GNSS 궤적 통합을 위한 모듈형 집계 알고리즘 심층 분석 및 교정

초록

본 보고서는 GNSS 궤적 데이터를 세 가지 출처(합성, 다중센서, 크라우드소싱)에서 적용한 모듈형·반복형 집계 알고리즘(MIAA)의 구조와 파라미터 교정 과정을 상세히 제시한다. 오류 모델링, 매칭·대표점 선택·집계 단계별 구현 방법, 그리고 다양한 실험을 통해 알고리즘의 정확도·수렴 특성을 검증한다.

상세 분석

MIAA는 기존 모듈러 집계 프레임워크를 기반으로 네 개의 핵심 컴포넌트(마스터 궤적 선택, 매칭, 대표점 결정, 집계)를 순차적으로 수행한다. 마스터 선택 단계에서는 궤적 길이, 평균 품질 점수, 센서 다양성 등을 가중합한 히스토그램을 이용해 대표성을 최대화하는 궤적을 선정한다. 매칭 단계는 DTW(L∞)와 이산 프레셰 거리 등 두 가지 거리 함수를 옵션으로 제공하며, 그래프 이론에 기반한 이분 매칭을 통해 동등한 구간을 연결한다. 대표점 결정은 각 매칭 쌍에 대해 좌표계 오차, 관측 오차, 백색 잡음이라는 세 가지 오류 성분을 분해하고, 공분산 행렬의 고유벡터를 활용해 최소 분산 방향을 선택한다. 최종 집계는 가중 평균이 아닌, 로버스트한 M‑에스티메이터(M‑Estimator)를 적용해 이상치에 대한 민감도를 낮춘다.

알고리즘 파라미터 교정은 네 단계로 진행된다. ① 기준 궤적을 고정하고, ② 다양한 시뮬레이션 환경(100 m 범위의 가우시안 프로세스, 5 m 지수 공분산, 1 m 백색 잡음)에서 N=5~50개의 궤적을 생성한다. ③ 각 시뮬레이션 셋에 대해 MIAA를 적용하고, ④ 집계 결과와 실제 기준 궤적 사이의 위치 오차와 형태 편차를 각각 평균 절대 거리와 프레셰 거리 차이로 정량화한다. 실험 결과, N이 10 이상일 때 위치 오차는 평균 0.8 m 이하, 형태 편차는 1.2 m 이하로 수렴했으며, 특히 DTW‑L2 기반 매칭이 복잡한 곡선 구간에서 더 낮은 편차를 보였다.

다중센서 실험에서는 다섯 종류의 장치(스마트폰, 워치, Garmin, Keymaze, Ublox)와 세 가지 캐노피(개방, 중간, 밀집)를 조합해 150개의 궤적을 수집하였다. 센서별 잡음 특성을 사전 캘리브레이션한 후 MIAA에 적용했을 때, 가장 잡음이 큰 워치 데이터에서도 평균 위치 오차 1.1 m, 형태 편차 1.5 m를 달성했다. 이는 알고리즘이 센서 이질성을 효과적으로 보정함을 의미한다.

크라우드소싱 데이터(Visorando, Wikiloc)에서는 지형 제약(능선, 계곡)과 인프라 제약(스위치백) 등 세 가지 시나리오를 선정했다. 데이터는 사전 전처리 없이 그대로 사용했으며, MIAA는 평균 0.9 m의 위치 오차와 1.3 m의 형태 편차를 기록했다. 특히 능선 구간에서 발생하는 급격한 고도 변화는 DTW‑L∞ 매칭 옵션을 통해 안정적으로 처리되었다.

전체적으로 MIAA는 오류 상관성을 고려한 공분산 모델링, 유연한 매칭 거리 선택, 로버스트 집계 전략을 결합함으로써 기존 단순 평균 기반 방법보다 30 % 이상 정확도가 향상되었다. 또한 알고리즘 종료 조건을 “연속 3회 이상 평균 변화 < 0.5 m”으로 설정하면 대부분의 실험에서 10~15회 반복 내에 수렴한다.