特開 2024-14821 無線測位システムおよびその方法

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】公開特許公報(A)

(11)【公開番号】P2024014821

(43)【公開日】2024-02-01

(54)【発明の名称】無線測位システムおよびその方法

(51)【国際特許分類】

   G01S 5/14 20060101AFI20240125BHJP

   G06T 7/00 20170101ALI20240125BHJP

【ＦＩ】

G01S5/14

G06T7/00 350C

【審査請求】有

【請求項の数】12

【出願形態】ＯＬ

(21)【出願番号】P 2023118150

(22)【出願日】2023-07-20

(31)【優先権主張番号】10-2022-0089467

(32)【優先日】2022-07-20

(33)【優先権主張国・地域又は機関】KR

【公序良俗違反の表示】

（特許庁注：以下のものは登録商標）

１．ＺＩＧＢＥＥ

(71)【出願人】

【識別番号】515131404

【氏名又は名称】アジュ ユニバーシティー インダストリー－アカデミック コーオペレイション ファウンデーション

【氏名又は名称原語表記】ＡＪＯＵ ＵＮＩＶＥＲＳＩＴＹ ＩＮＤＵＳＴＲＹ－ＡＣＡＤＥＭＩＣ ＣＯＯＰＥＲＡＴＩＯＮ ＦＯＵＮＤＡＴＩＯＮ

(74)【代理人】

【識別番号】100121728

【弁理士】

【氏名又は名称】井関 勝守

(74)【代理人】

【識別番号】100165803

【弁理士】

【氏名又は名称】金子 修平

(74)【代理人】

【識別番号】100179648

【弁理士】

【氏名又は名称】田中 咲江

(74)【代理人】

【識別番号】100222885

【弁理士】

【氏名又は名称】早川 康

(74)【代理人】

【識別番号】100140338

【弁理士】

【氏名又は名称】竹内 直樹

(74)【代理人】

【識別番号】100227695

【弁理士】

【氏名又は名称】有川 智章

(74)【代理人】

【識別番号】100170896

【弁理士】

【氏名又は名称】寺薗 健一

(74)【代理人】

【識別番号】100219313

【弁理士】

【氏名又は名称】米口 麻子

(74)【代理人】

【識別番号】100161610

【弁理士】

【氏名又は名称】藤野 香子

(72)【発明者】

【氏名】ゴ ヨンベ

(72)【発明者】

【氏名】パク ジウン

【テーマコード（参考）】

5J062

5L096

【Ｆターム（参考）】

5J062AA08

5J062CC11

5L096BA08

5L096DA02

5L096FA66

5L096HA11

5L096KA04

(57)【要約】      （修正有）

【課題】無線測位に利用されるニューラルネットワークを簡単に軽量化できる無線測位システムおよび方法を提供する。
【解決手段】本発明は、移動端末の測位を遂行しようとする空間に設置された複数のアンカー端末と移動端末が通信して、複数のＣＩＲデータとアンカー端末および移動端末間距離データを収集する収集部と、複数のＣＩＲデータを前処理して複数の前処理データを生成する前処理部と、複数の前処理データおよび距離データに基づいて第１人工ニューラルネットワークを学習させる第１学習部と、第１人工ニューラルネットワークを分析して複数の前処理データのうち移動端末の測位に利用された複数の測位重要データを選別する分析部と、複数の測位重要データおよび距離データに基づいて第２人工ニューラルネットワークを学習させる第２学習部と、を含む無線測位システムを提供する。
【選択図】図３

【特許請求の範囲】

【請求項1】

移動端末の測位を遂行しようとする空間に設置された複数のアンカー端末と前記移動端末が通信して、複数のＣＩＲデータと前記アンカー端末および前記移動端末間距離データを収集する収集部と、
前記複数のＣＩＲデータを前処理して複数の前処理データを生成する前処理部と、
前記複数の前処理データおよび距離データに基づいて第１人工ニューラルネットワークを学習させる第１学習部と、
前記第１人工ニューラルネットワークを分析して前記複数の前処理データのうち前記移動端末の測位に利用された複数の測位重要データを選別する分析部と、
前記複数の測位重要データおよび前記距離データに基づいて第２人工ニューラルネットワークを学習させる第２学習部と、を含む、説明可能な人工知能技術（ＸＡＩ）を利用した無線測位システム。

【請求項2】

前記複数の前処理データは
前記ＣＩＲデータの複数のピーク間の関係を示す２次元イメージ形態の複数のピクセルからなる、請求項１に記載の無線測位システム。

【請求項3】

前記分析部は
前記第１人工ニューラルネットワークから任意のニューラルネットワークノード間の連結を除去して、正確度が基準値以上である複数の第３人工ニューラルネットワークを構築する、請求項２に記載の無線測位システム。

【請求項4】

前記分析部は
複数の第３人工ニューラルネットワークに前記複数の前処理データを入力して、前記複数の第３人工ニューラルネットワークのうち基準個数以上の第３人工ニューラルネットワークで同一の距離データを出力する前処理データを選別データとして選別する、請求項３に記載の無線測位システム。

