1 |
1
학습모델을 기반으로 하는 이동 방향 추정 시스템에 있어서, IMU 센서 데이터와 보행자 관성항법(PDR)을 통해 산출된 이동 방향 데이터를 포함하는 로우(Raw) 데이터와, 상기 로우(Raw) 데이터에 대응하는 사용자의 실제 위치를 입력받는 데이터 입력부, 가속도값에 대한 제1 기준 범위를 설정하고, 걸음 지속 시간에 대한 제2 기준 범위를 설정한 다음, 상기 입력된 로우(Raw) 데이터에 상기 제1 기준 범위 및 제2 기준 범위에 포함되는지 여부를 판단하여 상기 로우(Raw) 데이터를 사용자의 걸음이 대기인 상태, 사용자의 걸음이 감지된 상태 및 사용자의 걸음이 감지 되지 않은 상태 중에서 적어도 하나의 보행상태로 분류하여 데이터베이스에 저장하는 보행상태 분류부, 걸음이 감지된 상태로 분류된 복수의 로우(Raw) 데이터마다 각각 걸음간의 시간 간격을 산출하고, 산출된 시간 간격이 임계치에 해당되면, 해당되는 로우(Raw) 데이터를 제거하는 필터링부, 상기 로우(Raw) 데이터를 정규화하여 입력데이터를 추출하고, 상기 추출된 입력데이터에 대응하는 사용자의 실제 위치를 출력데이터로 하여 학습데이터를 생성하는 학습데이터 생성부, 상기 생성된 학습데이터를 기 구축된 학습모델에 입력하여 학습시키는 학습부, 그리고측정 대상자의 사용자 단말로부터 IMU 센서 데이터를 획득하고, 상기 획득한 IMU 센서 데이터로부터 가속도부터 가속계로 계산된 보정된 지자기값 및 상보 필터(CF)방식으로 산출된 이동 방향을 획득하고, 상기 IMU 센서 데이터, 가속계로 계산된 보정된 지자기값 및 상보 필터(CF)방식으로 산출된 이동 방향을 학습이 완료된 학습모델에 입력하여 현재 시점에서 측정 대상자의 이동 방향을 예측하는 제어부를 포함하는 이동 방향 추정 시스템
|
2 |
2
제1항에 있어서, 상기 로우(Raw) 데이터는,가속도 값, 자이로스코프 값 및 지자기 값을 포함하는 IMU 센서 데이터, 그리고가속계와 지자기 센서로 계산한 이동 방향 및 자이로스코프 센서로 계산한 이동 방향을 포함하는 이동 방향 데이터로 구성되는 이동 방향 추정 시스템
|
3 |
3
제2항에 있어서, 상기 보행상태 분류부는, 상기 가속도 값을 GCS (Global Coordinate System)을 통해 수직 선형 가속도 값으로 변환하고, 상기 수직 선형 가속도값에 대한 제1 기준 범위를 설정하고, 현재 시점에서 입력된 로우(Raw) 데이터에 포함된 가속도 값이 상기 제1 기준 범위에 포함되지 않으면, 해당되는 로우(Raw) 데이터를 사용자의 걸음이 감지 되지 않은 상태인 것으로 분류하고, 상기 가속도 값이 상기 제1 기준 범위에 해당하면, 해당되는 로우(Raw) 데이터를 사용자의 걸음이 대기인 상태인 것으로 분류하는 이동 방향 추정 시스템
|
4 |
4
제3항에 있어서, 상기 보행상태 분류부는, 상기 대기 상태로 분류된 로우(Raw) 데이터의 다음 시점에서 입력된 로우(Raw) 데이터가 제1 기준 범위에 포함되고, 데이터의 발생시점이 제2 기준 범위 내에 포함되면, 해당되는 로우(Raw) 데이터를 사용자의 걸음이 감지된 상태인 것으로 분류하고, 상기 다음 시점에서 입력된 로우(Raw) 데이터가 제1 기준 범위에 포함되고, 데이터의 발생시점이 제2 기준 범위에 포함되지 않으면, 해당되는 로우(Raw) 데이터를 사용자의 걸음이 감지 되지 않은 상태인 것으로 분류하는 이동 방향 추정 시스템
