WO2022149645A1 - 머신러닝 기반 정밀 위치 정보 제공 시스템 및 그 제공 방법 - Google Patents

머신러닝 기반 정밀 위치 정보 제공 시스템 및 그 제공 방법 Download PDF

Info

Publication number
WO2022149645A1
WO2022149645A1 PCT/KR2021/000415 KR2021000415W WO2022149645A1 WO 2022149645 A1 WO2022149645 A1 WO 2022149645A1 KR 2021000415 W KR2021000415 W KR 2021000415W WO 2022149645 A1 WO2022149645 A1 WO 2022149645A1
Authority
WO
WIPO (PCT)
Prior art keywords
information
location
learning
data
precise location
Prior art date
Application number
PCT/KR2021/000415
Other languages
English (en)
French (fr)
Inventor
강승훈
Original Assignee
강승훈
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 강승훈 filed Critical 강승훈
Publication of WO2022149645A1 publication Critical patent/WO2022149645A1/ko
Priority to US18/346,888 priority Critical patent/US20230354259A1/en

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
    • G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
    • G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
    • G01S19/42—Determining position
    • G01S19/48—Determining position by combining or switching between position solutions derived from the satellite radio beacon positioning system and position solutions derived from a further system
    • G01S19/485—Determining position by combining or switching between position solutions derived from the satellite radio beacon positioning system and position solutions derived from a further system whereby the further system is an optical system or imaging system
    • 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
    • H04W64/003—Locating users or terminals or network equipment for network management purposes, e.g. mobility management locating network equipment
    • 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
    • G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
    • G01S19/01—Satellite radio beacon positioning systems transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
    • G01S19/03—Cooperating elements; Interaction or communication between different cooperating elements or between cooperating elements and receivers
    • G01S19/07—Cooperating elements; Interaction or communication between different cooperating elements or between cooperating elements and receivers providing data for correcting measured positioning data, e.g. DGPS [differential GPS] or ionosphere corrections
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • 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
    • G01S5/16—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using electromagnetic waves other than radio waves

