정을 위한 클러스터링 방법.
  5. 청구항 2에 있어서,
    상기 복수의 클러스터로 클러스터링하는 단계는,
    상기 제 1 참조 파일 및 상기 제 2 참조 파일 각각에 대응하는 상기 복수의 액세스 포인트의 평균값에 기초하여 상기 제 1 참조 파일 및 상기 후보 참조 파일 을 병합하여 제 2 참조 파일을 결정하는 단계를 더 포함하는, 실내 위치 측정을 위한 클러스터링 방법.
  6. 청구항 5에 있어서,
    상기 복수의 클러스터로 클러스터링하는 단계는,
    상기 제 2 참조 파일을 결정하고, 상기 제 2 참조 파일을 제 1 참조 파일로 갱신하는 단계를 더 포함하는, 실내 위치 측정을 위한 클러스터링 방법.
  7. 청구항 6에 있어서,
    상기 복수의 클러스터로 클러스터링하는 단계는,
    상기 K개의 참조 파일이 결정될 때까지 갱신된 상기 제 1 참조 파일에 대해 상기 KNN을 재 수행하는 단계를 더 포함하는, 실내 위치 측정을 위한 클러스터링 방법.
  8. 청구항 1에 있어서,
    상기 복수의 클러스터로 클러스터링하는 단계는,
    상기 복수의 클러스터 중에서 K개의 참조 파일을 포함하는 제 1 클러스터가 결정된 경우, 상기 제 1 클러스터에 K번째 포함된 상기 참조 파일을 기준으로 제 2 클러스터에 포함될 상기 참조 파일을 결정하는 단계를 더 포함하는, 실내 위치 측정을 위한 클러스터링 방법.
  9. 청구항 1에 있어서,
    상기 K 값을 갱신하는 단계는,
    상기 예측 파일에서 최소 거리에 있는 클러스터를 계산하고, 상기 클러스터에 할당된 상기 예측 파일을 기준으로 K 값을 계산하는 단계를 더 포함하는, 실내 위치 측정을 위한 클러스터링 방법.
  10. 하나 이상의 프로세서들, 및
    상기 하나 이상의 프로세서들에 의해 실행되는 하나 이상의 프로그램들을 저장하는 메모리를 구비한 컴퓨팅 장치에서 수행되는 장치로서,
    복수의 액세스 포인트(AP; Access Point)가 설치된 대상 공간 내의 복수의 참조 지점(reference point) 별로, 상기 복수의 AP의 수신 신호 세기(RSSI; Received Signal Strength Indicator) 값을 포함하는 복수의 참조 파일을 획득하는 데이터 구성 모듈;
    상기 복수의 참조 파일 전체를 K개의 참조 파일을 포함하는 복수의 클러스터로 클러스터링하는 클러스터링 모듈;
    상기 복수의 클러스터의 RSSI의 평균 신호 강도를 계산하고, 상기 RSSI의 평균 신호 강도에 기초하여 거리 측정을 계산하기 위한 예측 파일을 상기 복수의 클러스터 각각에 할당하고, 상기 거리에 기초하여 상기 K 값을 갱신하는 학습 모듈을 포함하되,
    상기 예측 파일은 상기 복수의 클러스터 각각으로부터의 최소 거리를 기준으로 할당되는, 실내 위치 측정을 위한 클러스터링 장치.
  11. 청구항 10에 있어서,
    상기 복수의 클러스터로 클러스터링하는 모듈은,
    상기 복수의 참조 파일 중에서 임의의 참조 파일을 제 1 참조 파일로 결정하고,
    상기 제 1 참조 파일에서 가장 가까운 거리의 후보 파일을 제 2 참조 파일로 결정하기 위한 KNN(K-Nearest Neighbors algorithm)을 수행하는, 실내 위치 측정을 위한 클러스터링 장치.
  12. 청구항 11에 있어서,
    상기 복수의 클러스터로 클러스터링하는 모듈은,
    상기 제 2 참조 파일을 결정하고, 상기 제 2 참조 파일을 제 1 참조 파일로 갱신하는, 실내 위치 측정을 위한 클러스터링 장치.
  13. 청구항 12에 있어서,
    상기 복수의 클러스터로 클러스터링하는 모듈은,
