1. 서 론

스마트폰 사용의 보편화로 인하여 스마트폰 서비스 시 장은 빠른 속도로 성장하고 있으며 대형마트, 도서관, 백 화점, 병원 등 다양한 장소에서의 LBS(Location Based Service, 위치 기반 서비스) 기술은 매우 주요한 위치에 놓여 있다. 또한 안전사고 발생 시 LBS기술을 통하여 스 마트폰 사용자의 정확한 위치 파악, 이동 경로, 실내 위치 변화 등을 추정함으로써 화재나 자연재난 같은 긴급 상황 발생 시 재난 구조에 따른 시간을 단축할 수 있다.

그러나 대부분의 LBS기술은 GPS(Global Positioning System)시스템을 사용하는 것이 일반적이지만, 실내에 서는 건축물의 환경 구조에 따라 GPS 신호의 수신이 되지 않을 수 있다는 단점이 존재한다[1][2].

<Table 1>과 같이 최근 10년 동안 화재 발생률은 점점 증가하고 있으며 이에 따른 인명 피해와 재산 손실 또한 증가하고 있다[9].

이러한 상황에서 본 논문에서는 [Figure 1]과 같이 PDR기법을 사용하여 스마트폰 사용자의 이동 경로를 추 정하고, PDR 기법의 단점인 이동거리가 증가할수록 오차 가 누적되는 문제점을 개선하기 위한 방안을 연구하기 위 한 선행 연구로 진행하였다.

2. 이론적 배경

2.1 사용자의 보행 패턴 분석

PDR 기법을 사용할 경우, [Figure 2]의 왼쪽 점선 부 분인 Step Counting 및 Stride Length Estimation을 측 정하기 위하여 사용자의 행동 패턴을 분석하여야 한다[8].

일반적으로 사용자의 이동 패턴은 Stance, Heel off, Swing, Heel strike 등 주기성을 가지고 있으며, 보행 패 턴 분석을 위해서는 보행 주기에 대한 분석이 필요하다. 정상적인 보행 주기를 보면, 양하지 지지기, 단하지 지지 기가 각각 두 번 있고, 입각기는 보행 주기의 60%에서, 유각기는 40%, 각각의 양하지 지지기는 약 10%에서 이 루어진다. 보행 주기를 정확하게 분류 및 검출하기 위해서 는 두 가지 이상의 센서들이 혼합되어야 하며, 실험자의 부담을 감소시키기 위해 구속되지 않고 제약이 적은 상태 에서 측정이 이루어져야 한다[1].

최근 연구되고 있는 새로운 객관적인 방법 및 기술들은 다양한 보행 매개 변수에 대해 객관적인 평가를 가능하게 하는 장치 및 기술을 사용하여 주관적인 기술로 인한 오류 를 감소시켜 주고, 효율적인 측정을 제공한다. 인간 보행 을 연구하는데 사용되는 객관적 기술 장치는 비착용식 센 서(NWS)와 착용식 센서(WS) 기반으로 두 가지 접근 방 식에 따라 분류되고 두 가지 방법을 혼합한 하이브리드 방 식이 있다.

2.2 사용자의 걸음 수 검출과 이동 거리

PDR 기법에서의 사용자 걸음 수 측정은 식(1)에서와 같이 가속도의 x, y, z축 스칼라 값을 에너지 값으로 변환 하여 걸음 수를 측정한 다음 패턴을 분석한 후, 에너지 값 의 변화를 통하여 센서의 최댓값과 최솟값, 양과 음의 기울 기 등으로 다양한 기준을 적용하여 보행을 검출한다[6].

식(1)에서의 에너지 값(E_a)는 3축 가속도 센서 x, y, z축의 데이터 또는 선형가속도에서 측정된 x, y, z축의 값 이다. PDR 기법의 걸음 수 검출에 주요로 사용하는 기법 으로는 일정 구간 검출(Flat Zone Detection), 피크 검출 (Peak Detection), 영 교차점 검출(Zero Crossing Detection) 등이 있다[5][6].