Definitions

  • the present invention relates to a machine learning-based precise location information providing system and a method for providing the same, and more particularly, performing machine learning learning on items including facility information and environment information with relatively little change, and using the same It relates to a machine learning-based precise location information providing system capable of providing precise location information corresponding to a user's current location, and a method for providing the same.
  • GPS Global Positioning System
  • GPS Global Positioning System
  • GPS satellites are located around the Earth, and 24 of them are distributed in 6 orbital planes orbiting the Earth, so at least 6 GPS satellites can be observed anywhere in the world.
  • the GPS calculates the distance between the GPS satellite and the GPS receiver to obtain the coordinates. Specifically, it is calculated based on the arrival time of radio waves from the satellite. Therefore, it is possible to calculate a position relatively accurately only when receiving signals from at least four or more GPS satellites. However, depending on the situation of the receiver located on the ground, there may be sufficient situations in which a signal cannot be received, and the user moves to a desired location using GPS, but moves to a location far from the desired location due to an error. contains
  • Korean Patent No. 10-0596629 (“A method of correcting GPS location information using weights of reference points”), an error value similar to the error of the coordinates obtained at the survey point is calculated, and the coordinate value of the survey point is calculated. A more accurate calibration method is disclosed.
  • the present invention has been devised to solve the problems of the prior art as described above, and an object of the present invention is to perform machine learning learning on items including facility information and environmental information with relatively little change, and use the same.
  • Machine learning-based precise location information providing system performs machine learning-based learning for precise location determination, receives location-related information from a user, and analyzes the location-related information to determine a precise location and receive the precise location information using the information providing unit 100 providing the determined precise location information and a pre-installed application, input location-related information about a desired location through the application, and the corresponding location-related It is preferable to include a user terminal unit 200 that receives precise location information for the information.
  • the information providing unit 100 collects a plurality of location-related data, generates the collected plurality of location-related data as learning data for machine learning learning, and performs learning on the generated learning data.
  • the result processing unit 120 for receiving, storing and managing precise location information by using the location-related information input from the user It is preferable to further include
  • the learning processing unit 110 analyzes the plurality of location-related data collected and classifies at least one item of included text information, mark information, landmark information, and environment information, It is preferable to generate the training data by matching the GPS information together.
  • the result processing unit 120 includes GPS information matched with an item classified by being included in the location-related information as the precise location information.
  • the information providing unit 100 compares the precise location information stored and managed by the result processing unit 120 with the location-related information input from the user terminal unit 200, and provides the location-related information. It is preferable to further include a difference determining unit 130 for determining a distance difference value from the precise location information as a reference.
  • the user terminal 200 is configured to include a GPS, and when a user inputs current GPS information for a desired location through the application, the input current GPS information is used as the location-related information. It is preferable to transmit to the providing unit 100 to receive precise location information or a distance difference value for the corresponding location-related information.
  • the user terminal 200 is configured to include a camera, and when a user inputs surrounding picture data captured in real time using the camera at a desired location through the application, the input surrounding picture data is transmitted to the information providing unit 100 as the location-related information to receive precise location information or a distance difference value for the corresponding location-related information.
  • the user terminal 200 is configured to include a GPS, and when the user inputs current GPS information together with the surrounding picture data for a desired location through the application, the input surrounding picture data and the current It is preferable to transmit GPS information as the location-related information to the information providing unit 100 to receive precise location information or a distance difference value for the corresponding location-related information.
  • the data analysis step (S200) it is preferable to analyze the plurality of location-related data collected to classify at least one item of included text information, mark information, landmark information, and environment information.
  • the precise location providing step (S600) is based on the location-related information input by the location input step (S500) together with the generated precise location information by determining a distance difference value with the precise location information It is desirable to provide
  • the location input step (S500) it is preferable to input current GPS information for a desired location through the application, or to input surrounding photo data taken in real time using a camera.
  • the machine learning-based precise location information providing system and its providing method of the present invention prior to learning using a machine learning algorithm, analyzes various location-related data and marks including character information such as buildings, etc. Detects objects corresponding to information, landmark information such as buildings and mountains, and environmental information such as rivers, lakes, and forests, in other words, classifies various items with relatively little change and combines them with GPS information There is an advantage in that more precise location information can be provided by performing learning after generating learning data by matching.
  • the machine learning-based precise location information providing system and its providing method of the present invention do not simply use GPS information to determine precise location information, but provide current location information using surrounding location information (neighboring photo data, etc.) It has the advantage of being able to judge in detail.
  • FIG. 1 is an exemplary configuration diagram showing a machine learning-based precise location information providing system according to an embodiment of the present invention.
  • FIG. 2 is a flowchart illustrating a method for providing precise location information based on machine learning according to an embodiment of the present invention.
  • system refers to a set of components including devices, instruments, and means that are organized and regularly interact to perform necessary functions.
  • a machine learning-based precise location information providing system and a method for providing the same relates to a system capable of providing more precise location information by learning various location-related data using a machine learning algorithm.
  • a machine learning algorithm prior to learning using a machine learning algorithm, by analyzing various location-related data, mark information including character information such as buildings, landmark information such as buildings and mountains, rivers, lakes, By detecting objects corresponding to environmental information such as forests, that is, by classifying various items with relatively little change, matching them with GPS information and learning, more precise location information can be provided.
  • an augmented reality-based message service when a user leaves a desired message in a desired place, the message is transmitted so that an unspecified number of people passing the corresponding place can check the message, so that mutual communication and sympathy can be achieved.
  • applying the machine learning-based precise location information providing system according to an embodiment of the present invention is a message service. It is possible to effectively improve the accuracy of the position to leave the .
  • the machine learning-based precise location information providing system and its providing method does not simply determine precise location information by using only GPS information, but provides surrounding location information (peripheral photo data, etc.)
  • the current location information can be precisely determined using the
  • FIG. 1 is a configuration diagram illustrating a machine learning-based precise location information providing system according to an embodiment of the present invention, and with reference to FIG. 1, a machine learning-based precise location information providing system according to an embodiment of the present invention will be described in detail. .
  • the machine learning-based precise location information providing system is preferably configured to include an information providing unit 100 and a user terminal 200, and each configuration They are configured in each arithmetic processing means to perform an operation.
  • the information providing unit 100 is preferably a 'service providing server' that receives location-related information for a desired location from the user terminal unit 200 and analyzes it to provide precise location information.
  • the user terminal 200 is preferably a 'means for receiving a service' through a pre-installed application.
  • the application pre-installed in the user terminal unit 200 is merely a basic step for receiving a service.
  • the information providing unit 100 performs machine learning-based learning for precise location determination, and determines a precise location using location-related information input from the user, that is, the user through the user terminal 200, and , it is preferable to provide the determined precise location information to the user terminal unit 200 .
  • the information providing unit 100 is preferably configured to include a learning processing unit 110 , a result processing unit 120 , and a difference determining unit 130 .
  • the learning processing unit 110 includes a plurality of location-related data from the outside, that is, a plurality of location-related photo data, drawing data, video data, building interior photo data, and drawing data interlocked with GPS from the outside and including time information. , It is desirable to collect video data, weather information, etc. inside the building, generate the plurality of location-related data collected as learning data for machine learning learning, and perform machine learning learning on the generated learning data.
  • the learning processing unit 110 works with GPS from the outside and includes satellite photos as a plurality of location-related photo data including time information, and road view, street view, and public view data that are variously distributed as video data.
  • Drawing data, moving image data, building interior photo data, drawing data, building interior moving image data, weather information, etc. are collected to generate the learning data for machine learning learning. That is, it is preferable to generate the learning data so that the surrounding location, surrounding structure, surrounding environment, etc. can be learned based on GPS.
  • the learning processing unit 110 may generate the learning data by reflecting time information and weather information included in the location-related data.
  • data related to the internal structure may be collected using the collected drawing data, photo data, video data, etc. for the inside of the building.
  • the learning processing unit 110 analyzes the plurality of location-related data collected, and includes text information, mark information, landmark information (buildings, remains, etc.), environment information (mountain, sea, river, lake, etc.), it is preferable to classify at least one item, that is, to detect an item object, and to generate the learning data by matching the divided item and GPS information together.
  • the learning processing unit 110 may use a pre-stored machine learning algorithm to perform learning on the learning data.
  • the result processing unit 120 uses a learning model according to the learning result in the learning processing unit 110 to accurately determine the current location-related information or desired location-related information input from the user using the user terminal 200 . It is preferable to receive, store and manage location information.
  • the learning model learns the learning data generated by matching the items classified by the learning model together with the GPS information
  • the precise location information by the result processing unit 120 is included in the location-related information input from the user. It is preferable to include the classified item and GPS information matching it.
  • the result processing unit 120 may have different precise location information output according to the location-related information input from a user using the user terminal 200 .
  • location-related information input from a user using the user terminal 200 For example, when GPS information is received as the location-related information input from a user using the user terminal 200, item objects located in the vicinity are detected based on only the received GPS information and the precise location information can be provided, and when photo data is input as the location-related information input from a user using the user terminal 200, item objects are detected based on only the received photo data, and matching
  • the precise location information may be provided by extracting items. Output data according to the input data to such a learning model will be described later in more detail.
  • the result processing unit 120 stores and manages the precise location information into a three-dimensional database. In some cases, even with the same GPS, detection items for each height may be different, so it is preferable to store and manage the precise location information through a three-dimensional database.
  • the learning processing unit 110 is accurate because the season or time zone is different from the location-related information input from the user due to the learning data generated by reflecting the time information and weather information included in the location-related data. There may be a problem in that the precise location information cannot be output.
  • learning about noon and spring was performed through the learning data generated by reflecting time information and weather information included in the location-related data, but after that, the location-related information input from the user If the information is photo data of sunset or autumn, it may be difficult to accurately analyze it.
  • the learning processing unit 110 performs a pre-correction process on the location-related information input from the user, and includes the brightness value of the light included in the location-related information input from the user, whether or not the eyes are included, and whether the rain is included. It is preferable to analyze whether or not a season and an item capable of recognizing a season ( fallen leaves, snow, etc.), perform additional correction to take this into account in the learning model, and then generate output data.
  • the precise position information is predicted, including the additional correction conditions (corresponding time zone information, season information, etc.) desirable.
  • the position determining unit 130 compares the precise position information stored and managed by the result processing unit 120 with the position-related information input from the user, which is input data from which the precise position information is generated, and the It is preferable to determine a distance difference value from the precise location information based on the location-related information.
  • the information providing unit 100 provides the precise position information stored and managed by the result processing unit 120 or the distance difference value determined by the position determining unit 130 to the user through the user terminal unit 200 . It is preferable to provide it, and in this case, it is most preferable to provide it through an application pre-installed in the user terminal unit 200 .
  • the user terminal 200 for inputting the location-related information for receiving the precise location information to the information providing unit 100 inputs the location-related information for a desired location using a pre-installed application. And, it is preferable to be provided with precise location information for the corresponding location-related information.
  • the user terminal 200 is preferably configured to include a GPS or a camera, or both.
  • the information providing unit sets the input current GPS information as the location-related information. It is preferably sent to (100).
  • the information providing unit 100 provides the precise location information or distance difference value for the corresponding current GPS information to the user terminal 200 based on the received current GPS information.
  • the surrounding location, the surrounding structure, the surrounding environment, etc. are output as the precise location information based on the GPS information matched with the training data, and according to each detection object The determined distance difference value is provided.
  • the input surrounding photo data is converted to the location-related information. It is preferable to set and transmit the information to the information providing unit 100 .
  • the information providing unit 100 extracts the precise location information matching the corresponding surrounding picture data based on the received surrounding picture data, and provides a distance difference value determined according to each detection object.
  • transmitting the surrounding photo data as the location-related information through the user terminal 200 more clearly predicts the surrounding location, surrounding structure, surrounding environment, etc. than transmitting only the GPS information. , in the case of a similar environment, this may also cause errors.
  • the user when the user inputs current GPS information together with the surrounding picture data for a desired location through the application pre-installed on the user terminal 200, the input surrounding picture data and the current GPS information are combined with the location. It is preferable that the information is set as related information and transmitted to the information providing unit 100 .
  • the information providing unit 100 considers the received surrounding photo data and current GPS information at the same time, extracts the precise location information that matches the surrounding photo data based on the GPS information, and determines according to each detection object. The distance difference value is provided.
  • the information providing unit 100 has received current GPS information, surrounding photo data, or both from the user terminal unit 200, the surrounding location, surrounding structure, surrounding environment, etc. corresponding to the GPS of one point is difficult to predict, or when the surrounding locations, surrounding structures, and surrounding environments of two or more points are predicted, additional location-related information may be requested from the user terminal unit 200 . Through this, there is an advantage in that the current position can be more precisely corrected and provided.
  • FIG. 2 is a flowchart illustrating a machine learning-based precise location information providing method according to an embodiment of the present invention, and a machine learning-based precise location information providing method according to an embodiment of the present invention will be described in detail with reference to FIG. 2 .
  • the machine learning-based precise location information providing method includes a data collection step (S100), a data analysis step (S200), a learning data generation step (S300), a learning processing step (S400), it is preferably configured to include a position input step (S500) and a precise position providing step (S600).
  • the data collection step (S100) is, in the information providing unit 100, a plurality of location-related data from the outside, that is, a plurality of location-related photo data, drawing data, It is desirable to collect moving picture data, picture data inside the building, drawing data, moving picture data inside the building, weather information, and the like.
  • a number of location-related photo data interlocked with GPS from the outside and including time information include satellite photos, and as video data, road view, street view, public drawing data, video data, It is possible to collect photo data inside a building, drawing data, video data inside the building, weather information, etc.
  • data related to the internal structure may be collected using the collected drawing data, photo data, video data, etc. for the inside of the building.
  • the data analysis step (S200) in the information providing unit 100, it is preferable to classify preset items included in the location-related data collected by the data collection step (S100), that is, classify objects. do.
  • the data analysis step (S200) analyzes the location-related data collected by the data collection step (S100), and includes text information, mark information, landmark information (buildings, remains, etc.), environment information (mountain , sea, river, lake, etc.), it is preferable to classify at least one or more items, that is, to detect the item object.
  • the learning data generation step (S300) is to generate the training data by matching the classification items analyzed in the data analysis step (S200) with the GPS information, time information and weather information in the information providing unit 100 it is preferable Through this, the learning data may be generated so that the surrounding location, surrounding structure, surrounding environment, etc. can be learned based on the GPS.
  • the information providing unit 100 performs learning using a pre-stored machine learning algorithm for the learning data generated by the learning data generating step (S300). .
  • the location input step (S500) it is preferable to input the location-related information using a pre-installed application in the user terminal unit 200 .
  • the location input step (S500) is preferably configured to include a GPS or a camera using a pre-installed application, or to include both, in order to input the location-related information.
  • the location input step ( S500 ) when a user inputs current GPS information for a desired location through an application pre-installed on the user terminal unit 200 , the input current GPS information is converted into the location-related It is preferable that the information is set as information and transmitted to the information providing unit 100 .
  • the location input step ( S500 ) may be performed when a user inputs surrounding photo data taken in real time using the camera at a desired location through an application pre-installed on the user terminal unit 200 .
  • the surrounding photo data is set as the location-related information and transmitted to the information providing unit 100 .
  • the location input step ( S500 ) when the user inputs current GPS information along with the surrounding photo data for a desired location through an application pre-installed on the user terminal unit 200 , the input Preferably, the surrounding photo data and current GPS information are set as the location-related information and transmitted to the information providing unit 100 .
  • the precise location providing step (S600) is to apply the location-related information input by the location input step (S500) to the learning model according to the learning result of the learning processing step (S400), and to the corresponding location-related information It is preferable to generate precise location information for the user and provide it through an application of the user terminal 200 .
  • the precise location providing step (S600) is provided by determining a distance difference value from the precise location information based on the location-related information input by the location input step (S500) together with the generated precise location information You may.
  • the precise location providing step (S600) is based on the current GPS information received through the location input step (S500), the precise location information or distance difference value for the corresponding current GPS information to the user It is preferable to provide it to the terminal unit 200 .
  • the surrounding location, the surrounding structure, the surrounding environment, etc. are output as the precise location information based on the GPS information matched with the training data, and according to each detection object The determined distance difference value is provided.
  • the precise location providing step (S600) extracts the precise location information matching the corresponding surrounding photo data based on the surrounding photo data received through the location input step (S500), and each detection object The determined distance difference value is provided.
  • setting and transmitting the surrounding photo data as the location-related information can predict the surrounding location, surrounding structure, and surrounding environment more clearly than transmitting only the GPS information, but in a similar environment, this is also Errors may occur.
  • the precise location providing step (S600) considers the current GPS information and the surrounding photo data received through the location input step (S500) at the same time, and the precise location matched with the surrounding photo data based on the GPS information Information is extracted, and a distance difference value determined according to each detection object is provided.
  • the learning model learns the training data generated by matching the object items and GPS information separated from the location-related data together, the precise location information, which is the output data, is the location input from the user. It is preferable to include the classified object item and GPS information matching it as it is included in the related information.
  • the learning data generating step (S300) in generating the learning data, since time information and weather information included in the location-related data are reflected, the location-related information input from the user later Since the information and the season or time zone are different, there may be a problem in that the precise location information cannot be output accurately.
  • learning about noon and spring was performed through the learning data generated by reflecting time information and weather information included in the location-related data, but after that, the location-related information input from the user If the information is photo data of sunset or autumn, it may be difficult to accurately analyze it.
  • a pre-calibration process for the location-related information is performed, so that the user By analyzing the brightness value of light, whether snow is included, whether rain is included, and items that can recognize the season ( fallen leaves, snow, etc.) included in the location-related information input from It is desirable to perform further calibration.

