KR20220137423A - 실내 위치 추정 방법 및 시스템 - Google Patents

실내 위치 추정 방법 및 시스템 Download PDF

Info

Publication number
KR20220137423A
KR20220137423A KR1020210043488A KR20210043488A KR20220137423A KR 20220137423 A KR20220137423 A KR 20220137423A KR 1020210043488 A KR1020210043488 A KR 1020210043488A KR 20210043488 A KR20210043488 A KR 20210043488A KR 20220137423 A KR20220137423 A KR 20220137423A
Authority
KR
South Korea
Prior art keywords
access point
point device
input
wireless communication
indoor location
Prior art date
Application number
KR1020210043488A
Other languages
English (en)
Other versions
KR102541852B1 (ko
Inventor
김우영
원지혜
김영찬
이동환
Original Assignee
네이버 주식회사
네이버랩스 주식회사
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 네이버 주식회사, 네이버랩스 주식회사 filed Critical 네이버 주식회사
Priority to KR1020210043488A priority Critical patent/KR102541852B1/ko
Publication of KR20220137423A publication Critical patent/KR20220137423A/ko
Application granted granted Critical
Publication of KR102541852B1 publication Critical patent/KR102541852B1/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
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/20—Instruments for performing navigational calculations
    • G01C21/206—Instruments for performing navigational calculations specially adapted for indoor navigation
    • 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
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
    • G01S5/02—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves
    • G01S5/0269—Inferred or constrained positioning, e.g. employing knowledge of the physical or electromagnetic environment, state of motion or other contextual information to infer or constrain a position
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Automation & Control Theory (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Electromagnetism (AREA)
  • Position Fixing By Use Of Radio Waves (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

본 개시는 실내 위치 추정 방법에 관한 것이다. 실내 위치 추정 방법은, 실내의 특정 위치에서 복수의 무선 채널을 통해 무선 통신 신호를 수신하는 단계, 복수의 무선 채널 중 제1 액세스 포인트 장치와 연관된 제1 세트의 무선 채널과 제2 액세스 포인트 장치와 연관된 제2 세트의 무선 채널을 식별하는 단계, 제1 액세스 포인트 장치와 연관된 제1 세트의 무선 채널의 수신 신호 강도의 평균 값 및 표준편차 값, 그리고 제1 세트의 무선 채널의 개수를 산출하여 제1 입력을 생성하는 단계, 제2 액세스 포인트 장치와 연관된 제2 세트의 무선 채널의 수신 신호 강도의 평균 값 및 표준편차 값, 그리고 제2 세트의 무선 채널의 개수를 산출하여 제2 입력을 생성하는 단계 및 딥러닝 인공 신경망 모델을 이용하여, 제1 입력 및 제2 입력에 기초하여 실내의 특정 위치를 추정하는 단계를 포함한다.