|
5 |
5
제4항에 있어서, 상기 필터링부는, 상기 사용자의 걸음이 감지된 상태인 것으로 분류된 로우(Raw) 데이터들 사이의 시간 간격을 추출하고, 추출된 시간 간격들의 평균값을 이용하여 임계치를 설정한 다음, 상기 설정된 임계치에 해당하지 않은 로우(Raw) 데이터를 제외시키는 이동 방향 추정 시스템
|
6 |
6
제5항에 있어서, 상기 학습데이터 생성부는, 상기 로우(Raw) 데이터를 하기의 수학식에 적용하여 입력 데이터()를 추출하는 이동 방향 추정 시스템:여기서, N은 정규화(normalization)를 나타내고, 는 가속도 값이고, 는 회전속도이고, 는 가속계로 계산된 보정된 지자기 값이고, 는 상보필터를 통해 산출된 이동 방향을 나타내고, k는 걸음 횟수를 나타내고, M(*)는 데이터의 평균값을 나타내며, {*}_max, {*}_min는 각 특성 데이터 집합의 최대값 및 최소값을 나타낸다
|
7 |
7
제1항에 있어서, 상기 학습모델은, 다층 퍼셉트론 (Multi-Layered Perceptron; MLP) 모델로 구축되며, 하기의 수학식을 이용하여 함수를 회귀 근사하는 이동 방향 추정 시스템:여기서, o는 출력데이터 즉 이동 방향을 나타낸다
|
8 |
8
제7항에 있어서, 상기 제어부는, 상기 학습모델을 이용하여 측정 대상자의 k번째 걸음에 대한 이동 방향을 x축과 y축으로 구성되는 좌표값으로 출력하는 이동 방향 추정 시스템
|
9 |
9
이동 방향 추정 시스템을 이용한 이동 방향 추정 방법에 있어서, IMU 센서 데이터와 보행자 관성항법(PDR)을 통해 산출된 이동 방향 데이터를 포함하는 로우(Raw) 데이터와, 상기 로우(Raw) 데이터에 대응하는 사용자의 실제 위치를 입력받는 단계, 가속도값에 대한 제1 기준 범위를 설정하고, 걸음 지속 시간에 대한 제2 기준 범위를 설정한 다음, 상기 입력된 로우(Raw) 데이터에 상기 제1 기준 범위 및 제2 기준 범위에 포함되는지 여부를 판단하여 상기 로우(Raw) 데이터를 사용자가 대기인 상태, 사용자의 걸음이 감지된 상태 및 사용자의 걸음이 감지 되지 않은 상태 중에서 적어도 하나의 보행상태로 분류하는 단계, 사용자의 걸음이 감지된 상태로 분류된 복수의 로우(Raw) 데이터마다 각각 걸음간의 시간 간격을 산출하고, 산출된 시간 간격이 임계치에 해당되면, 해당되는 로우(Raw) 데이터를 제거하는 단계, 상기 로우(Raw) 데이터를 정규화하여 입력데이터를 추출하고, 상기 추출된 입력데이터에 대응하는 사용자의 실제 위치를 출력데이터로 하여 학습데이터를 생성하는 단계, 상기 생성된 학습데이터를 기 구축된 학습모델에 입력하여 학습시키는 단계, 그리고측정 대상자의 사용자 단말로부터 IMU 센서 데이터를 획득하고, 상기 획득한 IMU 센서 데이터로부터 가속도부터 가속계로 계산된 보정된 지자기값 및 상보 필터(CF)방식으로 산출된 이동 방향을 획득하고, 상기 IMU 센서 데이터, 가속계로 계산된 보정된 지자기값 및 상보 필터(CF)방식으로 산출된 이동 방향을 학습이 완료된 학습모델에 입력하여 현재 시점에서 측정 대상자의 이동 방향을 예측하는 단계를 포함하는 이동 방향 추정 방법
