Search

KR-20260061737-A - Motion recognition device and multi-target motion recognition method performed by the device

KR20260061737AKR 20260061737 AKR20260061737 AKR 20260061737AKR-20260061737-A

Abstract

본 발명은 비전 센서 등을 사용하지 않고 전파 측정(예: ISAC 기술)을 이용하여, 단일 타겟(Unconnected 물체)의 동작을 인지할 수 있는 인공지능 모델을 개발하고 이를 활용하여 다중 타겟의 동작 인지를 수행하는 새로운 기술 방안을 제안하고 있다.

Inventors

  • 이재현
  • 이경필
  • 최정식

Assignees

  • 에스케이텔레콤 주식회사
  • 경북대학교 산학협력단

Dates

Publication Date
20260506
Application Date
20241028

Claims (10)

  1. 타겟의 동작을 인지하는 동작 인지 장치에 있어서, 명령어를 포함하는 메모리; 및 상기 명령어를 실행함으로써, Sensing 신호의 전파(Radio Wave) 측정을 기반으로 수행되는 Sensing 동작을 이용하여, 단일 타겟의 동작 인지를 위해 기 학습된 인공지능 모델 활용을 통해 다중 타겟의 동작 인지를 수행하는 프로세서;를 포함하는 것을 특징으로 하는 동작 인지 장치.
  2. 제 1 항에 있어서, 상기 인공지능 모델은, 단일 타겟이 동작하는 장소에서 상기 Sensing 신호의 전파 측정을 통해 추정되는 채널 데이터를, 학습 데이터로 하고 상기 동작을 라벨링하여 기 학습되는 모델인 것을 특징으로 하는 동작 인지 장치.
  3. 제 1 항에 있어서, 상기 프로세서는, 다중 타겟의 동작 인지를 위한 장소에서 상기 Sensing 신호의 전파 측정을 통해 추정되는 채널 데이터로부터, 각 타겟 별로 단일 존재 시의 예상 채널 데이터를 생성하고, 상기 각 타겟 별로 생성한 예상 채널 데이터를 상기 인공지능 모델의 입력으로 사용하여, 상기 인공지능 모델 활용을 통해 다중 타겟의 동작 인지를 수행하는 것을 특징으로 하는 Sensing 장치.
  4. 제 3 항에 있어서, 상기 프로세서는, 상기 Sensing 신호의 전파 측정을 통해 추정되는 채널 데이터로부터, 채널 파라미터 추정 알고리즘을 활용하여 다중경로의 지연시간 정보 및 송수신 각도 정보 중 적어도 하나를 추출하고, 상기 추출한 정보들에 대해 클러스터링 알고리즘을 적용하여, 각 타겟 별로 직접 반사되어 수신되는 다중경로 성분을 분류하고 타겟에 대한 직접 반사 없이 수신되는 나머지 다중경로 성분을 분류하며, 상기 각 타겟 별로, 타겟에 대하여 분류한 다중경로 성분 및 상기 나머지 다중경로 성분을 합성하여 상기 예상 채널 데이터를 생성하는 것을 특징으로 하는 동작 인지 장치.
  5. 제 3 항에 있어서, 상기 프로세서는, 상기 각 타겟 별로 생성한 예상 채널 데이터를 상기 인공지능 모델의 입력으로 사용하여, 상기 인공지능 모델에서 각 입력에 대하여 추론되는 추론 결과를 획득하고, 상기 각 입력에 대한 추론 결과를 상기 다중 타겟 각각의 동작 인지 결과로서 출력하는 것을 특징으로 하는 동작 인지 장치.
  6. 장치에서 수행되는 다중 타겟의 동작 인지 방법에 있어서, 상기 장치에서, 다중 타겟의 동작 인지 상황을 확인하는 단계; 상기 장치에서, Sensing 신호의 전파(Radio Wave) 측정을 기반으로 수행되는 Sensing 동작을 이용하여, 단일 타겟의 동작 인지를 위해 기 학습된 인공지능 모델 활용을 통해 상기 다중 타겟의 동작 인지를 수행하는 단계를 포함하는 것을 특징으로 하는 다중 타겟의 동작 인지 방법.
  7. 제 6 항에 있어서, 상기 인공지능 모델은, 단일 타겟이 동작하는 장소에서 상기 Sensing 신호의 전파 측정을 통해 추정되는 채널 데이터를, 학습 데이터로 하여 기 학습되는 모델인 것을 특징으로 하는 다중 타겟의 동작 인지 방법.
  8. 제 6 항에 있어서, 상기 다중 타겟의 동작 인지를 수행하는 단계는, 다중 타겟의 동작 인지를 위한 장소에서 상기 Sensing 신호의 전파 측정을 통해 추정되는 채널 데이터로부터, 각 타겟 별로 단일 존재 시의 예상 채널 데이터를 생성하고, 상기 각 타겟 별로 생성한 예상 채널 데이터를 상기 인공지능 모델의 입력으로 사용하여, 상기 인공지능 모델 활용을 통해 다중 타겟의 동작 인지를 수행하는 것을 특징으로 하는 다중 타겟의 동작 인지 방법.
  9. 제 8 항에 있어서, 상기 각 타겟 별로 단일 존재 시의 예상 채널 데이터를 생성하는 과정은, 상기 Sensing 신호의 전파 측정을 통해 추정되는 채널 데이터로부터, 채널 파라미터 추정 알고리즘을 활용하여 다중경로의 지연시간 정보 및 송수신 각도 정보 중 적어도 하나를 추출하고, 상기 추출한 정보들에 대해 클러스터링 알고리즘을 적용하여, 각 타겟 별로 직접 반사되어 수신되는 다중경로 성분을 분류하고 타겟에 대한 직접 반사 없이 수신되는 나머지 다중경로 성분을 분류하며, 상기 각 타겟 별로, 타겟에 대하여 분류한 다중경로 성분 및 상기 나머지 다중경로 성분을 합성하여 상기 예상 채널 데이터를 생성하는 것을 특징으로 하는 다중 타겟의 동작 인지 방법.
  10. 하드웨어와 결합되어, Sensing 신호의 전파(Radio Wave) 측정을 기반으로 Sensing 동작을 수행하는 단계와, 상기 Sensing 동작을 이용하여, 단일 타겟의 동작 인지를 위해 기 학습된 인공지능 모델 활용을 통해 다중 타겟의 동작 인지를 수행하는 단계를 실행시키기 위해 매체에 저장되는 것을 특징으로 하는 컴퓨터 프로그램.