Landscapes

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

Abstract

본 발명은 머신러닝 기반 정밀 위치 정보 제공 시스템 및 그 제공 방법에 관한 것으로서, 더욱 상세하게는, 정밀 위치 판단을 위한 머신러닝 기반 학습을 수행하며, 사용자로부터 위치관련 정보들을 입력받아 상기 위치관련 정보들을 분석하여 정밀 위치를 판단하고, 판단한 정밀 위치 정보를 제공하는 정보 제공부(100) 및 기설치된 어플리케이션을 이용하여 상기 정밀 위치 정보를 제공받으며, 상기 어플리케이션을 통해 원하는 위치에 대한 위치 관련 정보를 입력하고, 해당하는 상기 위치 관련 정보에 대한 정밀 위치 정보를 제공받는 사용자 단말부(200)를 포함하는 머신러닝 기반 정밀 위치 정보 제공 시스템에 관한 것이다.

Description

머신러닝 기반 정밀 위치 정보 제공 시스템 및 그 제공 방법
본 발명은 머신러닝 기반 정밀 위치 정보 제공 시스템 및 그 제공 방법에 관한 것으로, 더욱 상세하게는 비교적 변화가 적은 시설물 정보, 환경 정보 등을 포함하는 항목들에 대한 머신러닝 학습을 수행하고, 이를 이용하여 사용자의 현재 위치에 해당하는 정밀 위치 정보를 제공할 수 있는 머신러닝 기반 정밀 위치 정보 제공 시스템 및 그 제공 방법에 관한 것이다.
위치 정보를 파악하기 위하여 흔히 사용하는 GPS(Global Positioning System)은 GPS 위성에서 보내는 신호를 수신하여 사용자의 현재 위치 정보를 계산하는 위성항법시스템이다.
지구 주변에는 30 여개의 GPS 위성이 위치하고 있으며, 이 중 24개의 위성이 지구를 고전하는 6개의 궤도면에 분포하고 있어 전세계 어디서나 최소 6개의 GPS 위성을 관측할 수 있다.
이러한 GPS는 GPS 위성과 GPS 수신기 간의 거리를 계산하여 좌표값을 구하게 되며, 상세하게는, 위성에서 보내는 전파의 도달 시간을 바탕으로 계산하게 되는데 위성에 장착된 시계와 수신기에 장착된 시계가 일치하지 않아 오차가 발생할 수 있기 때문에, 적어도 4개 이상의 GPS 위성으로부터 신호를 수신받을 때에만 비교적 정확하게 위치를 계산할 수 있다. 그렇지만, 지상에 위치하고 있는 수신기의 상황에 따라 신호를 수신받을 수 없는 상황이 충분히 존재할 수 있을 뿐 아니라, GPS를 이용하여 원하는 위치로 이동하였으나, 오차로 인해 원하는 위치와는 동떨어진 위치로 이동하게 되는 문제점을 포함하고 있다.
이에 따라, 최근들어 GPS를 보완한, 보다 정밀한 위치 정보를 제공할 수 있는 시스템에 개발되고 있다.
이와 관련해서, 한국등록특허 제10-0596629호(“기준점들의 가중치를 이용한 GPS 위치정보의 보정방법”에서는 측량 지점에서의 획득한 좌표의 오차와 유사한 오차값을 산출하여, 측량 지점의 좌표값을 보다 정확하게 보정하는 방법을 개시하고 있다.
[선행기술문헌]
[특허문헌]
한국등록특허 제10-0596629호(등록일자 2006.06.27.)
본 발명은 상기한 바와 같은 종래 기술의 문제점을 해결하기 위하여 안출된 것으로, 본 발명의 목적은 비교적 변화가 적은 시설물 정보, 환경 정보 등을 포함하는 항목들에 대한 머신러닝 학습을 수행하고, 이를 이용하여 사용자의 현재 위치에 해당하는 정밀 위치 정보를 제공할 수 있는 머신러닝 기반 정밀 위치 정보 제공 시스템 및 그 제공 방법을 제공하는 것이다.
본 발명의 일 실시예에 따른 머신러닝 기반 정밀 위치 정보 제공 시스템은, 정밀 위치 판단을 위한 머신러닝 기반 학습을 수행하며, 사용자로부터 위치관련 정보들을 입력받아 상기 위치관련 정보들을 분석하여 정밀 위치를 판단하고, 판단한 정밀 위치 정보를 제공하는 정보 제공부(100) 및 기설치된 어플리케이션을 이용하여 상기 정밀 위치 정보를 제공받으며, 상기 어플리케이션을 통해 원하는 위치에 대한 위치 관련 정보를 입력하고, 해당하는 상기 위치 관련 정보에 대한 정밀 위치 정보를 제공받는 사용자 단말부(200)를 포함하는 것이 바람직하다.
더 나아가, 상기 정보 제공부(100)는 다수의 위치 관련 데이터들을 수집하여, 수집한 상기 다수의 위치 관련 데이터들을 머신러닝 학습을 위한 학습 데이터로 생성하여, 생성한 상기 학습 데이터에 대한 학습을 수행하는 학습 처리부(110) 및 상기 학습 처리부(110)에서 학습 결과에 따른 학습 모델을 이용하여, 사용자로부터 입력되는 위치 관련 정보를 이용하여 정밀 위치 정보를 출력받아, 저장 및 관리하는 결과 처리부(120)를 더 포함하는 것이 바람직하다.
더 나아가, 상기 학습 처리부(110)는 수집한 상기 다수의 위치 관련 데이터들을 분석하여, 포함되어 있는 텍스트 정보, 마크 정보, 랜드마크 정보 및 환경 정보 중 적어도 하나 이상의 항목을 구분하여, 구분한 항목과 GPS 정보를 함께 매칭시켜 상기 학습 데이터를 생성하는 것이 바람직하다.
더 나아가, 상기 결과 처리부(120)는 상기 정밀 위치 정보로 상기 위치 관련 정보에 포함되어 구분한 항목과 매칭된 GPS 정보를 포함하여 구성되는 것이 바람직하다.
더 나아가, 상기 정보 제공부(100)는 상기 결과 처리부(120)에서 저장 및 관리하는 상기 정밀 위치 정보와 상기 사용자 단말부(200)로부터 입력된 상기 위치 관련 정보를 비교하여, 상기 위치 관련 정보를 기준으로 상기 정밀 위치 정보와의 거리 차이값을 판단하는 차이 판단부(130)를 더 포함하는 것이 바람직하다.
더 나아가, 상기 사용자 단말부(200)는 GPS를 포함하여 구성되며, 사용자가 상기 어플리케이션을 통해 원하는 위치에 대한 현재 GPS 정보를 입력할 경우, 입력된 상기 현재 GPS 정보를 상기 위치 관련 정보로 상기 정보 제공부(100)에 전송하여, 해당하는 상기 위치 관련 정보에 대한 정밀 위치 정보 또는 거리 차이값을 제공받는 것이 바람직하다.
더 나아가, 상기 사용자 단말부(200)는 카메라를 포함하여 구성되며, 사용자가 상기 어플리케이션을 통해 원하는 위치에서 상기 카메라를 이용하여 실시간으로 촬영한 주변 사진 데이터를 입력할 경우, 입력된 상기 주변 사진 데이터를 상기 위치 관련 정보로 상기 정보 제공부(100)에 전송하여, 해당하는 상기 위치 관련 정보에 대한 정밀 위치 정보 또는 거리 차이값을 제공받는 것이 바람직하다.
더 나아가, 상기 사용자 단말부(200)는 GPS를 포함하여 구성되며, 사용자가 상기 어플리케이션을 통해 원하는 위치에 대한 상기 주변 사진 데이터와 함께 현재 GPS 정보를 입력할 경우, 입력된 상기 주변 사진 데이터와 현재 GPS 정보를 상기 위치 관련 정보로 상기 정보 제공부(100)에 전송하여, 해당하는 상기 위치 관련 정보에 대한 정밀 위치 정보 또는 거리 차이값을 제공받는 것이 바람직하다.
본 발명의 일 실시예에 따른 머신러닝 기반 정밀 위치 정보 제공 방법은, 정보 제공부에서, 외부로부터 다수의 위치 관련 데이터들을 수집하는 데이터 수집단계(S100), 정보 제공부에서, 상기 데이터 수집단계(S100)에 의해 수집한 상기 위치 관련 데이터들에 포함되어 있는 기설정된 항목들을 구분하는 데이터 분석단계(S200), 정보 제공부에서, 상기 데이터 분석단계(S200)에서 분석한 구분 항목들과 GPS 정보를 함께 매칭시켜, 머신러닝 학습을 위한 학습 데이터로 생성하는 학습 데이터 생성단계(S300), 정보 제공부에서, 상기 학습 데이터 생성단계(S300)에 의해 생성한 상기 학습 데이터에 대한 학습을 수행하는 학습 처리단계(S400), 사용자 단말부에서, 기설치된 어플리케이션을 이용하여 위치 관련 정보를 입력하는 위치 입력단계(S500) 및 정보 제공부에서, 상기 학습 처리단계(S400)의 학습 결과에 따른 학습 모델에 상기 위치 입력단계(S500)에 의해 입력된 상기 위치 관련 정보를 적용하여, 해당하는 상기 위치 관련 정보에 대한 정밀 위치 정보를 생성하여, 사용자 단말부의 어플리케이션을 통해서 제공하는 정밀 위치 제공단계(S600)를 포함하는 것이 바람직하다.
더 나아가, 상기 데이터 분석단계(S200)는 수집한 상기 다수의 위치 관련 데이터들을 분석하여, 포함되어 있는 텍스트 정보, 마크 정보, 랜드마크 정보 및 환경 정보 중 적어도 하나 이상의 항목을 구분하는 것이 바람직하다.