피크 검출 기법은 [Figure 3]에서와 같이 보행자가 이 동 중에 발이 지면에 닿을 때 생기는 충격과 진동으로 걸 음 수를 검출하는 기법으로, High Peak의 개수를 걸음 수 로 인식한다. 그러나 가속도 센서에는 중력 값이 포함되어 있기 때문에 중력 가속도 값(G = 9.8m/s²) 이상의 에너 지 값을 걸음 수 측정에 사용한다[5]

일정 구간 검출은 신발에 장착된 가속도 센서로 지면에 발이 닿을 때의 신호 특성을 걸음으로 검출하는 기법으로 서 가속 차동을 사용한다. 그러나 가속도계 출력의 피크가 사용자의 보행 속도에 크게 영향을 받기 때문에 걸음을 감 지하는 데 한계가 있다[7].

2.3 필터

필터에는 LPF(저역 통과 필터, Low Pass Filter)와 HPF(고역 통과 필터, High Pass Filter)가 있으며, LPF 는 낮은 주파수 특성이 있는 신호는 통과시키고 높은 주파 수 특성의 신호를 걸러내는 역할을 하며, 일반적으로 잡음 제거에 많이 사용된다[4].

식(2)에서 X k ¯ 는 필터링된 값이며, X ¯ K − 1 은 직전 평균 값이고 X_k는 새로 추가된 데이터이다. a는 사용자가 조정 할 수 있는 상수 값이고 0에 가까울수록 뚜렷한 필터링을 할 수 있다[4].

Butterworth 필터는 1930년 영국의 엔지니어 Stephen Butterworth가 ‘Wireless Engineer’에서 처음으로 제안 하였다. Butterworth 필터는 통과 대역에서 최대한 주파 수를 평탄하도록 하는 신호 처리 필터이며, 정지 상태의 신호 데이터를 제로에 가깝게 만드는 특성을 가지고 있 다[2][4].

Butterworth 저역 통과 필터는 식(3)을 이용하여 필터 링할 수 있으며, 식(3)에서 n은 필터의 단계이고, ω c 는 Cut-Off Frequency, ω p 는 Band-Edge Efficiency이다[4].

2.4 사용자의 보폭 길이 예측

비선형 보폭 길이는 각각 식(4), 식(5), 식(6)에서와 같이 Weinberg approach, Scarlet approach, Kim approach의 예측 모델을 사용하여 계산할 수 있다.

Weinberg 방법은 보행 활동의 충격으로 발생하는 수 직 바운스가 계단 길이에 비례한다고 가정하며, 수직 바운 스 식은 식(4)과 같이 각 단계에서 peak-to-peak 차이 를 사용하여 계산된다[8].

Scarlet 방법은 각 사용자들의 걸음의 변화 또는 한 사람이 한 걸음을 측정할 때 다른 보행 및 다른 측정을 사용하는 단계에서 야기되는 정확성 문제를 해결하고자 한다. 이 방법은 식(5)와 같이 보폭 길이의 최대, 최소 및 평균 가속도 값 간의 상관관계를 보여주는 솔루션을 제공한다[8].

Kim 방법은 보폭 길이와 평균 가속도 사이의 관계를 나타내는 실험 방정식을 식(6)과 같이 제시하고 있으며, 상 수 값 k는 센서의 다른 배치로 인하여 수정될 수 있다[8].

2.5 사용자의 방향 추정

안드로이드 기반의 장치에는 회전 데이터를 알 수 있으 며, 회전 데이터는 가속도, 지자기 센서를 통하여 계산된 다. 자이로스코프 센서가 장착되어 있는 기기에는 자이로 스코프 센서를 추가로 사용하여 회전 값을 출력한다. 회전 센서의 단위는 각도로 표시되며, 본 논문에서 사용한 Python을 바탕으로 계산을 할 경우, 식(7)에서와 같이 각 도를 라디안으로 바꿔주어야 한다.

식(7)에서 R은 사용자의 회전 방향을 뜻하고 θ z 는 회 전 센서의 z축 값을 의미하며, [Figure 4]에서와 같이 회 전 방향이 출력된다.

PDR은 3축의 가속도계(Accelerometer)를 통해 걸 음 수를 측정하고, 이동 거리를 추측하며, 3축 자력계 (Magnetometer)와 3축 자이로스코프(Gyroscope)를 이용하여 진행 방향을 추정한다. SmartPDR의 핵심프로 세스는 걸음 수 측정, 진행 방향 추정, 이동 거리 추정의 3단계이다.