【請求項5】

前記分析部は
前記前処理データの複数のピクセルごとに重要度を評価して前記重要度が基準値以上である複数のピクセルからなる複数の測位重要データを選別する、請求項２に記載の無線測位システム。

【請求項6】

前記複数の前処理データおよび前記測位重要データに基づいて自動エンコーダを学習させる第３学習部をさらに含む、請求項５に記載の無線測位システム。

【請求項7】

前記自動エンコーダは
前記前処理データが入力されると前記測位重要データを出力する、請求項６に記載の無線測位システム。

【請求項8】

前記移動端末の位置情報は
前記アンカー端末の位置情報と前記移動端末および前記アンカー端末間通信距離を利用して算出される、請求項１に記載の無線測位システム。

【請求項9】

前記移動端末は
前記前処理部、自動エンコーダおよび第２人工ニューラルネットワークを搭載して前記移動端末の測位を遂行する、請求項６に記載の無線測位システム。

【請求項10】

前記移動端末は
前記前処理部を通じて前記ＣＩＲデータを前処理して前記前処理データを生成し、
前記前処理データを前記自動エンコーダに入力して前記測位重要データを出力し、
前記測位重要データを前記第２人工ニューラルネットワークに入力して前記移動端末の測位を遂行する、請求項９に記載の無線測位システム。

【請求項11】

移動端末の測位を遂行しようとする空間に設置された複数のアンカー端末と前記移動端末が通信して、複数のＣＩＲデータと前記アンカー端末および前記移動端末間距離データを収集する段階と、
前記複数のＣＩＲデータを前処理して複数の前処理データを生成する段階と、
前記複数の前処理データおよび距離データに基づいて第１人工ニューラルネットワークを学習させる段階と、
前記第１人工ニューラルネットワークを分析して前記複数の前処理データのうち前記移動端末の測位に利用された複数の測位重要データを選別する段階と、
前記複数の前処理データおよび前記測位重要データに基づいて自動エンコーダを学習させる段階と、
前記複数の測位重要データおよび前記距離データに基づいて第２人工ニューラルネットワークを学習させる段階と、を含む、説明可能な人工知能技術（ＸＡＩ）を利用した無線測位方法。

【請求項12】

前記第２人工ニューラルネットワークを学習させる段階以後
前記移動端末が前記前処理部を通じて前記ＣＩＲデータを前処理して前記前処理データを生成する段階と、
前記移動端末が前記前処理データを前記自動エンコーダに入力して前記測位重要データを出力する段階と、
前記測位重要データを前記第２人工ニューラルネットワークに入力して前記移動端末の測位を遂行する段階と、をさらに含む、請求項１１に記載の無線測位方法。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は無線測位システムおよびその方法に関し、さらに詳細には、人工ニューラルネットワーク（ＡＮＮ）及び説明可能な人工知能（ＸＡＩ）を利用して測位誤差を最小化しながら軽量化できる室内無線測位システムおよびその方法に関する。

【背景技術】

【0002】

無線測位技術は、無線通信を通じて測定された無線信号の特性を利用して移動端末の位置を推定する技術である。すなわち、固定された場所に設置されて事前に位置情報を知っている複数のアンカー端末で送出された無線信号を処理して移動端末の位置を推定する技術である。

【0003】

このような無線測位技術はＴｏＦ（Ｔｉｍｅ ｏｆ Ｆｌｉｇｈｔ）を測定してレンジングを遂行する。より詳しくは、アンカーとタグ間の無線通信を通じてメッセージをやり取りしながら時間を測定し、光の速度を利用して距離を推定する。この時、光は約３００，０００ｋｍ／ｓの速度で進行するので、１ｎｓの時間測定誤差は約３０ｃｍの距離誤差を示すことになる。このため、正確な時間を測定することは距離測定の正確度と大きな関連がある。

【0004】

従来の無線測位技術は無線通信時に収集されるＣＩＲ（Ｃｈａｎｎｅｌ Ｉｍｐｕｌｓｅ Ｒｅｓｐｏｎｓｅ）データを利用して時間を測定する。

【0005】

図１は、ＣＩＲデータを図示したグラフである。図１を参照すると、ＣＩＲデータはナノ秒単位で測定された信号の強度波形を示し、数百個のピーク（ｐｅａｋ）で構成される。

【0006】

従来の無線測位技術は正確な時間測定のためにｆｉｒｓｔ ｐｅａｋアルゴリズムを利用する。ｆｉｒｓｔ ｐｅａｋアルゴリズムは図１に図示された通り、一定の臨界値を越える最初のピークの時間を測定するアルゴリズムであり、最も先に受信されたピークが直線信号のピークであるという仮定を基盤として考案されたアルゴリズムである。

【0007】

図２は、無線測位技術において無線信号の伝播過程を例示的に図示した図面である。

【0008】

図２を参照すると、無線信号は周辺の構造物に反射して多重経路（Ｍｕｌｔｉｐａｔｈ）で信号が伝播することになる。このような多重経路で伝播した信号によってＣＩＲは多重のピークを有するようになる。図１および図２のピークを見ると、多重経路で伝達された信号がＣＩＲデータに現れる姿の例示を見ることができる。もし、図１でピーク２の時間を測定することになると、図２のピーク２に該当する経路の距離を測定することになって距離誤差が発生することになる。