Description

동작 인지 장치 및 그 장치에서 수행되는 다중 타겟의 동작 인지 방법{Motion recognition device and multi-target motion recognition method performed by the device} 본 발명은, 이동통신 네트워크에 적용되는 ISAC(Integrated Sensing and Communication) 기술과 관련된 것이다. 5G에 적용되는 Positioning 기술을 설명하면, 측위를 위한 참조 신호의 송수신 동작을 기반으로 단말의 위치 측정/Positioning이 가능하다. 즉, 기존의 Positioning 기술에 따르면, 측위 용도의 참조 신호(예: PRS, SRS 등)를 송수신하는 기지국/단말 Capability가 필수적이다. 따라서, 기존의 Positioning 기술에서는, 스마트폰, 태블릿 등 단말의 경우 참조 신호(예: PRS, SRS 등)를 송수신하는 Capability를 가지므로 위치 측정/Positioning이 가능하지만, 하지만 측위 참조 신호를 송수신하는 Capability가 없는 사람, 사물, 건물 등의 물체(이하, Unconnected 물체)에 대해서는 위치 측정/Positioning이 불가능하다. 이와 관련하여, 측위 참조 신호 송수신의 Capability가 없는 물체 즉, 기지국 관점에서 자신과 통신이 불가능한 Unconnected 물체에 대해서도, 위치 측정/Positioning을 지원할 수 있는 기술 논의가 시작되었으며 ISAC(Integrated Sensing and Communication) 기술이 이에 해당된다. ISAC 기술은, 단순히 위치를 측정한다는 Positioning 개념에서 확장하여, Sensing 개념을 기본으로 주변의 물체 및 환경을 센싱하는 동작을 포함하고 이로부터 측위 참조 신호 송수신의 Capability가 없는 Unconnected 물체에 대한 Positioning까지 지원할 수 있는 기술이다. 이에 최근에는, ISAC 기술을 활용하여, 수신기에서 수신된 Sensing 신호로부터 사람, 사물, 건물 등과 같이 신호 송수신의 Capability가 없는 Unconnected 물체(이하, 타겟)의 위치를 탐지하는 연구가 진행되고 있다. 한편, ISAC 기술을 활용하여 타겟이 수행 중인 동작을 인지할 수 있는 기술을 기대할 수 있으며, 이러한 기술은 복잡한 신호 처리 기술이 요구되므로 인공지능 기술을 적용하는 방식으로 구현되도록 연구가 진행되고 있다. 인공지능 모델을 개발하기 위해서는 일반적으로 학습 데이터 확보가 필수적이며 이를 학습시키는 시간 소요 역시 필수적이므로, ISAC 기술을 활용하여 타겟의 동작을 인지하기 위한 인공지능 모델을 개발하기 위해서도 학습 데이터 및 학습 시간 확보가 필수적일 것이다. 특히, ISAC 기술에 따른 Sensing 동작이 이루어지는 장소(또는 공간)에 여러 타겟들이 존재하고 각기 동작을 수행하고 있는 상황을 가정하면, 다중 타겟의 동작을 동시에 인지할 수 있도록 학습된 인공지능 모델이 필요할 것인데, 이러한 인공지능 모델 개발을 위해서는 수 많은 동작들의 조합에 따른 학습 데이터를 수집해야 하며 따라서 상당히 긴 학습 시간을 필요로 한다는 한계점이 있다. 도 1은 ISAC 기술의 시나리오를 설명하는 예시 도이다. 도 2는 본 발명의 일 실시 예에 따른 동작 인지 장치의 구성을 설명하는 도면이다. 