    상기 K개의 참조 파일이 결정될 때까지 갱신된 상기 제 1 참조 파일에 대해 상기 KNN을 재 수행하는, 실내 위치 측정을 위한 클러스터링 장치.
  14. 청구항 11에 있어서,
    상기 복수의 클러스터로 클러스터링하는 클러스터링 모듈은,
    상기 제 1 참조 파일 및 상기 제 2 참조 파일 각각에 대응하는 상기 복수의 액세스 포인트의 평균값에 기초하여 상기 제 1 참조 파일 및 후보 참조 파일 을 병합하여 제 2 참조 파일을 결정하는, 실내 위치 측정을 위한 클러스터링 장치.
  15. 청구항 14에 있어서,
    상기 복수의 클러스터로 클러스터링하는 모듈은,
    상기 제 2 참조 파일을 결정하고, 상기 제 2 참조 파일을 제 1 참조 파일로 갱신하는, 실내 위치 측정을 위한 클러스터링 장치.
  16. 청구항 15에 있어서,
    상기 복수의 클러스터로 클러스터링하는 모듈은,
    상기 K개의 참조 파일이 결정될 때까지 갱신된 상기 제 1 참조 파일에 대해 상기 KNN을 재 수행하는, 실내 위치 측정을 위한 클러스터링 장치.
  17. 청구항 10에 있어서,
    상기 복수의 클러스터로 클러스터링하는 모듈은,
    상기 복수의 클러스터 중에서 K개의 참조 파일을 포함하는 제 1 클러스터가 결정된 경우, 상기 제 1 클러스터에 K번째 포함된 상기 참조 파일을 기준으로 제 2 클러스터에 포함될 상기 참조 파일을 결정하는, 실내 위치 측정을 위한 클러스터링 장치.
  18. 청구항 10에 있어서,
    상기 복수의 클러스터로 클러스터링하는 모듈은,
    상기 예측 파일에서 최소 거리에 있는 클러스터를 계산하고, 상기 클러스터에 할당된 상기 예측 파일을 기준으로 K 값을 계산하여 K 값을 갱신하는, 실내 위치 측정을 위한 클러스터링 장치.
  19. 비일시적 컴퓨터 판독 가능한 저장매체(non-transitory computer readable storage medium)에 저장된 컴퓨터 프로그램으로서,
    상기 컴퓨터 프로그램은 하나 이상의 명령어들을 포함하고, 상기 명령어들은 하나 이상의 프로세서들을 갖는 컴퓨팅 장치에 의해 실행될 때, 상기 컴퓨팅 장치로 하여금,
    복수의 액세스 포인트(AP; Access Point)가 설치된 대상 공간 내의 복수의 참조 지점(reference point) 별로, 상기 복수의 AP의 수신 신호 세기(RSSI; Received Signal Strength Indicator) 값을 포함하는 복수의 참조 파일을 획득하고,
    상기 복수의 참조 파일 전체를 K개의 참조 파일을 포함하는 복수의 클러스터로 클러스터링하고,
    상기 복수의 클러스터의 RSSI의 평균 신호 강도를 계산하고,
    상기 RSSI의 평균 신호 강도에 기초하여 거리 측정을 계산하기 위한 예측 파일을 상기 복수의 클러스터 각각에 할당하고,
    상기 거리에 기초하여 상기 K 값을 갱신하되,
    상기 예측 파일은 상기 복수의 클러스터 각각으로부터의 최소 거리를 기준으로 할당되는, 컴퓨터 프로그램.
KR1020200165049A 2020-11-30 2020-11-30 클러스터 기반의 실내 위치 측정 장치 및 방법 KR102483251B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200165049A KR102483251B1 (ko) 2020-11-30 2020-11-30 클러스터 기반의 실내 위치 측정 장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200165049A KR102483251B1 (ko) 2020-11-30 2020-11-30 클러스터 기반의 실내 위치 측정 장치 및 방법