【0009】

従来のｆｉｒｓｔ ｐｅａｋアルゴリズムは簡単な長所があるが、周辺の構造物が多くて多重経路が多く発生したり障害物によって信号の伝播が妨害されるＮＬＯＳ（Ｎｏｎ－Ｌｉｎｅ－ｏｆ－Ｓｉｇｈｔ）環境で距離測定誤差が大きく発生する短所がある。特に、ＵＷＢ（Ｕｌｔｒａ－ｗｉｄｅｂａｎｄ）は室内測位に多く活用されるため、このような誤差の問題がしばしば発生することになる。

【0010】

最近、このような問題を解決するために、ディープラーニング（Ｄｅｅｐ Ｌｅａｒｎｉｎｇ）技術を利用してＣＩＲデータを学習してピークを選択するための技術に対する研究が紹介されている。人工ニューラルネットワークがＣＩＲデータを学習して無線チャネルの伝播環境を類推し、これを通じて最短経路のピークを選択する方式である。

【0011】

このようなディープラーニング基盤の無線測位技術は従来の技術より距離測定正確度を大きく向上させたが、人工ニューラルネットワークが学習し稼動するために大量の演算を要求する問題点がある。一般的に無線測位技術が使われるデバイスはバッテリーで動作する低電力移動型デバイスであるため、ディープラーニングを利用した技法はリアルタイムで動作し難い。また、生成された学習モデルと正確度結果の間の因果関係がブラックボックスのように不明確であるため、信頼性が低い問題がある。

【発明の概要】

【発明が解決しようとする課題】

【0012】

本発明は、無線測位に利用されるニューラルネットワークを簡単に軽量化できる無線測位システムおよび方法を提供することを目的とする。

【0013】

また、本発明は、高い正確度を示しながらも、軽量化された測位が可能な無線測位システムおよび方法を提供することを目的とする。

【0014】

また、本発明は、測位用移動端末の最小要求演算能力を最小化して画期的に費用を節減できる無線測位システムおよび方法を提供することを目的とする。

【0015】

本発明で達成しようとする技術的課題は以上で言及した技術的課題に制限されず、言及していないさらに他の技術的課題は下記の記載から本発明が属する技術分野で通常の知識を有する者に明確に理解され得るであろう。

【課題を解決するための手段】

【0016】

このような課題を解決するために、本発明は、移動端末の測位を遂行しようとする空間に設置された複数のアンカー端末と移動端末が通信して、複数のＣＩＲデータとアンカー端末および移動端末間距離データを収集する収集部と、複数のＣＩＲデータを前処理して複数の前処理データを生成する前処理部と、複数の前処理データおよび距離データに基づいて第１人工ニューラルネットワークを学習させる第１学習部と、第１人工ニューラルネットワークを分析して複数の前処理データのうち移動端末の測位に利用された複数の測位重要データを選別する分析部と、複数の測位重要データおよび距離データに基づいて第２人工ニューラルネットワークを学習させる第２学習部と、を含む無線測位システムを提供する。

【0017】

ここで、複数の前処理データはＣＩＲデータの複数のピーク間の関係を示す２次元イメージ形態の複数のピクセルからなり得る。

【0018】

また、分析部は、第１人工ニューラルネットワークから任意のニューラルネットワークノード間の連結を除去して、正確度が基準値以上である複数の第３人工ニューラルネットワークを構築することができる。

【0019】

また、分析部は、複数の第３人工ニューラルネットワークに複数の前処理データを入力して、複数の第３人工ニューラルネットワークのうち基準個数以上の第３人工ニューラルネットワークで同一の距離データを出力する前処理データを選別データに選別することができる。

【0020】

また、分析部は、前処理データの複数のピクセルごとに重要度を評価して、重要度が基準値以上である複数のピクセルからなる複数の測位重要データを選別することができる。

【0021】

また、本発明の無線測位システムは、複数の前処理データおよび測位重要データに基づいて自動エンコーダを学習させる第３学習部をさらに含むことができる。

【0022】

ここで、自動エンコーダは前処理データが入力されると測位重要データを出力することができる。

【0023】

また、移動端末の位置情報はアンカー端末の位置情報と移動端末およびアンカー端末間通信距離を利用して算出され得る。

【0024】

また、移動端末は、前処理部、自動エンコーダおよび第２人工ニューラルネットワークを搭載して移動端末の測位を遂行できる。

【0025】

また、移動端末は、前処理部を通じてＣＩＲデータを前処理して前処理データを生成し、前処理データを自動エンコーダに入力して測位重要データを出力し、測位重要データを第２人工ニューラルネットワークに入力して移動端末の測位を遂行できる。

