자동차 자율 주행 기술과 스마트 교통 시스템의 빠른 발전으로 차량 위치 추정과 내비게이션의 정확도가 중요한 문제로 떠오르고 있다. 전통적인 GPS 내비게이션 시스템은 지하 주차장, 터널 등 신호가 제 한된 환경에서는 정상적으로 작동하지 않아 그 적용에 한계가 있다. 따라서 스마트폰 센서 데이터를 이용한 위치 추정 및 내비게이션 기술이 중요한 연구 분야로 자리 잡고 있다. 본 논문은 스마트폰의 관성 센서 데이터를 기반으로 딥러닝 모델을 활용하여 차량 속도(speed)와 주행 방향 변화(heading change)를 동시에 추정하고, 이를 바탕으로 주행 경로를 생성하는 방법을 제안하였다. 특히, GPS 신호가 제한 적인 환경에서 이 방법의 가능성을 검증하였으며, Long Short-Term Memory (LSTM)을 활용하여 시계열 센서 데이터의 시간적 특성을 효과적으로 학습함으로써 안정적으로 속도 및 방향 변화 예측을 달 성하 였다. 연구결과, 일부 경우에서 정확도가 낮을 수 있으나, 제안된 방법은 GPS 신호가 제한된 환경(예: 지하 주차장)에서 기존 GPS 시스템을 효과적으로 대체할 수 있는 잠재력을 보여주었다.

Smartphone-Based Vehicle Trajectory Estimation Using Attention-LSTM

Shiyi Li, Boseong Kim, Beomju Shin*

With the rapid advancement of autonomous driving technology and smart transportation systems, the accuracy of vehicle position estimation and navigation has become an important issue. Traditional GPS navigation systems have limitations in environments with restricted signals such as underground parking lots and tunnels, where they do not operate properly. Therefore, location estimation and navigation technologies using smartphone sensor data have emerged as significant research areas. This paper proposes a method that simultaneously estimates vehicle speed and heading change by utilizing deep learning models based on smartphone inertial sensor data, and generates driving trajectories accordingly. In particular, the feasibility of this method was verified in environments with limited GPS signals. By employing Long Short-Term Memory (LSTM) networks, the temporal characteristics of time-series sensor data were effectively learned, achieving stable prediction of speed and heading changes. Although accuracy may be lower in some cases, the proposed method demonstrated potential as an effective alternative to conventional GPS systems in GPS-restricted environments

Keywords: AI, indoor localization, dead reckoning, smartphone

Speaker Shiyi Li 한림대학교