스마트폰 기반 보행자추측항법(PDR)은 실내 환경이나 GPS 신호가 불안정한 환경에서 상대 위치를 추정하는 데 유용하지만, 기존 방식은 센서 오차 누적 및 스마트폰 파지 방식에 취약하다는 한계점이 있 다. 본 연구에서는 이러한 문제를 극복하기 위해 스마트폰의 IMU 센서 데이터를 일정 길이의 입력 시퀀스로 구성하고, Long Short-Term Memory (LSTM) 기반의 딥러닝 모델을 통해 보행자의 속도 및 방 향 변 화량을 예측하는 AI 기반 보행자추측항법(AI-PDR) 시스템을 제안한다. 제안된 시스템은 스마트폰을 활용하여 실외 환경에서 보행 중 IMU 센서 데이터를 50 Hz로 수집하고, 동시에 1 Hz의 GPS 위·경도 데 이 터를 획득하여 ENU 좌표계로 변환하여 저비용 Ground Truth (GT)를 생성하였다. 모델 학습을 위한 입력 데이터는 일정 길이의 IMU 센서 데이터 시퀀스로 구성되었으며, label은 GPS로부터 계산한 ENU 좌표 를 속도 및 방향 변화량으로 정의하였다. 구축된 LSTM 기반 모델은 실내 환경에서 수집된 데이터를 이용하여 교차 검증을 통해 평가되었다. 실험 결과, 제안 모델은 기존 전통적 PDR 기법에 비해 속도 및 방 향 변화량 예측의 정확도를 유의미하게 향상시켰다. 본 연구는 향후 다양한 스마트폰 파지 방식에서도 강건한 위치 추정이 가능한 단일 AI-PDR 모델 개발을 목표로 추가적인 연구를 진행할 계획이다.

Development of an LSTM-Based AI-PDR System Utilizing Smartphone IMU

Boseong Kim, Shiyi Li, Beomju Shin*

Smartphone-based Pedestrian Dead Reckoning (PDR) is useful for estimating relative position in indoor environments or where GPS signals are unreliable. However, conventional approaches suffer from cumulative sensor errors and variability in how users hold their devices. To overcome these limitations, this study proposes an AI-PDR system that configures smartphone IMU sensor readings into fixed- length input sequences and employs a Long Short-Term Memory (LSTM) deep-learning model to predict pedestrian speed and heading change. In the proposed system, IMU data are collected at 50 Hz during outdoor walking, while GPS latitude and longitude are simultaneously recorded at 1 Hz and converted to the local East-North-Up (ENU) coordinate frame to generate a low-cost ground truth (GT). The model’s input consists of fixed-length windows of IMU sensor sequences, and labels are defined as speed and heading change derived from GPS-based ENU coordinates. The constructed LSTM model was evaluated via cross-validation on data collected in an indoor environment. Experimental results demonstrate that the proposed model significantly improves speed and heading-change prediction accuracy compared to traditional PDR techniques. Future work will focus on developing a single AI-PDR model robust to various smartphone holding styles.

Keywords: AI, PDR, indoor localization, smartphone

Speaker 김보성 한림대학교