도심의 고층 건물은 global navigation satellite system (GNSS) 신호를 차단하거나 반사시켜, GNSS 기반 측위 정확도를 심각하게 저하시킬 수 있다. 이를 보완하기 위한 다양한 기법들이 지금까지 제안되 어 왔다. 그 중 zonotope shadow matching (ZSM) 알고리즘은 위성 신호에 의해 형성되는 건물의 그림자 영역을 수학적으로 모델링하고, constrained zonotope 기반의 벡터 연산을 활용하여 효율적이면서도 정 밀한 위치 추정을 가능하게 한다. ZSM은 각 위성 신호가 line-of-sight (LOS)일 경우 수신기가 해당 위성의 그림자 영역 외부에 있다고 판단하고, non-line-of-sight (NLOS)일 경우에는 내부에 있다고 간주 하 여 area of interest (AOI)를 반복적으로 정제한다. 이와 같은 구조적 특성 때문에, 신호 유형 분류에 오류가 발생할 경우 실제 수신기 위치와 무관한 영역으로 AOI가 잘못 축소될 수 있으며, 이는 곧 측위 실패 로 이어진다. 실제로 LOS/NLOS 분류는 주로 GNSS 신호 측정치를 기반으로 학습된 AI 모델에 의해 수행되며, 이들 모델의 분류 정확도는 약 80% 수준에 머무르는 경우가 많다. 기존 연구는 완벽한 신호 분 류가 가능하다는 이상적인 가정 하에 ZSM의 성능을 평가해왔다. 이에 반해, 본 연구는 현실적인 분류 오류 조건에서 ZSM의 위치 추정 성능이 어떻게 영향을 받는지를 체계적으로 분석하였다. 도심 환 경에 서 수집한 GPS 데이터를 바탕으로 실험을 수행한 결과, 신호 분류 정확도가 낮아질수록 ZSM의 측위 성공률과 위치 추정 오차가 유의하게 악화됨을 확인하였다.

Performance Analysis of the ZSM Algorithm under Varying LOS/NLOS Classification Accuracy in Urban Environments

Sanghyun Kim, Jiwon Seo*

High-rise buildings in urban environments can obstruct or reflect signals from the Global Navigation Satellite System (GNSS), which can degrade positioning accuracy in urban environments. To address this challenge, various techniques have been proposed. Among them, the zonotope shadow matching (ZSM) algorithm models GNSS shadow formed by satellite signals using a mathematical approach and enables efficient and precise positioning through vector-based operations on constrained zonotopes. In ZSM, each satellite signal classified as line-of-sight (LOS) indicates that the receiver is located outside the corresponding GNSS shadow region, while signals classified as non-line-of-sight (NLOS) are treated as evidence that the receiver is within the GNSS shadow. Based on this classification, the algorithm iteratively refines the area of interest (AOI). This structural dependency makes ZSM sensitive to classification errors, which may cause the AOI to converge to incorrect areas, potentially leading to positioning failure. In practice, LOS/NLOS classification is typically performed by AI models trained on GNSS signal measurements, and their classification accuracy often remains around 80%. The previous study has evaluated the performance of ZSM under the ideal assumption of perfect signal classification. In contrast, this study analyzes how classification errors in realistic settings affect the positioning performance of ZSM. Experimental results using GPS data collected in an urban environment show that the lower classification accuracy leads to a noticeable reduction in both the positioning success rate and localization accuracy of ZSM.

Keywords: GNSS, ZSM, LOS/NLOS classification, urban environment

Speaker 김상현 연세대학교