WO2020222373A1 - 실내 측위 장치 및 방법 - Google Patents

실내 측위 장치 및 방법 Download PDF

Info

Publication number
WO2020222373A1
WO2020222373A1 PCT/KR2019/012415 KR2019012415W WO2020222373A1 WO 2020222373 A1 WO2020222373 A1 WO 2020222373A1 KR 2019012415 W KR2019012415 W KR 2019012415W WO 2020222373 A1 WO2020222373 A1 WO 2020222373A1
Authority
WO
WIPO (PCT)
Prior art keywords
location
magnetic field
candidate group
movement distance
field pattern
Prior art date
Application number
PCT/KR2019/012415
Other languages
English (en)
French (fr)
Inventor
박용완
허수정
강민규
Original Assignee
영남대학교 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 영남대학교 산학협력단 filed Critical 영남대학교 산학협력단
Publication of WO2020222373A1 publication Critical patent/WO2020222373A1/ko

Links

Images

Classifications

    • 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
    • G01C21/04—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by terrestrial means
    • G01C21/08—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by terrestrial means involving use of the magnetic field of the earth
    • 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

Definitions

  • Embodiments of the present invention relate to indoor positioning technology using a geomagnetic field.
  • the technology divides the space to be positioned into a certain range, and then builds a database using the location value of each positioning point and the Earth's magnetic field data measured at each positioning point.
  • the positioning server compares the received earth magnetic field data with the value of the earth magnetic field data stored in the database to determine the location of the mobile device. After the decision is made, information on the determined location is provided to the mobile device.
  • Embodiments of the present invention are to provide an indoor positioning apparatus and method using a geomagnetic field.
  • An indoor positioning device includes: a receiver configured to receive acceleration data and earth magnetic field data from a user's mobile device; A moving distance determining unit determining a moving distance of the user based on the acceleration data; An earth magnetic field pattern generator for generating an earth magnetic field pattern for each of a plurality of moving distances based on the determined moving distance and the earth magnetic field data; And generating a position candidate group for each of the plurality of moving distances, based on the earth magnetic field pattern for each of the plurality of moving distances, and estimating the location of the user using the position candidate group for each of the plurality of moving distances. It includes a position estimation unit.
  • the moving distance determining unit may determine the user's stride length and number of steps based on the acceleration data, and may determine the moving distance based on the stride length and the number of steps.
  • the moving distance determining unit may calculate the user's walking frequency and acceleration variance based on the acceleration data, and determine the stride length from the walking frequency and the acceleration variance using a pre-learned stride length prediction model.
  • the stride length prediction model may be an artificial neural network model that is pre-trained to output a stride length by receiving a step frequency and acceleration variance.
  • the position estimating unit may generate a position candidate group for each of the plurality of moving distances by using the plurality of position estimation models.
  • Each of the plurality of position estimation models is a convolutional product that is pre-learned to output one or more position candidates for the specific movement distance by receiving a geomagnetic field pattern for a specific movement distance among the geomagnetic field patterns for each of the plurality of movement distances. It may be a convolutional neural network (CNN) model.
  • CNN convolutional neural network
  • the earth magnetic field pattern generating unit generates a first earth magnetic field pattern corresponding to the first moving distance based on the earth magnetic field data received while the user moves the first moving distance, and the moving distance of the user is the When the distance increases from the first movement distance to the second movement distance, the second movement distance based on the earth magnetic field data received while the user moves from the first movement distance to the second movement distance and the first earth magnetic field pattern
  • a second earth magnetic field pattern corresponding to is generated, and the movement distance of the user increases from the second movement distance to a third movement distance, the user receives while moving from the second movement distance to the third movement distance.
  • a third earth magnetic field pattern corresponding to the third moving distance may be generated based on the generated earth magnetic field data and the second earth magnetic field pattern.
  • the plurality of position estimation models include: a first position estimation model receiving the first earth magnetic field pattern and generating a first position candidate group for the first movement distance, and the second movement by receiving the second earth magnetic field pattern.
  • a second position estimation model for generating a second position candidate group for a distance, and a plurality of third position estimation models for generating a third position candidate group for the third moving distance by receiving the third earth magnetic field pattern. have.
  • the location estimating unit may estimate the location of the user based on a distance between the first location candidate group, the second location candidate group, and location candidates included in the third location candidate group.
  • the location estimating unit generates a fourth location candidate group including location candidates in which a distance from at least one of location candidates included in the first location candidate group is less than or equal to a preset value among location candidates included in the second location candidate group, A fifth position candidate group including position candidates having a difference between at least one of the position candidates included in the fourth position candidate group among position candidates included in the third position candidate group is less than or equal to the preset value, and the fifth position
  • the location of the user may be estimated based on the number of duplicate values among location candidates included in the candidate group.
  • An indoor positioning method includes: receiving acceleration data and earth magnetic field data from a user's mobile device; Determining a moving distance of the user based on the acceleration data; Generating an earth magnetic field pattern for each of a plurality of moving distances based on the determined moving distance and the earth magnetic field data; Generating a position candidate group for each of the plurality of moving distances based on the Earth's magnetic field pattern for each of the plurality of moving distances; And estimating the location of the user by using a location candidate group for each of the plurality of moving distances.
  • the determining may include determining the user's stride length and the number of steps based on the acceleration data, and determining the moving distance based on the stride length and the number of steps.
  • the determining may include calculating the user's walking frequency and acceleration variance based on the acceleration data, and determining the stride length from the walking frequency and acceleration variance using a pre-learned stride length prediction model.
  • the stride length prediction model may be an artificial neural network model that is pre-trained to output a stride length by receiving a step frequency and acceleration variance.
  • a location candidate group for each of the plurality of movement distances may be generated using the plurality of location estimation models.
  • Each of the plurality of position estimation models is a convolutional product that is pre-learned to output one or more position candidates for the specific movement distance by receiving a geomagnetic field pattern for a specific movement distance among the geomagnetic field patterns for each of the plurality of movement distances. It may be a convolutional neural network (CNN) model.
  • CNN convolutional neural network
  • the generating of the Earth's magnetic field pattern may include: generating a first Earth's magnetic field pattern corresponding to the first moving distance based on the Earth's magnetic field data received while the user moves the first moving distance; When the movement distance of the user increases from the first movement distance to the second movement distance, the earth magnetic field data received while the user moves from the first movement distance to the second movement distance and the first earth magnetic field pattern Generating a second earth magnetic field pattern corresponding to the second movement distance based on the second movement distance; And when the moving distance of the user increases from the second moving distance to the third moving distance, the earth magnetic field data and the second earth magnetic field pattern received while the user moves from the second moving distance to the third moving distance. And generating a third earth magnetic field pattern corresponding to the third moving distance.
  • the plurality of position estimation models include: a first position estimation model receiving the first earth magnetic field pattern and generating a first position candidate group for the first movement distance, and the second movement by receiving the second earth magnetic field pattern.
  • a second position estimation model for generating a second position candidate group for a distance, and a plurality of third position estimation models for generating a third position candidate group for the third moving distance by receiving the third earth magnetic field pattern. have.
  • the location of the user may be estimated based on a distance between the first location candidate group, the second location candidate group, and location candidates included in the third location candidate group.
  • the step of estimating the location of the user may include: a fourth location including location candidates in which a distance from at least one of location candidates included in the first location candidate group is less than or equal to a preset value among location candidates included in the second location candidate group. Generating a candidate group; Generating a fifth location candidate group including location candidates in which a difference between at least one of the location candidates included in the fourth location candidate group among the location candidates included in the third location candidate group is equal to or less than the preset value; And estimating the location of the user based on the number of duplicated values among location candidates included in the fifth location candidate group.
  • FIG. 1 is a configuration diagram of an indoor positioning system according to an embodiment of the present invention
  • FIG. 2 is a configuration diagram of an indoor positioning device according to an embodiment of the present invention
  • 3 is a diagram showing a change in the overall magnitude of acceleration
  • FIG. 4 is a diagram showing an example of a stride length prediction model according to an embodiment of the present invention
  • FIG. 5 is an exemplary view for explaining the generation of the Earth's magnetic field pattern according to an embodiment of the present invention
  • FIG. 6 is a plan view of an indoor space to be positioned
  • FIG. 7 is an exemplary view showing an example of a geomagnetic field pattern generated using pre-measured geomagnetic field data while moving along a linear movement path 600 of an indoor space shown in FIG. 6
  • FIG. 9 is a block diagram illustrating and describing a computing environment including a computing device suitable for use in example embodiments.
  • FIG. 1 is a block diagram of an indoor positioning system according to an embodiment of the present invention.
  • an indoor positioning system 100 includes a mobile device 110 and a positioning server 130.
  • the mobile device 110 is portable by a user, such as, for example, a smart phone, a tablet PC, or a wearable device, and an acceleration measurement means for measuring acceleration, a magnetic field measurement for measuring a geomagnetic field. It can be of various types of devices with means and wireless communication means.
  • the mobile device 110 may transmit acceleration data measured using the acceleration measuring means and earth magnetic field data measured using the earth magnetic field measuring means to the positioning server 130.
  • the acceleration measuring means may be, for example, a three-axis acceleration sensor, and in this case, the acceleration data may be a three-dimensional vector value including acceleration magnitudes for each of the X-axis, Y-axis, and Z-axis.
  • the magnetic field measuring means may be a three-axis geomagnetic sensor.
  • the earth's magnetic field data may be a three-dimensional vector value including the strength of the earth's magnetic field for each of the X-axis, Y-axis, and Z-axis.
  • the strength of the earth's magnetic field may mean magnetic flux density.
  • the positioning server 130 determines the location of the user who has the mobile device 110 using the acceleration data and the earth magnetic field data received from the mobile device 110, and provides information on the determined location to the mobile device 110. Can be provided as
  • FIG. 2 is a block diagram of an indoor positioning device according to an embodiment of the present invention.
  • the indoor positioning device 200 illustrated in FIG. 2 may be implemented as a component included in the positioning server 130 illustrated in FIG. 1, for example.
  • the indoor positioning device 200 includes a receiving unit 210, a moving distance determining unit 220, a magnetic field pattern generation unit 230, and a position estimating unit 240. Include.
  • the receiving unit 210 receives acceleration data and earth magnetic field data from the user's mobile device 110.
  • acceleration data and earth magnetic field data received from the mobile device 110 may be data measured by the mobile device 110 according to a preset time interval.
  • the moving distance determining unit 220 determines a moving distance of the user based on acceleration data received from the mobile device 110.
  • the moving distance determining unit 220 determines a user's step length and step count based on acceleration data received from the mobile device 110, and determines the determined step length and the number of steps. Based on the user's movement distance may be determined.
  • the moving distance determining unit 220 may calculate the total acceleration size from the acceleration data using Equation 1 below, and determine the number of steps of the user based on the calculated acceleration total size.
  • acc(i) is the total acceleration size for the i-th acceleration data among the acceleration data received from the mobile device 110
  • acc(i) x is the X-axis acceleration size included in the i-th acceleration data
  • acc(i) y denotes the magnitude of the Y-axis acceleration included in the i-th acceleration data
  • acc(i) z denotes the magnitude of the Z-axis acceleration included in the i-th acceleration data, respectively.
  • the moving distance determining unit 220 may determine the number of steps of the user according to whether acc(i) satisfies all of Equations 2 to 4 below.
  • the moving distance determination unit 220 may determine a vertex exceeding a threshold. The number can be determined as the number of steps of the user.
  • the threshold value is set to 10.5, but the threshold value may be changed according to embodiments.
  • the moving distance determination unit 220 calculates an acceleration variance and a step frequency based on the acceleration data received from the mobile device 110, and calculates the step frequency and the acceleration variance using a pre-learned stride prediction model.
  • the user's stride length can be determined.
  • the acceleration variance may be a variance of the total magnitude of the acceleration calculated according to Equation 1 above.
  • the user's step frequency may be the number of steps per unit time (ie, stepCount/sec) calculated using the number of steps determined based on Equations 2 to 4 described above.
  • the stride length prediction model may be a model trained to determine the user's stride length using, for example, Equation 5 below.
  • Equation 5 WF denotes the user's walking frequency, and AV denotes acceleration variance.
  • a 1 , a 2 and b may be determined through learning using a step frequency and acceleration variance calculated from pre-collected acceleration data and a stride length corresponding to each acceleration data.
  • the pre-collected acceleration data may be pre-measured acceleration data for pedestrians having different genders and body types.
  • a 1 , a 2 and b may be learned by using the step frequency and acceleration variance calculated from each of the acceleration data previously collected as input values, and using the stride length corresponding to each acceleration data as a target value.
