최근 위치 기반 서비스의 확대와 개인 단말기 보급 증가에 따라 스마트 폰을 활용한 실내 위치 인식 기술에 대한 연구가 활발히 진행되고 있다. 수집하는 데이터 종류에 따라 핑거프린팅, 삼변측량, 보행자 ...
최근 위치 기반 서비스의 확대와 개인 단말기 보급 증가에 따라 스마트 폰을 활용한 실내 위치 인식 기술에 대한 연구가 활발히 진행되고 있다. 수집하는 데이터 종류에 따라 핑거프린팅, 삼변측량, 보행자 추측 항법 등과 같은 기술로 실내 위치 인식이 가능하다. 무선 신호를 활용하는 핑거프린팅과 삼변측량 기반의 실내 위치 인식 기술은 2000년대부터 꾸준히 연구되어 위치 측정에 대한 오차율을 10% 이내로 줄였다. 하지만 무선 신호를 송신하고 수신하기 위한 인프라가 필수적이며 측정 환경에 영향을 많이 받는다. 보행자 추측 항법은 가속도와 자력계 센서 등을 활용하여 보행자가 이동한 거리와 방향을 계산하여 위치를 추정한다. 보행자 추측 항법은 핑거프린팅과 삼변측량이 갖는 단점을 해결할 수 있지만, 센서 데이터를 이동 거리와 방향으로 변환하는 모델 또는 공식에 따라 측위 성능이 크게 달라진다. 그리고 보행자마다 보행 습관이나 패턴이 다르기 때문에 위치 추정을 위한 모델 또는 공식을 일반화하기 어렵다. 본 논문은 보행자 추측 항법이 갖는 문제를 해결하기 위해 딥 러닝 기술을 활용한 보행자 추측 항법 시스템을 제안한다. 제안하는 시스템은 실제로 스마트 폰에서 활용 가능하도록 설계하였다. 제안하는 시스템은 실내에서 수집한 데이터를 기반으로 실제 경로를 추정한 결과 약 4%의 오차율을 보였다.
최근 위치 기반 서비스의 확대와 개인 단말기 보급 증가에 따라 스마트 폰을 활용한 실내 위치 인식 기술에 대한 연구가 활발히 진행되고 있다. 수집하는 데이터 종류에 따라 핑거프린팅, 삼변측량, 보행자 추측 항법 등과 같은 기술로 실내 위치 인식이 가능하다. 무선 신호를 활용하는 핑거프린팅과 삼변측량 기반의 실내 위치 인식 기술은 2000년대부터 꾸준히 연구되어 위치 측정에 대한 오차율을 10% 이내로 줄였다. 하지만 무선 신호를 송신하고 수신하기 위한 인프라가 필수적이며 측정 환경에 영향을 많이 받는다. 보행자 추측 항법은 가속도와 자력계 센서 등을 활용하여 보행자가 이동한 거리와 방향을 계산하여 위치를 추정한다. 보행자 추측 항법은 핑거프린팅과 삼변측량이 갖는 단점을 해결할 수 있지만, 센서 데이터를 이동 거리와 방향으로 변환하는 모델 또는 공식에 따라 측위 성능이 크게 달라진다. 그리고 보행자마다 보행 습관이나 패턴이 다르기 때문에 위치 추정을 위한 모델 또는 공식을 일반화하기 어렵다. 본 논문은 보행자 추측 항법이 갖는 문제를 해결하기 위해 딥 러닝 기술을 활용한 보행자 추측 항법 시스템을 제안한다. 제안하는 시스템은 실제로 스마트 폰에서 활용 가능하도록 설계하였다. 제안하는 시스템은 실내에서 수집한 데이터를 기반으로 실제 경로를 추정한 결과 약 4%의 오차율을 보였다.
Recently, research on indoor location recognition technology using smartphones has been actively carried out due to the expansion of location-based services and the increase in the supply of personal devices. Depending on the type of data collected, indoor location recognition is possible with techn...
Recently, research on indoor location recognition technology using smartphones has been actively carried out due to the expansion of location-based services and the increase in the supply of personal devices. Depending on the type of data collected, indoor location recognition is possible with technologies such as fingerprinting, triangulation, and pedestrian dead reckoning. Fingerprinting using wireless signals and indoor position recognition technologies based on trilateral measurements has been continuously studied since the 2000s, reducing the error rate for location measurement to within 10%. However, the infrastructure for transmitting and receiving wireless signals is essential and heavily influenced by the measurement environment. Pedestrian dead reckoning uses acceleration and magnetometer sensors to calculate the distance and direction of movement of pedestrians to estimate their location. Pedestrian dead reckoning can address the disadvantages of fingerprinting and trilateral measurements, but the positioning performance varies significantly depending on the model or formula that converts sensor data into the distance and heading direction. In addition, it is difficult to generalize models or formulas for position estimation because pedestrians have different walking habits or patterns. This paper proposes a pedestrian dead reckoning system utilizing deep learning techniques to solve the problem of pedestrian dead reckoning. The proposed system is actually designed to be available on smartphones. The proposed system had an error rate of approximately 4% based on data collected indoors to estimate the actual path.
Recently, research on indoor location recognition technology using smartphones has been actively carried out due to the expansion of location-based services and the increase in the supply of personal devices. Depending on the type of data collected, indoor location recognition is possible with technologies such as fingerprinting, triangulation, and pedestrian dead reckoning. Fingerprinting using wireless signals and indoor position recognition technologies based on trilateral measurements has been continuously studied since the 2000s, reducing the error rate for location measurement to within 10%. However, the infrastructure for transmitting and receiving wireless signals is essential and heavily influenced by the measurement environment. Pedestrian dead reckoning uses acceleration and magnetometer sensors to calculate the distance and direction of movement of pedestrians to estimate their location. Pedestrian dead reckoning can address the disadvantages of fingerprinting and trilateral measurements, but the positioning performance varies significantly depending on the model or formula that converts sensor data into the distance and heading direction. In addition, it is difficult to generalize models or formulas for position estimation because pedestrians have different walking habits or patterns. This paper proposes a pedestrian dead reckoning system utilizing deep learning techniques to solve the problem of pedestrian dead reckoning. The proposed system is actually designed to be available on smartphones. The proposed system had an error rate of approximately 4% based on data collected indoors to estimate the actual path.
AI-Helper
※ AI-Helper는 부적절한 답변을 할 수 있습니다.