PDR 기법은 [Figure 4]에서와 같이 t₀시점에서 사용 자의 위치가 P 0 ( x 0 , y 0 ) 이라고 가정을 하면, t₁시점에서 사 용자의 위치는 P 1 ( x 1 , y 1 ) 이다. 이때 P₀에서 P₁ 사이의 이 동 거리는 L₀이고 회전 방향은 a₀만큼 편향하였다고 볼 수 있다. P₀과 P₁ 사이의 관계식을 표현하면 식(8)과 같다 [10].

식 (8)을 바탕으로, t_i시점에서의 사용자 위치는 식(9) 에서와 같이 표현할 수 있다.

3. 본론

3.1 위치 추정 알고리즘

본 논문에서는 [Figure 6]에서와 같이 스마트폰 사용 자의 이동 경로를 추측하기 위해 STEP 1 ∼ STEP 9 단 계의 과정을 거친다. Figure 5

[Figure 6]의 알고리즘은 스마트폰 사용자의 위치 추 정 구간 중 선형 가속도 센서와 회전 센서에서 얻을 수 있 는, 각 시간 t에 따른 가속도 l a x , l a y , l a z 를 이용하여 식 (1)에서와 같이 E_la값과 회전 센서의 z축 값을 이용하여 식(7)의 회전량 Φ ( t ) 를 입력 값으로 사용하고 사용자의 특정 보폭 시점 i에서의 위치 X_i, Y_i와 보폭 길이 d_i는 식 (10)과 식(11)로 구한다.

식(10과 식(11)에서의 V_i와 V_i-1은 각각 현재 속도와 직전 속도이며, a_i는 가속도 센서에서 검출된 E값이고, Δt_i는 a_i-1의 시간부터 a_i의 시간이며, S_i는 이동 거리이다.

STEP 1에서는 사용자의 이동 시간 t에 따른 선형 가속 도 데이터 l a x , l a y , l a z 을 바탕으로 에너지 값 E l a ( t ) 를 계산한다.

STEP 2에서는 STEP 1에서 얻은 E l a ( t ) 값을 Butterworth 필터의 저통과대역 필터링 과정을 거쳐 선형 가속도에서 의 잡음을 처리한다.

본 논문에서의 가속도 센서와 선형 가속도 센서 데이터 는 Butterworth 저주파 통과 필터를 사용하여 잡음 처리 를 하였다. Butterworth 필터의 차단 주파수는 1.5Hz를 선택하였으며 필터링 처리 전과 후는 [Figure 7]과 같다.

STEP 3에서는 STEP 2에서 얻은 필터링된 E l a ( t ) 값을 바탕으로 Peak Detection 과정을 거쳐 사용자의 걸음 수 (n)과 각 걸음마다의 시간(t)를 측정한다.

STEP 4에서는 STEP 3에서 출력된 걸음 시간(t)와 회 전 센서 데이터를 바탕으로, 걸음 시간(t)에 대응하는 회 전 센서 데이터를 출력한다.

STEP 5에서는 회전 센서 데이터의 단위가 도(°)로 출력되기 때문에 STEP 4에서 출력된 회전 센서 데이터의 단위를 라디안(rad)으로 변환해 준다.

회전 센서는 스마트폰 사용자의 이동 방향을 추정할 수 있지만 지자기 센서의 특성으로 인하여, 초기 값을 보정하 지 않으면 테스트를 진행할 때마다 서로 다른 값으로 출력 된다. 스마트폰의 회전 센서는 지자기 센서를 바탕으로 값 을 출력하므로 지자기 센서의 자기장 간섭으로 인한 문제 점이 발생하기 때문에 사용 전 정확한 출력 값을 위하여 ‘8’자 형으로 스마트 폰을 흔들어 초기 값을 보정하였다.

STEP 6에서는 STEP 2에서 얻은 필터링된 E l a ( t ) 값과 STEP 3에서 얻은 각 걸음마다의 시간(t)를 바탕으로, 걸 음과 걸음 사이의 E l a ( t ) 을 t에 관하여 적분하여 이동 속 력(v)를 얻는다. 그리고 이동 속력(v)를 t에 관하여 적분 한 후 걸음과 걸음 사이의 이동 거리를 구한다.

STEP 7에서는 STEP 5에서 얻은 라디안(rad) 단위로 변환된 회전 센서 데이터와 STEP 6에서 얻은 각 걸음에 해당하는 보폭 길이를 바탕으로, 스마트폰 사용자의 실내 위치 추정 좌표를 얻는다.

최종적으로 스마트폰 사용자의 실내 위치 추정은 식 (12)를 사용한다.