더 나아가, 상기 정밀 위치 제공단계(S600)는 생성한 정밀 위치 정보와 함께, 상기 위치 입력단계(S500)에 의해 입력된 상기 위치 관련 정보를 기준으로 상기 정밀 위치 정보와의 거리 차이값을 판단하여 제공하는 것이 바람직하다.
더 나아가, 상기 위치 입력단계(S500)는 상기 어플리케이션을 통해 원하는 위치에 대한 현재 GPS 정보를 입력하거나, 카메라를 이용하여 실시간으로 촬영한 주변 사진 데이터를 입력하는 것이 바람직하다.
상기와 같은 구성에 의한 본 발명의 머신러닝 기반 정밀 위치 정보 제공 시스템 및 그 제공 방법은 머신러닝 알고리즘을 이용한 학습에 앞서서, 다양한 위치 관련 데이터들을 분석하여 포함되어 있는 건물 등의 글자 정보를 포함하는 마크 정보, 특징이 되는 형태의 건물, 산 등의 랜드마크 정보, 강, 호수, 숲 등의 환경 정보에 해당하는 객체들을 검출하여, 다시 말하자면, 비교적 변화가 적은 다양한 항목들을 구분하여 이들을 GPS 정보와 함께 매칭시켜 학습 데이터를 생성한 후, 학습을 수행함으로써, 보다 정밀한 위치 정보를 제공할 수 있는 장점이 있다.
특히, 본 발명의 머신러닝 기반 정밀 위치 정보 제공 시스템 및 그 제공 방법은 단순하게 GPS 정보만을 활용하여 정밀 위치 정보를 판단하는 것이 아니라, 주변 위치 정보(주변 사진 데이터 등)를 이용하여 현재 위치 정보를 세밀하게 판단할 수 있는 장점이 있다.
도 1은 본 발명의 일 실시예에 따른 머신러닝 기반 정밀 위치 정보 제공 시스템을 나타낸 구성 예시도이다.
도 2는 본 발명의 일 실시예에 따른 머신러닝 기반 정밀 위치 정보 제공 방법을 나타낸 순서 예시도이다.
이하 첨부한 도면들을 참조하여 본 발명의 머신러닝 기반 정밀 위치 정보 제공 시스템 및 그 제공 방법을 상세히 설명한다. 다음에 소개되는 도면들은 당업자에게 본 발명의 사상이 충분히 전달될 수 있도록 하기 위해 예로서 제공되는 것이다. 따라서, 본 발명은 이하 제시되는 도면들에 한정되지 않고 다른 형태로 구체화될 수도 있다. 또한, 명세서 전반에 걸쳐서 동일한 참조번호들은 동일한 구성요소들을 나타낸다.
이 때, 사용되는 기술 용어 및 과학 용어에 있어서 다른 정의가 없다면, 이 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 통상적으로 이해하고 있는 의미를 가지며, 하기의 설명 및 첨부 도면에서 본 발명의 요지를 불필요하게 흐릴 수 있는 공지 기능 및 구성에 대한 설명은 생략한다.
더불어, 시스템은 필요한 기능을 수행하기 위하여 조직화되고 규칙적으로 상호 작용하는 장치, 기구 및 수단 등을 포함하는 구성 요소들의 집합을 의미한다.
본 발명의 일 실시예에 따른 머신러닝 기반 정밀 위치 정보 제공 시스템 및 그 제공 방법은, 머신러닝 알고리즘을 이용하여 다양한 위치 관련 데이터들을 학습하여, 보다 정밀한 위치 정보를 제공할 수 있는 시스템에 관한 것이다. 특히, 머신러닝 알고리즘을 이용한 학습에 앞서서, 다양한 위치 관련 데이터들을 분석하여 포함되어 있는 건물 등의 글자 정보를 포함하는 마크 정보, 특징이 되는 형태의 건물, 산 등의 랜드마크 정보, 강, 호수, 숲 등의 환경 정보에 해당하는 객체들을 검출하여, 다시 말하자면, 비교적 변화가 적은 다양한 항목들을 구분하여 이들을 GPS 정보와 함께 매칭시켜 학습함으로써, 보다 정밀한 위치 정보를 제공할 수 있다.
또한, 이러한 머신러닝 기반 정밀 위치 정보 제공 시스템을 적용하여 다양한 증강현실 기반 서비스의 정확도를 향상시킬 수 있다.
일 예를 들자면, 증강현실 기반 메시지 서비스의 경우, 사용자가 원하는 장소에 원하는 메시지를 남겨놓을 경우, 해당 장소를 지나는 불특정 다수가 해당 메시지를 확인할 수 있도록 전송함으로써, 상호간의 소통 및 교감이 이루어질 수 있도록 하는 메시지 서비스로서, 이 때, 가장 필수적으로 필요한 사용자가 메시지를 남겨놓고자 하는 특정 장소에 대한 정확한 위치 판단을 위해서는, 본 발명의 일 실시예에 따른 머신러닝 기반 정밀 위치 정보 제공 시스템을 적용하는 것이 메시지를 남겨놓는 위치에 대한 정확성을 효율적으로 향상시킬 수 있다.
특히, 본 발명의 일 실시예에 따른 머신러닝 기반 정밀 위치 정보 제공 시스템 및 그 제공 방법은, 단순하게 GPS 정보만을 활용하여 정밀 위치 정보를 판단하는 것이 아니라, 주변 위치 정보(주변 사진 데이터 등)를 이용하여 현재 위치 정보를 세밀하게 판단할 수 있는 장점이 있다.
도 1은 본 발명의 일 실시예에 따른 머신러닝 기반 정밀 위치 정보 제공 시스템을 나타낸 구성도이며, 도 1을 참조하여 본 발명의 일 실시예에 따른 머신러닝 기반 정밀 위치 정보 제공 시스템을 상세히 설명한다.
본 발명의 일 실시예에 따른 머신러닝 기반 정밀 위치 정보 제공 시스템은 도 1에 도시된 바와 같이, 정보 제공부(100) 및 사용자 단말부(200)를 포함하여 구성되는 것이 바람직하며, 각각의 구성들은 각각의 연산처리수단에 구성되어 동작을 수행하게 된다. 즉, 상기 정보 제공부(100)는 상기 사용자 단말부(200)로부터 원하는 위치에 대한 위치 관련 정보를 입력받아 이를 분석하여 정밀 위치 정보를 제공하는 ‘서비스를 제공하는 서버’인 것이 바람직하며, 상기 사용자 단말부(200)는 미리 설치된 어플리케이션을 통해서 ‘서비스를 제공받는 수단’인 것이 바람직하다.
이 때, 상기 사용자 단말부(200)에 미리 설치된 어플리케이션은 단순히 서비스를 제공받기 위한 기본 단계에 불과하다.
각 구성에 대해서 자세히 알아보자면,
상기 정보 제공부(100)는 정밀 위치 판단을 위한 머신러닝 기반 학습을 수행하며, 사용자, 다시 말하자면, 상기 사용자 단말부(200)를 통해서 사용자로부터 입력받은 위치관련 정보들을 이용하여 정밀 위치를 판단하고, 판단한 정밀 위치 정보를 상기 사용자 단말부(200)로 제공하는 것이 바람직하다.
이러한 상기 정보 제공부(100)는 도 1에 도시된 바와 같이, 학습 처리부(110), 결과 처리부(120) 및 차이 판단부(130)를 포함하여 구성되는 것이 바람직하다.
상기 학습 처리부(110)는 외부로부터 다수의 위치 관련 데이터들, 다시 말하자면, 외부로부터 GPS와 연동되고 시간 정보를 포함하는 다수의 위치관련 사진 데이터, 도면 데이터, 동영상 데이터, 건물내부 사진 데이터, 도면 데이터, 건물내부 동영상 데이터, 기상 정보 등을 수집하여, 수집한 상기 다수의 위치 관련 데이터들을 머신러닝 학습을 위한 학습 데이터로 생성하고, 생성한 상기 학습 데이터에 대한 머신러닝 학습을 수행하는 것이 바람직하다.
상세하게는, 상기 학습 처리부(110)는 외부로부터 GPS와 연동되고 시간 정보를 포함하는 다수의 위치관련 사진 데이터들로는 위성사진들, 동영상 데이터들로는 다양하게 배포되고 있는 로드뷰, 스트리트뷰, 공개되어 있는 도면 데이터, 동영상 데이터, 건물내부 사진 데이터, 도면 데이터, 건물내부 동영상 데이터, 기상 정보 등을 수집하여, 머신러닝 학습을 위한 상기 학습 데이터를 생성하는 것이 바람직하다. 즉, GPS를 기준으로 주변 위치, 주변 구조, 주변 환경 등을 학습할 수 있도록 상기 학습 데이터를 생성하는 것이 바람직하다. 이 때, 상기 학습 처리부(110)는 상기 위치 관련 데이터들에 포함되어 있는 시간 정보와 기상 정보를 반영하여 상기 학습 데이터를 생성할 수도 있다. 또한, 건물의 경우, 수집한 건물 내부에 대한 도면 데이터, 사진 데이터, 동영상 데이터 등을 이용하여 내부 구조 관련 데이터들을 수집할 수 있다.
이 때, 상기 학습 처리부(110)는 수집한 상기 다수의 위치 관련 데이터들을 분석하여, 포함되어 있는 텍스트 정보, 마크 정보, 랜드마크 정보(빌딩, 유적 등), 환경 정보(산, 바다, 강, 호수 등) 중 적어도 하나 이상의 항목들을 구분, 다시 말하자면, 항목 객체를 검출하고, 구분한 항목과 GPS 정보를 함께 매칭시켜 상기 학습 데이터를 생성하는 것이 바람직하다.
상기 학습 데이터를 생성하고 난 후, 상기 학습 처리부(110)는 미리 저장된 머신러닝 알고리즘을 이용하여, 상기 학습 데이터에 대한 학습을 수행하는 것이 바람직하다.