  • the stride prediction model may be an artificial neural network model as shown in FIG. 4.
  • the stride prediction model can be learned using an error backpropagation algorithm, and a 1 , a 2 and b can be updated through stochastic gradient descent, respectively.
  • the moving distance determining unit 220 may calculate the user's moving distance using, for example, Equation 6 below.
  • the earth magnetic field pattern generation unit 230 generates an earth magnetic field pattern for each of a plurality of movement distances based on the user's movement distance determined by the movement distance determination unit 220 and the earth magnetic field data received from the mobile device 110 do.
  • the Earth's magnetic field pattern may mean a pattern of changes in the Earth's magnetic field according to an increase in a moving distance. More specifically, the Earth's magnetic field pattern may refer to a pattern of changes in the strength of the Earth's magnetic field for each of the X-axis, Y-axis, and Z-axis and the total strength of the Earth's magnetic field.
  • the total strength of the Earth's magnetic field may be calculated using, for example, Equation 7 below.
  • mag x , mag y, and mag z denote the strength of the Earth's magnetic field for each of the X, Y, and Z axes
  • mag v denotes the total strength of the Earth's magnetic field
  • FIG 5 is an exemplary view for explaining the generation of the Earth's magnetic field pattern according to an embodiment of the present invention.
  • a graph indicated in blue indicates a pattern of change in mag v according to an increase in the moving distance
  • a graph indicated in orange, a graph indicated in green, and a graph indicated in red indicate mag x and mag y according to the increase in the moving distance, respectively.
  • a change pattern of mag z indicates a pattern of change in mag v according to an increase in the moving distance
  • the earth magnetic field pattern generator 230 first moves based on the earth magnetic field data received while the user of the mobile device 110 moves the first moving distance (eg, 3 m).
  • a first earth magnetic field pattern 510 corresponding to the distance may be generated. That is, the first Earth's magnetic field pattern 510 may represent a pattern of changes in the Earth's magnetic field according to an increase in the moving distance while the user moves, for example, 3 m.
  • the earth magnetic field pattern generation unit 230 moves the user from the first movement distance to the second movement distance.
  • a second earth magnetic field pattern 520 corresponding to the second moving distance may be generated based on the earth magnetic field data and the first earth magnetic field pattern 510 received during the period.
  • the second earth magnetic field pattern 520 increases the movement distance while additionally moving 1m. It may be generated by adding the corresponding earth magnetic field change pattern 521 to the first earth magnetic field pattern 510.
  • the earth magnetic field pattern generator 230 moves the user from the second movement distance to the third movement distance.
  • the third earth magnetic field pattern 530 corresponding to the third moving distance may be generated based on the earth magnetic field data and the second earth magnetic field pattern 520 received during the period.
  • the third earth magnetic field pattern 530 increases the movement distance while moving the additional 1m. It may be generated by adding the corresponding earth magnetic field change pattern 531 to the second earth magnetic field pattern 520.
  • the position estimating unit 240 selects a position candidate group for each of the plurality of moving distances based on the earth magnetic field pattern for each of the plurality of moving distances generated by the earth magnetic field pattern generating unit 230. Generate.
  • the position estimating unit 240 may generate a position candidate group for each of the plurality of movement distances from the Earth's magnetic field pattern for each of the plurality of movement distances using a plurality of position estimation models.
  • the plurality of position estimation models receive an earth magnetic field pattern for a specific movement distance among the earth magnetic field patterns for each of the plurality of movement distances, and at least one position candidate for a specific movement distance is selected. It may be a convolutional neural network (CNN) model pre-trained to generate.
  • CNN convolutional neural network
  • the plurality of position estimation models receive the earth's magnetic field pattern for the first moving distance (eg, 3m) generated by the earth's magnetic field pattern generator 230, and the plurality of position candidates to be included in the first position candidate group. It may include a first position estimation model that generates.
  • the plurality of position estimation models receive the earth magnetic field pattern for the second moving distance (for example, 4m) generated by the earth magnetic field pattern generator 230 and select a plurality of position candidates to be included in the second position candidate group. It may include a second position estimation model to be generated.
  • the plurality of position estimation models receive the earth magnetic field pattern for the third moving distance (for example, 5 m) generated by the earth magnetic field pattern generator 230 and select one or more position candidates to be included in the third position candidate group. It may include a plurality of third position estimation models to be generated.
  • the plurality of location estimation models use the Earth's magnetic field pattern for a specific moving distance generated using pre-measured Earth's magnetic field data in the indoor space, each of which is a positioning target, as an input value. It can be learned through supervised learning using a location as a target value.
  • FIG. 6 is a plan view of an indoor space that is a positioning target
  • FIG. 7 is a diagram of an earth magnetic field pattern generated using pre-measured earth magnetic field data while moving along a linear movement path 600 in the indoor space shown in FIG. An example is shown.
  • the graph indicated in blue indicates the pattern of change in mag v according to the increase in the moving distance
  • the graph indicated in orange, the graph indicated in gray, and the graph indicated in yellow indicate mag x and mag y according to the increase in the moving distance, respectively.
  • a change pattern of mag z .
  • the first position estimation model uses a plurality of partial patterns generated by dividing the earth magnetic field pattern shown in FIG. 7 into units of 3m while moving at 1m intervals as input values. It may be learned by using a location in an indoor space corresponding to a partial pattern as a target value. That is, in this case, each partial pattern corresponds to, for example, the Earth's magnetic field pattern corresponding to the 0 to 3m section of the Earth's magnetic field pattern shown in FIG. 7, the Earth's magnetic field pattern corresponding to the 1m to 4m section, and the 2m to 5m section. Earth's magnetic field pattern, etc.
  • the second location estimation model uses a plurality of partial patterns generated by dividing the Earth's magnetic field pattern shown in FIG. 7 by 4m units while moving at 1m intervals as input values, and indoors corresponding to each partial pattern. It can be learned using a location in space as a target value. That is, in this case, each partial pattern corresponds to, for example, the Earth's magnetic field pattern corresponding to the 0 to 4m section of the Earth's magnetic field pattern shown in FIG. 7, the Earth's magnetic field pattern corresponding to the 1m to 5m section, and the 2m to 6m section. Earth's magnetic field pattern, etc.
  • each partial pattern corresponds to, for example, the Earth's magnetic field pattern corresponding to the 0 to 5m section of the Earth's magnetic field pattern shown in FIG. 7, the Earth's magnetic field pattern corresponding to the 1m to 6m section, and the 2m to 7m section. Earth's magnetic field pattern, etc.
  • the location estimating unit 240 estimates the location of the user by using the generated location candidate group.
  • the position candidate group for each of the plurality of movement distances is based on the first position candidate group and the second position estimation model for the first movement distance generated by the first position estimation model as described above.
  • a second position candidate group for the generated second movement distance and a third position candidate group for a third movement distance generated by a plurality of third position estimation models may be included.
  • the location estimating unit 240 may estimate the location of the user based on the distance between location candidates included in each location candidate group.
  • the location estimating unit 240 selects a fourth location candidate group including location candidates whose distance to at least one of the location candidates included in the first location candidate group is less than or equal to a preset value among location candidates included in the second location candidate group. Can be generated.
  • the location estimating unit 240 generates a fifth location candidate group including location candidates whose distance to at least one of the location candidates included in the fourth location candidate group is less than or equal to a preset value among location candidates included in the third location candidate group. can do.
  • the location estimating unit 240 may estimate the location of the user based on the number of duplicate location candidates among location candidates included in the fifth location candidate group.
  • the user's location estimated by the location estimating unit 240 is a location on a linear path 600 in the indoor space shown in FIG. 3.
  • the location on the linear path 600 has the same Y-axis coordinates and only the X-axis coordinates, the user's location used below is to be expressed using only the X-axis coordinates, omitting the Y-axis coordinates.
  • the first position estimation model receives the earth magnetic field pattern for the 3m moving distance generated by the earth magnetic field pattern generator 230, generates a first position candidate group including 10 position candidates, and estimates the second position. It is assumed that the model receives the Earth's magnetic field pattern for the 4m movement distance generated by the Earth's magnetic field pattern generator 230 and generates a second position candidate group including 10 position candidates.
  • each of the seven third position estimation models receives the Earth's magnetic field pattern for the 5m movement distance generated by the Earth's magnetic field pattern generator 230 and generates one position candidate. Is assumed to be. That is, the third position candidate group includes seven position candidates generated by the seven third position estimation models, and accordingly, at least some of the position candidates included in the third position candidate group may have the same value.
  • the first position candidate group P 1 , the second position candidate group P 2 , and the third position candidate group P 3 are respectively generated as follows.
  • the location estimating unit 240 may first calculate a distance between each of the location candidates included in the second location candidate group P 2 and each of the location candidates included in the first location candidate group P 1 . In addition, the location estimating unit 240 selects a location candidate whose distance from at least one of the location candidates included in the first location candidate group P 1 is 2m or less among the location candidates included in the second location candidate group P 2 as follows. A fourth position candidate group P 4 to be included may be generated.
  • the location estimating unit 240 may calculate a distance between each of the location candidates included in the fourth location candidate group P 4 and each of the location candidates included in the third location candidate group P 3 .
  • the location estimating unit 240 selects a location candidate whose distance from at least one of the location candidates included in the fourth location candidate group P 4 is 2m or less among location candidates included in the third location candidate group P 3 as follows.
  • a fifth position candidate group P 5 to be included may be generated.
  • the location estimator 240 may estimate the location of the user based on the number of duplicated values among location candidates included in the fifth location candidate group P 5 .
  • the location estimating unit 240 may estimate '76.5', which is an average value of the two location candidates, as the user's location.
  • the position estimator 240 is the fifth position candidate group P Among the location candidates included in 5 ), '77' in which the number of duplicate values is the maximum may be estimated as the user's location.
  • FIG. 8 is a flowchart of an indoor positioning method according to an embodiment of the present invention.
  • the method shown in FIG. 8 may be performed, for example, by the indoor positioning device 200 shown in FIG. 2.
  • the indoor positioning device 200 receives acceleration data and earth magnetic field data from the user's mobile device 110 (810).
  • the indoor positioning device 200 determines a moving distance of the user based on the received acceleration data (820).
  • the indoor positioning apparatus 200 generates a geomagnetic field pattern for each of the plurality of movement distances based on the determined movement distance and the received geomagnetic field data (830 ).
  • the indoor positioning apparatus 200 generates a position candidate group for each of the plurality of movement distances based on the Earth's magnetic field pattern for each of the plurality of movement distances (840).
  • the indoor positioning apparatus 200 estimates the location of the user using a location candidate group for each of the plurality of moving distances (850).
  • the method is described by dividing the method into a plurality of steps, but at least some of the steps are performed in a different order, combined with other steps, performed together, omitted, or divided into detailed steps. Or, one or more steps not shown may be added and performed.
  • each component may have different functions and capabilities in addition to those described below, and may include additional components in addition to those not described below.
  • the illustrated computing environment 10 includes a computing device 12.
  • computing device 12 may be one or more components included in indoor positioning device 200.
  • the computing device 12 includes at least one processor 14, a computer-readable storage medium 16 and a communication bus 18.
  • the processor 14 may cause the computing device 12 to operate according to the exemplary embodiments mentioned above.
  • the processor 14 may execute one or more programs stored in the computer-readable storage medium 16.
  • the one or more programs may include one or more computer-executable instructions, and the computer-executable instructions are configured to cause the computing device 12 to perform operations according to an exemplary embodiment when executed by the processor 14 Can be.
  • the computer-readable storage medium 16 is configured to store computer-executable instructions or program code, program data, and/or other suitable form of information.
  • the program 20 stored in the computer-readable storage medium 16 includes a set of instructions executable by the processor 14.
  • the computer-readable storage medium 16 includes memory (volatile memory such as random access memory, nonvolatile memory, or a suitable combination thereof), one or more magnetic disk storage devices, optical disk storage devices, flash It may be memory devices, other types of storage media that can be accessed by computing device 12 and store desired information, or a suitable combination thereof.
  • the communication bus 18 interconnects the various other components of the computing device 12, including the processor 14 and computer-readable storage medium 16.
  • Computing device 12 may also include one or more input/output interfaces 22 and one or more network communication interfaces 26 that provide interfaces for one or more input/output devices 24.
  • the input/output interface 22 and the network communication interface 26 are connected to the communication bus 18.
  • the input/output device 24 may be connected to other components of the computing device 12 through the input/output interface 22.
  • the exemplary input/output device 24 includes a pointing device (such as a mouse or trackpad), a keyboard, a touch input device (such as a touch pad or a touch screen), a voice or sound input device, and various types of sensor devices and/or a photographing device.
  • Input devices and/or output devices such as display devices, printers, speakers, and/or network cards.
  • the exemplary input/output device 24 may be included in the computing device 12 as a component constituting the computing device 12, and may be connected to the computing device 12 as a separate device distinct from the computing device 12. May be.