도 3은 본 발명에 따라 다중 타겟 중 하나의 타겟에 대해 단일 존재 시의 예상 채널 데이터를 생성하는 개념을 설명하는 예시 도이다. 도 4는 본 발명의 일 실시 예에 따른 다중 타겟의 동작 인지 방법을 설명하는 동작 흐름도이다. 이하, 첨부된 도면을 참조하여 본 발명의 다양한 실시 예에 대하여 설명한다. 본 발명은, 이동통신 네트워크에 적용되는 ISAC(Integrated Sensing and Communication) 기술과 관련된 것이다. 5G에 적용되는 Positioning 기술을 설명하면, 측위를 위한 참조 신호의 송수신 동작을 기반으로 단말의 위치 측정/Positioning이 가능하다. 즉, 기존의 Positioning 기술에 따르면, 측위를 위한 참조 신호(예: PRS, SRS 등)를 송수신하는 기지국/단말 Capability가 필수적이다. 그리고 기존 Positioning 기술의 방식은, 전술과 같은 측위 용도의 참조 신호 송수신을 통해, TDoA(Time Difference of Arrival) 등의 정보를 추출한 후 삼각 측량 등의 기하학적 연산을 활용하여 위치를 추정하는 방식, 단말이나 Anchor 노드에서 전송하는 RSRP, RSSI, CQI 등을 활용한 핑거 프린팅 방식(과거 저장된 정보를 기반으로 위치를 추정하는 방식)으로 설명할 수 있다. 따라서, 기존의 Positioning 기술에서는, 스마트폰, 태블릿 등 단말의 경우 참조 신호(예: PRS, SRS 등)를 송수신하는 Capability를 가지므로 위치 측정/Positioning이 가능하지만, 하지만 측위 참조 신호를 송수신하는 Capability가 없는 사람, 사물, 건물 등의 물체(이하, Unconnected 물체)에 대해서는 위치 측정/Positioning이 불가능하다. 이와 관련하여, 측위 참조 신호 송수신의 Capability가 없는 물체 즉, 기지국 관점에서 자신과 통신이 불가능한 Unconnected 물체에 대해서도, 위치 측정/Positioning을 지원할 수 있는 기술 논의가 시작되었으며 ISAC(Integrated Sensing and Communication) 기술이 이에 해당된다. ISAC 기술은, 단순히 위치를 측정한다는 Positioning 개념에서 확장하여, Sensing 개념을 기본으로 주변의 물체 및 환경을 센싱하는 동작을 포함하고 이로부터 측위 참조 신호 송수신의 Capability가 없는 Unconnected 물체에 대한 Positioning까지 지원할 수 있는 기술이다. 이에 최근에는, ISAC 기술을 활용하여, 수신기에서 수신된 Sensing 신호로부터 사람, 사물, 건물 등과 같이 신호 송수신의 Capability가 없는 Unconnected 물체(이하, 타겟)의 위치를 탐지하는 연구가 진행되고 있다. 관련하여 도 1은, ISAC 기술의 기본 시나리오를 설명하고 있다. 도 1에 도시된 바와 같이, ISAC 기술에서 센싱이란, 네트워크(예: 기지국)에 연결되지 않은 Unconnected 물체(예: 사람/Person)의 존재를 감지하고, 나아가 Unconnected 물체의 모양, 위치, 이동 속도 등을 측정하는 것을 의미한다. 또한, 도 1에서 알 수 있듯이, 이동통신 네트워크에 적용되는 ISAC 기술의 핵심 개념은, 무선 센싱 기술에 기반을 두며, 기존의 동작, 위치, 환경 등 관련 여러 센서들을 활용한 센싱이 아니라 이동통신에서 서비스하는 신호의 전파(Radio Wave)를 활용한 센싱이다. 