Description

실내 위치 추정 방법 및 시스템{METHOD AND SYSTEM FOR ESTIMATING INDOOR LOCATION}
본 개시는 실내 위치 추정 방법 및 시스템에 관한 것으로, 구체적으로 실내에서 수신되는 무선 통신 신호를 이용하여 위치를 추정하는 실내 위치 추정 방법 및 시스템에 관한 것이다.
최근 사용자의 현재 위치에 기반하여 서비스를 제공하는 사업 모델이 늘어나고 있다. 대표적으로, 사용자의 현재 위치로부터 목적지까지의 경로 안내 서비스 등이 제공되고 있으며, 서비스 사용자가 꾸준히 증가하고 있다. 이러한 서비스에서 사용자의 현재 위치를 정확하게 파악하는 것이 중요하다. 특히, 사용자가 GPS 등의 신호 수신이 불가능한 실내에 있는 경우, 실내 위치 추정 기술의 정확도를 높이기 위한 연구가 활발히 진행되고 있다.
이러한 환경에서 하나의 MAC 주소와 하나의 신호 세기를 쌍으로 사용하여 장애물로 인한 신호 세기의 변화를 구별하여 처리하는 실내 위치 추정 방법 등이 사용되고 있다. 그러나, 이러한 방법은 장애물로 인한 노이즈 등으로 신호 세기를 정확히 구별하기 어려워 추정 정확도가 낮은 문제가 있다.
본 개시는 상기와 같은 문제점을 해결하기 위한 실내 위치 추정 방법, 기록매체에 저장된 컴퓨터 프로그램 및 장치(시스템)를 제공한다.
본 개시는 방법, 장치(시스템) 또는 판독 가능 저장 매체에 저장된 컴퓨터 프로그램을 포함한 다양한 방식으로 구현될 수 있다.
본 개시의 일 실시예에 따르면, 적어도 하나의 프로세서에 의해 수행되는 실내 위치 추정 방법은, 실내의 특정 위치에서 복수의 무선 채널을 통해 무선 통신 신호를 수신하는 단계, 복수의 무선 채널 중 제1 액세스 포인트 장치와 연관된 제1 세트의 무선 채널과 제2 액세스 포인트 장치와 연관된 제2 세트의 무선 채널을 식별하는 단계, 제1 액세스 포인트 장치와 연관된 제1 세트의 무선 채널의 수신 신호 강도의 평균 값 및 표준편차 값, 그리고 제1 세트의 무선 채널의 개수를 산출하여 제1 입력을 생성하는 단계, 제2 액세스 포인트 장치와 연관된 제2 세트의 무선 채널의 수신 신호 강도의 평균 값 및 표준편차 값, 그리고 제2 세트의 무선 채널의 개수를 산출하여 제2 입력을 생성하는 단계 및 딥러닝 인공 신경망 모델을 이용하여, 제1 입력 및 제2 입력에 기초하여 실내의 특정 위치를 추정하는 단계를 포함한다.
본 개시의 일 실시예에 따르면, 적어도 하나의 프로세서에 의해 수행되는 실내 위치 추정 방법은, 실내의 특정 위치에서 복수의 액세스 포인트 장치로부터 복수의 무선 채널을 통해 무선 통신 신호를 수신하는 단계, 각 액세스 포인트 장치마다, 연관된 무선 채널들의 수신 신호 강도의 평균 값 및 표준편차 값, 그리고 연관된 무선 채널들의 개수를 산출하여, 복수의 입력을 생성하는 단계 및 복수의 입력을 딥러닝 인공 신경망 모델에 입력하여 실내의 특정 위치를 추정하는 단계를 포함한다.
본 개시의 일 실시예에 따르면, 적어도 하나의 프로세서에 의해 수행되는 실내 위치 추정 방법은, 실내의 특정 위치에서 다중 채널을 지원하는 제1 액세스 포인트 장치로부터 복수의 무선 채널을 통해 무선 통신 신호를 수신하는 단계, 실내의 특정 위치에서 제2 액세스 포인트 장치로부터 미리 정해진 스캔 주기 동안 단일 무선 채널을 통해 무선 통신 신호를 복수회 수신하는 단계, 제1 액세스 포인트 장치와 연관된 복수의 무선 채널의 수신 신호 강도의 평균 값 및 표준편차 값, 그리고 복수의 무선 채널의 개수를 산출하여 제1 입력을 생성하는 단계, 미리 정해진 스캔 주기 동안, 제2 액세스 포인트 장치의 수신 신호 강도의 평균 값 및 표준편차 값, 그리고 제2 액세스 포인트 장치로부터 무선 통신 신호가 수신되는 횟수를 산출하여 제2 입력을 생성하는 단계 및 딥러닝 인공 신경망 모델을 이용하여, 제1 입력 및 제2 입력에 기초하여 실내의 특정 위치를 추정하는 단계를 포함한다.
본 개시의 일 실시예에 따르면, 적어도 하나의 프로세서에 의해 수행되는 실내 위치 추정 방법은, 실내의 특정 위치에서 제1 액세스 포인트 장치로부터 미리 정해진 스캔 주기 동안 단일 무선 채널을 통해 무선 통신 신호를 복수회 수신하는 단계, 실내의 특정 위치에서 제2 액세스 포인트 장치로부터 미리 정해진 스캔 주기 동안 단일 무선 채널을 통해 무선 통신 신호를 복수회 수신하는 단계, 미리 정해진 스캔 주기 동안, 제1 액세스 포인트 장치의 수신 신호 강도의 평균 값 및 표준편차 값, 그리고 제1 액세스 포인트 장치로부터 무선 통신 신호가 수신되는 횟수를 산출하여 제1 입력을 생성하는 단계 및 미리 정해진 스캔 주기 동안, 제2 액세스 포인트 장치의 수신 신호 강도의 평균 값 및 표준편차 값, 그리고 제2 액세스 포인트 장치로부터 무선 통신 신호가 수신되는 횟수를 산출하여 제2 입력을 생성하는 단계 및 딥러닝 인공 신경망 모델을 이용하여, 제1 입력 및 제2 입력에 기초하여 실내의 특정 위치를 추정하는 단계를 포함한다.
본 개시의 일 실시예에 따르면, 적어도 하나의 프로세서에 의해 수행되는 실내 위치 추정 방법은, 실내의 특정 위치에서 미리 정해진 스캔 주기 동안 복수의 액세스 포인트 장치로부터 무선 통신 신호를 수신하는 단계, 각 액세스 포인트 장치마다, 미리 정해진 스캔 주기 동안의 수신 신호 강도의 평균 값 및 표준 편차 값, 그리고 무선 통신 신호가 수신되는 횟수를 산출하여, 복수의 입력을 생성하는 단계 및 복수의 입력을 딥러닝 인공 신경망 모델에 입력하여 실내의 특정 위치를 추정하는 단계를 포함한다.
본 개시의 일 실시예에 따른 상술된 방법을 컴퓨터에서 실행하기 위해 컴퓨터 판독 가능한 기록 매체에 저장된 컴퓨터 프로그램이 제공된다.
본 개시의 다양한 실시예에서 사용자 단말은 GPS 신호 등의 수신이 불가능한 실내에 위치한 경우에도, 액세스 포인트 장치 각각으로부터 수신되는 수신 신호 강도의 평균 값, 표준편차 값, 무선 채널의 개수, 수신 횟수 등을 이용하여 별도의 LOS/NLOS 구분 과정 없이 실내 위치를 매우 정확하게 추정할 수 있다.
본 개시의 다양한 실시예에서 프로세서는 액세스 포인트 장치로부터 수신되는 무선 통신 신호에서 장애물로 인한 노이즈 등을 제거하지 않고도, 딥러닝 연산부를 이용하여, 간단히 실내의 특정 위치를 추정할 수 있다.
본 개시의 효과는 이상에서 언급한 효과로 제한되지 않으며, 언급되지 않은 다른 효과들은 청구범위의 기재로부터 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자("통상의 기술자"라 함)에게 명확하게 이해될 수 있을 것이다.
본 개시의 실시예들은, 이하 설명하는 첨부 도면들을 참조하여 설명될 것이며, 여기서 유사한 참조 번호는 유사한 요소들을 나타내지만, 이에 한정되지는 않는다.
도 1은 본 개시의 일 실시예에 따른 사용자 단말의 실내 위치를 추정하는 예시를 나타내는 도면이다.
도 2는 본 개시의 일 실시예에 따른 실내 위치 추정을 위하여, 정보 처리 시스템이 복수의 사용자 단말과 통신 가능하도록 연결된 구성을 나타내는 개요도이다.
도 3은 본 개시의 일 실시예에 따른 사용자 단말 및 정보 처리 시스템의 내부 구성을 나타내는 블록도이다.
도 4는 본 개시의 일 실시예에 따른 실내 위치 추정을 위한 딥러닝 인공신경망 모델이 생성되는 예시를 나타내는 도면이다.
도 5는 본 개시의 일 실시예에 따른 실내 위치를 추정하기 위한 딥러닝 인공 신경망 모델을 업데이트하는 방법의 예시를 나타내는 도면이다.
도 6은 본 개시의 일 실시예에 따른 프로세서의 내부 구성을 나타내는 기능적인 블록도이다.
도 7은 본 개시의 일 실시예에 따른 인공 신경망의 구조를 나타내는 도면이다.
도 8은 본 개시의 일 실시예에 따라 딥러닝 인공 신경망 모델을 이용하여 실내 위치를 추정하는 방법의 예시를 나타내는 도면이다.
도 9는 본 개시의 일 실시예에 따른 다중 무선 채널을 이용한 실내 위치 추정 방법을 나타내는 흐름도이다.
도 10은 본 개시의 일 실시예에 따른 다중 무선 채널을 이용한 실내 위치 추정 방법을 나타내는 흐름도이다.
도 11은 본 개시의 일 실시예에 다중 무선 채널과 단일 무선 채널을 이용한 실내 위치 추정 방법을 나타내는 흐름도이다.
도 12는 본 개시의 일 실시예에 따른 단일 무선 채널을 이용한 실내 위치 추정 방법을 나타내는 흐름도이다.
도 13은 본 개시의 일 실시예에 따른 단일 무선 채널을 이용한 실내 위치 추정 방법을 나타내는 흐름도이다.
이하, 본 개시의 실시를 위한 구체적인 내용을 첨부된 도면을 참조하여 상세히 설명한다. 다만, 이하의 설명에서는 본 개시의 요지를 불필요하게 흐릴 우려가 있는 경우, 널리 알려진 기능이나 구성에 관한 구체적 설명은 생략하기로 한다.
첨부된 도면에서, 동일하거나 대응하는 구성요소에는 동일한 참조부호가 부여되어 있다. 또한, 이하의 실시예들의 설명에 있어서, 동일하거나 대응되는 구성요소를 중복하여 기술하는 것이 생략될 수 있다. 그러나, 구성요소에 관한 기술이 생략되어도, 그러한 구성요소가 어떤 실시예에 포함되지 않는 것으로 의도되지는 않는다.
개시된 실시예의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나, 본 개시는 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 개시가 완전하도록 하고, 본 개시가 통상의 기술자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것일 뿐이다.
본 명세서에서 사용되는 용어에 대해 간략히 설명하고, 개시된 실시예에 대해 구체적으로 설명하기로 한다. 본 명세서에서 사용되는 용어는 본 개시에서의 기능을 고려하면서 가능한 현재 널리 사용되는 일반적인 용어들을 선택하였으나, 이는 관련 분야에 종사하는 기술자의 의도 또는 판례, 새로운 기술의 출현 등에 따라 달라질 수 있다. 또한, 특정한 경우는 출원인이 임의로 선정한 용어도 있으며, 이 경우 해당되는 발명의 설명 부분에서 상세히 그 의미를 기재할 것이다. 따라서, 본 개시에서 사용되는 용어는 단순한 용어의 명칭이 아닌, 그 용어가 가지는 의미와 본 개시의 전반에 걸친 내용을 토대로 정의되어야 한다.
본 명세서에서의 단수의 표현은 문맥상 명백하게 단수인 것으로 특정하지 않는 한, 복수의 표현을 포함한다. 또한, 복수의 표현은 문맥상 명백하게 복수인 것으로 특정하지 않는 한, 단수의 표현을 포함한다. 명세서 전체에서 어떤 부분이 어떤 구성요소를 포함한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있음을 의미한다.
또한, 명세서에서 사용되는 '모듈' 또는 '부'라는 용어는 소프트웨어 또는 하드웨어 구성요소를 의미하며, '모듈' 또는 '부'는 어떤 역할들을 수행한다. 그렇지만, '모듈' 또는 '부'는 소프트웨어 또는 하드웨어에 한정되는 의미는 아니다. '모듈' 또는 '부'는 어드레싱할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다. 따라서, 일 예로서, '모듈' 또는 '부'는 소프트웨어 구성요소들, 객체지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로 코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들 또는 변수들 중 적어도 하나를 포함할 수 있다. 구성요소들과 '모듈' 또는 '부'들은 안에서 제공되는 기능은 더 작은 수의 구성요소들 및 '모듈' 또는 '부'들로 결합되거나 추가적인 구성요소들과 '모듈' 또는 '부'들로 더 분리될 수 있다.
본 개시의 일 실시예에서, '모듈' 또는 '부'는 프로세서 및 메모리로 구현될 수 있다. '프로세서'는 범용 프로세서, 중앙 처리 장치(CPU), 마이크로프로세서, 디지털 신호 프로세서(DSP), 제어기, 마이크로제어기, 상태 머신 등을 포함하도록 넓게 해석되어야 한다. 몇몇 환경에서, '프로세서'는 주문형 반도체(ASIC), 프로그램가능 로직 디바이스(PLD), 필드 프로그램가능 게이트 어레이(FPGA) 등을 지칭할 수도 있다. '프로세서'는, 예를 들어, DSP와 마이크로프로세서의 조합, 복수의 마이크로프로세서들의 조합, DSP 코어와 결합한 하나 이상의 마이크로프로세서들의 조합, 또는 임의의 다른 그러한 구성들의 조합과 같은 처리 디바이스들의 조합을 지칭할 수도 있다. 또한, '메모리'는 전자 정보를 저장 가능한 임의의 전자 컴포넌트를 포함하도록 넓게 해석되어야 한다. '메모리'는 임의 액세스 메모리(RAM), 판독-전용 메모리(ROM), 비-휘발성 임의 액세스 메모리(NVRAM), 프로그램가능 판독-전용 메모리(PROM), 소거-프로그램가능 판독 전용 메모리(EPROM), 전기적으로 소거가능 PROM(EEPROM), 플래쉬 메모리, 자기 또는 광학 데이터 저장장치, 레지스터들 등과 같은 프로세서-판독가능 매체의 다양한 유형들을 지칭할 수도 있다. 프로세서가 메모리로부터 정보를 판독하고/하거나 메모리에 정보를 기록할 수 있다면 메모리는 프로세서와 전자 통신 상태에 있다고 불린다. 프로세서에 집적된 메모리는 프로세서와 전자 통신 상태에 있다.
본 개시에서, '액세스 포인트(Access Point) 장치'는, Wifi, BLE(Bluetooth Low Energy) 등의 무선 통신 신호를 송수신하는 장치로서, 예를 들어, 공유기, 비콘(beacon) 기기 등을 포함할 수 있다. 액세스 포인트 장치는 단일 무선 채널 또는 복수의 무선 채널(멀티 채널, 멀티 밴드 등)을 이용하여 무선 통신 신호를 전송할 수 있다. 여기서, 각 무선 채널은 하나의 MAC 주소와 연관될 수 있다. 즉, 액세스 포인트 장치는 하나의 MAC(Media Access Control) 주소를 갖거나 논리적으로 구분된 둘 이상의 MAC 주소를 가질 수 있다.