Landscapes

  • Engineering & Computer Science (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Environmental & Geological Engineering (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Geology (AREA)
  • Signal Processing (AREA)
  • Automation & Control Theory (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Navigation (AREA)

Abstract

실내 측위 장치 및 방법이 개시된다. 일 실시예에 따른 실내 측위 장치는, 사용자의 모바일 장치로부터 가속도 데이터 및 지구 자기장 데이터를 수신하는 수신부, 상기 가속도 데이터에 기초하여 상기 사용자의 이동 거리를 결정하는 이동 거리 결정부, 상기 결정된 이동 거리 및 상기 지구 자기장 데이터에 기초하여 복수의 이동 거리 각각에 대한 지구 자기장 패턴을 생성하는 지구 자기장 패턴 생성부 및 상기 복수의 이동 거리 각각에 대한 지구 자기장 패턴에 기초하여, 상기 복수의 이동 거리 각각에 대한 위치 후보군을 생성하고, 상기 복수의 이동 거리 각각에 대한 위치 후보군을 이용하여 상기 사용자의 위치를 추정하는 위치 추정부를 포함한다.

Description

실내 측위 장치 및 방법
본 발명의 실시예들은 지구 자기장을 이용한 실내 측위 기술과 관련된다.
최근 실내 측위 기술 중 하나로 지구 자기장 데이터를 이용한 핑거프린트(fingerprint) 방식의 측위 기술이 연구되고 있다. 해당 기술은 측위 대상이 되는 공간을 일정한 범위로 나눈 후, 각 측위 지점의 위치 값과 각 측위 지점에서 측정된 지구 자기장 데이터를 이용하여 데이터베이스를 구축한다.
이후, 모바일 장치에 의해 측정된 지구 자기장 데이터를 포함하는 위치 정보 요청이 측위 서버로 수신되는 경우, 측위 서버는 수신된 지구 자기장 데이터와 데이터베이스에 저장된 지구 자기장 데이터의 값을 비교하여 모바일 장치의 위치를 결정한 후 결정된 위치에 대한 정보를 모바일 장치로 제공한다.
그러나, 이러한 종래 기술의 경우, 모바일 장치마다 측정되는 데이터가 다를 수 있으므로, 정확한 위치 측정을 위해서는 모바일 장치마다 별도의 데이터베이스를 구축해야 한다는 문제점이 존재한다.
본 발명의 실시예들은 지구 자기장을 이용한 실내 측위 장치 및 방법을 제공하기 위한 것이다.
본 발명의 일 실시예에 따른 실내 측위 장치는, 사용자의 모바일 장치로부터 가속도 데이터 및 지구 자기장 데이터를 수신하는 수신부; 상기 가속도 데이터에 기초하여 상기 사용자의 이동 거리를 결정하는 이동 거리 결정부; 상기 결정된 이동 거리 및 상기 지구 자기장 데이터에 기초하여 복수의 이동 거리 각각에 대한 지구 자기장 패턴을 생성하는 지구 자기장 패턴 생성부; 및 상기 복수의 이동 거리 각각에 대한 지구 자기장 패턴에 기초하여, 상기 복수의 이동 거리 각각에 대한 위치 후보군을 생성하고, 상기 복수의 이동 거리 각각에 대한 위치 후보군을 이용하여 상기 사용자의 위치를 추정하는 위치 추정부를 포함한다.
상기 이동 거리 결정부는, 상기 가속도 데이터에 기초하여 상기 사용자의 보폭 및 걸음 수를 결정하고, 상기 보폭 및 상기 걸음 수에 기초하여 상기 이동 거리를 결정할 수 있다.
상기 이동 거리 결정부는, 상기 가속도 데이터에 기초하여 상기 사용자의 걸음 주파수 및 가속도 분산을 산출하고, 사전 학습된 보폭 예측 모델을 이용하여 상기 걸음 주파수 및 상기 가속도 분산으로부터 상기 보폭을 결정할 수 있다.
상기 보폭 예측 모델은, 걸음 주파수 및 가속도 분산을 입력 받아 보폭을 출력하도록 사전 학습된 인공 신경망(Artificial Neural Network) 모델일 수 있다.
상기 위치 추정부는, 상기 복수의 위치 추정 모델을 이용하여 상기 복수의 이동 거리 각각에 대한 위치 후보군을 생성할 수 있다.
상기 복수의 위치 추정 모델은 각각, 상기 복수의 이동 거리 각각에 대한 지구 자기장 패턴 중 특정 이동 거리에 대한 지구 자기장 패턴을 입력받아 상기 특정 이동 거리에 대한 하나 이상의 위치 후보를 출력하도록 사전 학습된 합성곱 신경망(Convolutional Neural Network, CNN) 모델일 수 있다.
상기 지구 자기장 패턴 생성부는, 상기 사용자가 제1 이동 거리를 이동하는 동안 수신된 지구 자기장 데이터에 기초하여 상기 제1 이동 거리에 대응되는 제1 지구 자기장 패턴을 생성하고, 상기 사용자의 이동 거리가 상기 제1 이동 거리에서 제2 이동 거리로 증가한 경우, 상기 사용자가 제1 이동 거리에서 상기 제2 이동 거리로 이동하는 동안 수신된 지구 자기장 데이터 및 상기 제1 지구 자기장 패턴에 기초하여 상기 제2 이동 거리에 대응되는 제2 지구 자기장 패턴을 생성하고, 상기 사용자의 이동 거리가 상기 제2 이동 거리에서 제3 이동 거리로 증가한 경우, 상기 사용자가 제2 이동 거리에서 상기 제3 이동 거리로 이동하는 동안 수신된 지구 자기장 데이터 및 상기 제2 지구 자기장 패턴에 기초하여 상기 제3 이동 거리에 대응되는 제3 지구 자기장 패턴을 생성할 수 있다.
상기 복수의 위치 추정 모델은, 상기 제1 지구 자기장 패턴을 입력받아 상기 제1 이동 거리에 대한 제1 위치 후보군을 생성하는 제1 위치 추정 모델, 상기 제2 지구 자기장 패턴을 입력받아 상기 제2 이동 거리에 대한 제2 위치 후보군을 생성하는 제2 위치 추정 모델 및 상기 제3 지구 자기장 패턴을 입력받아 상기 제3 이동 거리에 대한 제3 위치 후보군을 생성하는 복수의 제3 위치 추정 모델을 포함할 수 있다.
상기 위치 추정부는, 상기 제1 위치 후보군, 상기 제2 위치 후보군 및 상기 제3 위치 후보군에 포함된 위치 후보들 사이의 거리에 기초하여 상기 사용자의 위치를 추정할 수 있다.
상기 위치 추정부는, 상기 제2 위치 후보군에 포함된 위치 후보들 중에서 상기 제1 위치 후보군에 포함된 위치 후보들 중 적어도 하나와의 거리가 기 설정된 값 이하인 위치 후보를 포함하는 제4 위치 후보군을 생성하고, 상기 제3 위치 후보군에 포함된 위치 후보들 중에서 상기 제4 위치 후보군에 포함된 위치 후보들 중 적어도 하나와의 차이가 상기 기 설정된 값 이하인 위치 후보를 포함하는 제5 위치 후보군을 생성하며, 상기 제5 위치 후보군에 포함된 위치 후보 중 중복된 값의 개수에 기초하여 상기 사용자의 위치를 추정할 수 있다.
일 실시예에 따른 실내 측위 방법은, 사용자의 모바일 장치로부터 가속도 데이터 및 지구 자기장 데이터를 수신하는 단계; 상기 가속도 데이터에 기초하여 상기 사용자의 이동 거리를 결정하는 단계; 상기 결정된 이동 거리 및 상기 지구 자기장 데이터에 기초하여 복수의 이동 거리 각각에 대한 지구 자기장 패턴을 생성하는 단계; 상기 복수의 이동 거리 각각에 대한 지구 자기장 패턴에 기초하여, 상기 복수의 이동 거리 각각에 대한 위치 후보군을 생성하는 단계; 및 상기 복수의 이동 거리 각각에 대한 위치 후보군을 이용하여 상기 사용자의 위치를 추정하는 단계를 포함한다.
상기 결정하는 단계는, 상기 가속도 데이터에 기초하여 상기 사용자의 보폭 및 걸음 수를 결정하고, 상기 보폭 및 상기 걸음 수에 기초하여 상기 이동 거리를 결정할 수 있다.
상기 결정하는 단계는, 상기 가속도 데이터에 기초하여 상기 사용자의 걸음 주파수 및 가속도 분산을 산출하고, 사전 학습된 보폭 예측 모델을 이용하여 상기 걸음 주파수 및 상기 가속도 분산으로부터 상기 보폭을 결정할 수 있다.
상기 보폭 예측 모델은, 걸음 주파수 및 가속도 분산을 입력 받아 보폭을 출력하도록 사전 학습된 인공 신경망(Artificial Neural Network) 모델일 수 있다.
상기 위치 후보군을 생성하는 단계는, 상기 복수의 위치 추정 모델을 이용하여 상기 복수의 이동 거리 각각에 대한 위치 후보군을 생성할 수 있다.
상기 복수의 위치 추정 모델은 각각, 상기 복수의 이동 거리 각각에 대한 지구 자기장 패턴 중 특정 이동 거리에 대한 지구 자기장 패턴을 입력받아 상기 특정 이동 거리에 대한 하나 이상의 위치 후보를 출력하도록 사전 학습된 합성곱 신경망(Convolutional Neural Network, CNN) 모델일 수 있다.