특히, 고주파대역으로 갈수록 가용 대역폭이 넓으며 고해상도의 센싱이 가능해지므로, 고주파대역을 사용하는 5G, 나아가 6G 등 향후 다음 세대의 이동통신 네트워크에 ISAC 기술을 적용하는 것이 적합할 수 있다. 한편, ISAC 기술을 활용하여 타겟이 수행 중인 동작을 인지할 수 있는 기술을 기대할 수 있으며, 이러한 기술은 복잡한 신호 처리 기술이 요구되므로 인공지능 기술을 적용하는 방식으로 구현되도록 연구가 진행되고 있다. 인공지능 모델을 개발하기 위해서는 일반적으로 학습 데이터 확보가 필수적이며 이를 학습시키는 시간 소요 역시 필수적이므로, ISAC 기술을 활용하여 타겟의 동작을 인지하기 위한 인공지능 모델을 개발하기 위해서도 학습 데이터 및 학습 시간 확보가 필수적일 것이다. 특히, ISAC 기술에 따른 Sensing 동작이 이루어지는 장소(또는 공간)에 여러 타겟들이 존재하고 각기 동작을 수행하고 있는 상황을 가정하면, 다중 타겟의 동작을 동시에 인지할 수 있도록 학습된 인공지능 모델이 필요할 것인데, 이러한 인공지능 모델 개발을 위해서는 수 많은 동작들의 조합에 따른 학습 데이터를 수집해야 하며 따라서 상당히 긴 학습 시간을 필요로 한다는 한계점이 있다. 이에, 본 발명에서는, 전파 측정(예: ISAC 기술)을 이용하여, 단일 타겟(Unconnected 물체)의 동작을 인지할 수 있는 인공지능 모델을 개발하고, 이렇듯 적은 양의 리소스(예: 학습 데이터 수집, 학습 시간 등)로 학습 및 개발한 인공지능 모델을 활용하여 다중 타겟의 동작 인지까지도 실현할 수 있는 구체적인 기술 구성을 제안하고자 한다. 관련하여 일 실시 예에 따르면, 본 발명에서는, ISAC 기술에 따른 Sensing 동작 즉 Sensing 신호의 전파(Radio Wave) 측정 기반의 Sensing 동작을 수행할 수 있는 장치에서, 본 발명에서 제안하는 기술 구성(이하, 다중 타겟의 동작 인지 방안)을 실현할 수 있다. 물론, 다른 실시 예에 따르면, 본 발명에서는, Sensing 동작을 수행할 수 있는 장치와 연동하는 별도의 장치에서, 본 발명에서 제안하는 다중 타겟의 동작 인지 방안을 실현할 수도 있다. 다만 이하 설명에서는, Sensing 동작을 수행할 수 있는 장치에서, 본 발명에서 제안하는 다중 타겟의 동작 인지 방안을 실현하는 실시 예를 중심으로 설명하겠다. 이하에서는, 도 2를 참조하여, 본 발명에서 제안하는 다중 타겟의 동작 인지 방안을 실현하는 동작 인지 장치(100)의 구성을 구체적으로 설명하겠다. 구체적인 설명에 앞서, 도 1에 도시된 본 발명의 동작 인지 장치(100)는, ISAC 시나리오에서 신호의 전파(Radio Wave)를 측정하는 Sensing Entity로서 동작하는 장치를 의미하며, 기지국(BS)이 될 수도 있고 단말(UE)이 될 수도 있다. 즉, 기지국(BS) 및 단말(UE)은, 이동통신에서 서비스하는 신호(이하, Sensing 신호)의 전파(Radio Wave) 측정하는 Sensing Entity로서 동작할 수 있으며, 본 발명의 동작 인지 장치(100)가 될 수 있다. 추가 설명하면, ISAC 기술에서 BS 및 UE가 Sensing Entity로서 동작하는 Sensing 모드는, 신호의 전파(Target에 반사되는 전파)를 측정