본 개시에서 '수신 신호 강도(RSSI; Received Signal Strength Indicator)'는 무선 통신 신호의 세기, 강도 등을 나타낼 수 있다. 수신 신호 강도는 무선 통신 신호를 생성하는 액세스 포인트 장치의 채널에 따라 동일하거나 상이할 수 있다. 또한, 수신 신호 강도는 무선 통신 신호가 수신되는 시점에 따라 동일하거나 상이할 수 있다.
도 1은 본 개시의 일 실시예에 따른 사용자 단말(110)의 실내 위치를 추정하는 예시를 나타내는 도면이다. 도시된 바와 같이, 사용자 단말(110)은 실내 공간(100) 내에 위치할 수 있다. 여기서, 사용자 단말(110)은 액세스 포인트 장치들로부터 무선 통신 신호를 수신하고 처리할 수 있는 임의의 장치(예를 들어, 로봇 등)를 지칭할 수 있다. 또한, 실내 공간(100)은 건물, 터널, 지하철역 등의 내부 공간으로서, 위성으로부터 전송되는 GPS(Global Positioning System) 신호를 수신하기 어려운 임의의 공간을 지칭할 수 있다. 예를 들어, 실내 공간(100) 내에 AP(Access Point) 1(120), AP 2(130), AP 3(140) 등과 같은 복수의 액세스 포인트 장치가 설치될 수 있다.
일 실시예에서, 사용자 단말(110)은 실내 공간(100) 내에서 수신되는 무선 통신 신호를 이용하여 사용자 단말(110)의 실내 위치를 추정할 수 있다. 예를 들어, 사용자 단말(110)은 스캔 주기 동안 AP 1(120), AP 2(130) 및 AP 3(140)으로부터 복수의 무선 채널을 통해 무선 통신 신호를 수신하고, 수신된 무선 통신 신호를 이용하여 현재 위치를 추정할 수 있다. 여기서, AP 1(120), AP 2(130) 및 AP 3(140)은 각각 동일하거나 상이한 수의 무선 채널을 포함할 수 있으며, 각각의 무선 통신 채널은 연관된 MAC 주소를 가질 수 있다. 즉, 각 AP는 하나 이상의 MAC 주소와 연관될 수 있다.
실내 위치를 추정하기 위해, 사용자 단말(110)은 각 AP로부터 수신된 무선 통신 신호를 식별할 수 있다. 예를 들어, 사용자 단말(110)은 각 AP와 연관된 MAC 주소를 저장한 AP 별 MAC 주소 DB를 이용하여, MAC_1 주소를 가지는 제1 무선 채널을 통해 수신된 무선 통신 신호가 AP 1(120)으로부터 수신된 것으로 식별할 수 있다. 유사하게, 사용자 단말(110)은, MAC_2 및 MAC_3 주소를 각각 가지는 제2 및 제3 무선 채널을 통해 수신된 무선 통신 신호가 AP 2(130)으로부터 수신된 것으로 식별하고, MAC_4, MAC_5 및 MAC_6 주소를 각각 가지는 제4, 제5 및 제6 무선 채널을 통해 수신된 무선 통신 신호가 AP 3(140)으로부터 수신된 것으로 식별할 수 있다. 그리고 나서, 사용자 단말(110)은 각 액세스 포인트 장치를 통해 수신된 무선 통신 신호를 전처리하여 실내 위치를 추정하는데 사용할 수 있다.
일 실시예에서, 사용자 단말(110)은 위치 추정을 위해, 각 AP로부터 수신된 무선 신호 강도의 평균 값, 표준편차 값, 그리고 수신된 신호의 개수를 산출할 수 있다. 예를 들어, AP 1(120)과 연관된 무선 채널(MAC_1)의 수신 신호 강도(RSSI)의 평균 값, 표준편차 값, 무선 채널의 개수(1 개)를 산출하고, AP 2(130)와 연관된 무선 채널(MAC_2, MAC_3)의 수신 신호 강도의 평균 값, 표준편차 값, 무선 채널의 개수(2 개)를 산출하고, AP 3(140)과 연관된 무선 채널(MAC_4, MAC_5, MAC_6)의 수신 신호 강도의 평균 값, 표준편차 값, 무선 채널의 개수(3 개) 등을 산출할 수 있다. 그 후, 사용자 단말(110)은 각 액세스 포인트 장치 별로 산출된 수신 신호 강도의 평균 값, 표준편차 값, 무선 채널의 개수 등을 실내 위치를 추정하기 위한 딥러닝 인공 신경망 모델에 입력하여 사용자 단말(110)이 위치한 실내 공간(100)의 좌표값을 추정할 수 있다. 일 실시예에서, 산출된 수신 신호 강도의 평균 값, 표준편차 값, 무선 채널의 개수 등은 0에서 1 사이의 값으로 정규화된 후 딥러닝 인공 신경망 모델에 입력될 수 있다. 평균 값, 표준편차 값, 무선 채널의 개수 등의 정규화는 필수적인 구성은 아니며, 필요에 따라 생략될 수 있다.
추가적으로 또는 대안적으로, 사용자 단말(110)은 액세스 포인트 장치가 스캔 주기 동안 단일 무선 채널을 통해 복수의 신호가 감지되는 장치인 경우, 스캔 주기 동안 해당 액세스 포인트 장치로부터 수신된 무선 신호 강도의 평균 값, 표준편차 값, 그리고 수신된 횟수를 실내 위치를 추정하기 위한 딥러닝 인공 신경망 모델에 입력할 수 있다. 예를 들어, 사용자 단말(110)은 AP 4(미도시)의 단일 무선 채널로부터 스캔 주기(예를 들어, 2초 동안) 동안 0.5초 간격으로 무선 통신 신호를 4회 수신하는 경우, AP 4로부터 수신된 수신 신호 강도의 평균 값, 표준편차 값, 수신 횟수(4 회) 등을 산출하고, 산출된 값들을 0에서 1 사이의 값으로 정규화한 후, 실내 위치를 추정하기 위한 딥러닝 인공 신경망 모델에 입력할 수 있다. 상술한 AP의 다중 무선 통신 채널의 수신 신호 강도의 평균 값, 표준편차 값 및 무선 채널의 개수를 산출하여 딥러닝 인공 신경망 모델에 입력할 입력 값을 생성하는 방식과, AP의 단일 무선 통신 채널의 수신 신호 강도의 평균 값, 표준편차 값 및 수신 횟수를 산출하여 딥러닝 인공 신경망 모델에 입력할 입력 값을 생성하는 방식은 각각 별도로 사용되거나, 함께 사용되는 것이 가능하다.
도 1에서는 사용자 단말(110)이 무선 통신 신호를 수신하여 직접 실내 위치를 추정하는 것으로 상술되었으나, 이에 한정되지 않는다. 예를 들어, 사용자 단말(110)은 수신된 무선 통신 신호(또는 이와 관련된 각종 데이터)를 외부 시스템 등으로 전송하고, 외부 시스템 등으로부터 추정된 사용자 단말(110)의 실내 위치를 2차원 좌표값 또는 3차원 좌표값 등의 형태로 수신할 수 있다. 또한, 도 1에는 3개의 AP로부터 수신되는 무선 통신 신호를 이용하여 사용자 단말(110)의 실내 위치를 추정하는 것으로 도시되었으나, 이에 한정되지 않으며, 임의의 수의 AP로부터 수신되는 무선 통신 신호를 이용하여 위치 추정을 수행할 수 있다. 이와 같은 구성에 의해, 사용자 단말(110)은 GPS 신호 등의 수신이 불가능한 실내에 위치한 경우에도, 액세스 포인트 장치들 각각으로부터 수신되는 수신 신호 강도의 평균 값, 표준편차 값, 무선 채널의 개수, 수신 횟수 등을 이용하여 별도의 LOS(Line-Of-Sight)/NLOS(Non-Line-Of-Sight) 구분 과정 없이 실내 위치를 매우 정확하게 추정할 수 있다.
도 1에서는 설명의 편의를 위해 실내 공간(100) 내에 AP와 사용자 단말만 있는 것으로 도시되었으나, 이에 한정되지 않으며, 다양한 장애물(가구, 벽, 사람 등)이 실내 공간(100) 내에 함께 있을 수 있다. 이에 따라, 사용자 단말(110)이 AP로부터 수신하는 무선 통신 신호의 수신 신호 강도는 사용자 단말(110)과 AP 사이의 거리, 사용자 단말(110)과 AP 사이에 장애물이 있는지 여부, 장애물의 종류, 무선 통신 채널의 주파수 대역(예, 2.4 GHz, 5 GHz 등) 등과 같은 다양한 요인에 따라 상이하게 측정될 수 있다. 예를 들어, 사용자 단말(110)이 동일한 AP 장치로부터 제1 무선 통신 채널(예를 들어, 2.4 GHz)과 제2 무선 통신 채널(예를 들어, 5 GHz)을 통해 무선 통신 신호를 수신하는 경우, 수신 신호 강도가 상이하게 측정될 수 있다.
도 2는 본 개시의 일 실시예에 따른 실내 위치 추정을 위하여, 정보 처리 시스템(230)이 복수의 사용자 단말(210_1, 210_2, 210_3)과 통신 가능하도록 연결된 구성을 나타내는 개요도이다. 정보 처리 시스템(230)은 네트워크(220)를 통해 실내 위치 추정 서비스를 제공할 수 있는 시스템을 포함할 수 있다. 일 실시예에서, 정보 처리 시스템(230)은 실내 위치 추정 서비스의 제공과 관련된 컴퓨터 실행 가능한 프로그램(예를 들어, 다운로드 가능한 애플리케이션) 및 데이터를 저장, 제공 및 실행할 수 있는 하나 이상의 서버 장치 및/또는 데이터베이스, 또는 클라우드 컴퓨팅 서비스 기반의 하나 이상의 분산 컴퓨팅 장치 및/또는 분산 데이터베이스를 포함할 수 있다. 정보 처리 시스템(230)에 의해 제공되는 실내 위치 추정 서비스는, 복수의 사용자 단말(210_1, 210_2, 210_3)의 각각에 설치된 다양한 어플리케이션을 통해 사용자에게 제공될 수 있다.
복수의 사용자 단말(210_1, 210_2, 210_3)은 네트워크(220)를 통해 정보 처리 시스템(230)과 통신할 수 있다. 네트워크(220)는 복수의 사용자 단말(210_1, 210_2, 210_3)과 정보 처리 시스템(230) 사이의 통신이 가능하도록 구성될 수 있다. 네트워크(220)는 설치 환경에 따라, 예를 들어, 이더넷(Ethernet), 유선 홈 네트워크(Power Line Communication), 전화선 통신 장치 및 RS-serial 통신 등의 유선 네트워크, 이동통신망, WLAN(Wireless LAN), Wi-Fi, Bluetooth 및 ZigBee 등과 같은 무선 네트워크 또는 그 조합으로 구성될 수 있다. 통신 방식은 제한되지 않으며, 네트워크(220)가 포함할 수 있는 통신망(일례로, 이동통신망, 유선 인터넷, 무선 인터넷, 방송망, 위성망 등)을 활용하는 통신 방식뿐만 아니라 사용자 단말(210_1, 210_2, 210_3) 사이의 근거리 무선 통신 역시 포함될 수 있다.
도 2에서 휴대폰 단말(210_1), 태블릿 단말(210_2) 및 PC 단말 (210_3)이 사용자 단말의 예로서 도시되었으나, 이에 한정되지 않으며, 사용자 단말(210_1, 210_2, 210_3)은 유선 및/또는 무선 통신이 가능하고 실내 위치 추정 서비스와 연관된 어플리케이션이 설치되어 실행될 수 있는 임의의 컴퓨팅 장치일 수 있다. 예를 들어, 사용자 단말은, 스마트폰, 휴대폰, 내비게이션, 컴퓨터, 노트북, 디지털방송용 단말, PDA(Personal Digital Assistants), PMP(Portable Multimedia Player), 태블릿 PC, 게임 콘솔(game console), 웨어러블 디바이스(wearable device), IoT(internet of things) 디바이스, VR(virtual reality) 디바이스, AR(augmented reality) 디바이스 등을 포함할 수 있다. 또한, 도 2에는 3개의 사용자 단말(210_1, 210_2, 210_3)이 네트워크(220)를 통해 정보 처리 시스템(230)과 통신하는 것으로 도시되어 있으나, 이에 한정되지 않으며, 상이한 수의 사용자 단말이 네트워크(220)를 통해 정보 처리 시스템(230)과 통신하도록 구성될 수도 있다.
일 실시예에서, 정보 처리 시스템(230)은 실내 위치를 추정하기 위한 딥러닝 인공 신경망 모델을 생성하여, 사용자 단말(210_1, 210_2, 210_3)에게 제공할 수 있다. 이 경우, 사용자 단말(210_1, 210_2, 210_3)은 스캔 주기 동안 주변의 액세스 포인트 장치로부터 복수의 무선 채널을 통해 무선 통신 신호를 수신하고, 자신의 위치를 추정할 수 있다. 대안적으로, 사용자 단말(210_1, 210_2, 210_3)은 스캔 주기 동안 주변의 액세스 포인트 장치로부터 복수의 무선 채널을 통해 무선 통신 신호를 수신하고, 그와 관련된 데이터를 정보 처리 시스템(230)으로 전송할 수 있다. 이 경우, 정보 처리 시스템(230)은 실내 위치를 추정하기 위한 딥러닝 인공 신경망 모델을 이용하여 사용자 단말의 실내 위치를 추정하고, 추정된 위치와 관련된 데이터를 사용자 단말(210_1, 210_2, 210_3)로 전송할 수 있다.
도 3은 본 개시의 일 실시예에 따른 사용자 단말(210) 및 정보 처리 시스템(230)의 내부 구성을 나타내는 블록도이다. 사용자 단말(210)은 실내 위치 추정과 연관된 어플리케이션이 실행 가능하고 유/무선 통신이 가능한 임의의 컴퓨팅 장치를 지칭할 수 있으며, 예를 들어, 도 2의 휴대폰 단말(210_1), 태블릿 단말(210_2), PC 단말(210_3) 등을 포함할 수 있다. 도시된 바와 같이, 사용자 단말(210)은 메모리(312), 프로세서(314), 통신 모듈(316) 및 입출력 인터페이스(318)를 포함할 수 있다. 이와 유사하게, 정보 처리 시스템(230)은 메모리(332), 프로세서(334), 통신 모듈(336) 및 입출력 인터페이스(338)를 포함할 수 있다. 도 3에 도시된 바와 같이, 사용자 단말(210) 및 정보 처리 시스템(230)은 각각의 통신 모듈(316, 336)을 이용하여 네트워크(220)를 통해 정보 및/또는 데이터를 통신할 수 있도록 구성될 수 있다. 또한, 입출력 장치(320)는 입출력 인터페이스(318)를 통해 사용자 단말(210)에 정보 및/또는 데이터를 입력하거나 사용자 단말(210)로부터 생성된 정보 및/또는 데이터를 출력하도록 구성될 수 있다.