상기 지구 자기장 패턴을 생성하는 단계는, 상기 사용자가 제1 이동 거리를 이동하는 동안 수신된 지구 자기장 데이터에 기초하여 상기 제1 이동 거리에 대응되는 제1 지구 자기장 패턴을 생성하는 단계; 상기 사용자의 이동 거리가 상기 제1 이동 거리에서 제2 이동 거리로 증가한 경우, 상기 사용자가 제1 이동 거리에서 상기 제2 이동 거리로 이동하는 동안 수신된 지구 자기장 데이터 및 상기 제1 지구 자기장 패턴에 기초하여 상기 제2 이동 거리에 대응되는 제2 지구 자기장 패턴을 생성하는 단계; 및 상기 사용자의 이동 거리가 상기 제2 이동 거리에서 제3 이동 거리로 증가한 경우, 상기 사용자가 제2 이동 거리에서 상기 제3 이동 거리로 이동하는 동안 수신된 지구 자기장 데이터 및 상기 제2 지구 자기장 패턴에 기초하여 상기 제3 이동 거리에 대응되는 제3 지구 자기장 패턴을 생성하는 단계를 포함할 수 있다.
상기 복수의 위치 추정 모델은, 상기 제1 지구 자기장 패턴을 입력받아 상기 제1 이동 거리에 대한 제1 위치 후보군을 생성하는 제1 위치 추정 모델, 상기 제2 지구 자기장 패턴을 입력받아 상기 제2 이동 거리에 대한 제2 위치 후보군을 생성하는 제2 위치 추정 모델 및 상기 제3 지구 자기장 패턴을 입력받아 상기 제3 이동 거리에 대한 제3 위치 후보군을 생성하는 복수의 제3 위치 추정 모델을 포함할 수 있다.
상기 사용자의 위치를 추정하는 단계는, 상기 제1 위치 후보군, 상기 제2 위치 후보군 및 상기 제3 위치 후보군에 포함된 위치 후보들 사이의 거리에 기초하여 상기 사용자의 위치를 추정할 수 있다.
상기 사용자의 위치를 추정하는 단계는, 상기 제2 위치 후보군에 포함된 위치 후보들 중에서 상기 제1 위치 후보군에 포함된 위치 후보들 중 적어도 하나와의 거리가 기 설정된 값 이하인 위치 후보를 포함하는 제4 위치 후보군을 생성하는 단계; 상기 제3 위치 후보군에 포함된 위치 후보들 중에서 상기 제4 위치 후보군에 포함된 위치 후보들 중 적어도 하나와의 차이가 상기 기 설정된 값 이하인 위치 후보를 포함하는 제5 위치 후보군을 생성하는 단계; 및 상기 제5 위치 후보군에 포함된 위치 후보 중 중복된 값의 개수에 기초하여 상기 사용자의 위치를 추정하는 단계를 포함할 수 있다.
본 발명의 실시예들에 따르면, 가속도 데이터 및 지구 자기장 데이터에 기초한 지구 자기장 패턴을 이용하여 측위를 수행함으로써, 가속도 및 지구 자기장 측정을 위해 이용된 모바일 장치의 종류와 무관하게 정확한 측위가 가능하게 된다.
도 1은 본 발명의 일 실시예에 따른 실내 측위 시스템의 구성도
도 2는 본 발명의 일 실시예에 따른 실내 측위 장치의 구성도
도 3은 가속도 전체 크기의 변화를 나타낸 도면
도 4는 본 발명의 일 실시예에 따른 보폭 예측 모델의 일 예를 나타낸 도면
도 5는 본 발명의 일 실시예에 따른 지구 자기장 패턴 생성을 설명하기 위한 예시도
도 6은 측위 대상인 실내 공간의 평면도
도 7은 도 6에 도시된 실내 공간의 직선 이동 경로(600)를 따라 이동하면서 사전 측정된 지구 자기장 데이터를 이용하여 생성된 지구 자기장 패턴의 일 예를 나타낸 예시도
도 8은 본 발명의 일 실시예에 따른 실내 측위 방법의 순서도
도 9는 예시적인 실시예들에서 사용되기에 적합한 컴퓨팅 장치를 포함하는 컴퓨팅 환경을 예시하여 설명하기 위한 블록도
이하, 도면을 참조하여 본 발명의 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 본 발명은 이에 제한되지 않는다.
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 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.
도 1은 본 발명의 일 실시예에 따른 실내 측위 시스템의 구성도이다.
도 1을 참조하면, 본 발명의 일 실시예에 따른 실내 측위 시스템(100)은 모바일 장치(110) 및 측위 서버(130)를 포함한다.
모바일 장치(110)는 예를 들어, 스마트 폰, 태블릿 PC, 웨어러블 디바이스(wearable device) 등과 같이 사용자에 의해 휴대 가능하며, 가속도 측정을 위한 가속도 측정 수단, 지구 자기장(geomagnetic field) 측정을 위한 자기장 측정 수단 및 무선 통신 수단을 구비한 다양한 형태의 장치일 수 있다.
구체적으로, 모바일 장치(110)는 가속도 측정 수단을 이용하여 측정한 가속도 데이터 및 지구 자기장 측정 수단을 이용하여 측정한 지구 자기장 데이터를 측위 서버(130)로 전송할 수 있다.
한편, 가속도 측정 수단은 예를 들어, 3축 가속도 센서일 수 있으며, 이 경우, 가속도 데이터는 X축, Y축 및 Z축 각각에 대한 가속도 크기를 포함하는 3차원 벡터 값일 수 있다.
또한, 자기장 측정 수단은 3축 지자기 센서일 수 있으며, 이 경우, 지구 자기장 데이터는 X축, Y축 및 Z축 각각에 대한 지구 자기장 세기를 포함하는 3차원 벡터 값일 수 있다. 이때, 지구 자기장 세기는 자속 밀도(Magnetic Flux Density)를 의미할 수 있다.
측위 서버(130)는 모바일 장치(110)로부터 수신된 가속도 데이터 및 지구 자기장 데이터를 이용하여 모바일 장치(110)를 소지하고 있는 사용자의 위치를 결정하고, 결정된 위치에 대한 정보를 모바일 장치(110)로 제공할 수 있다.
도 2는 본 발명의 일 실시예에 따른 실내 측위 장치의 구성도이다.
도 2에 도시된 실내 측위 장치(200)는 예를 들어, 도 1에 도시된 측위 서버(130)에 포함된 일 구성으로 구현될 수 있다.
도 2를 참조하면, 본 발명의 일 실시예에 따른 실내 측위 장치(200)는 수신부(210), 이동 거리 결정부(220), 지구 자기장 패턴 생성부(230) 및 위치 추정부(240)를 포함한다.
수신부(210)는 사용자의 모바일 장치(110)로부터 가속도 데이터 및 지구 자기장 데이터를 수신한다.
이때, 모바일 장치(110)로부터 수신되는 가속도 데이터 및 지구 자기장 데이터는 기 설정된 시간 간격에 따라 모바일 장치(110)에 의해 측정된 데이터일 수 있다.
이동 거리 결정부(220)는 모바일 장치(110)로부터 수신된 가속도 데이터에 기초하여 사용자의 이동 거리를 결정한다.
일 실시예에 따르면, 이동 거리 결정부(220)는 모바일 장치(110)로부터 수신된 가속도 데이터에 기초하여 사용자의 보폭(step length) 및 걸음 수(step count)를 결정하고, 결정된 보폭 및 걸음 수에 기초하여 사용자의 이동 거리를 결정할 수 있다.
구체적으로, 이동 거리 결정부(220)는 예를 들어, 아래의 수학식 1을 이용하여 가속도 데이터로부터 가속도 전체 크기를 산출하고, 산출된 가속도 전체 크기에 기초하여 사용자의 걸음 수를 결정할 수 있다.
[수학식 1]
Figure PCTKR2019012415-appb-img-000001
이때, acc(i)는 모바일 장치(110)로부터 수신된 가속도 데이터 중 i번째 가속도 데이터에 대한 가속도 전체 크기, acc(i) x는 i번째 가속도 데이터에 포함된 X축 가속도 크기, acc(i) y는 i번째 가속도 데이터에 포함된 Y축 가속도 크기, acc(i) z는 i번째 가속도 데이터에 포함된 Z축 가속도 크기를 각각 나타낸다.
한편, 이동 거리 결정부(220)는 acc(i)가 산출된 경우, acc(i)가 아래의 수학식 2 내지 4를 모두 만족하는지 여부에 따라 사용자의 걸음 수를 결정할 수 있다.
[수학식 2]
Figure PCTKR2019012415-appb-img-000002
[수학식 3]
Figure PCTKR2019012415-appb-img-000003
[수학식 4]
Figure PCTKR2019012415-appb-img-000004
즉, 모바일 장치(110)로부터 수신된 가속도 데이터 각각으로부터 산출된 가속도 전체 크기 acc(i)의 변화가 도 3과 같은 경우, 이동 거리 결정부(220)는 임계 값(Threshold)를 초과하는 꼭지점의 개수를 사용자의 걸음 수로 결정할 수 있다.
한편, 도 3에 도시된 예에서는 임계 값이 10.5으로 설정되어 있으나, 임계 값은 실시예에 따라 변경될 수 있다.
한편, 이동 거리 결정부(220)는 모바일 장치(110)로부터 수신된 가속도 데이터에 기초하여 가속도 분산(variance) 및 걸음 주파수를 산출하고, 사전 학습된 보폭 예측 모델을 이용하여 걸음 주파수 및 가속도 분산으로부터 사용자의 보폭을 결정할 수 있다.