|
10 |
10
제9항에 있어서, 상기 로우(Raw) 데이터는,가속도 값, 자이로스코프 값 및 지자기 값을 포함하는 IMU 센서 데이터, 그리고가속계와 지자기 센서로 계산한 이동 방향 및 자이로스코프 센서로 계산한 이동 방향을 포함하는 이동 방향 데이터로 구성되는 이동 방향 추정 방법
|
11 |
11
제10항에 있어서, 상기 보행상태로 분류하는 단계는, 상기 가속도 값을 GCS (Global Coordinate System)을 통해 수직 선형 가속도 값으로 변환하고, 상기 수직 선형 가속도값에 대한 제1 기준 범위를 설정하고, 현재 시점에서 입력된 로우(Raw) 데이터에 포함된 가속도 값이 상기 제1 기준 범위에 포함되지 않으면, 해당되는 로우(Raw) 데이터를 사용자의 걸음이 감지 되지 않은 상태인 것으로 분류하고, 상기 가속도 값이 상기 제1 기준 범위에 포함되면, 해당되는 로우(Raw) 데이터를 사용자가 대기 상태인 것으로 분류하는 이동 방향 추정 방법
|
12 |
12
제11항에 있어서, 상기 보행상태로 분류하는 단계는, 상기 대기 상태로 분류된 로우(Raw) 데이터의 다음 시점에서 입력된 로우(Raw) 데이터가 제1 기준 범위에 포함되고, 데이터의 발생시점이 제2 기준 범위 내에 포함되면, 해당되는 로우(Raw) 데이터를 사용자의 걸음이 감지된 상태인 것으로 분류하고, 상기 다음 시점에서 입력된 로우(Raw) 데이터가 제1 기준 범위에 포함되고, 데이터의 발생시점이 제2 기준 범위에 포함되지 않으면, 해당되는 로우(Raw) 데이터를 사용자의 걸음이 감지 되지 않은 상태인 것으로 분류하는 이동 방향 추정 방법
|
13 |
13
제12항에 있어서, 상기 해당되는 로우(Raw) 데이터를 제거하는 단계는, 상기 사용자의 걸음이 감지된 상태로 분류된 로우(Raw) 데이터들 사이의 시간 간격을 추출하고, 추출된 시간 간격들의 평균값을 이용하여 임계치를 설정한 다음, 상기 설정된 임계치에 해당하지 않은 로우(Raw) 데이터를 제외시키는 이동 방향 추정 방법
|
14 |
14
제13항에 있어서, 상기 학습데이터를 생성하는 단계는, 상기 로우(Raw) 데이터를 하기의 수학식에 적용하여 입력 데이터()를 추출하는 이동 방향 추정 방법:여기서, N은 정규화(normalization)를 나타내고, 는 가속도 값이고, 는 회전속도이고, 는 가속계로 계산된 보정된 지자기 값이고, 는 상보필터를 통해 산출된 이동 방향을 나타내고, k는 걸음 횟수를 나타내고, M(*)는 데이터의 평균값을 나타내며, {*}_max, {*}_min는 각 특성 데이터 집합의 최대값 및 최소값을 나타낸다
|
15 |
15
제9항에 있어서, 상기 학습모델은, 다층 퍼셉트론 (Multi-Layered Perceptron; MLP) 모델로 구축되며, 하기의 수학식을 이용하여 함수를 회귀 근사하는 이동 방향 추정 방법:여기서, o는 출력데이터 즉 이동 방향을 나타낸다
|
16 |
16
제15항에 있어서, 상기 측정 대상자의 이동 방향을 예측하는 단계는, 상기 학습모델을 이용하여 측정 대상자의 k번째 걸음에 대한 이동 방향을 x축과 y축으로 구성되는 좌표값으로 출력하는 이동 방향 추정 방법
|