【0026】

また、本発明は、移動端末の測位を遂行しようとする空間に設置された複数のアンカー端末と移動端末が通信して、複数のＣＩＲデータとアンカー端末および移動端末間距離データを収集する段階と、複数のＣＩＲデータを前処理して複数の前処理データを生成する段階と、複数の前処理データおよび距離データに基づいて第１人工ニューラルネットワークを学習させる段階と、第１人工ニューラルネットワークを分析して複数の前処理データのうち移動端末の測位に利用された複数の測位重要データを選別する段階と、複数の前処理データおよび測位重要データに基づいて自動エンコーダを学習させる段階と、複数の測位重要データおよび距離データに基づいて第２人工ニューラルネットワークを学習させる段階と、を含む無線測位方法を提供する。

【0027】

また、本発明の無線測位方法は、第２人工ニューラルネットワークを学習させる段階以後、移動端末が前処理部を通じてＣＩＲデータを前処理して前処理データを生成する段階と、移動端末が前処理データを自動エンコーダに入力して測位重要データを出力する段階と、測位重要データを第２人工ニューラルネットワークに入力して移動端末の測位を遂行する段階と、をさらに含むことができる。

【発明の効果】

【0028】

本発明によると、説明可能な人工知能技術（ＸＡＩ）を利用して複雑なニューラルネットワークを分析して数十個以内の主要な測位特性データを抽出することができ、抽出された測位特性データを利用してニューラルネットワークを簡単に軽量化できる効果がある。

【0029】

また、本発明によると、従来の複雑なマシンラーニング基盤の測位技術より高い正確度を示しながらも、従来の方式より大幅に軽量化された測位が可能となり、新しい環境で主要な測位特性データを迅速かつ便利に探すことができる効果がある。

【0030】

また、本発明によると、測位用移動端末の最小要求演算能力を最小化して画期的な費用節減効果を期待することができる。

【0031】

本発明の効果は以上で言及されたものに限定されず、言及されていない他の効果は下記の記載から当該技術分野における通常の知識を有する者が明確に理解できるであろう。

【図面の簡単な説明】

【0032】

【図1】ＣＩＲデータを図示したグラフである。

【図2】無線測位技術において無線信号の伝播過程を例示的に図示した図面である。

【図3】本発明の実施例に係る無線測位システムの全体構成図である。

【図4】本発明の実施例に係る無線測位システムのブロック図である。

【図5】本発明の実施例に係る無線測位システムのサーバーのブロック図である。

【図6】本発明の実施例に係る第１人工ニューラルネットワークの構造を図示した図面である。

【図7】本発明の実施例に係る第２人工ニューラルネットワークの構造を図示した図面である。

【図8】本発明の実施例に係る無線測位システムにおいて移動端末のブロック図である。

【図9】本発明の実施例に係る無線測位方法のフローチャートである。

【図10】本発明の実施例に係る移動端末の測位を遂行する段階の具体的なフローチャートである。

【発明を実施するための形態】

【0033】

本明細書および請求の範囲に使われた用語や単語は通常的であるか辞書的な意味で限定して解釈されてはならず、発明者は自身の発明を最善の方法で説明するために用語の概念を適切に定義できるという原則に則って本発明の技術的思想に符合する意味と概念で解釈されるべきである。

【0034】

したがって、本明細書に記載された実施例と図面に図示された構成は本発明の最も好ましい実施例に過ぎず、本発明の技術的思想をすべて代弁するものではないので、本出願時点においてこれらを代替できる多様な均等物と変形例が存在し得ることが理解されるべきである。

【0035】

以下、添付された図面を参照して本発明の実施例について、本発明が属する技術分野で通常の知識を有する者が容易に実施できるように詳細に説明する。

【0036】

図３は本発明の実施例に係る無線測位システムの全体構成図であり、図４は本発明の実施例に係る無線測位システムのブロック図である。

【0037】

以下、図３および図４を参照して本発明の実施例に係る無線測位システムを説明する。

【0038】

本発明の実施例に係る無線測位システムは、サーバー１００、移動端末２００およびアンカー端末３００を含んで構成され得る。

【0039】

アンカー端末３００は移動端末２００の測位を遂行しようとする室内空間に複数個で固定設置され得る。そして、アンカー端末３００の位置（座標）情報は、アンカー端末３００が設置された位置により事前に設定され得、無線通信を通じて移動端末２００に伝送され得る。

【0040】

移動端末２００は、使用者が携帯して移動できる装置であって、携帯電話、スマートフォン（ｓｍａｒｔ ｐｈｏｎｅ）、ノートパソコン（ｌａｐｔｏｐ ｃｏｍｐｕｔｅｒ）、デジタル放送用端末、ＰＤＡ（Ｐｅｒｓｏｎａｌ Ｄｉｇｉｔａｌ Ａｓｓｉｓｔａｎｔｓ）、ＰＭＰ（Ｐｏｒｔａｂｌｅ Ｍｕｌｔｉｍｅｄｉａ Ｐｌａｙｅｒ）およびナビゲーションなどが含まれ得る。