메모리(312, 332)는 비-일시적인 임의의 컴퓨터 판독 가능한 기록매체를 포함할 수 있다. 일 실시예에서, 메모리(312, 332)는 RAM(random access memory), ROM(read only memory), 디스크 드라이브, SSD(solid state drive), 플래시 메모리(flash memory) 등과 같은 비소멸성 대용량 저장 장치(permanent mass storage device)를 포함할 수 있다. 다른 예로서, ROM, SSD, 플래시 메모리, 디스크 드라이브 등과 같은 비소멸성 대용량 저장 장치는 메모리와는 구분되는 별도의 영구 저장 장치로서 사용자 단말(210) 또는 정보 처리 시스템(230)에 포함될 수 있다. 또한, 메모리(312, 332)에는 운영체제와 적어도 하나의 프로그램 코드(예를 들어, 사용자 단말(210)에 설치되어 구동되는 실내 위치 추정과 연관된 어플리케이션 등을 위한 코드)가 저장될 수 있다.
이러한 소프트웨어 구성요소들은 메모리(312, 332)와는 별도의 컴퓨터에서 판독 가능한 기록매체로부터 로딩될 수 있다. 이러한 별도의 컴퓨터에서 판독가능한 기록매체는 이러한 사용자 단말(210) 및 정보 처리 시스템(230)에 직접 연결가능한 기록 매체를 포함할 수 있는데, 예를 들어, 플로피 드라이브, 디스크, 테이프, DVD/CD-ROM 드라이브, 메모리 카드 등의 컴퓨터에서 판독 가능한 기록매체를 포함할 수 있다. 다른 예로서, 소프트웨어 구성요소들은 컴퓨터에서 판독 가능한 기록매체가 아닌 통신 모듈을 통해 메모리(312, 332)에 로딩될 수도 있다. 예를 들어, 적어도 하나의 프로그램은 개발자들 또는 어플리케이션의 설치 파일을 배포하는 파일 배포 시스템이 네트워크(220)를 통해 제공하는 파일들에 의해 설치되는 컴퓨터 프로그램(예: 실내 위치 추정 서비스를 제공하는 어플리케이션)에 기반하여 메모리(312, 332)에 로딩될 수 있다.
프로세서(314, 334)는 기본적인 산술, 로직 및 입출력 연산을 수행함으로써, 컴퓨터 프로그램의 명령을 처리하도록 구성될 수 있다. 명령은 메모리(312, 332) 또는 통신 모듈(316, 336)에 의해 프로세서(314, 334)로 제공될 수 있다. 예를 들어, 프로세서(314, 334)는 메모리(312, 332)와 같은 기록 장치에 저장된 프로그램 코드에 따라 수신되는 명령을 실행하도록 구성될 수 있다.
통신 모듈(316, 336)은 네트워크(220)를 통해 사용자 단말(210)과 정보 처리 시스템(230)이 서로 통신하기 위한 구성 또는 기능을 제공할 수 있으며, 사용자 단말(210) 및/또는 정보 처리 시스템(230)이 다른 사용자 단말 또는 다른 시스템(일례로 별도의 클라우드 시스템 등)과 통신하기 위한 구성 또는 기능을 제공할 수 있다. 일례로, 사용자 단말(210)의 프로세서(314)가 메모리(312) 등과 같은 기록 장치에 저장된 프로그램 코드에 따라 생성한 요청 또는 데이터(예를 들어, 복수의 무선 채널 또는 단일 무선 채널을 통해 수신된 무선 통신 신호와 관련된 데이터, 실내 위치 확인 요청 등)는 통신 모듈(316)의 제어에 따라 네트워크(220)를 통해 정보 처리 시스템(230)으로 전달될 수 있다. 역으로, 정보 처리 시스템(230)의 프로세서(334)의 제어에 따라 제공되는 제어 신호나 명령이 통신 모듈(336)과 네트워크(220)를 거쳐 사용자 단말(210)의 통신 모듈(316)을 통해 사용자 단말(210)에 수신될 수 있다. 예를 들어, 사용자 단말(210)은 정보 처리 시스템(230)으로부터 통신 모듈(316)을 통해 추정된 실내의 특정 위치에 대한 정보 등을 수신할 수 있다.
입출력 인터페이스(318)는 입출력 장치(320)와의 인터페이스를 위한 수단일 수 있다. 일 예로서, 입력 장치는 오디오 센서 및/또는 이미지 센서를 포함한 카메라, 키보드, 마이크로폰, 마우스 등의 장치를, 그리고 출력 장치는 디스플레이, 스피커, 햅틱 피드백 디바이스(haptic feedback device) 등과 같은 장치를 포함할 수 있다. 다른 예로, 입출력 인터페이스(318)는 터치스크린 등과 같이 입력과 출력을 수행하기 위한 구성 또는 기능이 하나로 통합된 장치와의 인터페이스를 위한 수단일 수 있다.
도 3에서는 입출력 장치(320)가 사용자 단말(210)에 포함되지 않도록 도시되어 있으나, 이에 한정되지 않으며, 사용자 단말(210)과 하나의 장치로 구성될 수 있다. 또한, 정보 처리 시스템(230)의 입출력 인터페이스(338)는 정보 처리 시스템(230)과 연결되거나 정보 처리 시스템(230)이 포함할 수 있는 입력 또는 출력을 위한 장치(미도시)와의 인터페이스를 위한 수단일 수 있다. 도 3에서는 입출력 인터페이스(318, 338)가 프로세서(314, 334)와 별도로 구성된 요소로서 도시되었으나, 이에 한정되지 않으며, 입출력 인터페이스(318, 338)가 프로세서(314, 334)에 포함되도록 구성될 수 있다.
사용자 단말(210) 및 정보 처리 시스템(230)은 도 3의 구성요소들보다 더 많은 구성요소들을 포함할 수 있다. 그러나, 대부분의 종래기술적 구성요소들을 명확하게 도시할 필요성은 없다. 일 실시예에서, 사용자 단말(210)은 상술된 입출력 장치(320) 중 적어도 일부를 포함하도록 구현될 수 있다. 또한, 사용자 단말(210)은 트랜시버(transceiver), GPS(Global Positioning system) 모듈, 카메라, 각종 센서, 데이터베이스 등과 같은 다른 구성요소들을 더 포함할 수 있다. 예를 들어, 사용자 단말(210)이 스마트폰인 경우, 일반적으로 스마트폰이 포함하고 있는 구성요소를 포함할 수 있으며, 예를 들어, 가속도 센서, 자이로 센서, 카메라 모듈, 각종 물리적인 버튼, 터치패널을 이용한 버튼, 입출력 포트, 진동을 위한 진동기 등의 다양한 구성요소들이 사용자 단말(210)에 더 포함되도록 구현될 수 있다.
일 실시예에서, 사용자 단말(210)의 프로세서(314)는 실내 위치 추정 서비스를 제공하는 어플리케이션 등을 동작하도록 구성될 수 있다. 이 때, 해당 어플리케이션과 연관된 프로그램 코드가 사용자 단말(210)의 메모리(312)에 로딩될 수 있다. 어플리케이션이 동작되는 동안에, 사용자 단말(210)의 프로세서(314)는 입출력 장치(320)로부터 제공된 정보 및/또는 데이터를 입출력 인터페이스(318)를 통해 수신하거나 통신 모듈(316)을 통해 정보 처리 시스템(230)으로부터 정보 및/또는 데이터를 수신할 수 있으며, 수신된 정보 및/또는 데이터를 처리하여 메모리(312)에 저장할 수 있다. 또한, 이러한 정보 및/또는 데이터는 통신 모듈(316)을 통해 정보 처리 시스템(230)에 제공할 수 있다.
어플리케이션이 동작되는 동안에, 프로세서(314)는 입출력 인터페이스(318)와 연결된 터치 스크린, 키보드, 오디오 센서 및/또는 이미지 센서를 포함한 카메라, 마이크로폰 등의 입력 장치를 통해 입력되거나 선택된 텍스트, 이미지, 영상 등을 수신할 수 있으며, 수신된 텍스트, 이미지 및/또는 영상 등을 메모리(312)에 저장하거나 통신 모듈(316) 및 네트워크(220)를 통해 정보 처리 시스템(230)에 제공할 수 있다. 일 실시예에서, 프로세서(314)는 입력 장치를 통해 실내의 위치 추정 요청, 실내 위치와 연관된 서비스에 대한 요청 등을 네트워크(220) 및 통신 모듈(316)을 통해 정보 처리 시스템(230)에 제공할 수 있다. 정보 처리 시스템(230)의 프로세서(334)는 복수의 사용자 단말 및/또는 복수의 외부 시스템으로부터 수신된 정보 및/또는 데이터를 관리, 처리 및/또는 저장하도록 구성될 수 있다.
도 4는 본 개시의 일 실시예에 따른 실내 위치 추정을 위한 딥러닝 인공신경망 모델이 생성되는 예시를 나타내는 도면이다. 상술된 바와 같이, 실내 공간(100)은 위성으로부터 전송되는 GPS 신호를 수신하기 어려운 임의의 공간을 지칭할 수 있으며, AP 1(120), AP 2(130) 및 AP 3(140)은 복수의 무선 채널 및/또는 단일 무선 채널을 통해 무선 통신 신호를 전송하는 액세스 포인트 장치를 지칭할 수 있다. 또한, P1(410), P2(420) 및 P3(430)은 실내 공간(100)의 특정 위치를 나타낼 수 있으며, 예를 들어, P1(410)은 (x1, y1)의 좌표와 대응되고, P2(420)는 (x2, y2)의 좌표와 대응되고, P3(430)은 (x3, y3)의 좌표와 대응될 수 있다. 다른 예에서, P1(410)은 (x1, y1, z1)의 좌표와 대응되고, P2(420)는 (x2, y2, z2)의 좌표와 대응되고, P3(430)은 (x3, y3, z3)의 좌표와 대응될 수도 있다.
일 실시예에서, 프로세서(예를 들어, 사용자 단말의 적어도 하나의 프로세서 및/또는 정보 처리 시스템의 적어도 하나의 프로세서)는 P1(410), P2(420) 및 P3(430)의 위치 정보(예를 들어, 좌표값), P1(410), P2(420) 및 P3(430)의 위치 각각에서 수신되는 무선 통신 신호의 수신 신호 강도 등을 이용하여 실내 위치 추정을 위한 딥러닝 모델을 생성할 수 있다. 예를 들어, 딥러닝 인공 신경망 모델을 생성하기 위한 학습용 스캔 장치는 실내 공간(100)을 주행하며 P1(410), P2(420) 및 P3(430)을 포함하는 복수의 위치에서 무선 통신 신호를 수신할 수 있다. 이 경우, P1(410), P2(420) 및 P3(430)의 위치에서 복수의 무선 채널을 통해 수신되는 무선 통신 신호의 수신 신호 강도는 다음의 표 1과 같을 수 있다.
위치 MAC_1 MAC_2 ... MAC_6
P1(410) RSSI11 RSSI12 ... RSSI16
P2(420) RSSI21 RSSI22 ... RSSI26
P3(430) RSSI31 RSSI32 ... RSSI36
그 후, 프로세서는 미리 저장된 AP 별 MAC 주소 DB 등을 이용하여 각 AP로부터 수신된 무선 통신 신호를 식별할 수 있다. 예를 들어, 프로세서는 MAC_1이 AP 1(120)과 연관된 것으로 식별하고, MAC_2 및 MAC_3가 AP 2(130)와 연관된 것으로 식별하고, MAC_4, MAC_5 및 MAC_6이 AP 3(140)과 연관된 것으로 식별할 수 있다. 여기서, AP 별 MAC 주소 DB는 관리자가 수동으로 생성한 것일 수 있다. 대안적으로, AP 정보 수집 장치가 각 AP에서 송출되는 MAC 정보를 수집하여 AP 별 MAC 주소 DB를 자동으로 생성할 수 있다. 일 실시예에서, 각 AP의 위치 정보(예를 들어 좌표값)가 AP 별 MAC 주소 DB에 함께 생성될 수 있다. 여기서, AP의 위치 정보는 관리자가 직접 입력하거나, AP 위치 추정 기술 등을 이용하여 생성될 수 있다.그 후, 프로세서는 각 AP로부터 수신된 무선 신호 강도의 평균 값, 표준편차 값, 그리고 수신된 신호의 개수를 산출할 수 있다. 예를 들어, P1(410) 위치에서 AP 2(130)로부터 수신된 무선 신호 강도의 평균 값, 표준편차 값, 그리고 수신된 신호의 개수는 각각 RSSI12와 RSSI13의 평균 값, 표준편차 값, 그리고 2로 산출될 수 있다. 그 후, 프로세서는 해당 값들을 0에서 1 사이의 값으로 정규화 할 수 있다. 그 결과 다음의 표 2와 같이 딥러닝 인공 신경망 모델을 생성하기 위한 학습 데이터가 생성될 수 있다. 프로세서는 이와 같은 학습 데이터를 이용하여 딥러닝 인공 신경망 모델을 생성할 수 있다.
학습 데이터 위치 AP 1 AP 2 AP 3
1 P1(x1, y1) mean11, std11, N11 mean12, std12, N12 mean13, std13, N13
2 P2(x2, y2) mean21, std21, N21 mean22, std22, N22 mean23, std23, N23
3 P3(x3, y3) mean31, std31, N31 mean32, std32, N32 mean33, std33, N33
도 4에서는 설명의 편의를 위해 3 개의 실내 지점(P1, P2, P3)과 연관된 학습 데이터를 이용하여 실내 위치 추정을 위한 딥러닝 인공 신경망 모델을 생성하는 것으로 도시되었으나, 이에 한정되지 않으며, 임의의 수의 위치에서 실내 지점과 연관된 학습 데이터를 이용하여 딥러닝 인공 신경망 모델을 생성할 수 있다. 또한, 도 1에서 설명한 것과 유사하게, AP의 다중 무선 통신 채널의 수신 신호 강도의 평균 값, 표준편차 값 및 무선 채널의 개수를 산출하여 학습 데이터를 생성하는 방식과, AP의 단일 무선 통신 채널의 수신 신호 강도의 평균 값, 표준편차 값 및 수신 횟수를 산출하여 학습 데이터를 생성하는 방식이 각각 별도로 사용되거나, 함께 사용되는 것이 가능하다.
도 5는 본 개시의 일 실시예에 따른 실내 위치를 추정하기 위한 딥러닝 인공 신경망 모델을 업데이트하는 방법의 예시를 나타내는 도면이다. 일 실시예에서, 전처리부(520)는 AP DB(AP 별 MAC 주소 DB)(510)로부터 실내 공간 내에 포함된 각 액세스 포인트 장치 및 각 액세스 포인트 장치와 연관된 MAC 주소에 대한 정보를 수신할 수 있다. 또한, 전처리부(520)는 학습용 스캔부(530)로부터 실내의 특정 위치에서의 무선 통신 신호와 연관된 데이터를 수신할 수 있다. 예를 들어, 전처리부(520)는 학습용 스캔부(530)로부터 복수의 무선 채널(예를 들어, MAC_1, ... , MAC_j의 주소를 가지는 무선 채널)을 통해 수신된 무선 통신 신호 각각의 수신 신호 강도 값(예를 들어, RSSI_1, ... , RSSI_j)을 수신할 수 있다.
