[논문]Walking/Non-walking and Indoor/Outdoor Cognitive-based PDR/GPS/WiFi Integrated Pedestrian Navigation for Smartphones

Eui Yeon Cho; Jae Uk Kwon; Seong Yun Cho; JaeJun Yoo; Seonghun Seo

doi:10.11003/jpnt.2023.12.4.399

Walking/Non-walking and Indoor/Outdoor Cognitive-based PDR/GPS/WiFi Integrated Pedestrian Navigation for Smartphones 원문보기

Journal of Positioning, Navigation, and Timing, v.12 no.4, 2023년, pp.399 - 408

Eui Yeon Cho (Department of IT Engineering, Kyungil University) , Jae Uk Kwon (Department of IT Engineering, Kyungil University) , Seong Yun Cho (School of Smart Design Engineering, Kyungil University) , JaeJun Yoo (Mobility UX Section, Electronics and Telecommunications Research Institute) , Seonghun Seo (Mobility UX Section, Electronics and Telecommunications Research Institute)

Abstract ▼ AI-Helper

In this paper, we propose a solution that enables continuous indoor/outdoor positioning of smartphone users through the integration of Pedestrian Dead Reckoning (PDR) and GPS/WiFi signals. Considering that accurate step detection affects the accuracy of PDR, we propose a Deep Neural Network (DNN)-based technology to distinguish between walking and non-walking signals such as walking in place. Furthermore, in order to integrate PDR with GPS and WiFi signals, a technique is used to select a proper measurement by distinguishing between indoor/outdoor environments based on GPS Dilution of Precision (DOP) information. In addition, we propose a technology to adaptively change the measurement error covariance matrix by detecting measurement outliers that mainly occur in the indoor/outdoor transition section through a residual-based χ2 test. It is verified through experiments on a testbed that these technologies significantly improve the performance of PDR and PDR/GPS/WiFi fingerprinting-based integrated pedestrian navigation.

주제어

표/그림 (16)

그림 Fig. 1. Power signal, Butterworth LPF-based simplified signal and detected steps of accelerometer signals.
그림 Fig. 2. PDR positioning architecture with DNN based Walking/Non-walking classification.
그림 Fig. 3. Deep neural network structure for walking/non-walking recognition.
그림 Fig. 4. Indoor positioning system based on WiFi fingerprinting.
표 Table 1. Hyperparameters of the DNN model.
그림 Fig. 5. PDR/GPS/WiFi integrated positioning architecture.
그림 Fig. 6. Testbed map and walking test trajectory.
그림 Fig. 7. Grid points for fingerprinting database.
그림 Fig. 8. App interface for PDR application.
그림 Fig. 9. Indoor->Outdoor positioning results. (a) PDR only, (b) PDR with DNN, (c)DNN classification.
표 Table 2. DNN model classification accuracy.
표 Table 3. PDR distance estimation error according to DNN application.
그림 Fig. 10. Outdoor->Indoor positioning results. (a) PDR only, (b) PDR with DNN, (c) DNN classification.
그림 Fig. 11. GPS DOP. (a) Indoor -> Outdoor, (b) Outdoor -> Indoor.
그림 Fig. 12. Indoor-> Outdoor Positioning results. (a) PDR only, (b) Measurement, (c) Integration result.
그림 Fig. 13. Outdoor-> Indoor Positioning results. (a) PDR only, (b) Measurement, (c) Integration result.

AI 본문요약
AI-Helper

문제 정의

본 논문에서 제안하는 PDR/GPS/WiFi 결합 실내외 복합측위와 DNN 기반 보행/비보행 인지에 따른 PDR 성능향상 기법을 검증하기 위하여 실시험을 수행하였다.
이런 문제점 들을 고려하여 본 논문에서는 PDR을 GPS 및 WiFi 신호와 결합하는 복합 보행항법 기술을 제안하며, 이 기술에 보행/비보행 인지에 따른 PDR 성능 향상 기법 및 실내외 인지에 따른 적응형 측정치 사용 기법을 함께 제안한다. 제안된 기술은 Java 기반 App으로 구현되어 스마트폰에 탑재한 후 실시험을 통해 그 성능을 검증한다.

제안 방법

Java 기반으로 스마트폰의 IMU 데이터와 WiFi, GPS 신호를 복합적으로 처리하는 App을 ETRI와 공동으로 개발하였다. Fig.
본 논문에서는 실내외 공간에서 스마트폰 사용자의 위치를 추정하기 위해서 PDR과 GPS, 그리고 WiFi Fingerprinting 솔루션을 EKF로 결합하는 복합 보행항법 기술을 제안하였다. 여기에 DNN 기반으로 보행/비보행 인지를 통해 PDR의 성능을 향상시키는 기술과 GPS의 DOP 기반으로 실내외 인지 및 잔차 기반으로 측정치 Outlier를 제거함으로써 복합보행의 성능을 향상시키는 기술을 포함하고 있다.
따라서 보행자가 보행에 의한 걸음 신호와 위치를 이동시키지 않지만 제자리 걸음과 같은 비보행 신호를 구분하여 필터링하지 않으며 위치추정 오차가 발생하게 된다. 본 논문에서는 이 문제를 해결하기 위해 인공신경망을 사용하여 보행 및 비보행 신호를 구분하는 방법을 제안한다. Fig.
보행자가 실내에서 실외로 나가는 경우 및 그 반대의 경우 실내/외가 교차하는 지점에서 환경적 요인에 의해 오차가 큰 측정치가 선택되는 경우가 발생할 수 있다. 본 논문에서는 이런 문제를 해결하기 위해 결합필터의 잔차 (residual)의 파워를 사용하여 EKF의 측정치 오차 공분산 행렬을 가변적으로 활용하는 방법을 사용한다. 잔차의 파워는 Eq.
이런 문제점 들을 고려하여 본 논문에서는 PDR을 GPS 및 WiFi 신호와 결합하는 복합 보행항법 기술을 제안하며, 이 기술에 보행/비보행 인지에 따른 PDR 성능 향상 기법 및 실내외 인지에 따른 적응형 측정치 사용 기법을 함께 제안한다. 제안된 기술은 Java 기반 App으로 구현되어 스마트폰에 탑재한 후 실시험을 통해 그 성능을 검증한다.
지자기 센서를 사용하여 계산된 방위각 정보는 지역에 따른 편각을 보상해 주어야 하며, 주위 환경에 따른 영향으로 인해 오차가 계속 변할 수 있으므로 본 논문에서는 초기 방위각 정보로만 활용한다. 초기 방위각은 1분간 측정된 지자계 센서 데이터의 평균을 활용하여 계산되며, 초기 방위각 오차는 PDR 위치오차를 야기하지만 이 오차는 복합보행항법을 통해 보정한다.

대상 데이터

사용된 DNN 모델의 성능은 Table 2에 나타내었다. 4명의 성인 남성이 보행 신호와 비보행 신호가 포함된 경로를 두 번씩 보행하며 실험을 진행하였으며, DNN을 통해 분류한 걸음 검출 정확도를 나타낸 것이다. PDR 성능 분석에 사용된 DNN모델은 96.
경일대학교 6호관 2층 복도와 주변 실외 환경을 테스트베드로 하여 실험을 수행하였다. 스마트기기는 삼성 갤럭시 S22 Ultra (SM-S908)를 사용하여 PDR을 위한 가속도와 자이로 신호를 100 Hz로 획득하였으며, WiFi의 Mac 주소 및 RSSI 신호는 3초 추기 그리고 GPS 정보를 1초 주기로 획득하였다.
경일대학교 6호관 2층 복도와 주변 실외 환경을 테스트베드로 하여 실험을 수행하였다. 스마트기기는 삼성 갤럭시 S22 Ultra (SM-S908)를 사용하여 PDR을 위한 가속도와 자이로 신호를 100 Hz로 획득하였으며, WiFi의 Mac 주소 및 RSSI 신호는 3초 추기 그리고 GPS 정보를 1초 주기로 획득하였다.

데이터처리

먼저 DNN 기반으로 보행/비보행 신호를 분리하여 수행된 PDR의 성능분석을 위해 테스트베드 상에서 실험을 수행하였으며, DNN 적용 전과 후의 최종 지점에서의 위치오차를 비교하여 평가를 진행하였다. 사용된 DNN 모델의 성능은 Table 2에 나타내었다.

이론/모형

Eq. (7)을 통해 k개의 후보 RP를 선정한 다음 비교적 신뢰할 수 있는 측위 결과를 계산하기 위해 RP의 순위에 따라 가중치의 크기를 비례하여 적용하는 방법인 Weighted k-Nearest Neighbor (WkNN) 기법을 사용한다. 추정된 위치정보는 Eq.
학습에 있어서 과적합을 방지하기 위해 Adam–Optimizer와 정규화를 적용한 Early-Stopping 기법을 사용하였다.

