현대인의 필수품으로 자리 잡은 스마트폰은 GNSS 및 여러 센서를 탑재하고 있어 항법 장치로서의 기능을 수행할 수 있으며, 이들의 측정치를 바탕으로 일상의 다양한 상황에서 길 안내를 하는 데 필요 한 측 위 기능이 널리 활용되고 있다. 하지만 다중 경로 오차가 만연한 도심 지역의 열악한 GNSS 수신 환경 및 스마트폰이라는 폼펙터의 제약으로 인한 안테나의 낮은 수신 감도로 인해 안정적인 위치 성능을 제 공하기 위해서는 극복해야 할 어려움이 많다. 특히 이러한 상황 하에서는 낮은 신호 감도 및 잦은 신호 단절로 인해 신호 추적이 원활하지 않으며, 또한 생성된 GNSS 측정치 중 상당수는 큰 다중 경로 오 차 를 포함하고 있어 항법 해 계산 시 이를 고려해야 한다. 본 논문에서는 도심 지역에서 스마트폰 항법을 수행하는 데 있어 발생할 수 있는 큰 위치 오차를 극복하고 항법 장치로서 유용성을 개선하기 위해 활 용된 머신 러닝 기법에 대하여 소개한다. 머신 러닝 기법은 크게 두 가지 영역에 적용되었는데, 첫째로 현재의 GNSS 수신 환경을 머신 러닝을 통해 판단하여 항법 해 계산 전략에 활용하였고, 둘째로 생 성된 GNSS 측정치의 품질 또는 오차 수준을 머신 러닝을 통해 판단하여 항법 필터에의 측정치 사용 여부 및 측정치 공분산을 결정하는 데 활용하였다. 이러한 머신 러닝 기법이 적용된 항법 소프트웨어를 차 량에 설치된 스마트폰에 탑재하여 준도심, 도심, 고속도로 등 다양한 시나리오에서 테스트하였으며, 기존 소프트웨어 대비 향상된 항법 성능을 확인할 수 있었다.

Improving Smartphone Navigation in Urban Environments Using Machine Learning

Heekwon No*, Seonho Kang, Jaewook Park, Minhuck Park, Youmin Joung, Jungbeom Kim, Kisoo Yu

Smartphones, which have become an essential tool in modern daily life, are equipped with Global Navigation Satellite System (GNSS) and various sensors, enabling them to function as navigation devices. Based on measurements from these sensors, smartphones are widely used for positioning and navigation across various everyday scenarios. However, in urban environments, where GNSS signals are severely degraded due to multipath errors and signal obstructions, and where the smartphone's compact form factor imposes limitations on antenna performance, achieving reliable positioning accuracy remains a significant challenge. Particularly in such environments, low carrier-to-noise ratios (deleted) and frequent signal interruptions hinder robust signal tracking. Additionally, a large portion of GNSS measurements acquired under these conditions are contaminated with substantial multipath errors, which must be carefully accounted for during navigation solution computation. This paper presents machine learning techniques designed to mitigate large positioning errors and enhance the usability of smartphones as navigation devices in urban environments. Two main applications of machine learning are explored. First, models are trained to classify the current GNSS reception environment, enabling adaptive navigation solution strategies. Second, machine learning is employed to assess the quality or error level of individual GNSS measurements, which informs both the selection of measurements used in the navigation filter and the tuning of their associated covariance. The proposed navigation software, incorporating these machine learning-based methods, was deployed on a smartphone mounted in a vehicle and tested across various scenarios including suburban areas, dense urban canyons, and highways. The experimental results demonstrate improved navigation performance compared to conventional software implementations.

Keywords: GNSS, smartphone, machine-learning, urban-navigation

Speaker 노희권* 삼성전자