그 후, 전처리부(520)는 AP DB(510)으로부터 수신한 정보에 기초하여, 각 액세스 포인트 장치와 연관된 무선 채널을 식별할 수 있다. 그리고 나서, 전처리부(520)는 액세스 포인트 장치 별 무선 채널의 수신 신호 강도의 평균 값, 표준편차 값, 무선 채널의 개수(또는 수신 횟수) 등을 산출하고, 정규화 할 수 있다. 전처리부(520)는 정규화된 각 액세스 포인트 장치 별 평균 값, 표준편차 값, 무선 채널의 개수(또는 수신 횟수) 등을 딥러닝 연산부(540)로 전송할 수 있다.
딥러닝 연산부(540)는 전처리부(520)로부터 전달 받은 데이터를 이용하여 실내 위치를 추정하여 좌표(550)를 출력할 수 있다. 여기서, 딥러닝 연산부(540)는 실내 위치를 추정하도록 생성된 딥러닝 인공 신경망 모델을 포함할 수 있다. 좌표(550)는 실내 공간 상의 2차원 좌표(x2, y2) 또는 3차원 좌표일 수 있다.
일 실시예에서, 학습용 스캔부(530)가 위치한 실제 좌표(x1, y1) 및 딥러닝 연산부에 의해 출력된 좌표(550)(x2, y2)는 목적 함수(560)에 입력될 수 있다. 여기서, 목적 함수(560)는 L1 손실(L1-loss) 함수, L2 손실(L2-loss) 함수 등의 손실 함수를 포함할 수 있다. 그 후, 딥러닝 연산부(540)는 실제 좌표(x1, y1)와 추정 좌표(x2, y2)의 차이를 줄이는 방향으로 학습(또는 업데이트)될 수 있다. 상술한 프로세스는 위치 추정 정확도를 높이기 위해 반복적으로 수행될 수 있다.
도 6은 본 개시의 일 실시예에 따른 프로세서(610)의 내부 구성을 나타내는 기능적인 블록도이다. 일 실시예에서, 프로세서(610)는 상술된 사용자 단말의 프로세서(도 3의 314) 또는 정보 처리 시스템(도 3의 334)를 지칭할 수 있다. 도시된 바와 같이, 프로세서(610)는 전처리부(612) 및 딥러닝 연산부(614)를 포함할 수 있다. 프로세서(610)는 AP DB(620)와 통신하며, 실내 위치 추정에 사용하기 위한 데이터 및/또는 정보를 주고받을 수 있다. 예를 들어, 프로세서(610)는 AP DB(620)로부터 AP 별 MAC 주소 정보를 수신할 수 있다.
일 실시예에서, 프로세서(610)는 스캔부(630)로부터 실내의 특정 위치에서 액세스 포인트 장치들로부터 전송되는 무선 통신 신호를 수신할 수 있다. 여기서, 스캔부(630)는 액세스 포인트 장치들로부터 무선 통신 신호를 수신하고 처리할 수 있는 임의의 장치(예를 들어, 로봇 장치 등)로서, 예를 들어, 실내 공간을 주행하며 무선 통신 신호를 수신하고 처리할 수 있는 로봇 장치, 임의의 사용자가 휴대하고 있는 사용자의 단말 등일 수 있다. 즉, 스캔부(630)는 딥러닝 연산부(614)의 학습 데이터를 수집하기 위한 학습용 스캔부이거나, 실내 위치 추정이 필요한 사용자용 스캔부일 수 있다. 스캔부(630)는 미리 정해진 스캔 주기 동안 복수의 무선 채널을 통해 무선 통신 신호를 수신하거나/수신하고, 미리 정해진 스캔 주기 동안 단일 무선 채널을 통해 무선 통신 신호를 복수회 수신할 수 있다. 예를 들어, 스캔부(430)는 실내 공간을 주행하며, 해당 실내 공간의 각 위치에서 임의의 수신 신호 강도를 갖는 무선 통신 신호들을 수신할 수 있다.
전처리부(612)는 스캔부(630)로부터 수신된 무선 통신 신호를 전처리하여 딥러닝 연산부(614)에 입력하기 위한 입력 데이터(또는 입력)를 생성할 수 있다. 일 실시예에서, 다중 무선 통신 채널을 지원하는 AP(예를 들어, WiFi AP)로부터 수신된 무선 통신 신호의 경우, 전처리부(612)는 해당 AP와 연관된 무선 통신 채널의 수신 신호 강도의 평균 값 및 표준편차 값, 그리고 연관된 무선 통신 채널들의 개수를 산출하고 정규화 할 수 있다. 대안적으로 또는 추가적으로, 단일 무선 통신 채널을 통해 스캔 주기 동안 복수 회 신호가 감지되는 AP(예를 들어, BLE AP)의 경우, 전처리부(612)는 해당 AP의 단일 무선 통신 채널의 수신 신호 강도의 평균 값, 표준편차 값 및 수신 횟수를 산출하고 정규화 할 수 있다. 이 때, 전처리부(612)는 각 AP 별로 수신 신호 강도의 평균 값, 표준편차 값 및 무선 통신 채널의 개수(또는 수신 횟수)를 산출하기 위해, AP DB(620)로부터 수신한 AP 별 MAC 주소 정보를 사용할 수 있다.
딥러닝 연산부(614)는 전처리부(612)가 제공한 데이터를 이용하여, 스캔부(630)가 포함된 장치의 위치를 추정할 수 있다. 일 실시예에서, 딥러닝 연산부(614)는 추정된 위치의 좌표값에 미리 정해진 스케일 변수를 곱하여 최종 추정 위치 좌표값을 생성할 수 있다. 여기서, 스케일 변수는 전처리부(612)에서 수행한 정규화 작업에 따라 결정되는 값일 수 있다. 정규화 작업 및 스케일 변수를 곱하는 과정은 필수적인 구성이 아니며, 필요에 따라 생략하는 것이 가능하다.
도 6에서는 프로세서(610)의 구성을 각각의 기능별로 구분하여 설명하였으나, 반드시 물리적으로 구분되는 것을 의미하지 않는다. 예를 들어, 전처리부(612)와 딥러닝 연산부(614)는 구분되어 상술되었으나, 이는 발명의 이해를 돕기 위한 것으로서, 이에 한정되지 않는다. 또한, 프로세서(610), AP DB(620) 또는 스캔부(630) 중 적어도 하나는 동일한 장치 내에 구비되어 있을 수 있다. 이와 같은 구성에 의해, 프로세서(610)는 액세스 포인트 장치로부터 수신되는 무선 통신 신호에서 장애물로 인한 노이즈 등을 제거하지 않고도, 딥러닝 연산부(614)를 이용하여, 간단히 실내의 특정 위치를 추정할 수 있다.
도 7은 본 개시의 일 실시예에 따른 인공 신경망(700)의 구조를 나타내는 도면이다. 일 실시예에서, 인공 신경망(700)은 DNN(Deep Neural Network)일 수 있으나, 이에 한정되지 않으며, RNN(Recurrent Neural Network), CNN(Convolution Neural Network) 등일 수 있다. 도시된 바와 같이, 인공 신경망(700)은 각 액세스 포인트 장치와 연관된 입력 데이터(또는 입력)을 인코딩하는 특징 인코딩부(710) 및 특징 인코딩부(710)의 출력에 기초하여 위치 좌표값을 추정하여 출력하는 포즈 추정부(720)를 포함할 수 있다.
일 실시예에서, 특징 인코딩부(710)는 각 액세스 포인트 장치와 연관된 입력 데이터(각 액세스 포인트 장치와 연관된 수신 신호 강도의 평균 값, 표준편차 값, 무선 채널의 개수(또는 수신 횟수) 등)을 인코딩하기 위한 복수의 인코더(712, 714, 716)를 포함할 수 있다. 예를 들어, 인코더(712)에는 AP 1과 연관된 입력 데이터가 입력되고, 인코더(714)에는 AP 2와 연관된 입력 데이터가 입력되고, 인코더(716)에는 AP N과 연관된 입력 데이터가 입력될 수 있다. 이러한 구성에 의해 각 인코더(712, 714, 716)는 하나의 액세스 포인트 장치와 연관된 입력 데이터를 독립적으로 인코딩할 수 있다.
일 실시예에서, 복수의 인코더(712, 714, 716)는 각각 완전 연결 레이어들(fully connected layers)을 포함할 수 있다. 또한, 복수의 완전 연결 레이어들은 가중치 공유(weight sharing)를 이용하여 구현됨으로써 효율성이 증대될 수 있다. 예를 들어, 복수의 완전 연결 레이어들의 가중치 공유는 1차원 컨벌루션 레이어(1-dimensional convolutional layer) 등과 같은 다양한 방식을 이용하여 구현될 수 있다.
특징 인코딩부(710) 내의 복수의 인코더(712, 714, 716)의 출력은 서로 연결(concatenate)되어 포즈 추정부(720)에 입력될 수 있다. 포즈 추정부(720)는 특징 인코딩부(710)의 출력에 기초하여 추정 위치의 좌표값을 출력할 수 있다. 도시된 바와 같이, 포즈 추정부(720)는 완전 연결된 레이어들로 구성될 수 있다.
도 8은 본 개시의 일 실시예에 따라 딥러닝 인공 신경망 모델을 이용하여 실내 위치를 추정하는 방법의 예시를 나타내는 도면이다. 도 5에서 상술된 것과 유사하게, 전처리부(820)는 AP DB(AP 별 MAC 주소 DB)(810)로부터 실내 공간 내에 포함된 각 액세스 포인트 장치 및 각 액세스 포인트 장치와 연관된 MAC 주소에 대한 정보를 수신할 수 있다. 또한, 전처리부(820)는 사용자 스캔부(830)로부터 실내 특정 위치에서의 무선 통신 신호와 연관된 데이터를 수신할 수 있다. 예를 들어, 전처리부(820)는 사용자 스캔부(830)로부터 복수의 무선 채널(예를 들어, MAC_1, ... , MAC_j의 주소를 가지는 무선 채널)을 통해 수신된 무선 통신 신호 각각의 수신 신호 강도 값(예를 들어, RSSI_1, ... , RSSI_j)을 수신할 수 있다. 여기서, 사용자 스캔부(830)는 위치 추정이 필요한 사용자 단말을 지칭할 수 있다.
그 후, 전처리부(820)는 AP DB(810)로부터 수신한 정보에 기초하여, 각 액세스 포인트 장치와 연관된 무선 채널을 식별할 수 있다. 그리고 나서, 전처리부(820)는 액세스 포인트 장치 별 수신 신호 강도의 평균 값, 표준편차 값, 무선 채널의 개수(또는 수신 횟수) 등을 산출하고, 정규화 할 수 있다. 전처리부(820)는 정규화된 각 액세스 포인트 장치 별 평균 값, 표준편차 값, 무선 채널의 개수(또는 수신 횟수) 등을 딥러닝 연산부(840)로 전송할 수 있다.
딥러닝 연산부(840)는 전처리부(820)로부터 전달 받은 데이터를 이용하여 실내 위치를 추정하여 좌표(850)를 출력할 수 있다. 여기서, 딥러닝 연산부(840)는 실내 위치를 추정하도록 생성된 딥러닝 인공 신경망 모델을 포함할 수 있다. 좌표(850)는 실내 공간 상의 2차원 좌표 또는 3차원 좌표일 수 있다.
도 9는 본 개시의 일 실시예에 따른 다중 무선 채널을 이용한 실내 위치 추정 방법(900)을 나타내는 흐름도이다. 일 실시예에서, 실내 위치 추정 방법(900)은 사용자 단말(예를 들어, 사용자 단말의 적어도 하나의 프로세서)에 의해 수행될 수 있다. 다른 실시예에서, 실내 위치 추정 방법(900)은 정보 처리 시스템(예를 들어, 정보 처리 시스템의 적어도 하나의 프로세서)에 의해 수행될 수 있다. 또 다른 실시예에서, 정보 처리 시스템과 사용자 단말이 실내 위치 추정 방법(900)의 단계들을 나누어 수행할 수 있다.
일 실시예에서, 실내 위치 추정 방법(900)은 프로세서가 실내의 특정 위치에서 복수의 무선 채널을 통해 무선 통신 신호를 수신함으로써 개시될 수 있다(S910). 무선 통신 신호를 수신하는 경우, 프로세서는 복수의 무선 채널 중 제1 액세스 포인트 장치와 연관된 제1 세트의 무선 채널과 제2 액세스 포인트 장치와 연관된 제2 세트의 무선 채널을 식별할 수 있다(S920). 예를 들어, 프로세서는 각 무선 채널과 연관된 MAC 주소를 확인하고, 제1 액세스 포인트 장치와 연관된 제1 세트의 MAC 주소를 식별하고, 제2 액세스 포인트 장치와 연관된 제2 세트의 MAC 주소를 식별할 수 있다. 그리고 나서, 프로세서는 제1 세트의 MAC 주소와 매칭되는 무선 채널들을 제1 세트의 무선 채널로 식별하고, 제2 세트의 MAC 주소와 매칭되는 무선 채널들을 제2 세트의 무선 채널로 식별할 수 있다.
프로세서는 제1 액세스 포인트 장치와 연관된 제1 세트의 무선 채널의 수신 신호 강도의 평균 값 및 표준편차 값, 그리고 제1 세트의 무선 채널의 개수를 산출하여 제1 입력을 생성할 수 있다(S930). 또한, 프로세서는 제2 액세스 포인트 장치와 연관된 제2 세트의 무선 채널의 수신 신호 강도의 평균 값 및 표준편차 값, 그리고 제2 세트의 무선 채널의 개수를 산출하여 제2 입력을 생성할 수 있다(S940). 이 경우, 프로세서는 제1 세트의 무선 채널의 수신 신호 강도의 평균 값을 정규화하고, 제1 세트의 무선 채널의 수신 신호 강도의 표준편차 값을 정규화하고, 제1 세트의 무선 채널의 개수를 정규화하여 제1 입력을 생성할 수 있다. 또한, 프로세서는 제2 세트의 무선 채널의 수신 신호 강도의 평균 값을 정규화하고, 제2 세트의 무선 채널의 수신 신호 강도의 표준편차 값을 정규화하고, 제2 세트의 무선 채널의 개수를 정규화하여 제2 입력을 생성할 수 있다.
프로세서는 딥러닝 인공 신경망 모델을 이용하여, 제1 입력 및 제2 입력에 기초하여 실내의 특정 위치를 추정할 수 있다(S950). 예를 들어, 프로세서는 딥러닝 인공 신경망 모델에 의해 출력되는 정규화된 좌표값에 미리 정해진 스케일 변수를 곱하여 실내의 특정 위치를 추정할 수 있다. 여기서, 딥러닝 인공 신경망 모델은 각 액세스 포인트 장치와 연관된 입력을 인코딩하는 특징 인코딩부 및 특징 인코딩부의 출력에 기초하여 위치 좌표값을 추정하는 포즈 추정부를 포함할 수 있다. 또한, 특징 인코딩부는 복수의 완전 연결 레이어들을 포함하고, 각 완전 연결 레이어들은 하나의 액세스 포인트 장치와 연관된 입력을 독립적으로 인코딩하고, 복수의 완전 연결 레이어들은 가중치 공유를 이용하여 구현될 수 있다. 이 경우, 복수의 완전 연결 레이어들의 가중치 공유는 1차원 컨벌루션 레이어를 이용하여 구현될 수 있다.