Publications (2)

Publication Number Publication Date
KR20220077233A true KR20220077233A (ko) 2022-06-09
KR102483251B1 KR102483251B1 (ko) 2022-12-30

Family

ID=81985995

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200165049A KR102483251B1 (ko) 2020-11-30 2020-11-30 클러스터 기반의 실내 위치 측정 장치 및 방법

Country Status (1)

Country Link
KR (1) KR102483251B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024039184A1 (ko) * 2022-08-17 2024-02-22 삼성전자 주식회사 실내 공간 인식 모델의 학습을 위한 훈련용 데이터를 생성하는 방법 및 이를 수행하기 위한 컴퓨팅 장치

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100994840B1 (ko) 2009-11-27 2010-11-16 주식회사 케이티 무선랜 신호 세기 기반의 실내 측위 방법 및 시스템
KR20190064345A (ko) * 2017-11-30 2019-06-10 동국대학교 산학협력단 실내 위치 측정 장치 및 방법

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100994840B1 (ko) 2009-11-27 2010-11-16 주식회사 케이티 무선랜 신호 세기 기반의 실내 측위 방법 및 시스템
KR20190064345A (ko) * 2017-11-30 2019-06-10 동국대학교 산학협력단 실내 위치 측정 장치 및 방법

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024039184A1 (ko) * 2022-08-17 2024-02-22 삼성전자 주식회사 실내 공간 인식 모델의 학습을 위한 훈련용 데이터를 생성하는 방법 및 이를 수행하기 위한 컴퓨팅 장치

Also Published As

Publication number Publication date
KR102483251B1 (ko) 2022-12-30

Similar Documents

Publication Publication Date Title
JP6410968B2 (ja) 追跡のためのデバイス及び方法
Zhuang et al. Autonomous smartphone-based WiFi positioning system by using access points localization and crowdsourcing
US9179265B2 (en) Reducing location search space
US9807549B2 (en) Systems and methods for adaptive multi-feature semantic location sensing
US20170146349A1 (en) Landmark location determination
WO2014081699A1 (en) Pathway matching
US9357520B2 (en) Methods and systems for signal diffusion modeling for a discretized map of signal strength
WO2014093000A1 (en) Location fingerprinting
KR102278699B1 (ko) 기계 학습 기반의 실내 위치 측정 장치 및 방법
KR20160035637A (ko) 위치 추정 방법, 장치 및 그 기록매체
KR102076093B1 (ko) 실내 위치 측정 장치 및 방법
CN109379711A (zh) 一种定位方法
KR102483251B1 (ko) 클러스터 기반의 실내 위치 측정 장치 및 방법
EP3293483B1 (en) Improved floor detection based on determined floor detection parameters
CN111928854B (zh) 基于多接入点的毫米波室内定位与角度估计方法及系统
WO2018211261A1 (en) Method of mapping indoor region
KR101468811B1 (ko) 무선 랜을 이용한 실내 측위 시스템의 위치 보정 방법
JP2017531784A (ja) モバイルコンピューティング装置の位置検出方法、及びこれを行うモバイルコンピューティング装置
KR101775510B1 (ko) 실내 위치 측정 장치 및 방법
US20150211845A1 (en) Methods and Systems for Applying Weights to Information From Correlated Measurements for Likelihood Formulations Based on Time or Position Density
KR20150124658A (ko) 실내 위치 추정 방법 및 장치
US11979848B2 (en) Access point based location system for high density WiFi deployments
Caso et al. Low-complexity offline and online strategies for Wi-Fi fingerprinting indoor positioning systems
Au Rss-based wlan indoor positioning and tracking system using compressive sensing and its implementation on mobile devices
KR20200071891A (ko) 실내 위치 측정 장치 및 방법 및 방법

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant