스마트폰 다중센서 및 GPS 데이터를 결합한 딥러닝 기반 PDR 기법 = Deep Learning-based PDR Scheme that Fuses Smartphone Multi-Sensor and GPS Data

국문 초록 (Abstract)

스마트폰 사용자의 현재 위치를 추적하기 위해 이동 변화량을 관성 센서 기반으로 계산하는 보행자 관성항법은 사용자의 신체적, 보행 습관에 따른 보폭 추정 문제, 보행 경로에 따른 드리프트 문제, 주변 환경에 따른 자기장 변동 문제가 발생한다. 이와 같은 문제를 해결하여 측위 정확도를 향상하기 위한 연구가 활발히 진행되고 있으며 본 논문에서는 기존 보행자 관성항법에서 발생하는 문제를 해결하기 위한 딥러닝 기반의 PDR 기법을 제안한다. 제안 기법은 관성 센서의 문제점을 보완하기 위해 스마트폰 사용자의 움직임을 표현할 수 있는 관성 센서를 GPS의 위치 변화량으로 대응시키고 두 요소를 입력과 출력 데이터로 구성해 심층 신경망을 학습시킨다. 또한, 대다수의 딥러닝 학습에서 존재하는 문제 중 하나인 데이터 부족 문제를 해결하기 위해 제안 기법의 입출력 데이터 특성을 활용한 데이터 증강 기법을 제안하며, 보유한 데이터가 적은 상황에서도 데이터 증강을 통해 학습과 측위 성능의 효율성을 향상한다.
제안 기법의 알고리즘 개발과 실제 측위 실험을 위해 Android OS 기반 삼성전자의 Galaxy S8 스마트폰에서 응용 프로그램을 구축하였고, 딥러닝 프레임 워크는 스마트폰에 이식이 쉬운 Google사의 TensorFlow를 사용하여 제안하는 딥러닝 기반 PDR 기법의 모델을 구축 및 학습을 진행하였다. 제안 기법의 실제 측위 성능을 확인하기 위해 단일 건물을 통과하는 짧은 경로 실험과 두 개의 건물을 통과하는 복잡하고 긴 경로의 실험을 통해 실질적인 측위 성능을 확인하였다.

다국어 초록 (Multilingual Abstract)

Pedestrian dead reckoning, which calculates the amount of movement change based on inertial sensors to track the current location of smartphone user's, causes problems of estimating stride according to the user's physical and walking habits, drift issue according to walking paths, and magnetic field fluctuations according to the surrounding environment. A study is being actively conducted to resolve the above problem and improve the localization accuracy, and this paper proposes a deep learning-based PDR scheme to solve the problem arising from the existing pedestrian dead reckoning. To complement the problem of inertial sensors, the proposed scheme responds to inertial sensors that can express the movement of smartphone user's by the amount of GPS position change and consists of input and output data to learn deep neural networks. In addition, to solve the data shortage problem, one of the problems in most deep learning, we propose a data augmentation method using input/output data characteristics of the proposed scheme, and improve the efficiency of learning and localization performance through data augment even when there is little data.
For algorithm development of the proposed scheme and actual localization experiment, an application was built on Samsung Galaxy S8 smartphone based on Android OS, and the deep learning framework constructed and learned a model of the proposed deep learning-based PDR scheme using Google's TensorFlow, which is easy to transplant to smartphones. Finally, to confirm the actual localization performance of the proposed scheme, the actual localization performance was confirmed through a short path experiment through a single building and a complex and long path experiment through two buildings.

목차 (Table of Contents)

• 제 1 장 서론 1
• 1.1 연구 배경 및 내용 1
• 1.2 논문의 구성 5
• 제 2 장 PDR 측위 기법과 오차 요소 6
• 2.1 IMU 기반 PDR 기법 6
• 2.1.1 이동 감지 및 걸음 길이 계산 6
• 2.1.2 이동 방향 및 위치 계산 7
• 2.2 PDR 기법 측위 오차 요소 10
• 2.2.1 보폭 추정 문제 11
• 2.2.2 방향 추정 문제 13
• 2.2.3 기존의 방향 오차 요소 해결 방안 14
• 제 3 장 딥러닝 기반 PDR 기법 17
• 3.1 DL-PDR 성능 개선 시나리오 18
• 3.2 DL-PDR 학습 데이터 구성과 수집 과정 20
• 3.3 DL-PDR 입출력 데이터 특성 분석 및 전처리 과정 21
• 3.3.1 출력 데이터 특성 분석 21
• 3.3.2 출력 데이터 구성 22
• 3.3.3 입력 데이터 구성 23
• 3.4 데이터 정제와 증강 25
• 3.4.1 데이터 정제 기법 26
• 3.4.2 데이터 증강 기법 29
• 3.5 모델 구성 및 학습 결과 33
• 3.5.1 모델의 구성 33
• 3.5.2 학습 결과 36
• 제 4 장 실험 결과 39
• 4.1 실험 환경 및 측위 성능지표 39
• 4.2 단일 건물 측위 실험 40
• 4.3 다중 건물 측위 실험 43
• 제 5 장 결론 46
• 참고문헌 47