이때, 가속도 분산은 상술한 수학식 1에 따라 산출된 가속도 전체 크기의 분산일 수 있다. 또한, 사용자의 걸음 주파수는 상술한 수학식 2 내지 4에 기초하여 결정된 걸음 수를 이용하여 산출되는 단위 시간당 걸음 수(즉, stepCount/sec)일 수 있다.
한편, 일 실시예에 따르면, 보폭 예측 모델은 예를 들어, 아래의 수학식 5를 이용하여 사용자의 보폭을 결정하도록 학습된 모델일 수 있다.
[수학식 5]
Figure PCTKR2019012415-appb-img-000005
수학식 5에서, WF는 사용자의 걸음 주파수, AV는 가속도 분산을 나타낸다.
한편, 수학식 5에서 a 1, a 2 및 b는 사전 수집된 가속도 데이터로부터 산출된 걸음 주파수 및 가속도 분산과 각 가속도 데이터에 대응되는 보폭을 이용한 학습을 통해 결정될 수 있다.
이때, 사전 수집된 가속도 데이터는 성별, 체형 등이 상이한 보행자들에 대해 사전 측정된 가속도 데이터일 수 있다.
또한, a 1, a 2 및 b는 각각 사전 수집된 가속도 데이터 각각으로부터 산출된 걸음 주파수 및 가속도 분산을 입력 값으로 이용하고, 각 가속도 데이터에 대응되는 보폭을 목표 값으로 이용하여 학습될 수 있다.
구체적인 예로, 보폭 예측 모델은 도 4에 도시된 예와 같은 인공 신경망(Artificial Neural Network) 모델일 수 있다. 이 경우, 보폭 예측 모델은 오류 역전파(error backpropagation) 알고리즘을 이용하여 학습될 수 있으며, a 1, a 2 및 b는 각각 확률적 경사 하강법(Stochastic gradient descent)을 통해 갱신될 수 있다.
한편, 사용자의 보폭 및 걸음 수가 결정된 경우, 이동 거리 결정부(220)는 예를 들어, 아래의 수학식 6을 이용하여 사용자의 이동 거리를 산출할 수 있다.
[수학식 6]
Figure PCTKR2019012415-appb-img-000006
지구 자기장 패턴 생성부(230)는 이동 거리 결정부(220)에 의해 결정된 사용자의 이동 거리 및 모바일 장치(110)로부터 수신된 지구 자기장 데이터에 기초하여 복수의 이동 거리 각각에 대한 지구 자기장 패턴을 생성한다.
이때, 본 발명의 일 실시예에 따르면, 지구 자기장 패턴은 이동 거리 증가에 따른 지구 자기장의 변화 패턴을 의미할 수 있다. 보다 구체적으로, 지구 자기장 패턴은 X축, Y축 및 Z축 각각에 대한 지구 자기장 세기 및 지구 자기장의 전체 세기에 대한 변화 패턴을 의미할 수 있다.
이때, 지구 자기장의 전체 세기는 예를 들어, 아래의 수학식 7을 이용하여 산출될 수 있다.
[수학식 7]
Figure PCTKR2019012415-appb-img-000007
수학식 7에서, mag x, mag y 및 mag z는 X축, Y축 및 Z축 각각에 대한 지구 자기장 세기를 나타내며, mag v는 지구 자기장의 전체 세기를 나타낸다.
도 5는 본 발명의 일 실시예에 따른 지구 자기장 패턴 생성을 설명하기 위한 예시도이다.
도 5에서, 푸른색으로 표시된 그래프는 이동거리 증가에 따른 mag v의 변화 패턴을 나타내며, 주황색으로 표시된 그래프, 초록색으로 표시된 그래프 및 붉은 색으로 표시된 그래프는 각각 이동거리 증가에 따른 mag x, mag y 및 mag z의 변화 패턴을 나타낸다.
도 5를 참조하면, 우선 지구 자기장 패턴 생성부(230)는 모바일 장치(110)의 사용자가 제1 이동 거리(예를 들어, 3m)를 이동하는 동안 수신된 지구 자기장 데이터에 기초하여 제1 이동 거리에 대응되는 제1 지구 자기장 패턴(510)을 생성할 수 있다. 즉, 제1 지구 자기장 패턴(510)은 사용자가 예를 들어, 3m를 이동하는 동안 이동 거리 증가에 따른 지구 자기장의 변화 패턴을 나타낼 수 있다.
한편, 지구 자기장 패턴 생성부(230)는 사용자의 이동 거리가 제1 이동 거리에서 제2 이동 거리(예를 들어, 4m)로 증가한 경우, 사용자가 제1 이동 거리에서 제2 이동 거리로 이동하는 동안 수신된 지구 자기장 데이터 및 제1 지구 자기장 패턴(510)에 기초하여 제2 이동 거리에 대응되는 제2 지구 자기장 패턴(520)을 생성할 수 있다.
구체적으로, 제2 지구 자기장 패턴(520)은 사용자가 제1 이동 거리만큼 이동한 뒤 기 설정된 거리(예를 들어, 1m)만큼 추가로 이동한 경우, 1m를 추가로 이동하는 동안 이동 거리 증가에 따른 지구 자기장의 변화 패턴(521)을 제1 지구 자기장 패턴(510)에 부가함으로써 생성될 수 있다.
한편, 지구 자기장 패턴 생성부(230)는 사용자의 이동 거리가 제2 이동 거리에서 제3 이동 거리(예를 들어, 5m)로 증가한 경우, 사용자가 제2 이동 거리에서 제3 이동 거리로 이동하는 동안 수신된 지구 자기장 데이터 및 제2 지구 자기장 패턴(520)에 기초하여 제3 이동 거리에 대응되는 제3 지구 자기장 패턴(530)을 생성할 수 있다.
구체적으로, 제3 지구 자기장 패턴(530)은 사용자가 제2 이동 거리만큼 이동한 뒤 기 설정된 거리(예를 들어, 1m)만큼 추가로 이동한 경우, 1m를 추가로 이동하는 동안 이동 거리 증가에 따른 지구 자기장의 변화 패턴(531)을 제2 지구 자기장 패턴(520)에 부가함으로써 생성될 수 있다.
다시 도 2를 참조하면, 위치 추정부(240)는 지구 자기장 패턴 생성부(230)에 의해 생성된 복수의 이동 거리 각각에 대한 지구 자기장 패턴에 기초하여, 복수의 이동 거리 각각에 대한 위치 후보군을 생성한다.
본 발명의 일 실시예에 따르면, 위치 추정부(240)는 복수의 위치 추정 모델을 이용하여 복수의 이동 거리 각각에 대한 지구 자기장 패턴으로부터 복수의 이동 거리 각각에 대한 위치 후보군을 생성할 수 있다.
이때, 본 발명의 일 실시예에 따르면, 복수의 위치 추정 모델은 각각 복수의 이동 거리 각각에 대한 지구 자기장 패턴 중 특정 이동 거리에 대한 지구 자기장 패턴을 입력받아 특정 이동 거리에 대한 하나 이상의 위치 후보를 생성하도록 사전 학습된 합성곱 신경망(Convolutional Neural Network, CNN) 모델일 수 있다.
구체적으로, 복수의 위치 추정 모델은 지구 자기장 패턴 생성부(230)에 의해 생성된 제1 이동 거리(예를 들어, 3m)에 대한 지구 자기장 패턴을 입력받아 제1 위치 후보군에 포함될 복수의 위치 후보를 생성하는 제1 위치 추정 모델을 포함할 수 있다.
또한, 복수의 위치 추정 모델은 지구 자기장 패턴 생성부(230)에 의해 생성된 제2 이동 거리(예를 들어, 4m)에 대한 지구 자기장 패턴을 입력받아 제2 위치 후보군에 포함될 복수의 위치 후보를 생성하는 제2 위치 추정 모델을 포함할 수 있다.
또한, 복수의 위치 추정 모델은 지구 자기장 패턴 생성부(230)에 의해 생성된 제3 이동 거리(예를 들어, 5m)에 대한 지구 자기장 패턴을 입력받아 제3 위치 후보군에 포함될 하나 이상의 위치 후보를 생성하는 복수의 제3 위치 추정 모델을 포함할 수 있다.
한편, 복수의 위치 추정 모델은 각각 측위 대상인 실내 공간에서 사전 측정된 지구 자기장 데이터를 이용하여 생성된 특정 이동 거리에 대한 지구 자기장 패턴을 입력 값으로 이용하고, 해당 지구 자기장 패턴에 대응되는 실내 공간 내 위치를 목표 값으로 이용한 지도 학습을 통해 학습될 수 있다.
구체적으로, 도 6은 측위 대상인 실내 공간의 평면도이며, 도 7은 도 6에 도시된 실내 공간에서 직선 이동 경로(600)를 따라 이동하면서 사전 측정된 지구 자기장 데이터를 이용하여 생성된 지구 자기장 패턴의 일 예를 도시하고 있다.
도 7에서, 푸른색으로 표시된 그래프는 이동거리 증가에 따른 mag v의 변화 패턴을 나타내며, 주황색으로 표시된 그래프, 회색으로 표시된 그래프 및 노란 색으로 표시된 그래프는 각각 이동거리 증가에 따른 mag x, mag y 및 mag z의 변화 패턴을 나타낸다.
한편, 복수의 위치 추정 모델 중 제1 위치 추정 모델은 도 7에 도시된 지구 자기장 패턴을 예를 들어, 1m 간격으로 이동하면서 3m 단위로 분할하여 생성된 복수의 부분 패턴을 입력 값으로 이용하고 각 부분 패턴에 대응되는 실내 공간 내 위치를 목표 값으로 이용하여 학습될 수 있다. 즉, 이 경우, 각 부분 패턴은 예를 들어, 도 7에 도시된 지구 자기장 패턴 중 0~3m 구간에 해당하는 지구 자기장 패턴, 1m~4m 구간에 해당하는 지구 자기장 패턴, 2m~5m 구간에 해당하는 지구 자기장 패턴 등일 수 있다.