또한 STEP 8에서는 STEP 7에서 얻은 X i , Y i 좌표를 바탕으로, 각 걸음마다의 보폭 길이(d_i)를 구하며, STEP 9에서는 걸음마다의 보폭 길이(d_i)를 모두 더한 후, 걸음 수(n)으로 나누어 평균 보폭 길이를 구한다.

3.2 스마트폰 센서를 활용한 사용자의 실내 위치 추정 시나리오

연구가 수행되는 장소를 인하대학교의 2북 6층 건물로 한정하고 실내 스마트폰 사용자들의 다양한 이동 궤적을 확인하기 위하여 7가지 이동 시나리오를 설정하였다.

시나리오는 관리자와 방문자의 행동 특성을 고려여 설 정하였다. 관리자는 보안업무를 담당하는 사람으로 특정 하여 이동 경로와 패턴이 정형화 되어 있다고 가정하였으 며 시나리오 1과 2로 설정하였다. [Figure 8]과 [Figure 9]에 점으로 표시된 이동 경로 중간에 특이사항 점검을 위해 이동을 멈추는 구간을 출입문으로 설정하였다.

나머지 시나리오는 방문자의 테스트 시나리오로서 복 도뿐만 아니라 방 내부에서의 이동까지 고려하여 다양한 이동경로를 설정하였다.

실험자는 4명으로 동일한 모델의 스마트폰에 번호를 부 여하여 매 실험마다 동일한 스마트폰을 사용하도록 하였 다, 테스트 장비로는 삼성 A8 스마트폰 4대, BOSCH GLM80 레이저 거리 측정기, 카운터 휠 거리 측정기를 사 용하여 이동거리 및 오차를 측정하였다.

3.3 시나리오에 따른 위치 추정 결과 분석

오차는 측정된 사용자의 총 이동거리와 실제 이동거리 의 차이를 계산하였다. 시나리오 2와 시나리오 4의 정확 도가 각각 91.3%로 낮게 나타나는 원인은 시나리오 2의 경우 지그재그로 이동한 방식으로 실험자의 이동경로가 불규칙적으로 측정이 되었으며, 시나리오 4의 경우 사용 자의 이동 습관(걸음 속도)에 따라서 세밀한 움직임을 실 험기기가 정확한 인식을 못하는 원인으로 인하여 낮은 정 확도가 나타나는 것으로 추정이 된다. Table 2

4. 결론 및 향후 연구 과제

본 논문에서는 보행자의 이동 패턴에 따라 관리자, 방문 자의 유형으로 나눈 후, 유형에 따른 이동 특성에 따라 7개 의 시나리오를 가정하여 실험을 진행하였다.

이러한 7가지 시나리오의 데이터를 바탕으로 사용자 위 치 추정 알고리즘을 사용하여 사용자의 위치를 추정한 결 과, 실제 거리와 이동 거리의 정확도가 평균 95.0%로 나 타난 것을 확인할 수 있을 뿐만 아니라 기타 선행 연구와 의 비교 시 본 논문에서는 스마트폰의 내장된 센서만을 사 용하여 높은 정확도를 얻을 수 있었다.

대부분의 선행 연구와는 달리 임계값 설정이 필요 없는 선형 가속도 센서 데이터를 바탕으로 보행자의 실시간 걸 음 수와 이동거리를 측정하였으며, 회전 센서의 데이터만 을 사용하여 사용자의 이동 방향을 추정하여 불필요한 계 산 과정을 줄일 수 있었다.

그러나 총 이동거리의 정확도는 높은 것으로 확인되었 으나 실험자의 방향 전환이 많은 시나리오에서는 벽을 뚫 고 지나가는 경로로 확인되는 문제점이 확인되었다.

시나리오 1의 경우 직진으로 이동하며 출입문을 확인하 는 시나리오로 이동경로의 정확성이 높고 출입문 인식률 이 높다. 반면 시나리오2는 갈지자 형태로 이동하는 시나 리오로 초반에는 이동경로나 출입문 인식을 잘하지만 중 반부터 오차가 커지는 결과를 보여주었다.

PDR 기법의 대표적인 문제점인 오차 누적은 해결하지 못했지만 관리자를 통해 출입문을 정확히 인식할 수 있는 가능성을 확인하였기 때문에 후속 연구에서 이를 활용한 오차 보정 방안을 연구하고자 한다.