상기 결과 처리부(120)는 상기 학습 처리부(110)에서의 학습 결과에 따른 학습 모델을 이용하여, 상기 사용자 단말부(200)를 이용한 사용자로부터 입력되는 현재 위치 관련 정보 또는 원하는 위치 관련 정보에 대한 정밀 위치 정보를 출력받아, 저장 및 관리하는 것이 바람직하다.
상기 학습 모델이 구분한 항목과 GPS 정보를 함께 매칭시켜 생성한 상기 학습 데이터를 학습한 만큼, 상기 결과 처리부(120)에 의한 상기 정밀 위치 정보로는 사용자로부터 입력된 상기 위치 관련 정보에 포함되어 있어 구분된 항목과 이에 매칭되는 GPS 정보를 포함하는 것이 바람직하다.
이 때, 상기 결과 처리부(120)는 상기 사용자 단말부(200)를 이용한 사용자로부터 입력되는 상기 위치 관련 정보에 따라 출력되는 상기 정밀 위치 정보가 상이할 수 있다. 일 예를 들자면, 상기 사용자 단말부(200)를 이용한 사용자로부터 입력되는 상기 위치 관련 정보로 GPS 정보를 입력받을 경우, 입력받은 GPS 정보 만을 기준으로 주변에 위치하고 있는 항목 객체들을 검출하여 상기 정밀 위치 정보를 제공할 수 있으며, 상기 사용자 단말부(200)를 이용한 사용자로부터 입력되는 상기 위치 관련 정보로 사진 데이터를 입력받을 경우, 입력받은 사진 데이터 만을 기준으로 포함되어 있는 항목 객체들을 검출하고, 이에 매칭되는 항목들을 추출하여 상기 정밀 위치 정보를 제공할 수 있다. 이러한 학습 모델로의 입력 데이터에 따른 출력 데이터에 대해서는 보다 자세히 후술하도록 한다.
상기 결과 처리부(120)는 상기 정밀 위치 정보를 3차원 데이터베이스화하여 저장 및 관리하는 것이 바람직하다. 이는 경우에 따라 동일한 GPS라 할지라도 높이마다의 검출 항목이 상이할 수 있으므로, 3차원 데이터베이스화를 통해서 상기 정밀 위치 정보를 저장 및 관리하는 것이 바람직하다.
또한, 상기 학습 처리부(110)는 상기 위치 관련 데이터들에 포함되어 있는 시간 정보와 기상 정보를 반영하여 생성한 상기 학습 데이터로 인해, 사용자로부터 입력되는 상기 위치 관련 정보와 계절대나 시간대가 상이하여 정확한 상기 정밀 위치 정보를 출력하지 못하는 문제점이 발생할 수 있다.
일 예를 들자면, 상기 위치 관련 데이터들에 포함되어 있는 시간 정보와 기상 정보를 반영하여 생성한 상기 학습 데이터를 통해서는 정오, 봄에 대한 학습이 이루어졌으나, 이 후, 사용자로부터 입력된 상기 위치 관련 정보가 해질녁, 가을의 사진 데이터일 경우, 이에 대한 정확한 분석이 어려울 수 있다.
그렇기 때문에, 상기 학습 처리부(110)는 사용자로부터 입력되는 상기 위치 관련 정보에 대한 선보정 과정을 수행하여, 사용자로부터 입력되는 상기 위치 관련 정보에 포함되어 있는 빛의 밝기값, 눈 포함 여부, 비 포함 여부 및 계절을 인지할 수 있는 항목(낙엽, 눈 등) 등을 분석하여, 상기 학습 모델에서 이를 감안할 수 있게 추가 보정을 수행한 후, 출력 데이터를 생성하는 것이 바람직하다.
이를 통해서, 상기 결과 처리부(120)는 상기 출력 데이터인 상기 정밀 위치 정보가 예측됨에 있어서, 이루어진 추가 보정 조건(해당하는 시간대 정보, 계절 정보 등)을 포함하여 3차원 데이터베이스화하여 저장 및 관리하는 것이 바람직하다.
상기 위치 판단부(130)는 상기 결과 처리부(120)에서 저장 및 관리하고 있는 상기 정밀 위치 정보와, 상기 정밀 위치 정보가 생성된 입력 데이터인, 사용자로부터 입력되는 상기 위치 관련 정보를 비교하여, 상기 위치 관련 정보를 기준으로 상기 정밀 위치 정보와의 거리 차이값을 판단하는 것이 바람직하다.
이를 통해서, 상기 위치 관련 정보에 포함된 GPS 정보에 오차가 존재할 경우, 이를 보정할 수 있으며, 주변 위치(항목)까지의 거리 정보로 활용할 수도 있다.
상기 정보 제공부(100)는 상기 결과 처리부(120)에서 저장 및 관리하고 있는 상기 정밀 위치 정보 또는 상기 위치 판단부(130)에서 판단한 상기 거리 차이값을 상기 사용자 단말부(200)를 통해서 사용자에게 제공하는 것이 바람직하며, 이 때, 상기 사용자 단말부(200)에 미리 설치된 어플리케이션을 통해서 제공되는 것이 가장 바람직하다.
이와 같이, 상기 정보 제공부(100)로 상기 정밀 위치 정보를 제공받기 위한 상기 위치 관련 정보를 입력하는 상기 사용자 단말부(200)는 미리 설치된 어플리케이션을 이용하여 원하는 위치에 대한 상기 위치 관련 정보를 입력하고, 해당하는 상기 위치 관련 정보에 대한 정밀 위치 정보를 제공받는 것이 바람직하다.
상기 사용자 단말부(200)는 상기 정보 제공부(100)로 상기 위치 관련 정보를 입력하기 위하여, GPS 또는 카메라를 포함하여 구성되거나, 둘 모두를 포함하여 구성되는 것이 바람직하다.
경우에 따라서, 상기 사용자 단말부(200)에 미리 설치된 어플리케이션을 통해서, 사용자가 원하는 위치에 대한 현재 GPS 정보를 입력할 경우, 입력된 상기 현재 GPS 정보를 상기 위치 관련 정보로 설정하여 상기 정보 제공부(100)로 전송되는 것이 바람직하다.
상기 정보 제공부(100)는 입력받은 상기 현재 GPS 정보를 토대로, 해당하는 상기 현재 GPS 정보에 대한 상기 정밀 위치 정보 또는 거리 차이값을 상기 사용자 단말부(200)로 제공하는 것이 바람직하다.
이 때, 상기 학습 모델로 상기 현재 GPS 정보만이 입력되었기 때문에, 학습 데이터에 매칭되어 있는 GPS 정보를 토대로 주변 위치, 주변 구조, 주변 환경 등이 상기 정밀 위치 정보로 출력되고 각각의 검출 객체에 따라 판단된 거리 차이값이 제공되게 된다.
또한, 상기 사용자 단말부(200)에 미리 설치된 어플리케이션을 통해서, 사용자가 원하는 위치에서 상기 카메라를 이용하여 실시간으로 촬영한 주변 사진 데이터를 입력할 경우, 입력된 상기 주변 사진 데이터를 상기 위치 관련 정보로 설정하여 상기 정보 제공부(100)로 전송되는 것이 바람직하다.
상기 정보 제공부(100)는 입력받은 상기 주변 사진 데이터를 토대로, 해당하는 상기 주변 사진 데이터와 매칭되는 상기 정밀 위치 정보를 추출하고, 각각의 검출 객체에 따라 판단된 거리 차이값이 제공되게 된다.
이와 같이, 상기 사용자 단말부(200)를 통해서 상기 위치 관련 정보로 상기 주변 사진 데이터를 전송하는 것이, 상기 GPS 정보만을 전송하는 것보다는 보다 명확하게 주변 위치, 주변 구조, 주변 환경 등을 예측할 수 있으나, 유사한 환경의 경우 이 역시도 오차가 발생할 수 있다.
그렇기 때문에, 상기 사용자 단말부(200)에 미리 설치된 어플리케이션을 통해서, 사용자가 원하는 위치에 대한 상기 주변 사진 데이터와 함께 현재 GPS 정보를 입력할 경우, 입력된 상기 주변 사진 데이터와 현재 GPS 정보를 상기 위치 관련 정보로 설정하여 상기 정보 제공부(100)로 전송되는 것이 바람직하다.
상기 정보 제공부(100)는 입력받은 상기 주변 사진 데이터와 현재 GPS 정보를 동시에 고려하여, GPS 정보를 토대로 상기 주변 사진 데이터와 매칭되는 상기 정밀 위치 정보를 추출하고, 각각의 검출 객체에 따라 판단된 거리 차이값이 제공되게 된다.
상기 정보 제공부(100)는 상기 사용자 단말부(200)로부터 현재 GPS 정보, 주변 사진 데이터 또는 이 둘 모두를 전송받았음에도 불구하고, 한 포인트의 GPS에 해당하는 주변 위치, 주변 구조, 주변 환경 등의 예측이 곤란하거나, 둘 이상의 포인트의 주변 위치, 주변 구조, 주변 환경 등이 예측될 경우, 상기 사용자 단말부(200)로 추가 위치 관련 정보를 요청할 수도 있다. 이를 통해서, 보다 정밀하게 현재 위치를 보정하여 제공할 수 있는 장점이 있다.
도 2는 본 발명의 일 실시예에 따른 머신러닝 기반 정밀 위치 정보 제공 방법을 나타낸 순서도이며, 도 2를 참조하여 본 발명의 일 실시예에 따른 머신러닝 기반 정밀 위치 정보 제공 방법을 상세히 설명한다.
본 발명의 일 실시예에 따른 머신러닝 기반 정밀 위치 정보 제공 방법은 도 2에 도시된 바와 같이, 데이터 수집단계(S100), 데이터 분석단계(S200), 학습 데이터 생성단계(S300), 학습 처리단계(S400), 위치 입력단계(S500) 및 정밀 위치 제공단계(S600)를 포함하여 구성되는 것이 바람직하다.
각 단계에 대해서 자세히 알아보자면,