도 10은 본 개시의 일 실시예에 따른 다중 무선 채널을 이용한 실내 위치 추정 방법(1000)을 나타내는 흐름도이다. 일 실시예에서, 실내 위치 추정 방법(1000)은 사용자 단말(예를 들어, 사용자 단말의 적어도 하나의 프로세서)에 의해 수행될 수 있다. 다른 실시예에서, 실내 위치 추정 방법(1000)은 정보 처리 시스템(예를 들어, 정보 처리 시스템의 적어도 하나의 프로세서)에 의해 수행될 수 있다. 또 다른 실시예에서, 정보 처리 시스템과 사용자 단말이 실내 위치 추정 방법(1000)의 단계들을 나누어 수행할 수 있다.
일 실시예에서, 실내 위치 추정 방법(1000)은 프로세서가 실내의 특정 위치에서 복수의 액세스 포인트 장치로부터 복수의 무선 채널을 통해 무선 통신 신호를 수신함으로써 개시될 수 있다(S1010). 무선 통신 신호가 수신된 경우, 프로세서는 각 액세스 포인트 장치마다, 연관된 무선 채널들의 수신 신호 강도의 평균 값 및 표준편차 값, 그리고 연관된 무선 채널들의 개수를 산출하여, 복수의 입력을 생성할 수 있다(S1020). 이 경우, 프로세서는 수신 신호 강도의 평균 값 및 표준편차 값을 정규화하고, 산출된 무선 채널들의 개수를 정규화하여, 복수의 입력을 생성할 수 있다.
프로세서는 복수의 입력을 딥러닝 인공 신경망 모델에 입력하여 실내의 특정 위치를 추정할 수 있다(S1030). 예를 들어, 딥러닝 인공 신경망 모델은 무선 통신 신호를 기초로 실내 위치 좌표값을 추정하도록 미리 학습된 모델일 수 있다. 일 실시예에서, 프로세서는 딥러닝 인공 신경망 모델에 의해 출력되는 좌표값에 미리 정해진 스케일 변수를 곱하여 실내의 특정 위치를 추정할 수 있다.
도 11은 본 개시의 일 실시예에 다중 무선 채널과 단일 무선 채널을 이용한 실내 위치 추정 방법(1100)을 나타내는 흐름도이다. 일 실시예에서, 실내 위치 추정 방법(1100)은 사용자 단말(예를 들어, 사용자 단말의 적어도 하나의 프로세서)에 의해 수행될 수 있다. 다른 실시예에서, 실내 위치 추정 방법(1100)은 정보 처리 시스템(예를 들어, 정보 처리 시스템의 적어도 하나의 프로세서)에 의해 수행될 수 있다. 또 다른 실시예에서, 정보 처리 시스템과 사용자 단말이 실내 위치 추정 방법(1100)의 단계들을 나누어 수행할 수 있다.
일 실시예에서, 프로세서는 실내의 특정 위치에서 다중 채널을 지원하는 제1 액세스 포인트 장치로부터 복수의 무선 채널을 통해 무선 통신 신호를 수신할 수 있다(S1110). 또한, 프로세서는 실내의 특정 위치에서 제2 액세스 포인트 장치로부터 미리 정해진 스캔 주기 동안 단일 무선 채널을 통해 무선 통신 신호를 복수회 수신할 수 있다(S1120).
무선 통신 신호가 수신된 경우, 프로세서는 제1 액세스 포인트 장치와 연관된 복수의 무선 채널의 수신 신호 강도의 평균 값 및 표준편차 값, 그리고 복수의 무선 채널의 개수를 산출하여 제1 입력을 생성할 수 있다(S1130). 또한, 프로세서는 미리 정해진 스캔 주기 동안, 제2 액세스 포인트 장치의 수신 신호 강도의 평균 값 및 표준편차 값, 그리고 제2 액세스 포인트 장치로부터 무선 통신 신호가 수신되는 횟수를 산출하여 제2 입력을 생성할 수 있다(S1140). 이 경우, 프로세서는 산출된 수신 신호 강도의 평균 값, 표준편차 값 및 무선 채널의 개수를 정규화하여 제1 입력을 생성하고, 프로세서는 산출된 수신 신호 강도의 평균 값, 표준편차 값 및 무선 통신 신호가 수신되는 횟수를 정규화하여 제2 입력을 생성할 수 있다.
프로세서는 딥러닝 인공 신경망 모델을 이용하여, 제1 입력 및 제2 입력에 기초하여 실내의 특정 위치를 추정할 수 있다(S1150). 예를 들어, 딥러닝 인공 신경망 모델은 무선 통신 신호를 기초로 실내 위치 좌표값을 추정하도록 미리 학습된 모델일 수 있다. 일 실시예에서, 프로세서는 딥러닝 인공 신경망 모델에 의해 출력되는 좌표값에 미리 정해진 스케일 변수를 곱하여 실내의 특정 위치를 추정할 수 있다.
도 12는 본 개시의 일 실시예에 따른 단일 무선 채널을 이용한 실내 위치 추정 방법(1200)을 나타내는 흐름도이다. 일 실시예에서, 실내 위치 추정 방법(1200)은 사용자 단말(예를 들어, 사용자 단말의 적어도 하나의 프로세서)에 의해 수행될 수 있다. 다른 실시예에서, 실내 위치 추정 방법(1200)은 정보 처리 시스템(예를 들어, 정보 처리 시스템의 적어도 하나의 프로세서)에 의해 수행될 수 있다. 또 다른 실시예에서, 정보 처리 시스템과 사용자 단말이 실내 위치 추정 방법(1200)의 단계들을 나누어 수행할 수 있다.
일 실시예에서, 프로세서는 실내의 특정 위치에서 제1 액세스 포인트 장치로부터 미리 정해진 스캔 주기 동안 단일 무선 채널을 통해 무선 통신 신호를 복수회 수신할 수 있다(S1210). 또한, 프로세서는 실내의 특정 위치에서 제2 액세스 포인트 장치로부터 미리 정해진 스캔 주기 동안 단일 무선 채널을 통해 무선 통신 신호를 복수회 수신할 수 있다(S1220). 다시 말해, 프로세서는 제1 액세스 포인트 장치의 하나의 무선 채널로부터 서로 다른 시점의 무선 통신 신호를 복수회 수신하고, 제2 액세스 포인트 장치의 하나의 무선 채널로부터 서로 다른 시점의 무선 통신 신호를 복수회 수신할 수 있다.
무선 통신 신호가 수신된 경우, 프로세서는 미리 정해진 스캔 주기 동안, 제1 액세스 포인트 장치의 수신 신호 강도의 평균 값 및 표준편차 값, 그리고 제1 액세스 포인트 장치로부터 무선 통신 신호가 수신되는 횟수를 산출하여 제1 입력을 생성할 수 있다(S1230). 또한, 프로세서는 미리 정해진 스캔 주기 동안, 제2 액세스 포인트 장치의 수신 신호 강도의 평균 값 및 표준편차 값, 그리고 제2 액세스 포인트 장치로부터 무선 통신 신호가 수신되는 횟수를 산출하여 제2 입력을 생성할 수 있다(S1240). 이 경우, 프로세서는 수신 신호 강도의 평균 값 및 표준편차 값을 정규화하고, 무선 통신 신호가 수신되는 횟수를 정규화하여, 복수의 입력을 생성할 수 있다.
프로세서는 딥러닝 인공 신경망 모델을 이용하여, 제1 입력 및 제2 입력에 기초하여 실내의 특정 위치를 추정할 수 있다(S1250). 예를 들어, 프로세서는 딥러닝 인공 신경망 모델에 의해 출력되는 정규화된 좌표값에 미리 정해진 스케일 변수를 곱하여 실내의 특정 위치를 추정할 수 있다.
도 13은 본 개시의 일 실시예에 따른 단일 무선 채널을 이용한 실내 위치 추정 방법(1300)을 나타내는 흐름도이다. 일 실시예에서, 실내 위치 추정 방법(1300)은 사용자 단말(예를 들어, 사용자 단말의 적어도 하나의 프로세서)에 의해 수행될 수 있다. 다른 실시예에서, 실내 위치 추정 방법(1300)은 정보 처리 시스템(예를 들어, 정보 처리 시스템의 적어도 하나의 프로세서)에 의해 수행될 수 있다. 또 다른 실시예에서, 정보 처리 시스템과 사용자 단말이 실내 위치 추정 방법(1300)의 단계들을 나누어 수행할 수 있다.
일 실시예에서, 실내 위치 추정 방법(1300)은 프로세서가 실내의 특정 위치에서 미리 정해진 스캔 주기 동안 복수의 액세스 포인트 장치로부터 무선 통신 신호를 수신함으로써 개시될 수 있다(S1310). 무선 통신 신호가 수신된 경우, 프로세서는 각 액세스 포인트 장치마다, 미리 정해진 스캔 주기 동안의 수신 신호 강도의 평균 값 및 표준 편차 값, 그리고 무선 통신 신호가 수신되는 횟수를 산출하여, 복수의 입력을 생성할 수 있다. 이 경우, 프로세서는 수신 신호 강도의 평균 값 및 표준편차 값을 정규화하고, 산출된 무선 통신 신호가 수신되는 횟수를 정규화하여, 복수의 입력을 생성할 수 있다.
프로세서는 복수의 입력을 딥러닝 인공 신경망 모델에 입력하여 실내의 특정 위치를 추정할 수 있다(S1310). 예를 들어, 딥러닝 인공 신경망 모델은 무선 통신 신호를 기초로 실내 위치 좌표값을 추정하도록 미리 학습된 모델일 수 있다. 일 실시예에서, 프로세서는 딥러닝 인공 신경망 모델에 의해 출력되는 좌표값에 미리 정해진 스케일 변수를 곱하여 실내의 특정 위치를 추정할 수 있다.
상술한 방법은 컴퓨터에서 실행하기 위해 컴퓨터 판독 가능한 기록 매체에 저장된 컴퓨터 프로그램으로 제공될 수 있다. 매체는 컴퓨터로 실행 가능한 프로그램을 계속 저장하거나, 실행 또는 다운로드를 위해 임시 저장하는 것일 수도 있다. 또한, 매체는 단일 또는 수개 하드웨어가 결합된 형태의 다양한 기록수단 또는 저장수단일 수 있는데, 어떤 컴퓨터 시스템에 직접 접속되는 매체에 한정되지 않고, 네트워크 상에 분산 존재하는 것일 수도 있다. 매체의 예시로는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM 및 DVD 와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical medium), 및 ROM, RAM, 플래시 메모리 등을 포함하여 프로그램 명령어가 저장되도록 구성된 것이 있을 수 있다. 또한, 다른 매체의 예시로, 애플리케이션을 유통하는 앱 스토어나 기타 다양한 소프트웨어를 공급 내지 유통하는 사이트, 서버 등에서 관리하는 기록매체 내지 저장매체도 들 수 있다.
본 개시의 방법, 동작 또는 기법들은 다양한 수단에 의해 구현될 수도 있다. 예를 들어, 이러한 기법들은 하드웨어, 펌웨어, 소프트웨어, 또는 이들의 조합으로 구현될 수도 있다. 본원의 개시와 연계하여 설명된 다양한 예시적인 논리적 블록들, 모듈들, 회로들, 및 알고리즘 단계들은 전자 하드웨어, 컴퓨터 소프트웨어, 또는 양자의 조합들로 구현될 수도 있음을 통상의 기술자들은 이해할 것이다. 하드웨어 및 소프트웨어의 이러한 상호 대체를 명확하게 설명하기 위해, 다양한 예시적인 구성요소들, 블록들, 모듈들, 회로들, 및 단계들이 그들의 기능적 관점에서 일반적으로 위에서 설명되었다. 그러한 기능이 하드웨어로서 구현되는지 또는 소프트웨어로서 구현되는지의 여부는, 특정 애플리케이션 및 전체 시스템에 부과되는 설계 요구사항들에 따라 달라진다. 통상의 기술자들은 각각의 특정 애플리케이션을 위해 다양한 방식들로 설명된 기능을 구현할 수도 있으나, 그러한 구현들은 본 개시의 범위로부터 벗어나게 하는 것으로 해석되어서는 안된다.
하드웨어 구현에서, 기법들을 수행하는 데 이용되는 프로세싱 유닛들은, 하나 이상의 ASIC들, DSP들, 디지털 신호 프로세싱 디바이스들(digital signal processing devices; DSPD들), 프로그램가능 논리 디바이스들(programmable logic devices; PLD들), 필드 프로그램가능 게이트 어레이들(field programmable gate arrays; FPGA들), 프로세서들, 제어기들, 마이크로제어기들, 마이크로프로세서들, 전자 디바이스들, 본 개시에 설명된 기능들을 수행하도록 설계된 다른 전자 유닛들, 컴퓨터, 또는 이들의 조합 내에서 구현될 수도 있다.
따라서, 본 개시와 연계하여 설명된 다양한 예시적인 논리 블록들, 모듈들, 및 회로들은 범용 프로세서, DSP, ASIC, FPGA나 다른 프로그램 가능 논리 디바이스, 이산 게이트나 트랜지스터 로직, 이산 하드웨어 컴포넌트들, 또는 본원에 설명된 기능들을 수행하도록 설계된 것들의 임의의 조합으로 구현되거나 수행될 수도 있다. 범용 프로세서는 마이크로프로세서일 수도 있지만, 대안으로, 프로세서는 임의의 종래의 프로세서, 제어기, 마이크로제어기, 또는 상태 머신일 수도 있다. 프로세서는 또한, 컴퓨팅 디바이스들의 조합, 예를 들면, DSP와 마이크로프로세서, 복수의 마이크로프로세서들, DSP 코어와 연계한 하나 이상의 마이크로프로세서들, 또는 임의의 다른 구성의 조합으로서 구현될 수도 있다.
펌웨어 및/또는 소프트웨어 구현에 있어서, 기법들은 랜덤 액세스 메모리(random access memory; RAM), 판독 전용 메모리(read-only memory; ROM), 비휘발성 RAM(non-volatile random access memory; NVRAM), PROM(programmable read-only memory), EPROM(erasable programmable read-only memory), EEPROM(electrically erasable PROM), 플래시 메모리, 컴팩트 디스크(compact disc; CD), 자기 또는 광학 데이터 스토리지 디바이스 등과 같은 컴퓨터 판독가능 매체 상에 저장된 명령들로서 구현될 수도 있다. 명령들은 하나 이상의 프로세서들에 의해 실행 가능할 수도 있고, 프로세서(들)로 하여금 본 개시에 설명된 기능의 특정 양태들을 수행하게 할 수도 있다.
이상 설명된 실시예들이 하나 이상의 독립형 컴퓨터 시스템에서 현재 개시된 주제의 양태들을 활용하는 것으로 기술되었으나, 본 개시는 이에 한정되지 않고, 네트워크나 분산 컴퓨팅 환경과 같은 임의의 컴퓨팅 환경과 연계하여 구현될 수도 있다. 또 나아가, 본 개시에서 주제의 양상들은 복수의 프로세싱 칩들이나 장치들에서 구현될 수도 있고, 스토리지는 복수의 장치들에 걸쳐 유사하게 영향을 받게 될 수도 있다. 이러한 장치들은 PC들, 네트워크 서버들, 및 휴대용 장치들을 포함할 수도 있다.
본 명세서에서는 본 개시가 일부 실시예들과 관련하여 설명되었지만, 본 개시의 발명이 속하는 기술분야의 통상의 기술자가 이해할 수 있는 본 개시의 범위를 벗어나지 않는 범위에서 다양한 변형 및 변경이 이루어질 수 있다. 또한, 그러한 변형 및 변경은 본 명세서에 첨부된 특허청구의 범위 내에 속하는 것으로 생각되어야 한다.
100: 실내 공간 110: 사용자 단말
120: AP 1 130: AP 2 140: AP 3