또한, 제2 위치 추정 모델은 도 7에 도시된 지구 자기장 패턴을 예를 들어, 1m 간격으로 이동하면서 4m 단위로 분할하여 생성된 복수의 부분 패턴을 입력 값으로 이용하고 각 부분 패턴에 대응되는 실내 공간 내 위치를 목표 값으로 이용하여 학습될 수 있다. 즉, 이 경우, 각 부분 패턴은 예를 들어, 도 7에 도시된 지구 자기장 패턴 중 0~4m 구간에 해당하는 지구 자기장 패턴, 1m~5m 구간에 해당하는 지구 자기장 패턴, 2m~6m 구간에 해당하는 지구 자기장 패턴 등일 수 있다.
또한, 복수의 제3 위치 추정 모델은 각각 도 7에 도시된 지구 자기장 패턴을 예를 들어, 1m 간격으로 이동하면서 5m 단위로 분할하여 생성된 복수의 부분 패턴을 입력 값으로 이용하고 각 부분 패턴에 대응되는 실내 공간 내 위치를 목표 값으로 이용하여 학습될 수 있다. 즉, 이 경우, 각 부분 패턴은 예를 들어, 도 7에 도시된 지구 자기장 패턴 중 0~5m 구간에 해당하는 지구 자기장 패턴, 1m~6m 구간에 해당하는 지구 자기장 패턴, 2m~7m 구간에 해당하는 지구 자기장 패턴 등일 수 있다.
한편, 위치 추정부(240)는 복수의 이동 거리 각각에 대한 위치 후보군이 생성된 경우, 생성된 위치 후보군을 이용하여 사용자의 위치를 추정한다.
구체적으로, 일 실시예에 따르면, 복수의 이동 거리 각각에 대한 위치 후보군은 상술한 바와 같이 제1 위치 추정 모델에 의해 생성된 제1 이동 거리에 대한 제1 위치 후보군, 제2 위치 추정 모델에 의해 생성된 제2 이동 거리에 대한 제2 위치 후보군 및 복수의 제3 위치 추정 모델에 의해 생성된 제3 이동 거리에 대한 제3 위치 후보군을 포함할 수 있다.
또한, 위치 추정부(240)는 각 위치 후보군에 포함된 위치 후보들 사이의 거리에 기초하여 사용자의 위치를 추정할 수 있다.
구체적으로, 위치 추정부(240)는 제2 위치 후보군에 포함된 위치 후보들 중에서 제1 위치 후보군에 포함된 위치 후보들 중 적어도 하나와의 거리가 기 설정된 값 이하인 위치 후보를 포함하는 제4 위치 후보군을 생성할 수 있다.
이후, 위치 추정부(240)는 제3 위치 후보군에 포함된 위치 후보들 중에서 제4 위치 후보군에 포함된 위치 후보들 중 적어도 하나와의 거리가 기 설정된 값 이하인 위치 후보를 포함하는 제5 위치 후보군을 생성할 수 있다.
이후, 위치 추정부(240)는 제5 위치 후보군에 포함된 위치 후보들 중 중복된 위치 후보의 개수에 기초하여 사용자의 위치를 추정할 수 있다.
보다 구체적으로 위치 후보군을 이용한 사용자 위치 추정 과정의 일 예를 설명하면 다음과 같다.
우선, 설명의 편의를 위해 위치 추정부(240)에 의해 추정되는 사용자의 위치는 도 3에 도시된 실내 공간에서 직선 경로(600) 상의 위치인 것으로 가정한다. 이 경우, 직선 경로(600) 상의 위치는 Y축 좌표가 동일하고 X축 좌표만 상이하므로, 이하에서 이용되는 사용자의 위치는 Y축 좌표를 생략하고, X축 좌표만을 이용하여 표현하도록 한다.
또한, 제1 위치 추정 모델은 지구 자기장 패턴 생성부(230)에 의해 생성된 3m 이동 거리에 대한 지구 자기장 패턴을 입력받아 10개의 위치 후보를 포함하는 제1 위치 후보군을 생성하고, 제2 위치 추정 모델은 지구 자기장 패턴 생성부(230)에 의해 생성된 4m 이동 거리에 대한 지구 자기장 패턴을 입력받아 10개의 위치 후보를 포함하는 제2 위치 후보군을 생성하는 것으로 가정한다.
또한, 제3 위치 추정 모델은 7개이며, 7개의 제3 위치 추정 모델은 각각 지구 자기장 패턴 생성부(230)에 의해 생성된 5m 이동 거리에 대한 지구 자기장 패턴을 입력받아 하나의 위치 후보를 생성하는 것으로 가정한다. 즉, 제3 위치 후보군은 7개의 제3 위치 추정 모델에 의해 생성된 7개의 위치 후보를 포함하며, 이에 따라, 제3 위치 후보군에 포함된 위치 후보들 중 적어도 일부는 동일한 값을 가질 수 있다.
상술한 가정에 따라, 제1 위치 후보군(P 1), 제2 위치 후보군(P 2) 및 제3 위치 후보군(P 3)이 각각 아래와 같이 생성되었다고 가정하자.
P 1={74, 73, 72, 75, 76, 79, 80, 77, 71, 34}
P 2={76, 75, 73, 72, 81, 34, 74, 71, 33, 83}
P 3={77, 77, 75, 30, 76, 76, 78}
이 경우, 위치 추정부(240)는 우선 제2 위치 후보군(P 2)에 포함된 위치 후보들 각각과 제1 위치 후보군(P 1)에 포함된 위치 후보들 각각 사이의 거리를 산출할 수 있다. 또한, 위치 추정부(240)는 아래와 같이 제2 위치 후보군(P 2)에 포함된 위치 후보들 중에서 제1 위치 후보군(P 1)에 포함된 위치 후보들 중 적어도 하나와의 거리가 2m 이하인 위치 후보를 포함하는 제4 위치 후보군(P 4)을 생성할 수 있다.
P 4={76, 75, 73, 72, 81, 74, 71, 33}
이후, 위치 추정부(240)는 제4 위치 후보군(P 4)에 포함된 위치 후보들 각각과 제3 위치 후보군(P 3)에 포함된 위치 후보들 각각 사이의 거리를 산출할 수 있다. 또한, 위치 추정부(240)는 아래와 같이 제3 위치 후보군(P 3)에 포함된 위치 후보들 중에서 제4 위치 후보군(P 4)에 포함된 위치 후보들 중 적어도 하나와의 거리가 2m 이하인 위치 후보를 포함하는 제5 위치 후보군(P 5)을 생성할 수 있다.
P 5={77, 77, 75, 76, 76, 78}
이후, 위치 추정부(240)는 제5 위치 후보군(P 5)에 포함된 위치 후보들 중 중복된 값의 개수에 기초하여 사용자의 위치를 추정할 수 있다.
구체적으로, 상술한 예에서는 제5 위치 후보군(P 5)에 위치 후보 '77'이 2개 포함되어 있고, 위치 후보 '76'가 2개 포함되어 있다. 이 경우, 위치 추정부(240)는 두 위치 후보의 평균 값인 '76.5'를 사용자의 위치로 추정할 수 있다.
한편, 상술한 예와 달리 제5 위치 후보군(P 5)이 P 5={77, 77, 77, 76, 76, 78}인 것으로 가정하면, 위치 추정부(240)는 제5 위치 후보군(P 5)에 포함된 위치 후보들 중 중복된 값의 개수가 최대인 '77'을 사용자의 위치로 추정할 수 있다.
도 8은 본 발명의 일 실시예에 따른 실내 측위 방법의 순서도이다.
도 8에 도시된 방법은 예를 들어, 도 2에 도시된 실내 측위 장치(200)에 의해 수행될 수 있다.
도 8을 참조하면, 우선, 실내 측위 장치(200)는 사용자의 모바일 장치(110)로부터 가속도 데이터 및 지구 자기장 데이터를 수신한다(810).
이후, 실내 측위 장치(200)는 수신된 가속도 데이터에 기초하여 사용자의 이동 거리를 결정한다(820).
이후, 실내 측위 장치(200)는 결정된 이동 거리 및 수신된 지구 자기장 데이터에 기초하여 복수의 이동 거리 각각에 대한 지구 자기장 패턴을 생성한다(830).
이후, 실내 측위 장치(200)는 복수의 이동 거리 각각에 대한 지구 자기장 패턴에 기초하여, 복수의 이동 거리 각각에 대한 위치 후보군을 생성한다(840).
이후, 실내 측위 장치(200)는 복수의 이동 거리 각각에 대한 위치 후보군을 이용하여 사용자의 위치를 추정한다(850).
한편, 도 6에 도시된 순서도에서는 상기 방법을 복수 개의 단계로 나누어 기재하였으나, 적어도 일부의 단계들은 순서를 바꾸어 수행되거나, 다른 단계와 결합되어 함께 수행되거나, 생략되거나, 세부 단계들로 나뉘어 수행되거나, 또는 도시되지 않은 하나 이상의 단계가 부가되어 수행될 수 있다.
도 9는 예시적인 실시예들에서 사용되기에 적합한 컴퓨팅 장치를 포함하는 컴퓨팅 환경을 예시하여 설명하기 위한 블록도이다. 도시된 실시예에서, 각 컴포넌트들은 이하에 기술된 것 이외에 상이한 기능 및 능력을 가질 수 있고, 이하에 기술되지 것 이외에도 추가적인 컴포넌트를 포함할 수 있다.
도시된 컴퓨팅 환경(10)은 컴퓨팅 장치(12)를 포함한다. 일 실시예에서, 컴퓨팅 장치(12)는 실내 측위 장치(200)에 포함되는 하나 이상의 컴포넌트일 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.
이상에서 대표적인 실시예를 통하여 본 발명에 대하여 상세하게 설명하였으나, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자는 전술한 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 특허청구범위뿐만 아니라 이 특허청구범위와 균등한 것들에 의해 정해져야 한다.

