| 1 |
1
2 이상의 안테나를 포함하는 복수의 무선수신장치를 이용한 실내측위방법에 있어서, 대상공간 내에 포함된 복수의 노드(node)에서 전송된 샘플 무선신호를 수신하는 단계;상기 샘플 무선신호의 CSI (Channel State information) 패킷에 대한 진폭 및 위상차를 이용하여, 각각의 노드에 대응하는 데이터셋을 생성하는 단계; 상기 데이터셋을 지도학습(supervised learning) 기반으로 기계학습(machine learning)하여, 상기 대상공간에 대한 무선측위모델을 생성하는 단계; 및상기 무선측위모델을 이용하여, 상기 대상공간 내 임의의 지점에서 출력되는 무선신호에 대한 좌표정보를 생성하는 단계를 포함하는 실내측위방법
|
| 2 |
2
제1항에 있어서, 상기 CSI 패킷은상기 샘플 무선신호에 포함되는 복수의 서브캐리어(subcarrier) 중에서, 미리 설정된 인덱스(index)에 대응하는 각각의 서브캐리어에 대한 채널정보를 포함하는 것을 특징으로 하는 실내측위방법
|
| 3 |
3
제2항에 있어서, 상기 데이터셋을 생성하는 단계는상기 무선수신장치에 포함된 안테나들을 2개씩 선택하여 그룹을 형성하고, 각각의 안테나 그룹 별로, 상기 CSI 패킷에 대한 각 안테나에서의 진폭과 위상차를 포함하는 상기 데이터셋을 생성하는 것을 특징으로 하는 실내측위방법
|
| 4 |
4
제3항에 있어서, 상기 데이터셋을 생성하는 단계는적어도 |CSI|n,m,k,i, Rn,(m, m+1),k,I 및 In,(m, m+1),k,I을 포함하는 데이터셋을 생성하고, 여기서,|CSI|는 상기 CSI 패킷의 진폭, R은 상기 CSI 패킷의 위상차를 나타내는 복소수의 실수부, I는 상기 위상차를 나타내는 복소수의 허수부이고, n은 CSI 패킷, m은 안테나, k는 무선수신장치, i는 서브캐리어를 나타내는 각각의 인덱스인 것을 특징으로 하는 실내측위방법
|
| 5 |
5
제1항에 있어서, 상기 무선측위모델을 생성하는 단계는상기 데이터셋들을 부분연결 신경망(Partially Connected Neural Network)으로 연결하여 학습하는 것을 특징으로 하는 실내측위방법
|
| 6 |
6
제5항에 있어서, 상기 부분연결 신경망은각각의 데이터셋을 완전연결(Fully Connected)하여 중간 결과노드를 생성하는 복수의 제1 레이어와, 각각의 제1 레이어에서 출력되는 중간 결과노드들을 완전연결하여 최종 결과노드를 생성하는 제2 레이어를 포함하는 것을 특징으로 하는 실내측위방법
|
| 7 |
7
제1항에 있어서, 상기 좌표정보를 생성하는 단계는상기 무선측위모델을 이용하여, 상기 무선신호에 대응하는 복수의 노드들을 추출하고, 상기 추출한 노드들을 이용하여, 상기 좌표정보를 생성하는 것을 특징으로 하는 실내측위방법
|
| 8 |
8
제7항에 있어서, 상기 좌표정보를 생성하는 단계는X = p(N1)*x1 + p(N2)*x2 +
|
| 9 |
9
하드웨어와 결합되어 제1항 내지 제8항 중 어느 한 항의 실내측위방법을 실행하기 위하여 매체에 저장된 컴퓨터 프로그램
|
| 10 |
10
2 이상의 안테나를 포함하는 복수의 무선수신장치를 이용하는 실내측위장치에 있어서, 대상공간 내에 포함된 복수의 노드(node)에서 전송된 샘플 무선신호를 수신하는 수신부;상기 샘플 무선신호의 CSI (Channel State information) 패킷에 대한 진폭 및 위상차를 이용하여, 각각의 노드에 대응하는 데이터셋을 생성하는 데이터처리부; 상기 데이터셋을 지도학습(supervised learning) 기반으로 기계학습(machine learning)하여, 상기 대상공간에 대한 무선측위모델을 생성하는 모델생성부; 및상기 무선측위모델을 이용하여, 상기 대상공간 내 임의의 지점에서 출력되는 무선신호에 대한 좌표정보를 생성하는 측위부를 포함하는 실내측위장치
|