Claims (17)

  1. 적어도 하나의 프로세서에 의해 수행되는 실내 위치 추정 방법에 있어서,
    실내의 특정 위치에서 복수의 무선 채널을 통해 무선 통신 신호를 수신하는 단계;
    상기 복수의 무선 채널 중 제1 액세스 포인트(Access Point) 장치와 연관된 제1 세트의 무선 채널과 제2 액세스 포인트 장치와 연관된 제2 세트의 무선 채널을 식별하는 단계;
    상기 제1 액세스 포인트 장치와 연관된 상기 제1 세트의 무선 채널의 수신 신호 강도(RSSI)의 평균 값 및 표준편차 값, 그리고 제1 세트의 무선 채널의 개수를 산출하여 제1 입력을 생성하는 단계;
    상기 제2 액세스 포인트 장치와 연관된 상기 제2 세트의 무선 채널의 수신 신호 강도의 평균 값 및 표준편차 값, 그리고 제2 세트의 무선 채널의 개수를 산출하여 제2 입력을 생성하는 단계; 및
    딥러닝 인공 신경망 모델을 이용하여, 상기 제1 입력 및 상기 제2 입력에 기초하여 상기 실내의 특정 위치를 추정하는 단계
    를 포함하는, 실내 위치 추정 방법.
  2. 제1항에 있어서,
    상기 제1 입력을 생성하는 단계는,
    상기 제1 세트의 무선 채널의 수신 신호 강도의 평균 값을 정규화하는 단계;
    상기 제1 세트의 무선 채널의 수신 신호 강도의 표준편차 값을 정규화하는 단계; 및
    상기 제1 세트의 무선 채널의 개수를 정규화하는 단계
    를 포함하는, 실내 위치 추정 방법.
  3. 제1항에 있어서,
    상기 딥러닝 인공 신경망 모델은, 각 액세스 포인트 장치와 연관된 입력을 인코딩하는 특징 인코딩부(feature encoding unit) 및 상기 특징 인코딩부의 출력에 기초하여 위치 좌표값을 추정하는 포즈 추정부(pose regression unit)를 포함하는, 실내 위치 추정 방법.
  4. 제3항에 있어서,
    상기 특징 인코딩부는 복수의 완전 연결 레이어들(fully connected layers)을 포함하고,
    각 완전 연결 레이어들은 하나의 액세스 포인트 장치와 연관된 입력을 독립적으로 인코딩하고,
    상기 복수의 완전 연결 레이어들은 가중치 공유(weight sharing)를 이용하여 구현되는, 실내 위치 추정 방법.
  5. 제4항에 있어서,
    상기 복수의 완전 연결 레이어들의 가중치 공유는 1차원 컨벌루션 레이어(1-dimensional convolutional layer)를 이용하여 구현되는, 실내 위치 추정 방법.
  6. 제1항에 있어서,
    상기 복수의 무선 채널 중 제1 액세스 포인트 장치와 연관된 제1 세트의 무선 채널과 제2 액세스 포인트 장치와 연관된 제2 세트의 무선 채널을 식별하는 단계는,
    각 무선 채널과 연관된 MAC 주소를 확인하는 단계;
    상기 제1 액세스 포인트 장치와 연관된 제1 세트의 MAC 주소를 확인하는 단계;
    상기 제2 액세스 포인트 장치와 연관된 제2 세트의 MAC 주소를 확인하는 단계;
    상기 제1 세트의 MAC 주소와 매칭되는 무선 채널들을 상기 제1 세트의 무선 채널로 식별하는 단계;
    상기 제2 세트의 MAC 주소와 매칭되는 무선 채널들을 상기 제2 세트의 무선 채널로 식별하는 단계
    를 포함하는, 실내 위치 추정 방법.
  7. 제2항에 있어서,
    상기 딥러닝 인공 신경망 모델을 이용하여, 상기 제1 입력 및 상기 제2 입력에 기초하여 상기 실내의 특정 위치를 추정하는 단계는,
    상기 딥러닝 인공 신경망 모델에 의해 출력되는 정규화된 좌표값에 미리 정해진 스케일 변수를 곱하는 단계
    를 포함하는, 실내 위치 추정 방법.
  8. 적어도 하나의 프로세서에 의해 수행되는 실내 위치 추정 방법에 있어서,
    실내의 특정 위치에서 복수의 액세스 포인트 장치로부터 복수의 무선 채널을 통해 무선 통신 신호를 수신하는 단계;
    각 액세스 포인트 장치마다, 연관된 무선 채널들의 수신 신호 강도의 평균 값 및 표준편차 값, 그리고 연관된 무선 채널들의 개수를 산출하여, 복수의 입력을 생성하는 단계; 및
    상기 복수의 입력을 딥러닝 인공 신경망 모델에 입력하여 상기 실내의 특정 위치를 추정하는 단계
    를 포함하는, 실내 위치 추정 방법.
  9. 적어도 하나의 프로세서에 의해 수행되는 실내 위치 추정 방법에 있어서,
    실내의 특정 위치에서 다중 채널을 지원하는 제1 액세스 포인트 장치로부터 복수의 무선 채널을 통해 무선 통신 신호를 수신하는 단계;
    상기 실내의 특정 위치에서 제2 액세스 포인트 장치로부터 미리 정해진 스캔 주기 동안 단일 무선 채널을 통해 무선 통신 신호를 복수회 수신하는 단계;
    상기 제1 액세스 포인트 장치와 연관된 복수의 무선 채널의 수신 신호 강도의 평균 값 및 표준편차 값, 그리고 복수의 무선 채널의 개수를 산출하여 제1 입력을 생성하는 단계;
    상기 미리 정해진 스캔 주기 동안, 상기 제2 액세스 포인트 장치의 수신 신호 강도의 평균 값 및 표준편차 값, 그리고 상기 제2 액세스 포인트 장치로부터 무선 통신 신호가 수신되는 횟수를 산출하여 제2 입력을 생성하는 단계; 및
    딥러닝 인공 신경망 모델을 이용하여, 상기 제1 입력 및 상기 제2 입력에 기초하여 상기 실내의 특정 위치를 추정하는 단계
    를 포함하는, 실내 위치 추정 방법.
  10. 적어도 하나의 프로세서에 의해 수행되는 실내 위치 추정 방법에 있어서,
    실내의 특정 위치에서 제1 액세스 포인트 장치로부터 미리 정해진 스캔 주기 동안 단일 무선 채널을 통해 무선 통신 신호를 복수회 수신하는 단계;
    상기 실내의 특정 위치에서 제2 액세스 포인트 장치로부터 미리 정해진 스캔 주기 동안 단일 무선 채널을 통해 무선 통신 신호를 복수회 수신하는 단계;
    상기 미리 정해진 스캔 주기 동안, 상기 제1 액세스 포인트 장치의 수신 신호 강도의 평균 값 및 표준편차 값, 그리고 상기 제1 액세스 포인트 장치로부터 무선 통신 신호가 수신되는 횟수를 산출하여 제1 입력을 생성하는 단계; 및
    상기 미리 정해진 스캔 주기 동안, 상기 제2 액세스 포인트 장치의 수신 신호 강도의 평균 값 및 표준편차 값, 그리고 상기 제2 액세스 포인트 장치로부터 무선 통신 신호가 수신되는 횟수를 산출하여 제2 입력을 생성하는 단계; 및
    딥러닝 인공 신경망 모델을 이용하여, 상기 제1 입력 및 상기 제2 입력에 기초하여 상기 실내의 특정 위치를 추정하는 단계
    를 포함하는, 실내 위치 추정 방법.
  11. 제10항에 있어서,
    상기 제1 입력을 생성하는 단계는,
    상기 제1 액세스 포인트 장치의 수신 신호 강도의 평균 값 및 표준편차 값을 정규화하는 단계; 및
    상기 제1 액세스 포인트 장치로부터 무선 통신 신호가 수신되는 횟수를 정규화하는 단계
    를 포함하는, 실내 위치 추정 방법.
  12. 제10항에 있어서,
    상기 딥러닝 인공 신경망 모델은, 각 액세스 포인트 장치와 연관된 입력을 인코딩하는 특징 인코딩부(feature encoding unit) 및 상기 특징 인코딩부의 출력에 기초하여 위치 좌표값을 추정하는 포즈 추정부(pose regression unit)를 포함하는, 실내 위치 추정 방법.
  13. 제12항에 있어서,
    상기 특징 인코딩부는 복수의 완전 연결 레이어들(fully connected layers)을 포함하고,
    각 완전 연결 레이어들은 하나의 액세스 포인트 장치와 연관된 입력을 독립적으로 인코딩하고,
    상기 복수의 완전 연결 레이어들은 가중치 공유(weight sharing)를 이용하여 구현되는, 실내 위치 추정 방법.
  14. 제13항에 있어서,
    상기 복수의 완전 연결 레이어들의 가중치 공유는 1차원 컨벌루션 레이어(1-dimensional convolutional layer)를 이용하여 구현되는, 실내 위치 추정 방법.
  15. 제11항에 있어서,
    상기 딥러닝 인공 신경망 모델을 이용하여, 상기 제1 입력 및 상기 제2 입력에 기초하여 상기 실내의 특정 위치를 추정하는 단계는,
    상기 딥러닝 인공 신경망 모델에 의해 출력되는 정규화된 좌표값에 미리 정해진 스케일 변수를 곱하는 단계
    를 포함하는, 실내 위치 추정 방법.
  16. 적어도 하나의 프로세서에 의해 수행되는 실내 위치 추정 방법에 있어서,
    실내의 특정 위치에서 미리 정해진 스캔 주기 동안 복수의 액세스 포인트 장치로부터 무선 통신 신호를 수신하는 단계;
    각 액세스 포인트 장치마다, 상기 미리 정해진 스캔 주기 동안의 수신 신호 강도의 평균 값 및 표준 편차 값, 그리고 무선 통신 신호가 수신되는 횟수를 산출하여, 복수의 입력을 생성하는 단계; 및
    상기 복수의 입력을 딥러닝 인공 신경망 모델에 입력하여 상기 실내의 특정 위치를 추정하는 단계
    를 포함하는, 실내 위치 추정 방법.
  17. 제1항 내지 제16항 중 어느 한 항에 따른 방법을 컴퓨터에서 실행하기 위해 컴퓨터 판독 가능한 기록 매체에 저장된 컴퓨터 프로그램.
KR1020210043488A 2021-04-02 2021-04-02 실내 위치 추정 방법 및 시스템 KR102541852B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210043488A KR102541852B1 (ko) 2021-04-02 2021-04-02 실내 위치 추정 방법 및 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210043488A KR102541852B1 (ko) 2021-04-02 2021-04-02 실내 위치 추정 방법 및 시스템

