초록 ▼

본 발명은 다양한 무선주파수를 이용하는 다양한 센서를 피구조자가 소지한 상태에서 주파수 신호를 발생 혹은 수신하는 특성을 이용하여 그 측위를 수행할 때 피 구조자의 위치값을 수신단의 애플리케이션을 통해 파싱 하고, 그 파싱된 주파수 데이터를 이용하여 피 구조자의 위치측위를 하게 된다. 이렇게 피구조자의 측위에 사용되는 다양한 위치 값들을 Tagging된 데이터로 변환 후 기계학습을 통해 미래의 예측 가능한 위치 즉, 피구조자의 위치를 예측하는 시스템을 만드는 것이 본 발명의 핵심 내용으로써 주파수를 발생 혹은 수신하는 피구조자의 센

본 발명은 다양한 무선주파수를 이용하는 다양한 센서를 피구조자가 소지한 상태에서 주파수 신호를 발생 혹은 수신하는 특성을 이용하여 그 측위를 수행할 때 피 구조자의 위치값을 수신단의 애플리케이션을 통해 파싱 하고, 그 파싱된 주파수 데이터를 이용하여 피 구조자의 위치측위를 하게 된다. 이렇게 피구조자의 측위에 사용되는 다양한 위치 값들을 Tagging된 데이터로 변환 후 기계학습을 통해 미래의 예측 가능한 위치 즉, 피구조자의 위치를 예측하는 시스템을 만드는 것이 본 발명의 핵심 내용으로써 주파수를 발생 혹은 수신하는 피구조자의 센서의 위치측위에서의 파원과 관측자인 수신센서 사이에서 발생하는 주파수 왜곡과 도플러 효과에 의한 오차를 감안하여 피구조자 센서의 미래 위치를 예측하는 시스템을 만드는 것을 목적으로 하며 그 방식은 위치측위에 사용되는 무선신호 데이터를 맵에 매핑하여 그 데이터를 통한 위치값을 Tagging된 데이터로 변환한 후 기계학습을 통해 피구조자의 미래 예측 위치를 산출해내는 방법을 기술한 것이다.본 발명에 대해 보다 상세하게 설명을 하면 3차원의 공간에 존재하는 피구조자 즉, 파원을 특정 공간에 위치시킨 후 주파수를 일정한 주기로 방송토록 하고, 구조자를 통해 파원의 위치를 측위 하는 데이터를 얻고, 그 위치데이터를 통해 미래의 그 피구조자가 위치하게 될 위치데이터를 예측하는 방법을 기술한 발명이다. 구체적으로는 피구조자의 현재 위치데이터에 대하여 Tagging하게 되는데 그 Tagging하는 방법이 피구조자 위치측위 알고리즘이며,Tagging된 데이터를 이용하여 예측모형을 구현하는 것이 인공지능 피구조자 위치예측 알고리즘이다. 본 발명에서는 예측가능한 모형의 생성 및 훈련 및 학습 그리고 예측평가 부분을 융합한 것으로써 슈퍼바이즈드 러닝의 추상화와 일반화 모델을 통한 예측 모형으로 저장된 데이터를 좀 더 포괄적 형태와 개념으로 변환하고, 또한 그 저장된 데이터에 숨겨져 있는 패턴을 구체적으로 예측하도록 하는 방식을 표현하는 것이다. 본 발명을 구체화 하기위해 피구조 대상자의 주파수 인식단계, 피구조자 소유 센서의 3차원 위치값 부여단계, 2차원 센서 위치값으로 변환단계, 2차원 위치값에 대한 예측변수포함단계, 2차원 위치값을 데이터베이스에 저장단계, 머신러닝을 통한 위치 예측값 도출단계, 위치 예측값의 데이터베이스에 저장하는 단계, 피구조자 센서의 위치예측값 도출단계, 피구조자 위치 예측값과 실제값 확인단계로 구현할 수 있으며,첫 단계인 피구조자로부터 발생되는 주파수의 발생과 인식단계부터 마지막 단계인 피구조자의 위치예측값과 실제 현재 위치값 확인단계를 통해 보다 높은 정확도의 위치예측 값을 계속적으로 도출해내는 과정을 반복함으로써 위치데이터가 많이 쌓이면 쌓일수록 피구조자의 위치예측의 정확도가 높아진다. 이것을 구체화하기 위해 3차원 공간에서 센서네트워크를 형성함으로서 그 공간을 측위를 위한 환경으로 구성하는 것이고, 스캐너를 통해 그 피구조자의 현재 위치를 측위 할 수 있게 된다. 이런 센서네트워크에서 공간의 인식을 3차원 즉, 실제 공간 그 자체로 그대로 2차원 좌표값을 부여하며, 그 2차원 좌표값이 실제 3차원 좌표 값이 되는 것을 증명한다. 이 실제 좌표 값은 본 발명에서 최종적으로 위치예측데이터의 예측 값과 비교되어 미래의 가장 정확성이 높은 예측 값을 다시 채택하여 위치예측의 정확도를 높인다. 구체적으로는 3차원의 큐브로 도출한 큐브는 V0부터 V7까지의 꼭짓점 값으로 함축하여 위치데이터를 표현할 수 있다. 즉, V0,V1,V2,V3,V4,V5,V6,V7이 V0,V1,V2,V3,V6,V7로 데이터 값을 함축할 수 있다. 또한 V0,V1,V2,V3,V6,V7는 다시 V0,V1,V6,V7로 사각형을 형성하며 4개의 값을 가지는 2차원 위치데이터로 변환할 수 있다. 이때 이 위치데이터는 실제 위치데이터가 아닌 실제 센서가 위치한 3차원 좌표값의 전체 큐브 중 피구조자가 포함되어 있는 큐브의 위치데이터가 된다. 이렇게 도출된 큐브의 꼭짓점 값인 V0,V1,V6,V7은 2차원 좌표값에 표시하기 위해 사용되어 지는데, 이것은 본 발명에서 피구조자의 실제 위치인 3차원의 위치값을 2차원의 위치값으로 변환하는 방법에 대한 발명이다. 