【0041】

移動端末２００は、サーバー１００およびアンカー端末３００と無線通信を遂行するための通信部を具備することができる。このような無線通信技術としては、ＷＬＡＮ（Ｗｉｒｅｌｅｓｓ ＬＡＮ）（Ｗｉ－Ｆｉ）、Ｗｉｂｒｏ（Ｗｉｒｅｌｅｓｓ ｂｒｏａｄｂａｎｄ）、Ｗｉｍａｘ（Ｗｏｒｌｄ Ｉｎｔｅｒｏｐｅｒａｂｉｌｉｔｙ ｆｏｒ Ｍｉｃｒｏｗａｖｅ Ａｃｃｅｓｓ）、ＨＳＤＰＡ（Ｈｉｇｈ Ｓｐｅｅｄ Ｄｏｗｎｌｉｎｋ Ｐａｃｋｅｔ Ａｃｃｅｓｓ）、ＧＰＲＳ（Ｇｅｎｅｒａｌ Ｐａｃｋｅｔ Ｒａｄｉｏ Ｓｅｒｖｉｃｅ）、ＣＤＭＡ、ＷＣＤＭＡ（登録商標）、ＬＴＥ（Ｌｏｎｇ Ｔｅｒｍ Ｅｖｏｌｕｔｉｏｎ）、５Ｇ及び６Ｇ（これに限定されない）等が利用され得る。

【0042】

また、移動端末２００は定義された無線通信プロトコルを通じてアンカー端末３００と近距離通信を遂行できる。このような近距離通信（ｓｈｏｒｔ ｒａｎｇｅ ｃｏｍｍｕｎｉｃａｔｉｏｎ）技術としては、ＵＷＢ（Ｕｌｔｒａ Ｗｉｄｅｂａｎｄ）、ＺｉｇＢｅｅ、ブルートゥース（Ｂｌｕｅｔｏｏｔｈ）（登録商標）、ＲＦＩＤ（Ｒａｄｉｏ Ｆｒｅｑｕｅｎｃｙ Ｉｄｅｎｔｉｆｉｃａｔｉｏｎ）および赤外線通信（ＩｒＤＡ、ｉｎｆｒａｒｅｄ Ｄａｔａ Ａｓｓｏｃｉａｔｉｏｎ）（これに限定されない）等が利用され得る。

【0043】

移動端末２００は複数のアンカー端末３００との通信距離をそれぞれ測定することができる。具体的には、移動端末２００は、アンカー端末３００と通信を遂行してアンカー端末３００から受信した無線信号のチャネル状態情報（ＣＳＩ、Ｃｈａｎｎｅｌ Ｓｔａｔｅ Ｉｎｆｏｒｍａｔｉｏｎ）を利用して移動端末２００およびアンカー端末３００間通信距離を測定することができる。

【0044】

ここで、チャネル状態情報（ＣＳＩ）はＣＩＲ（Ｃｈａｎｎｅｌ Ｉｍｐｕｌｓｅ Ｒｅｓｐｏｎｓｅ）およびＣＦＲ（Ｃｈａｎｎｅｌ Ｆｒｅｑｕｅｎｃｙ Ｒｅｓｐｏｎｓｅ）等の無線チャネル関連データを意味し、移動端末２００は無線通信技術ごとに容易に収集可能なチャネル状態情報（ＣＳＩ）を選択して収集することができる。

【0045】

移動端末２００の位置（座標）情報は、複数のアンカー端末３００の位置情報と移動端末２００およびアンカー端末３００間通信距離を利用して算出され得る。

【0046】

例えば、移動端末２００は三辺測定方式を利用して移動端末２００の位置を算出できるがこれに限定されはしない。

【0047】

ここで、移動端末２００の位置は絶対位置ではなく複数のアンカー端末３００を基準とした相対位置を意味する。

【0048】

以下では、移動端末２００の２次元位置座標（ｘ、ｙ）について三辺測定方式を利用して算出する方法について説明するが、３次元位置座標も同じ方法で算出することができる。

【0049】

移動端末２００の位置は２次元位置座標（ｘ、ｙ）で示すことができる。２次元位置座標の場合、少なくとも３個のアンカー端末３００の位置と移動端末２００および少なくとも３個のアンカー端末３００間通信距離を測定しなければならない。

【0050】

すなわち、２次元位置座標を算出するためには、３個のアンカー端末３００の位置が中心となり、移動端末２００および３個のアンカー端末３００間通信距離が半径となる３個の円の方程式が必要である。この時、３個の円が交差する地点が移動端末２００の位置として算出される。

【0051】

移動端末２００は３個のアンカー端末３００の現在位置が中心となり、移動端末２００およびアンカー端末３００間通信距離が半径となる３個の円の方程式を、下記の数式１のように算出する。

【数1】

【0052】

ここで、ｘｉ、およびｙｉ（ここで、ｉは１、２、３）はアンカー端末の２次元位置座標であり、ｄ１、ｄ２、ｄ３は移動端末２００およびアンカー端末３００間通信距離である。

【0053】

このように、数式１に定義された３個の方程式を連立して解くと、移動端末２００の２次元位置座標（ｘ、ｙ）を算出することができる。

【0054】

もちろん、アンカー端末３００にも通信機能および通信距離測定機能を遂行する通信部が備えられていることは言うまでもない。

【0055】

図５は、本発明の実施例に係る無線測位システムのサーバーのブロック図である。

【0056】

図５を参照すると、サーバー１００は収集部１１０、前処理部１２０、第１学習部１３０、分析部１４０および第２学習部１５０を含んで構成され得る。

【0057】

収集部１１０は、移動端末２００の測位を遂行しようとする空間に設置された複数のアンカー端末３００と移動端末２００が通信して、複数のＣＩＲデータ１０およびアンカー端末３００および移動端末２００間距離データを収集することができる。