상기 데이터 수집단계(S100)는 상기 정보 제공부(100)에서, 외부로부터 다수의 위치 관련 데이터들, 다시 말하자면, 외부로부터 GPS와 연동되고 시간 정보를 포함하는 다수의 위치관련 사진 데이터, 도면 데이터, 동영상 데이터, 건물내부 사진 데이터, 도면 데이터, 건물내부 동영상 데이터, 기상 정보 등을 수집하는 것이 바람직하다.
일 예를 들자면, 외부로부터 GPS와 연동되고 시간 정보를 포함하는 다수의 위치관련 사진 데이터들로는 위성사진들, 동영상 데이터들로는 다양하게 배포되고 있는 로드뷰, 스트리트뷰, 공개되어 있는 도면 데이터, 동영상 데이터, 건물내부 사진 데이터, 도면 데이터, 건물내부 동영상 데이터, 기상 정보 등을 수집할 수 있다. 또한, 건물의 경우, 수집한 건물 내부에 대한 도면 데이터, 사진 데이터, 동영상 데이터 등을 이용하여 내부 구조 관련 데이터들을 수집할 수 있다.
상기 데이터 분석단계(S200)는 상기 정보 제공부(100)에서, 상기 데이터 수집단계(S100)에 의해 수집한 상기 위치 관련 데이터들에 포함되어 있는 미리 설정된 항목들을 구분, 즉, 객체 구분하는 것이 바람직하다.
상기 데이터 분석단계(S200)는 상기 데이터 수집단계(S100)에 의해 수집한 상기 위치 관련 데이터들을 분석하여, 포함되어 있는 텍스트 정보, 마크 정보, 랜드마크 정보(빌딩, 유적 등), 환경 정보(산, 바다, 강, 호수 등) 중 적어도 하나 이상의 항목들을 구분, 다시 말하자면, 항목 객체를 검출하는 것이 바람직하다.
상기 학습 데이터 생성단계(S300)는 상기 정보 제공부(100)에서, 상기 데이터 분석단계(S200)에서 분석한 구분 항목들과 GPS 정보, 시간 정보와 기상 정보를 함께 매칭시켜 상기 학습 데이터를 생성하는 것이 바람직하다. 이를 통해서, GPS를 기준으로 주변 위치, 주변 구조, 주변 환경 등을 학습할 수 있도록 상기 학습 데이터를 생성할 수 있다.
상기 학습 처리단계(S400)는 상기 정보 제공부(100)에서, 상기 학습 데이터 생성단계(S300)에 의해 생성한 상기 학습 데이터에 대해서, 미리 저장된 머신러닝 알고리즘을 이용하여 학습을 수행하는 것이 바람직하다.
상기 위치 입력단계(S500)는 상기 사용자 단말부(200)에서, 미리 설치된 어플리케이션을 이용하여 상기 위치 관련 정보를 입력하는 것이 바람직하다.
상세하게는, 상기 위치 입력단계(S500)는 상기 위치 관련 정보를 입력하기 위해서, 미리 설치된 어플리케이션을 이용하여 GPS 또는 카메라를 포함하여 구성되거나, 둘 모두를 포함하여 구성되는 것이 바람직하다.
예를 들자면, 상기 위치 입력단계(S500)는 상기 사용자 단말부(200)에 미리 설치된 어플리케이션을 통해서, 사용자가 원하는 위치에 대한 현재 GPS 정보를 입력할 경우, 입력된 상기 현재 GPS 정보를 상기 위치 관련 정보로 설정하여 상기 정보 제공부(100)로 전송되는 것이 바람직하다.
다른 예를 들자면, 상기 위치 입력단계(S500)는 상기 사용자 단말부(200)에 미리 설치된 어플리케이션을 통해서, 사용자가 원하는 위치에서 상기 카메라를 이용하여 실시간으로 촬영한 주변 사진 데이터를 입력할 경우, 입력된 상기 주변 사진 데이터를 상기 위치 관련 정보로 설정하여 상기 정보 제공부(100)로 전송되는 것이 바람직하다.
또다른 예를 들자면, 상기 위치 입력단계(S500)는 상기 사용자 단말부(200)에 미리 설치된 어플리케이션을 통해서, 사용자가 원하는 위치에 대한 상기 주변 사진 데이터와 함께 현재 GPS 정보를 입력할 경우, 입력된 상기 주변 사진 데이터와 현재 GPS 정보를 상기 위치 관련 정보로 설정하여 상기 정보 제공부(100)로 전송되는 것이 바람직하다.
상기 정밀 위치 제공단계(S600)는 상기 학습 처리단계(S400)의 학습 결과에 따른 학습 모델에 상기 위치 입력단계(S500)에 의해 입력된 상기 위치 관련 정보를 적용하여, 해당하는 상기 위치 관련 정보에 대한 정밀 위치 정보를 생성하여, 상기 사용자 단말부(200)의 어플리케이션을 통해서 제공하는 것이 바람직하다.
또한, 상기 정밀 위치 제공단계(S600)는 생성한 정밀 위치 정보와 함께, 상기 위치 입력단계(S500)에 의해 입력된 상기 위치 관련 정보를 기준으로 상기 정밀 위치 정보와의 거리 차이값을 판단하여 제공할 수도 있다.
상세하게는, 상기 정밀 위치 제공단계(S600)는 상기 위치 입력단계(S500)를 통해서 입력받은 상기 현재 GPS 정보를 토대로, 해당하는 상기 현재 GPS 정보에 대한 상기 정밀 위치 정보 또는 거리 차이값을 상기 사용자 단말부(200)로 제공하는 것이 바람직하다.
이 때, 상기 학습 모델로 상기 현재 GPS 정보만이 입력되었기 때문에, 학습 데이터에 매칭되어 있는 GPS 정보를 토대로 주변 위치, 주변 구조, 주변 환경 등이 상기 정밀 위치 정보로 출력되고 각각의 검출 객체에 따라 판단된 거리 차이값이 제공되게 된다.
또한, 상기 정밀 위치 제공단계(S600)는 상기 위치 입력단계(S500)를 통해서 입력받은 상기 주변 사진 데이터를 토대로, 해당하는 상기 주변 사진 데이터와 매칭되는 상기 정밀 위치 정보를 추출하고, 각각의 검출 객체에 따라 판단된 거리 차이값이 제공되게 된다.
이와 같이, 상기 위치 관련 정보로 상기 주변 사진 데이터를 설정하여 전송하는 것이, 상기 GPS 정보만을 전송하는 것보다는 보다 명확하게 주변 위치, 주변 구조, 주변 환경 등을 예측할 수 있으나, 유사한 환경의 경우 이 역시도 오차가 발생할 수 있다.
그렇기 때문에, 상기 정밀 위치 제공단계(S600)는 상기 위치 입력단계(S500)를 통해서 입력받은 상기 주변 사진 데이터와 현재 GPS 정보를 동시에 고려하여, GPS 정보를 토대로 상기 주변 사진 데이터와 매칭되는 상기 정밀 위치 정보를 추출하고, 각각의 검출 객체에 따라 판단된 거리 차이값이 제공되게 된다.
이와 같이, 상기 학습 모델이 상기 위치 관련 데이터들로부터 구분한 객체 항목들과 GPS 정보를 함께 매칭시켜 생성한 상기 학습 데이터를 학습한 만큼, 출력 데이터인 상기 정밀 위치 정보로는 사용자로부터 입력된 상기 위치 관련 정보에 포함되어 있어 구분된 객체 항목과 이에 매칭되는 GPS 정보를 포함하는 것이 바람직하다.
이 때, 상기 학습 데이터 생성단계(S300)를 통해서, 상기 학습 데이터를 생성함에 있어서, 상기 위치 관련 데이터들에 포함되어 있는 시간 정보와 기상 정보를 반영하기 때문에, 추후에 사용자로부터 입력되는 상기 위치 관련 정보와 계절대나 시간대가 상이하여 정확한 상기 정밀 위치 정보를 출력하지 못하는 문제점이 발생할 수 있다.
일 예를 들자면, 상기 위치 관련 데이터들에 포함되어 있는 시간 정보와 기상 정보를 반영하여 생성한 상기 학습 데이터를 통해서는 정오, 봄에 대한 학습이 이루어졌으나, 이 후, 사용자로부터 입력된 상기 위치 관련 정보가 해질녁, 가을의 사진 데이터일 경우, 이에 대한 정확한 분석이 어려울 수 있다.
그렇기 때문에, 상기 정밀 위치 제공단계(S600)는 상기 위치 입력단계(S500)를 통해서 입력받은 상기 위치 관련 정보들을 상기 학습 모델에 적용하기 앞서서, 상기 위치 관련 정보에 대한 선보정 과정을 수행하여, 사용자로부터 입력되는 상기 위치 관련 정보에 포함되어 있는 빛의 밝기값, 눈 포함 여부, 비 포함 여부 및 계절을 인지할 수 있는 항목(낙엽, 눈 등) 등을 분석하여, 상기 학습 모델에서 이를 감안할 수 있게 추가 보정을 수행하는 것이 바람직하다.
이상과 같이 본 발명에서는 구체적인 구성 소자 등과 같은 특정 사항들과 한정된 실시예 도면에 의해 설명되었으나 이는 본 발명의 보다 전반적인 이해를 돕기 위해서 제공된 것 일 뿐, 본 발명은 상기의 일 실시예에 한정되는 것이 아니며, 본 발명이 속하는 분야에서 통상의 지식을 가진 자라면 이러한 기재로부터 다양한 수정 및 변형이 가능하다.
따라서, 본 발명의 사상은 설명된 실시예에 국한되어 정해져서는 아니 되며, 후술하는 특허 청구 범위뿐 아니라 이 특허 청구 범위와 균등하거나 등가적 변형이 있는 모든 것들은 본 발명 사상의 범주에 속한다고 할 것이다.
[부호의 설명]
100 : 정보 제공부
110 : 학습 처리부
120 : 결과 처리부
130 : 차이 판단부
200 : 사용자 단말부