즉, 3차원의 위치측위값은 큐브의 재 정의를 통해 2차원의 위치값으로 변경된다. 변경되는 방식은 A=V0,V1,V6,V7 로서 2차원 좌표값에서 A의 값을 지정한다. A의 좌표값은 가로축인 VX와 세로축인 VY가 교차하는 점으로써 A=V0,V1,V6,V7 은 AVX, AVY로 치환할 수 있다.즉, V0,V1,V2,V3,V4,V5,V6,V7의 꼭짓점을 갖는 3차원의 큐브가 V0,V1,V6,V7의 꼭짓점을 갖는 2차원의 평면으로 변경되었다. 이 변경된 위치값은 2차원의 평면에서 위치값으로써 도면의 교차점에 좌표로 표시할 수 있다. 2차원 공간의 B의 위치값 V0,V1,V6,V7은 V0,V1,V2,V3,V4,V5,V6,V7의 꼭짓점을 갖는 3차원의 큐브에 속한 위치값을 가지게 된다.본 발명에서는 일반적인 좌표값이 교차되는 지점이 아닌 피구조자가 존재하는 큐브를 3차원 좌표값 큐브를 예측 위치값으로 가정할 수 있다. 이것이 위치예측을 위한 2차원과 3차원의 위치측위를 위한 데이터의 전환 알고리즘이다.실제로 3차원에 존재하는 피구조자의 위치값을 2차원으로 변환하여 예측데이터를 생성하고 그것을 다시 실제 3차원데이터로 변환하여 실제 위치와 비교하여 실제 위치를 측위 함으로써 위치예측데이터를 쉽게 도출할 수 있다. 만약 현재의 3차원에서의 피구조자의 위치가 A라는 값을 가진다면 이 피구조자의 향후 위치는 A나 B나 C로 이동할 수 있다는 것이고, 그 이동경로는 기준점인 를 기준으로 설정된 1, 2, 3을 기준으로 A, B, C로 그 경로를 예측할 수 있다. 그렇게 이동할 수 있는 기준점과 기준선 그리고 기준경로가 정해져 있으므로 A에서 B 그리고 C로 이동하여 A의 향후 예측위치가 A , B , C중 한곳으로 정해질 수 있음을 반증한다.3차원 공간에서 A의 위치가 A, B, C로 변경되는 예측모델은 기준점 와 기준선 1, 2, 3 그리고 기준경로 A, B, C 에 예속될 수밖에 없다. 즉, 의 방위각을 갖는 3차원에서 A의 위치이동은 기준점과 기준선 그리고 기준경로에서 벗어날 수 없으므로 그 예측위치 또한 벗어날 수 없다. 이상과 같이 설정된 기준점과 기준선 그리고 기준경로는 최초 A의 위치측위로부터 시작된다. 2차원 좌표값에서 기준점과 기준선 그리고 기준경로 및 현재의 위치를 정의한 후 실제 피구조자의 위치를 관측하는 스캐너(스마트폰)에서는 수신 위치데이터를 기준으로 학습을 위한 데이터를 Tagging하는데, 현재의 위치값과 미래의 위치값을 Clustering = > Classification => Decision Tree를 통해 얻어진 데이터는 1, 2, 3 범위 안에 포함되므로, 예측값의 범위 안에 존재하게 된다는 결론을 얻은 부분에 대해서 최종적으로 기계학습을 통한 위치예측을 수행할 수 있다.도3의 302그림은 2차원도면위에 존재하는 현재 A의 위치에 존재하는 피구조자의 위치는Deep Learning을 통해 현재 위치가 A일 경우, A가 아닐 경우, B일 경우, B가 아닐 경우, C일 경우, C가 아닐 경우 의 경우의 케이스를 비 학습데이터를 삽입하여 그것이 위치예측을 위한 기준점 와 근접관계를 형성하는지 A와 근접관계를 형성하는지 B와 근접관계를 형성하는지 C와 근접관계를 형성하는지 판단한다. , A, B, C로 부터 얻은 데이터를 기반으로 위치의 이동 범위를 설정할 수 있는 가능성을판단하는 있는 기준선인 1, 2, 3를 재 매핑시킴으로써 최종적으로 현재 피구조자의 위치인 A는 주어진 일정시간 후에 V의 값을 가지게 된다. 이 V는 현재 2차원 좌표값에서 X, Y, Z의 위치값을 가지며, 위치와 시간과 주파수 및 측정시점을 기준으로 현재와 과거 그리고 미래를 아우르는 가능성 높은 위치예측값을 도출할 수 있다. 이렇게 도출된 V의 값은 2차원의 V0,V1,V6,V7이므로 도2에서 기술한 것처럼 V0,V1,V2,V3,V4,V5,V6,V7의 꼭짓점을 갖는 3차원의 큐브에 속한 위치값으로 변환된다.이상이 본 발명의 두 번째 알고리즘인 인공지능 기계학습의 예측가능한 모형의 생성 및 훈련 및 학습 부분이다. 서두에서 밝힌바와 같이 본 발명은 위치측위 알고리즘과 인공지능의 학습 및 예측을 융합한 발명이다. 측위알고리즘을 통해 얻어진 데이터에 대하여 데이터 Tagging작업을 수행하고, 그 Tagging된 데이터를 기반으로 어떤 방식으로 학습과 예측모델을 구현해 내는지가 본 발명의 인공지능 예측 알고리즘이다.본 발명은 위치데이터의 재사용 및 기계학습을 적용함으로써 향후 피구조자의 예측위치를 도출할 수 있으며, 이 기술은 관찰대상자(노약자, 어린이, 범죄자)의 예상동선과 목적지 추적 및 재난안전 대피기술, 피구조자 탐색기술, 해양수중 어로탐지예측기술, 자율주행차 사고예측기술 또한 공장자동화의 작업위치에 대한 생산성증대 기술까지 광범위하게 활용될 수 있다.