【0058】

ここで、収集部１１０は距離データをＣＩＲデータ１０にラベリングすることができる。

【0059】

一方、ＣＩＲデータ１０は時間による受信エネルギーであって、時系列（Ｔｉｍｅ ｓｅｒｉｅｓ）形態のデータである。第１学習部１３０がＣＩＲデータ１０を学習するためには数百個のピーク間の関係を把握しなければならないが、ＣＩＲデータ１０から遠く離れたピーク間の関係を把握し難い限界がある。

【0060】

これに伴い、前処理部１２０は、遠く離れたピーク間の関係を把握するために、距離データがラベリングされた複数のＣＩＲデータ１０の伝送を受けてＣＩＲデータ１０を前処理して複数の前処理データ１１を生成することができる。

【0061】

ここで、複数の前処理データ１１はＣＩＲデータ１０の複数のピーク間の関係を示す２次元イメージ形態の複数のピクセルからなり得る。

【0062】

前処理部１２０は下記の数式２～５を利用してＣＩＲデータ１０を前処理して前処理データ１１を生成することができる。

【数2】

【数3】

【数4】

【数5】

【0063】

ここで、ＳはＣＩＲデータ１０を示し、Ｘは前処理データ１１を示し、ｎはＣＩＲデータ１０のピークの個数を示す。

【0064】

そして、μ_ｓはＣＩＲデータ１０のピークの平均値を意味し、ｆ_ｉ，ｊは各ピーク間の差分をノーマライジング（Ｎｏｒｍａｌｉｚｉｎｇ）した値である。

【0065】

第１学習部１３０は前処理部１２０から複数の前処理データ１１および距離データの伝送を受けて、これらデータに基づいて第１人工ニューラルネットワーク４１０を学習させることができる。

【0066】

ここで、人工ニューラルネットワーク（ＡＮＮ、Ａｒｔｉｆｉｃｉａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）は機械学習と認知科学で生物学の神経網（動物の中枢神経系のうち特に脳）でインスピレーションを得た統計学的学習アルゴリズムである。人工ニューラルネットワークは、シナプスの結合でネットワークを形成した人工ニューロンが学習を通じてシナプスの結合強度を変化させて問題解決能力を有するモデル全般を示す。

【0067】

第１学習部１３０はすべての種類の人工ニューラルネットワークを学習させることができるが、移動端末２００の測位を遂行する環境に適合な人工ニューラルネットワークを選択することが好ましい。例えば、第１学習部１３０はＣＮＮ（Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）を基盤として学習させることができる。

【0068】

以後、学習された第１人工ニューラルネットワーク４１０に前処理データを入力すると複数のアンカー端末３００および移動端末２００間距離が出力され得る。

【0069】

図６は、本発明の実施例に係る第１人工ニューラルネットワークの構造を図示した図面である。

【0070】

図６を参照すると、第１人工ニューラルネットワーク４１０は多数のチャネル状態情報（ＣＳＩ１～ＣＳＩｎ）が入力される入力レイヤと、複数のアンカー端末３００および移動端末２００間距離データが出力される出力レイヤと、入力レイヤおよび出力レイヤの間に存在する隠れレイヤで構成され得る。

【0071】

第１学習部１３０は、多数のチャネル状態情報（ＣＳＩ１～ＣＳＩｎ）と複数のアンカー端末３００および移動端末２００間距離データを入力レイヤに入力して第１人工ニューラルネットワーク４１０を学習させることができる。ここで、正確度が目標値に到達するまで十分なデータを利用して第１人工ニューラルネットワーク４１０を学習させると、高性能および高演算の第１人工ニューラルネットワーク４１０が構築され得る。

【0072】

このような、第１人工ニューラルネットワーク４１０は高い正確度を表すが、高水準の演算を要求するため移動端末２００内においてリアルタイムで動作し難い。

【0073】

分析部１４０は、説明可能な人工知能（ＸＡＩ、Ｅｘｐｌａｉｎａｂｌｅ Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ）技術で第１人工ニューラルネットワーク４１０を分析して複数の前処理データ１１のうち移動端末２００の測位に利用された測位重要データを選別および抽出することができる。

【0074】

すなわち、分析部１４０は、説明可能な人工知能（ＸＡＩ）（例えば、ＬＩＭＥ）を利用して第１人工ニューラルネットワーク４１０で移動端末２００の位置を測定する時に主に活用されたデータ領域を獲得することができる。そして、該当データ領域を最適化された測位重要データで定義することができる。

【0075】

このような、測位重要データは第１人工ニューラルネットワーク４１０が学習された環境で移動端末２００の測位に重要な影響を及ぼしたデータを意味し、測位重要データのみ活用するように第１人工ニューラルネットワーク４１０を最適化すると、第１人工ニューラルネットワーク４１０と類似する正確度を示しながらも、第１人工ニューラルネットワーク４１０を大幅に軽量化することができる。