Claims (20)

  1. 사용자의 모바일 장치로부터 가속도 데이터 및 지구 자기장 데이터를 수신하는 수신부;
    상기 가속도 데이터에 기초하여 상기 사용자의 이동 거리를 결정하는 이동 거리 결정부;
    상기 결정된 이동 거리 및 상기 지구 자기장 데이터에 기초하여 복수의 이동 거리 각각에 대한 지구 자기장 패턴을 생성하는 지구 자기장 패턴 생성부; 및
    상기 복수의 이동 거리 각각에 대한 지구 자기장 패턴에 기초하여, 상기 복수의 이동 거리 각각에 대한 위치 후보군을 생성하고, 상기 복수의 이동 거리 각각에 대한 위치 후보군을 이용하여 상기 사용자의 위치를 추정하는 위치 추정부를 포함하는 실내 측위 장치.
  2. 청구항 1에 있어서,
    상기 이동 거리 결정부는, 상기 가속도 데이터에 기초하여 상기 사용자의 보폭 및 걸음 수를 결정하고, 상기 보폭 및 상기 걸음 수에 기초하여 상기 이동 거리를 결정하는 실내 측위 장치.
  3. 청구항 2에 있어서,
    상기 이동 거리 결정부는, 상기 가속도 데이터에 기초하여 상기 사용자의 걸음 주파수 및 가속도 분산을 산출하고, 사전 학습된 보폭 예측 모델을 이용하여 상기 걸음 주파수 및 상기 가속도 분산으로부터 상기 보폭을 결정하는 실내 측위 장치.
  4. 청구항 3에 있어서,
    상기 보폭 예측 모델은, 걸음 주파수 및 가속도 분산을 입력 받아 보폭을 출력하도록 사전 학습된 인공 신경망(Artificial Neural Network) 모델인 실내 측위 장치.
  5. 청구항 1에 있어서,
    상기 위치 추정부는, 상기 복수의 위치 추정 모델을 이용하여 상기 복수의 이동 거리 각각에 대한 위치 후보군을 생성하는 실내 측위 장치.
  6. 청구항 5에 있어서,
    상기 복수의 위치 추정 모델은 각각, 상기 복수의 이동 거리 각각에 대한 지구 자기장 패턴 중 특정 이동 거리에 대한 지구 자기장 패턴을 입력받아 상기 특정 이동 거리에 대한 하나 이상의 위치 후보를 출력하도록 사전 학습된 합성곱 신경망(Convolutional Neural Network, CNN) 모델인 실내 측위 장치.
  7. 청구항 5에 있어서,
    상기 지구 자기장 패턴 생성부는, 상기 사용자가 제1 이동 거리를 이동하는 동안 수신된 지구 자기장 데이터에 기초하여 상기 제1 이동 거리에 대응되는 제1 지구 자기장 패턴을 생성하고,
    상기 사용자의 이동 거리가 상기 제1 이동 거리에서 제2 이동 거리로 증가한 경우, 상기 사용자가 제1 이동 거리에서 상기 제2 이동 거리로 이동하는 동안 수신된 지구 자기장 데이터 및 상기 제1 지구 자기장 패턴에 기초하여 상기 제2 이동 거리에 대응되는 제2 지구 자기장 패턴을 생성하고,
    상기 사용자의 이동 거리가 상기 제2 이동 거리에서 제3 이동 거리로 증가한 경우, 상기 사용자가 제2 이동 거리에서 상기 제3 이동 거리로 이동하는 동안 수신된 지구 자기장 데이터 및 상기 제2 지구 자기장 패턴에 기초하여 상기 제3 이동 거리에 대응되는 제3 지구 자기장 패턴을 생성하는 실내 측위 장치.
  8. 청구항 7에 있어서,
    상기 복수의 위치 추정 모델은, 상기 제1 지구 자기장 패턴을 입력받아 상기 제1 이동 거리에 대한 제1 위치 후보군을 생성하는 제1 위치 추정 모델, 상기 제2 지구 자기장 패턴을 입력받아 상기 제2 이동 거리에 대한 제2 위치 후보군을 생성하는 제2 위치 추정 모델 및 상기 제3 지구 자기장 패턴을 입력받아 상기 제3 이동 거리에 대한 제3 위치 후보군을 생성하는 복수의 제3 위치 추정 모델을 포함하는 실내 측위 장치.
  9. 청구항 8에 있어서,
    상기 위치 추정부는, 상기 제1 위치 후보군, 상기 제2 위치 후보군 및 상기 제3 위치 후보군에 포함된 위치 후보들 사이의 거리에 기초하여 상기 사용자의 위치를 추정하는 실내 측위 장치.
  10. 청구항 9에 있어서,
    상기 위치 추정부는, 상기 제2 위치 후보군에 포함된 위치 후보들 중에서 상기 제1 위치 후보군에 포함된 위치 후보들 중 적어도 하나와의 거리가 기 설정된 값 이하인 위치 후보를 포함하는 제4 위치 후보군을 생성하고,
    상기 제3 위치 후보군에 포함된 위치 후보들 중에서 상기 제4 위치 후보군에 포함된 위치 후보들 중 적어도 하나와의 차이가 상기 기 설정된 값 이하인 위치 후보를 포함하는 제5 위치 후보군을 생성하며,
    상기 제5 위치 후보군에 포함된 위치 후보 중 중복된 값의 개수에 기초하여 상기 사용자의 위치를 추정하는 실내 측위 장치.
  11. 사용자의 모바일 장치로부터 가속도 데이터 및 지구 자기장 데이터를 수신하는 단계;
    상기 가속도 데이터에 기초하여 상기 사용자의 이동 거리를 결정하는 단계;
    상기 결정된 이동 거리 및 상기 지구 자기장 데이터에 기초하여 복수의 이동 거리 각각에 대한 지구 자기장 패턴을 생성하는 단계;
    상기 복수의 이동 거리 각각에 대한 지구 자기장 패턴에 기초하여, 상기 복수의 이동 거리 각각에 대한 위치 후보군을 생성하는 단계; 및
    상기 복수의 이동 거리 각각에 대한 위치 후보군을 이용하여 상기 사용자의 위치를 추정하는 단계를 포함하는 실내 측위 방법.
  12. 청구항 11에 있어서,
    상기 결정하는 단계는, 상기 가속도 데이터에 기초하여 상기 사용자의 보폭 및 걸음 수를 결정하고, 상기 보폭 및 상기 걸음 수에 기초하여 상기 이동 거리를 결정하는 실내 측위 방법.
  13. 청구항 12에 있어서,
    상기 결정하는 단계는, 상기 가속도 데이터에 기초하여 상기 사용자의 걸음 주파수 및 가속도 분산을 산출하고, 사전 학습된 보폭 예측 모델을 이용하여 상기 걸음 주파수 및 상기 가속도 분산으로부터 상기 보폭을 결정하는 실내 측위 방법.
  14. 청구항 13에 있어서,
    상기 보폭 예측 모델은, 걸음 주파수 및 가속도 분산을 입력 받아 보폭을 출력하도록 사전 학습된 인공 신경망(Artificial Neural Network) 모델인 실내 측위 방법.
  15. 청구항 11에 있어서,
    상기 위치 후보군을 생성하는 단계는, 상기 복수의 위치 추정 모델을 이용하여 상기 복수의 이동 거리 각각에 대한 위치 후보군을 생성하는 실내 측위 방법.
  16. 청구항 15에 있어서,
    상기 복수의 위치 추정 모델은 각각, 상기 복수의 이동 거리 각각에 대한 지구 자기장 패턴 중 특정 이동 거리에 대한 지구 자기장 패턴을 입력받아 상기 특정 이동 거리에 대한 하나 이상의 위치 후보를 출력하도록 사전 학습된 합성곱 신경망(Convolutional Neural Network, CNN) 모델인 실내 측위 방법.
  17. 청구항 15에 있어서,
    상기 지구 자기장 패턴을 생성하는 단계는, 상기 사용자가 제1 이동 거리를 이동하는 동안 수신된 지구 자기장 데이터에 기초하여 상기 제1 이동 거리에 대응되는 제1 지구 자기장 패턴을 생성하는 단계;
    상기 사용자의 이동 거리가 상기 제1 이동 거리에서 제2 이동 거리로 증가한 경우, 상기 사용자가 제1 이동 거리에서 상기 제2 이동 거리로 이동하는 동안 수신된 지구 자기장 데이터 및 상기 제1 지구 자기장 패턴에 기초하여 상기 제2 이동 거리에 대응되는 제2 지구 자기장 패턴을 생성하는 단계; 및
    상기 사용자의 이동 거리가 상기 제2 이동 거리에서 제3 이동 거리로 증가한 경우, 상기 사용자가 제2 이동 거리에서 상기 제3 이동 거리로 이동하는 동안 수신된 지구 자기장 데이터 및 상기 제2 지구 자기장 패턴에 기초하여 상기 제3 이동 거리에 대응되는 제3 지구 자기장 패턴을 생성하는 단계를 포함하는 실내 측위 방법.
  18. 청구항 17에 있어서,
    상기 복수의 위치 추정 모델은, 상기 제1 지구 자기장 패턴을 입력받아 상기 제1 이동 거리에 대한 제1 위치 후보군을 생성하는 제1 위치 추정 모델, 상기 제2 지구 자기장 패턴을 입력받아 상기 제2 이동 거리에 대한 제2 위치 후보군을 생성하는 제2 위치 추정 모델 및 상기 제3 지구 자기장 패턴을 입력받아 상기 제3 이동 거리에 대한 제3 위치 후보군을 생성하는 복수의 제3 위치 추정 모델을 포함하는 실내 측위 방법.
  19. 청구항 18에 있어서,
    상기 사용자의 위치를 추정하는 단계는, 상기 제1 위치 후보군, 상기 제2 위치 후보군 및 상기 제3 위치 후보군에 포함된 위치 후보들 사이의 거리에 기초하여 상기 사용자의 위치를 추정하는 실내 측위 방법.
  20. 청구항 19에 있어서,
    상기 사용자의 위치를 추정하는 단계는, 상기 제2 위치 후보군에 포함된 위치 후보들 중에서 상기 제1 위치 후보군에 포함된 위치 후보들 중 적어도 하나와의 거리가 기 설정된 값 이하인 위치 후보를 포함하는 제4 위치 후보군을 생성하는 단계;
    상기 제3 위치 후보군에 포함된 위치 후보들 중에서 상기 제4 위치 후보군에 포함된 위치 후보들 중 적어도 하나와의 차이가 상기 기 설정된 값 이하인 위치 후보를 포함하는 제5 위치 후보군을 생성하는 단계; 및
    상기 제5 위치 후보군에 포함된 위치 후보 중 중복된 값의 개수에 기초하여 상기 사용자의 위치를 추정하는 단계를 포함하는 실내 측위 방법.
PCT/KR2019/012415 2019-04-30 2019-09-24 실내 측위 장치 및 방법 WO2020222373A1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR10-2019-0051042 2019-04-30
KR1020190051042A KR102046875B1 (ko) 2019-04-30 2019-04-30 실내 측위 장치 및 방법