대표청구항 ▼

피구조자가 소지한, 주파수를 발생시키는 센서; 및상기 센서에 연결되고, 관측자가 소지하며, 상기 센서의 위치를 측위하는 데이터를 획득하는 스캐너;를 포함하는 피구조자 위치예측시스템의 제어 방법에 있어서,상기 스캐너가, 상기 센서의 주파수를 인식하는 단계;상기 스캐너가, 상기 인식된 주파수 값에 대한 3차원 위치값을 부여하는 단계;상기 스캐너가, 상기 3차원 위치값을 2차원 위치값으로 변환하는 단계;상기 스캐너가, 상기 변환된 2차원 위치값에 대한 예측변수를 상기 2차원 위치값에 포함시키는 단계;상기 스캐너가, 상기 예측변수가 포함된

피구조자가 소지한, 주파수를 발생시키는 센서; 및상기 센서에 연결되고, 관측자가 소지하며, 상기 센서의 위치를 측위하는 데이터를 획득하는 스캐너;를 포함하는 피구조자 위치예측시스템의 제어 방법에 있어서,상기 스캐너가, 상기 센서의 주파수를 인식하는 단계;상기 스캐너가, 상기 인식된 주파수 값에 대한 3차원 위치값을 부여하는 단계;상기 스캐너가, 상기 3차원 위치값을 2차원 위치값으로 변환하는 단계;상기 스캐너가, 상기 변환된 2차원 위치값에 대한 예측변수를 상기 2차원 위치값에 포함시키는 단계;상기 스캐너가, 상기 예측변수가 포함된 2차원 위치값을 데이터베이스에 저장하는 단계;상기 스캐너가, 상기 데이터베이스에 저장된 2차원 위치값에 대한 머신러닝을 통한 위치 예측값을 도출하는 단계;상기 스캐너가, 상기 도출된 위치 예측값을 상기 데이터베이스에 저장하는 단계;상기 스캐너가, 상기 데이터베이스에 저장된 상기 위치 예측값을 3차원 위치값으로 변환한 미래의 위치값을 도출하는 단계; 및상기 스캐너가, 상기 미래의 위치값 및 상기 피구조자의 실제 위치값을 비교하는 단계; 를 포함하고,상기 피구조자 위치예측시스템의 제어 방법은,상기 센서로부터 수신된 계속적인 시계열 주파수 위치정보를 이용하여 머신러닝 학습을 통해 피구조자의 미래 시간에 대한 위치를 예측하는, 피구조자 위치예측시스템의 제어 방법.