Claims (12)

  1. 정밀 위치 판단을 위한 머신러닝 기반 학습을 수행하며, 사용자로부터 위치관련 정보들을 입력받아 상기 위치관련 정보들을 분석하여 정밀 위치를 판단하고, 판단한 정밀 위치 정보를 제공하는 정보 제공부(100); 및
    기설치된 어플리케이션을 이용하여 상기 정밀 위치 정보를 제공받으며, 상기 어플리케이션을 통해 원하는 위치에 대한 위치 관련 정보를 입력하고, 해당하는 상기 위치 관련 정보에 대한 정밀 위치 정보를 제공받는 사용자 단말부(200);
    를 포함하는 머신러닝 기반 정밀 위치 정보 제공 시스템.
  2. 제 1항에 있어서,
    상기 정보 제공부(100)는
    다수의 위치 관련 데이터들을 수집하여, 수집한 상기 다수의 위치 관련 데이터들을 머신러닝 학습을 위한 학습 데이터로 생성하여, 생성한 상기 학습 데이터에 대한 학습을 수행하는 학습 처리부(110); 및
    상기 학습 처리부(110)에서 학습 결과에 따른 학습 모델을 이용하여, 사용자로부터 입력되는 위치 관련 정보를 이용하여 정밀 위치 정보를 출력받아, 저장 및 관리하는 결과 처리부(120);
    를 더 포함하는 머신러닝 기반 정밀 위치 정보 제공 시스템.
  3. 제 2항에 있어서,
    상기 학습 처리부(110)는
    수집한 상기 다수의 위치 관련 데이터들을 분석하여, 포함되어 있는 텍스트 정보, 마크 정보, 랜드마크 정보 및 환경 정보 중 적어도 하나 이상의 항목을 구분하여, 구분한 항목과 GPS 정보를 함께 매칭시켜 상기 학습 데이터를 생성하는 머신러닝 기반 정밀 위치 정보 제공 시스템.
  4. 제 3항에 있어서,
    상기 결과 처리부(120)는
    상기 정밀 위치 정보로 상기 위치 관련 정보에 포함되어 구분한 항목과 매칭된 GPS 정보를 포함하여 구성되는 머신러닝 기반 정밀 위치 정보 제공 시스템.
  5. 제 2항에 있어서,
    상기 정보 제공부(100)는
    상기 결과 처리부(120)에서 저장 및 관리하는 상기 정밀 위치 정보와 상기 사용자 단말부(200)로부터 입력된 상기 위치 관련 정보를 비교하여, 상기 위치 관련 정보를 기준으로 상기 정밀 위치 정보와의 거리 차이값을 판단하는 차이 판단부(130);
    를 더 포함하는 머신러닝 기반 정밀 위치 정보 제공 시스템.
  6. 제 5항에 있어서,
    상기 사용자 단말부(200)는
    GPS를 포함하여 구성되며,
    사용자가 상기 어플리케이션을 통해 원하는 위치에 대한 현재 GPS 정보를 입력할 경우, 입력된 상기 현재 GPS 정보를 상기 위치 관련 정보로 상기 정보 제공부(100)에 전송하여, 해당하는 상기 위치 관련 정보에 대한 정밀 위치 정보 또는 거리 차이값을 제공받는 머신러닝 기반 정밀 위치 정보 제공 시스템.
  7. 제 5항에 있어서,
    상기 사용자 단말부(200)는
    카메라를 포함하여 구성되며,
    사용자가 상기 어플리케이션을 통해 원하는 위치에서 상기 카메라를 이용하여 실시간으로 촬영한 주변 사진 데이터를 입력할 경우, 입력된 상기 주변 사진 데이터를 상기 위치 관련 정보로 상기 정보 제공부(100)에 전송하여, 해당하는 상기 위치 관련 정보에 대한 정밀 위치 정보 또는 거리 차이값을 제공받는 머신러닝 기반 정밀 위치 정보 제공 시스템.
  8. 제 7항에 있어서,
    상기 사용자 단말부(200)는
    GPS를 포함하여 구성되며,
    사용자가 상기 어플리케이션을 통해 원하는 위치에 대한 상기 주변 사진 데이터와 함께 현재 GPS 정보를 입력할 경우, 입력된 상기 주변 사진 데이터와 현재 GPS 정보를 상기 위치 관련 정보로 상기 정보 제공부(100)에 전송하여, 해당하는 상기 위치 관련 정보에 대한 정밀 위치 정보 또는 거리 차이값을 제공받는 머신러닝 기반 정밀 위치 정보 제공 시스템.
  9. 정보 제공부에서, 외부로부터 다수의 위치 관련 데이터들을 수집하는 데이터 수집단계(S100);
    정보 제공부에서, 상기 데이터 수집단계(S100)에 의해 수집한 상기 위치 관련 데이터들에 포함되어 있는 기설정된 항목들을 구분하는 데이터 분석단계(S200);
    정보 제공부에서, 상기 데이터 분석단계(S200)에서 분석한 구분 항목들과 GPS 정보를 함께 매칭시켜, 머신러닝 학습을 위한 학습 데이터로 생성하는 학습 데이터 생성단계(S300);
    정보 제공부에서, 상기 학습 데이터 생성단계(S300)에 의해 생성한 상기 학습 데이터에 대한 학습을 수행하는 학습 처리단계(S400);
    사용자 단말부에서, 기설치된 어플리케이션을 이용하여 위치 관련 정보를 입력하는 위치 입력단계(S500); 및
    정보 제공부에서, 상기 학습 처리단계(S400)의 학습 결과에 따른 학습 모델에 상기 위치 입력단계(S500)에 의해 입력된 상기 위치 관련 정보를 적용하여, 해당하는 상기 위치 관련 정보에 대한 정밀 위치 정보를 생성하여, 사용자 단말부의 어플리케이션을 통해서 제공하는 정밀 위치 제공단계(S600);
    를 포함하는 머신러닝 기반 정밀 위치 정보 제공 방법.
  10. 제 9항에 있어서,
    상기 데이터 분석단계(S200)는
    수집한 상기 다수의 위치 관련 데이터들을 분석하여, 포함되어 있는 텍스트 정보, 마크 정보, 랜드마크 정보 및 환경 정보 중 적어도 하나 이상의 항목을 구분하는 머신러닝 기반 정밀 위치 정보 제공 방법.
  11. 제 9항에 있어서,
    상기 정밀 위치 제공단계(S600)는
    생성한 정밀 위치 정보와 함께, 상기 위치 입력단계(S500)에 의해 입력된 상기 위치 관련 정보를 기준으로 상기 정밀 위치 정보와의 거리 차이값을 판단하여 제공하는 머신러닝 기반 정밀 위치 정보 제공 방법.
  12. 제 9항에 있어서,
    상기 위치 입력단계(S500)는
    상기 어플리케이션을 통해 원하는 위치에 대한 현재 GPS 정보를 입력하거나, 카메라를 이용하여 실시간으로 촬영한 주변 사진 데이터를 입력하는 머신러닝 기반 정밀 위치 정보 제공 방법.
PCT/KR2021/000415 2021-01-08 2021-01-12 머신러닝 기반 정밀 위치 정보 제공 시스템 및 그 제공 방법 WO2022149645A1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
US18/346,888 US20230354259A1 (en) 2021-01-08 2023-07-05 System for providing precise position information on basis of machine learning, and provision method therefor