Publications (1)

Publication Number Publication Date
WO2020222373A1 true WO2020222373A1 (ko) 2020-11-05

Family

ID=68847728

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2019/012415 WO2020222373A1 (ko) 2019-04-30 2019-09-24 실내 측위 장치 및 방법

Country Status (2)

Country Link
KR (1) KR102046875B1 (ko)
WO (1) WO2020222373A1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116878535A (zh) * 2023-09-05 2023-10-13 杭州宇谷科技股份有限公司 一种基于混合时序网络的智能换电引导方法和系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100703292B1 (ko) * 2006-02-15 2007-04-03 삼성전자주식회사 적응형 보폭 추정 장치 및 방법
US20150018018A1 (en) * 2013-07-12 2015-01-15 Microsoft Corporation Indoor Location-Finding using Magnetic Field Anomalies
US10070270B1 (en) * 2017-11-30 2018-09-04 Mapsted Corp. Mobile device localization based on spatial derivative magnetic fingerprint
KR101933011B1 (ko) * 2018-07-26 2018-12-27 영남대학교 산학협력단 실내 측위 장치 및 방법
KR101971734B1 (ko) * 2018-07-26 2019-04-23 영남대학교 산학협력단 실내 측위 장치 및 방법

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20170129545A (ko) 2016-05-17 2017-11-27 영남대학교 산학협력단 지구자기장 세기 기반의 맵 생성 및 실내 측위 방법

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100703292B1 (ko) * 2006-02-15 2007-04-03 삼성전자주식회사 적응형 보폭 추정 장치 및 방법
US20150018018A1 (en) * 2013-07-12 2015-01-15 Microsoft Corporation Indoor Location-Finding using Magnetic Field Anomalies
US10070270B1 (en) * 2017-11-30 2018-09-04 Mapsted Corp. Mobile device localization based on spatial derivative magnetic fingerprint
KR101933011B1 (ko) * 2018-07-26 2018-12-27 영남대학교 산학협력단 실내 측위 장치 및 방법
KR101971734B1 (ko) * 2018-07-26 2019-04-23 영남대학교 산학협력단 실내 측위 장치 및 방법

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116878535A (zh) * 2023-09-05 2023-10-13 杭州宇谷科技股份有限公司 一种基于混合时序网络的智能换电引导方法和系统
CN116878535B (zh) * 2023-09-05 2023-12-12 杭州宇谷科技股份有限公司 一种基于混合时序网络的智能换电引导方法和系统

Also Published As

Publication number Publication date
KR102046875B1 (ko) 2019-12-02

Similar Documents

Publication Publication Date Title
WO2017160026A2 (ko) 무선 통신 시스템에서 액세스 포인트를 이용한 위치 추정 방법 및 장치
EP2418849B1 (en) Monitoring system, and monitoring terminal
US7212830B2 (en) Position detection method, position detection system, and position detection server equipment
WO2017086561A1 (en) Landmark location determination
WO2013039306A1 (en) Method and apparatus for providing information based on a location
WO2017048067A1 (en) Terminal and method for measuring location thereof
WO2013042928A1 (ko) 부분방전 결함유형 판정 방법 및 그 장치
WO2021107650A1 (en) Jointly learning visual motion and confidence from local patches in event cameras
EP3717928A1 (en) Apparatus and method for tracking movement of electronic device
WO2022196945A1 (ko) 개체군 분산 모사 모델 기반 개체군 분산 예측 장치 및 이를 이용한 개체군 분산 예측 방법
WO2020075954A1 (ko) 다종 센서 기반의 위치인식 결과들을 혼합한 위치 측위 시스템 및 방법
EP3351023A1 (en) Terminal and method for measuring location thereof
WO2018111011A1 (ko) 이동 객체 탐지 시스템 및 방법
WO2019139192A1 (ko) 메시징 서비스 환경에서의 사용자 상황 감지 및 사용자 상황에 기반한 메시징 서비스와의 인터랙션
WO2019107731A1 (ko) 실내 위치 측정 장치 및 방법
WO2020222373A1 (ko) 실내 측위 장치 및 방법
WO2018151504A1 (ko) 레이더를 이용하여 포인팅 위치를 인식하는 방법 및 장치
WO2020256347A1 (en) Method for variable geofencing and electronic device thereof
EP4014517A1 (en) Electronic device detecting location and method thereof
WO2017030233A1 (ko) 모바일 컴퓨팅 장치의 위치 검출 방법 및 이를 수행하는 모바일 컴퓨팅 장치
WO2020130633A1 (en) Location based operation method, electronic device and storage medium
WO2022080844A1 (ko) 스켈레톤 분석을 이용한 객체 추적 장치 및 방법
WO2022240013A1 (ko) 관성 데이터 및 무선신호 데이터 기반 실내 측위 방법 및 장치
WO2021054502A1 (ko) 층계 식별 장치 및 방법
WO2017026582A1 (ko) 이동 패턴을 이용한 측위 및 측위 데이터베이스 구축 방법 및 시스템

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 19927074

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 19927074

Country of ref document: EP

Kind code of ref document: A1