성능/효과

본 논문에서는 실내외 공간에서 스마트폰 사용자의 위치를 추정하기 위해서 PDR과 GPS, 그리고 WiFi Fingerprinting 솔루션을 EKF로 결합하는 복합 보행항법 기술을 제안하였다. 여기에 DNN 기반으로 보행/비보행 인지를 통해 PDR의 성능을 향상시키는 기술과 GPS의 DOP 기반으로 실내외 인지 및 잔차 기반으로 측정치 Outlier를 제거함으로써 복합보행의 성능을 향상시키는 기술을 포함하고 있다. PDR은 인프라 없이 센서만으로 위치를 추정할 수 있는 기술이지만 시간에 따라 오차가 누적되는 단점을 갖는다.
이런 상호보완적인 특성을 갖는 측위 솔루션들을 EKF 기반으로 결합함으로써 실내/외 연속으로 정확한 위치정보를 제공할 수 있게 되는 것을 실험 기반으로 검증하였다. 이 과정에서 제안된 DNN 기반 보행/비보행 구분 인지 기술과 측정치 Outlier 제거 기술의 성능이 우수함을 함께 분석하였다. 이 기술을 기반으로 스마트폰 사용자의 실내/외 연속으로 높은 정확도를 갖는 측위정보를 산출할 수 있음으로써 다양한 위치기반서비스를 제공할 수 있을 것으로 기대된다.
이와 달리 GPS 및 WiFi fingerprinting 솔루션은 오차 누적현상은 없지만 주위 환경에 따라 가용성 및 정확성이 달라지는 문제를 갖는다. 이런 상호보완적인 특성을 갖는 측위 솔루션들을 EKF 기반으로 결합함으로써 실내/외 연속으로 정확한 위치정보를 제공할 수 있게 되는 것을 실험 기반으로 검증하였다. 이 과정에서 제안된 DNN 기반 보행/비보행 구분 인지 기술과 측정치 Outlier 제거 기술의 성능이 우수함을 함께 분석하였다.
DOP 정보를 통해 실내/외를 구분하여 측정치를 선택하고 이를 기반으로 복합측위를 수행한 결과는 (c)에 나타내었다. 측위에 선택된 GPS/WiFi 측정치 및 잔차 기반으로 검출된 측정치의 Outlier를 인지함으로써 추정된 위치가 보행경로에 일치하는 것을 알 수 있으며, 최종 위치 오차는 PDR만 사용하였을 경우 11.16 m로 크게 발생하는 것에 반해 제안한 기법을 활용하였을 때 0.4 m로 성능이 크게 향상되는 것을 확인할 수 있다.

후속연구

이 과정에서 제안된 DNN 기반 보행/비보행 구분 인지 기술과 측정치 Outlier 제거 기술의 성능이 우수함을 함께 분석하였다. 이 기술을 기반으로 스마트폰 사용자의 실내/외 연속으로 높은 정확도를 갖는 측위정보를 산출할 수 있음으로써 다양한 위치기반서비스를 제공할 수 있을 것으로 기대된다.

참고문헌 (9)

Cho, E. Y., Kwon, J. U., Chae, M. S., Cho, S. Y., Yoo, J., et？al. 2023, Indoor Positioning Technology Integrating？Pedestrian Dead Reckoning and WiFi Fingerprinting？Based on EKF with Adaptive Error Covariance, Journal？of Positioning, Navigation, and Timing, 12, 271-280.？https://doi.org/10.11003/JPNT.2023.12.3.271

원문보기 상세보기
Cho, S. Y. 2005, Enhance Tilt Compensation Method for？Biaxial Magnetic Compass, IEE Electronics Letters, 41,？1324-1325. https://doi.org/10.1049/el:20053464

상세보기
Cho, S. Y., Lee, J. H., & Park, C. G. 2022, A Zero-Velocity？Detection Algorithm Robust to Various Gait Types for？Pedestrian Inertial Navigation, IEEE Sensors Journal, 22,？4916-4931. https://doi.org/10.1109/JSEN.2021.306408

상세보기
Kolodziej, K. W. & Hjelm, J. 2006, Local Positioning Systems:？LBS Applications and Services (FL: Taylor and Francis).
Kwon, J. U., Chae, M. S., Cho, E., Y., & Cho, S. Y. 2023, Fast？Generation of Wi-Fi Positioning Fingerprint Database？Using Reference Location Information Acquired Based？on 1D-PDR, IPIN 2023, Nuremberg, Germany, 25-28？September 2023.
Kwon, J. U., Chae, M. S., & Cho, S. Y. 2022, CNN-based？Adaptive K for Improving Positioning Accuracy in？W-kNN-based LTE Fingerprint Positioning, Journal？of Positioning, Navigation, and Timing, 11, 217-227.？https://doi.org/10.11003/JPNT.2022.11.3.217

원문보기 상세보기
Sara, K., Mahbub, H., & Aruna, S. 2014, Feature Selection？for Floor-changing Activity Recognition in Multi-Floor？Pedestrian Navigation, ICMU. https://doi.org/10.1109/ICMU.2014.6799049
Titterton, D. H. & Weston, J. L. 1997, Strapdown Inertial？Navigation Technology (London: Peregrinus)
Xia, S., Liu, Y., Yuan, G., Zhu, M., & Wang, Z. 2017, Indoor？Fingerprint Positioning Based on Wi-Fi: An Overview,？ISPRS International Journal of Geo-Information, 6, 135.？https://doi.org/10.3390/ijgi6050135

상세보기

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증