【0076】

一方、第１人工ニューラルネットワーク４１０を説明可能な人工知能技術を適用するためにはデータ選別過程が重要である。もし、アウトライアのようにニューラルネットワークの誤作動を引き起こすデータが説明可能な人工知能に適用されると、間違った説明によって第１人工ニューラルネットワーク４１０の解釈正確度が落ちることになる。

【0077】

これに伴い、分析部１４０は、データ選別アルゴリズムを利用して、第１人工ニューラルネットワーク４１０から任意のニューラルネットワークノード間の連結を除去しながら、第１人工ニューラルネットワーク４１０対比正確度が基準値以上である複数の第３人工ニューラルネットワーク４０５を構築することができる。

【0078】

そして、分析部１４０は複数の第３人工ニューラルネットワーク４０５に複数の前処理データを入力して、複数の第３人工ニューラルネットワーク４０５のうち基準個数以上の第３人工ニューラルネットワーク４０５で同一の距離データを出力する前処理データを選別データとして選別することができる。

【0079】

分析部１４０は前処理データ１１特に、選別データの複数のピクセルごとに重要度を評価して、重要度が基準値以上である複数のピクセルからなる複数の測位重要データを選別することができる。

【0080】

例えば、分析部１４０は、選別データ全体を第１人工ニューラルネットワーク４１０に入力した時と選別データで特定ピクセルを除いた後に第１人工ニューラルネットワーク４１０に入力した時に出力される距離データに差がないほど該当ピクセルの重要度を低く評価することができる。

【0081】

図面には図示していないが、本発明の実施例に係る無線測位システムは第３学習部をさらに含むことができる。

【0082】

第３学習部は複数の前処理データまたは選別データと測位重要データに基づいて自動エンコーダ（ＡｕｔｏＥｎｃｏｄｅｒ）４２０を学習させることができる。

【0083】

ここで、学習された自動エンコーダ４２０は前処理データ１１が入力されると測位重要データを出力することができる。具体的には、自動エンコーダ４２０は（ｎ、ｎ）大きさの前処理データ１１が入力されると、（ｍ、ｍ）大きさの測位重要データを出力することができる。例えば、ｎは２０３６で、ｍは２０であり得る。

【0084】

第２学習部１５０は自動エンコーダ４２０で出力される複数の測位重要データおよび距離データに基づいて第２人工ニューラルネットワーク４３０を学習させることができる。ここで、測位重要データには距離データがラベリングされ得る。

【0085】

学習された第２人工ニューラルネットワーク４３０は、最小限の測位重要データのみ入力されて学習されるため第１人工ニューラルネットワーク４１０対比軽量化され、ノイズデータが除去されて高い正確度を示すことができる。

【0086】

図７は、本発明の実施例に係る第２人工ニューラルネットワークの構造を図示した図面である。

【0087】

図７を参照すると、第２人工ニューラルネットワーク４３０は測位重要データ（ＰＣＩ１～ＰＣＩｍ、ここで、ｍはｎより小さい整数である）が入力される入力レイヤと、複数のアンカー端末３００および移動端末２００間距離データが出力される出力レイヤと、入力レイヤおよび出力レイヤの間に存在する隠れレイヤで構成され得る。ここで、隠れレイヤの個数は第１人工ニューラルネットワーク４１０より小さい。

【0088】

図８は、本発明の実施例に係る無線測位システムにおいて移動端末のブロック図である。

【0089】

移動端末２００は前処理部１２０と、学習された自動エンコーダ４２０および第２人工ニューラルネットワーク４３０を搭載することができる。

【0090】

移動端末２００は搭載された前処理部１２０、自動エンコーダ４２０および第２人工ニューラルネットワーク４３０を利用して移動端末２００の測位を遂行できる。

【0091】

具体的には、移動端末２００は複数のアンカー端末３００と無線通信して、通信に利用されたＣＩＲデータ１０を測定および収集する。

【0092】

そして、移動端末２００は、前処理部１２０を通じてＣＩＲデータ１０を前処理して前処理データ１１を生成し、前処理データ１１を自動エンコーダ４２０に入力して測位重要データを出力し、測位重要データを第２人工ニューラルネットワーク４３０に入力して複数のアンカー端末３００と移動端末２００間距離を推定することができる。

【0093】

そして、移動端末２００は複数のアンカー端末３００の位置（座標）情報と、推定された複数のアンカー端末３００と移動端末２００間距離と、を利用して移動端末２００の測位を遂行できる。

【0094】

このように、本発明の無線測位システムは、説明可能な人工知能技術（ＸＡＩ）を利用して複雑なニューラルネットワークを分析して数十個以内の主要な測位重要データを抽出することができ、抽出された測位特性データを利用してニューラルネットワークを簡単に軽量化することができる。

【0095】

これを通じて、本発明の無線測位システムは、従来の複雑なマシンラーニング基盤の測位技術より高い正確度を示しながらも、従来の方式より大幅に軽量化された測位が可能となり、新しい環境で主要な測位特性データを迅速かつ便利に探すことができる効果がある。

