도시 협곡에서 보행자 위치 정확도 향상을 위한 다중 센서 융합 기법

초록

**
본 논문은 GNSS 신호가 약해지는 도심 협곡 환경에서, 인공지능 기반 관성 내비게이션(RoNIN)과 입자 필터를 결합하고 건물·도로 지도 정보를 활용한 확률적 맵 매칭을 적용해 보행자 위치 추정을 개선한다. 실험 결과, GNSS 단독보다 GNSS+RoNIN+입자 필터가 측면 보도 할당 및 횡방향 오차에서 현저히 우수함을 확인하였다.

**

상세 분석

**
이 연구는 도시 협곡에서 GNSS가 다중 경로와 차폐 현상으로 인해 정확도가 급격히 저하되는 문제를 해결하고자, 관성 센서와 GNSS를 단순 칼만 필터가 아닌 입자 필터 기반의 확률적 융합으로 접근한다. 핵심 아이디어는 두 가지 지도 기반 사전 정보를 활용하는 것이다. 첫째, 건물 영역을 ‘불투과(impenetrable)’로 라벨링해 입자 가중치를 0으로 설정함으로써 물리적으로 불가능한 위치를 즉시 배제한다. 둘째, 도로 표면(횡단보도가 아닌 구역)을 ‘jaywalking’ 영역으로 정의하고, 입자 가중치를 0.4와 같은 중간값으로 부여해 보행자가 도로를 건너는 경우는 허용하되, 확률적으로 낮은 신뢰도를 반영한다. 이러한 가중치 설계는 보행자 행동 패턴(대부분 보도를 이용하고, 도로 위를 횡단할 때는 교차로를 선호한다)과 일치하도록 설계되었으며, 입자 재샘플링 단계에서 불필요한 입자를 빠르게 소멸시켜 계산 효율성을 높인다.

관성 내비게이션은 RoNIN 모델을 사용한다. RoNIN은 200 Hz의 IMU 데이터를 1 초 윈도우 단위로 처리해 전역 좌표계 기준의 속도를 직접 예측한다. 이때 스마트폰의 자세 추정 오류가 속도 변환에 영향을 미칠 수 있지만, 입자 필터가 각 입자마다 별도의 회전 드리프트 파라미터를 유지함으로써 자세 오차를 보정한다. 입자들은 RoNIN이 제공한 속도 벡터를 회전 드리프트와 함께 적분하고, 가우시안 잡음을 추가해 새로운 위치를 생성한다.

GNSS와의 융합은 iOS가 제공하는 수평 정확도(horizontalAccuracy)를 반경으로 하는 2차원 가우시안 함수를 입자 가중치에 곱하는 방식으로 구현된다. GNSS 불확실성이 작을 때는 입자들이 GNSS 중심에 집중하도록 유도하고, 불확실성이 클 때는 관성 기반 입자 분포가 주도권을 잡는다. 이렇게 동적으로 가중치를 조정함으로써, GNSS의 영점 편향은 보정되고, 관성 드리프트는 지도 사전과 GNSS의 제약으로 억제된다.

실험은 샌프란시스코 도심 6개 경로(309 m~644 m)에서 수행되었으며, 각 경로는 건물 밀집도와 GNSS 가시성에 따라 난이도가 달랐다. 평가 지표는 (1) 올바른 보도 할당 비율, (2) 유클리드 거리 오차, (3) 도로 방향에 대한 평행·수직 오차(Along‑/Across‑Street Error)이다. 결과는 GNSS 단독보다 RoNIN+입자 필터, 그리고 GNSS+RoNIN+입자 필터가 전반적으로 우수함을 보여준다. 특히, GNSS+RoNIN+입자 필터는 Across‑Street Error와 보도 할당에서 현저히 낮은 오류를 기록했으며, RoNIN+입자 필터도 GNSS 없이도 보도 할당과 횡방향 오류에서 GNSS 단독보다 뛰어났다. 이는 지도 기반 가중치와 입자 필터가 비선형·비가우시안 오류를 효과적으로 다루고, 보행자 행동 모델을 반영한다는 점을 입증한다.

이 논문의 주요 기여는 (1) 관성 기반 딥러닝 모델(RoNIN)과 입자 필터를 결합해 실시간 보행자 위치 추정 파이프라인을 구현, (2) 건물·도로 지도 사전을 확률적 맵 매칭 형태로 입자 가중치에 통합, (3) 실제 도시 환경에서 GNSS와 관성 데이터의 상호 보완성을 정량적으로 검증한 점이다. 향후 연구에서는 실시간 3D 건물 모델을 이용한 동적 ‘그림자 매칭’과, 보행자 의도 예측을 위한 추가 머신러닝 모듈을 결합해 더욱 정밀한 보행자 내비게이션 시스템을 구축할 수 있을 것이다.

**