Publications (2)

Publication Number Publication Date
KR20220137423A true KR20220137423A (ko) 2022-10-12
KR102541852B1 KR102541852B1 (ko) 2023-06-12

Family

ID=83598135

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210043488A KR102541852B1 (ko) 2021-04-02 2021-04-02 실내 위치 추정 방법 및 시스템

Country Status (1)

Country Link
KR (1) KR102541852B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116743286A (zh) * 2023-06-12 2023-09-12 广东技术师范大学 基于自注意力机制的无线信号接收强度预测方法及装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20050034762A (ko) * 2003-10-07 2005-04-15 한국전자통신연구원 무선랜 측위서버를 이용한 이동단말의 위치 추적시스템 및방법
KR20130026894A (ko) * 2011-09-06 2013-03-14 에스케이텔레콤 주식회사 위치 추정 방법과 그를 위한 장치 및 컴퓨터로 읽을 수 있는 기록매체
KR101934276B1 (ko) * 2017-09-11 2019-01-04 (주)와이파이브 위치기반서비스 시스템 및 방법
KR20200017612A (ko) * 2018-08-08 2020-02-19 (주)휴빌론 딥러닝을 이용한 위치 측위 학습 방법

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20050034762A (ko) * 2003-10-07 2005-04-15 한국전자통신연구원 무선랜 측위서버를 이용한 이동단말의 위치 추적시스템 및방법
KR20130026894A (ko) * 2011-09-06 2013-03-14 에스케이텔레콤 주식회사 위치 추정 방법과 그를 위한 장치 및 컴퓨터로 읽을 수 있는 기록매체
KR101934276B1 (ko) * 2017-09-11 2019-01-04 (주)와이파이브 위치기반서비스 시스템 및 방법
KR20200017612A (ko) * 2018-08-08 2020-02-19 (주)휴빌론 딥러닝을 이용한 위치 측위 학습 방법

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116743286A (zh) * 2023-06-12 2023-09-12 广东技术师范大学 基于自注意力机制的无线信号接收强度预测方法及装置
CN116743286B (zh) * 2023-06-12 2024-01-30 广东技术师范大学 基于自注意力机制的无线信号接收强度预测方法及装置

Also Published As

Publication number Publication date
KR102541852B1 (ko) 2023-06-12

Similar Documents

Publication Publication Date Title
US11212652B2 (en) Positioning method and apparatus
US9907008B2 (en) Cloud-coordinated location system using ultrasonic pulses and radio signals
US10347118B2 (en) Device and method for controlling a plurality of targeted devices
US9081080B2 (en) RSSI-based indoor positioning in the presence of dynamic transmission power control access points
CN108141837B (zh) 用于跟踪的装置和方法
CN108027419A (zh) 自组织混合室内定位系统
WO2013191967A1 (en) Routability graph with predetermined number of weighted edges for estimating a trajectory of a mobile device
JP2014197028A (ja) ビーコン場所データベースを構築および利用する装置および方法
US20150080011A1 (en) Systems and Techniques for Colocation and Context Determination
US9473887B2 (en) Wireless positioning and wireless positioning method and apparatus
WO2017070969A1 (zh) 一种楼层定位方法、网络设备及移动终端
WO2015077489A1 (en) Motion state based mobile device positioning
KR20130142309A (ko) 전자장치에서 의미적 위치 인식 방법 및 장치
US20200182624A1 (en) Providing constraint to a position
US10397750B2 (en) Method, controller, telepresence robot, and storage medium for controlling communications between first communication device and second communication devices
US9716980B1 (en) Geometrical scheduling algorithm for acoustic positioning beacons
KR102541852B1 (ko) 실내 위치 추정 방법 및 시스템
Jiang et al. Robot-assisted smartphone localization for human indoor tracking
US20160157059A1 (en) Use of a trained classifier to determine if a pair of wireless scans came from the same location
KR102097465B1 (ko) 가속도 센서를 이용한 측위 주기 조절
KR20170083328A (ko) 모바일 디바이스 및 모바일 디바이스의 제어방법
US20220196406A1 (en) Method and apparatus for defining a navigable area of an indoor space using location trace snippets
CN113945211A (zh) 使用ac磁场的目标定位
CN117308966B (zh) 室内定位与导航方法、系统、计算机设备
KR20230062270A (ko) 액세스 포인트(ap) 장치의 위치 정보 및 식별 정보의 매칭 방법 및 장치

Legal Events

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