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR10-2021-0002381 2021-01-08
KR1020210002381A KR102320628B1 (ko) 2021-01-08 2021-01-08 머신러닝 기반 정밀 위치 정보 제공 시스템 및 그 제공 방법

Related Child Applications (1)

Application Number Title Priority Date Filing Date
US18/346,888 Continuation-In-Part US20230354259A1 (en) 2021-01-08 2023-07-05 System for providing precise position information on basis of machine learning, and provision method therefor

Publications (1)

Publication Number Publication Date
WO2022149645A1 true WO2022149645A1 (ko) 2022-07-14

Family

ID=78476171

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2021/000415 WO2022149645A1 (ko) 2021-01-08 2021-01-12 머신러닝 기반 정밀 위치 정보 제공 시스템 및 그 제공 방법

Country Status (3)

Country Link
US (1) US20230354259A1 (ko)
KR (1) KR102320628B1 (ko)
WO (1) WO2022149645A1 (ko)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20130130060A (ko) * 2011-03-07 2013-11-29 케이비에이2, 인코포레이티드 이벤트 또는 지리적 위치에 있는 이미지 제공자들로부터의 분석 데이터 수집을 위한 시스템 및 방법
KR20130136207A (ko) * 2012-06-04 2013-12-12 경일대학교산학협력단 위치 보정 정보를 이용한 위치 기반 서비스 제공 시스템, 이를 위한 장치 및 이를 위한 방법
KR20130137065A (ko) * 2012-06-06 2013-12-16 삼성전자주식회사 이미지를 기반으로 한 무선단말의 위치 측정 장치 및 방법
KR20190107627A (ko) * 2019-09-02 2019-09-20 엘지전자 주식회사 차량의 위치 정보를 제공하는 인공 지능 장치 및 그 방법
KR102033075B1 (ko) * 2018-10-05 2019-10-16 (주)한국플랫폼서비스기술 딥러닝을 이용한 위치정보 시스템 및 그 제공방법
KR20200036665A (ko) * 2018-09-28 2020-04-07 광운대학교 산학협력단 객체의 고정밀 위치 파악 방법 및 그 장치

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100596629B1 (ko) 2005-09-21 2006-07-04 주식회사 범아엔지니어링 기준점들의 가중치를 이용한 ｇｐｓ 위치정보의 보정방법

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20130130060A (ko) * 2011-03-07 2013-11-29 케이비에이2, 인코포레이티드 이벤트 또는 지리적 위치에 있는 이미지 제공자들로부터의 분석 데이터 수집을 위한 시스템 및 방법
KR20130136207A (ko) * 2012-06-04 2013-12-12 경일대학교산학협력단 위치 보정 정보를 이용한 위치 기반 서비스 제공 시스템, 이를 위한 장치 및 이를 위한 방법
KR20130137065A (ko) * 2012-06-06 2013-12-16 삼성전자주식회사 이미지를 기반으로 한 무선단말의 위치 측정 장치 및 방법
KR20200036665A (ko) * 2018-09-28 2020-04-07 광운대학교 산학협력단 객체의 고정밀 위치 파악 방법 및 그 장치
KR102033075B1 (ko) * 2018-10-05 2019-10-16 (주)한국플랫폼서비스기술 딥러닝을 이용한 위치정보 시스템 및 그 제공방법
KR20190107627A (ko) * 2019-09-02 2019-09-20 엘지전자 주식회사 차량의 위치 정보를 제공하는 인공 지능 장치 및 그 방법

Also Published As

Publication number Publication date
KR102320628B1 (ko) 2021-11-02
US20230354259A1 (en) 2023-11-02

Similar Documents

Publication Publication Date Title
WO2019054593A1 (ko) 기계학습과 이미지 프로세싱을 이용한 지도 제작 장치
WO2014073841A1 (ko) 영상기반 실내 위치 검출방법 및 이를 이용한 휴대용 단말기
WO2020075954A1 (ko) 다종 센서 기반의 위치인식 결과들을 혼합한 위치 측위 시스템 및 방법
WO2011052826A1 (ko) 이동 로봇의 위치 인식을 위한 지도 생성 및 갱신 방법
WO2021091021A1 (ko) 화재 검출 시스템
WO2020159034A1 (ko) 인공지능 기반 설계풍속 자동 산정 방법 및 시스템
WO2011152645A2 (en) Apparatus and method for recognizing zone in portable terminal
WO2018230845A1 (ko) 비전 정보에 기반한 위치 설정 방법 및 이를 구현하는 로봇
WO2021221334A1 (ko) Gps정보 및 라이다 신호를 기초로 형성되는 컬러 맵 생성 장치 및 그 제어방법
WO2021085771A1 (ko) 하이브리드 교통신호제어시스템 및 그 방법
WO2012118283A2 (ko) 휴대용 불법단속 및 교통위반단속 시스템
WO2020067751A1 (ko) 이종 센서 간의 데이터 융합 장치 및 방법
WO2024019342A1 (ko) 인공지능 기반 유해 가스 누출 탐지 시스템 및 이의 동작 방법
WO2020251099A1 (ko) 사용자의 현재 위치로 차량을 호출하는 방법
WO2020071573A1 (ko) 딥러닝을 이용한 위치정보 시스템 및 그 제공방법
WO2019212200A1 (ko) 다양한 환경에서 위치 정확도가 향상된 무선 측위 방법 및 장치
WO2020189909A2 (ko) 3d-vr 멀티센서 시스템 기반의 도로 시설물 관리 솔루션을 구현하는 시스템 및 그 방법
WO2023022305A1 (ko) 보행자 실내 위치 측위 장치 및 방법
WO2019132504A1 (ko) 목적지 안내 장치 및 방법
CN113934212A (zh) 一种可定位的智慧工地安全巡检机器人
WO2020130209A1 (ko) 영상 처리를 이용한 차량 속도 측정 방법 및 장치
WO2022149645A1 (ko) 머신러닝 기반 정밀 위치 정보 제공 시스템 및 그 제공 방법
WO2022196883A1 (ko) 카메라와 레이더를 이용한 구간 단속 방법 및 구간 단속 시스템
WO2019216673A1 (ko) 무인 이동체용 사물 유도 시스템 및 방법
WO2012015156A2 (ko) 열적외선을 이용한 환경독립형 교통검지시스템

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: 21917808

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: 21917808

Country of ref document: EP

Kind code of ref document: A1