【0096】

また、本発明の無線測位システムは、測位用移動端末の最小要求演算能力を最小化して画期的な費用節減効果を期待することができる。

【0097】

図９は本発明の実施例に係る無線測位方法のフローチャートであり、図１０は本発明の実施例に係る移動端末の測位を遂行する段階の具体的なフローチャートである。

【0098】

以下、本発明の実施例に係る無線測位方法を説明するものの、前述した内容と同じ部分は省略する。

【0099】

まず、図９を参照すると、移動端末２００が測位を遂行しようとする空間に設置された複数のアンカー端末３００と無線通信して、複数のＣＩＲデータ１０と複数のアンカー端末３００および移動端末２００間距離データを測定する。

【0100】

次に、サーバー１００が移動端末２００により測定されたＣＩＲデータ１０と複数のアンカー端末３００および移動端末２００間距離データの伝送を受けて収集する（Ｓ１１０）。この時、ＣＩＲデータ１０には距離データがラベリングされ得る。

【0101】

次に、サーバー１００が複数のＣＩＲデータ１０を前処理して複数の前処理データ１１を生成する（Ｓ１２０）。

【0102】

次に、サーバー１００が複数の前処理データ１１および距離データに基づいて第１人工ニューラルネットワーク４１０を学習させる（Ｓ１３０）。

【0103】

次に、サーバー１００が説明可能な人工知能技術（ＸＡＩ）で第１人工ニューラルネットワーク４１０を分析して複数の前処理データ１１のうち移動端末２００の測位に利用された複数の測位重要データを抽出および選別する（Ｓ１４０）。

【0104】

次に、サーバー１００が複数の前処理データ１１または選別データと測位重要データに基づいて自動エンコーダ４２０を学習させる（Ｓ１５０）。学習完了後、自動エンコーダ４２０に複数の前処理データ１１が入力されると測位重要データが出力される。

【0105】

次に、サーバー１００が自動エンコーダ４２０に出力された複数の測位重要データおよび距離データに基づいて第２人工ニューラルネットワークを学習させる（Ｓ１６０）。

【0106】

次に、図１０を参照すると、前処理部１２０、自動エンコーダ４２０および第２人工ニューラルネットワーク４３０が移動端末２００に搭載される（Ｓ２１０）。

【0107】

次に、移動端末２００が複数のアンカー端末３００と通信して、通信に利用された無線信号のＣＩＲデータ１０を測定する。

【0108】

次に、前処理部１２０がＣＩＲデータ１０を前処理して前処理データ１１を生成する（Ｓ２２０）。

【0109】

次に、移動端末２００が前処理データ１１を自動エンコーダ４２０に入力して測位重要データを出力する（Ｓ２３０）。

【0110】

次に、移動端末２００が測位重要データを第２人工ニューラルネットワーク４３０に入力して複数のアンカー端末３００および移動端末２００間距離を推定して移動端末２００の測位を遂行する（Ｓ２４０）。

【0111】

このように、本発明の無線測位方法は、説明可能な人工知能技術（ＸＡＩ）を利用して複雑なニューラルネットワークを分析して数十個以内の主要な測位特性データを抽出することができ、抽出された測位特性データを利用してニューラルネットワークを簡単に軽量化することができる。

【0112】

これを通じて、本発明の無線測位方法は、従来の複雑なマシンラーニング基盤の測位技術より高い正確度を示しながらも、従来の方式より大幅に軽量化された測位が可能となり、新しい環境で主要な測位特性データを迅速かつ便利に探すことができる効果がある。

【0113】

また、本発明の無線測位方法は、測位用移動端末の最小要求演算能力を最小化して画期的な費用節減効果を期待することができる。

【0114】

前述した本発明の実施例に係る無線測位方法は、プログラムが記録された媒体にプロセッサが読み取り可能なコードで具現することが可能である。このようなプロセッサが読み取り可能な媒体の例としては、ＲＯＭ、ＲＡＭ、ＣＤ－ＲＯＭ、磁気テープ、フレキシブルディスク、光データ保存装置などがあり、キャリアウェーブ（例えば、インターネットを通じての伝送）の形態で具現されるものも含む。

【0115】

以上の詳細な説明は本発明を例示するものである。また、前述した内容は本発明の好ましい実施形態を示して説明するものに過ぎず、本発明は多様な他の組み合わせ、変更および環境で使うことができる。すなわち、本明細書に開示された発明の概念の範囲、著述した開示内容と均等な範囲および／または当業界の技術または知識の範囲内で変更または修正が可能である。前述した実施例は本発明を実施するのにおいて最善の状態を説明するためのものであって、本発明のような他の発明を利用するのに当業界に知られている他の状態への実施、そして発明の具体的な適用分野および用途で要求される多様な変更も可能である。したがって、以上の発明の詳細な説明は開示された実施形態に本発明を制限しようとする意図ではない。また添付された請求の範囲は他の実施形態も含むものと解釈されるべきである。

【符号の説明】

【0116】

１００ サーバー
１１０ 収集部
１２０ 前処理部
１３０ 第１学習部
１４０ 分析部
１５０ 第２学習部
２００ 移動端末
３００ アンカー端末

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】