earticle

영어

Pedestrian dead reckoning (PDR) technology using smartphones has been recognized for its ability to provide reliable and highly applicable location-based services. However, positioning systems that utilize low-cost inertial measurement unit (IMU) sensors built into smartphones can be affected by reduced accuracy in speed and direction measurements due to various walking patterns and environmental changes. In this paper, a convolutional neural network-long short-term memory (CNN-LSTM) model-based positioning system is proposed to accurately predict pedestrian speed and estimate precise location. In the proposed method, stride length is estimated using smartphone IMU data as input to the CNN-LSTM model. Subsequently, pedestrian speed is predicted, and a complementary filter is applied to integrate the predicted speed with the acceleration-based calculated speed for stride length estimation. Finally, the pedestrian’s location is estimated based on the estimated stride length and walking direction data. Experimental results indicate that an accuracy of mean absolute error (MAE) of 0.4461 m/s is achieved by the proposed CNN-LSTM-based speed prediction model, and root mean squared error (RMSE) is reduced by up to 44% compared to conventional methods.

한국어

신뢰성 높고 활용성이 뛰어난 위치 기반 서비스 제공을 위해 스마트폰을 이용한 보행자 추측 항법(PDR: pedestrian dead reckoning) 기술이 주목받고 있다. 그러나 스마트폰의 내장된 저가형 관성 측정 장치(IMU: inertial measurement unit) 센서를 활용한 측위 시스템은 다양한 보행 패턴 및 환경 변화로 인해 속도 및 방향 측정의 정확도 가 저하될 수 있다. 본 논문에서는 합성곱 신경망-장단기 메모리(CNN-LSTM： convolution neural network-long short term memory) 모델을 이용한 보행자의 속도를 정밀하게 예측하여 위치를 추정하는 방법을 제안한다. 제안하는 방법은 스마트폰 IMU 데이터를 CNN-LSTM 모델의 입력으로 하여 보폭의 길이를 추정하여 보행자 속도를 예측하고, 상보필터(complementary filter)를 적용하여 예측 속도와 가속도 기반 계산 속도를 융합하여 보폭을 추정한다. 최종적 으로 추정된 보폭과 보행 방향 데이터를 기반으로 보행자의 위치를 정밀하게 추정한다. 실험 결과, 제안한 CNN-LSTM 기반 속도 예측 모델은 평균 절대 오차(MAE: mean absolute error) 0.4461m/s의 정확도를 보였으며, 기존 방식 대비 평균 제곱근 오차(RMSE: root mean squared error)를 최대 44% 감소시킬 수 있음을 확인하였다.