Ⅰ. 서 론
국내외 고속도로망은 지형적 제약으로 인해 터널 구간의 비중이 점차 증가하고 있으며, 이에 따라 터널 내부에서 발생하는 차량 사고에 대한 신속한 대응과 안전 확보의 중요성이 커지고 있다. 그러나 터널 환경은 구조적으로 GPS1) 신호 수신이 불가능하거나 심각하게 왜곡되는 GPS 음영 지역으로, 기존의 차량 위치 추정 시스템이 정상적으로 동작하지 않는 한계가 있다. 이러한 한계를 극복하기 위해 다양한 대체 측위 기술이 연 구되어 왔다. Wi-Fi RSSI 기반 측위는 저비용 구현이 가능하지만 신호의 변동성이 크고, 정기적인 데이터베 이스 갱신이 필요하다. RFID 기반 시스템은 고정밀 위치 추정이 가능하나 대규모 인프라 설치가 요구되며, BLE나 자기장 기반 방식은 터널과 같은 금속 구조물 환경에서 신뢰도가 떨어진다. UWB2) 기반 측위 기술은 높은 거리 정확도와 NLOS3) 환경에 대한 분해능이 뛰어나 대안 기술로 부상하고 있지만, 기존 대부분의 UWB 기반 시스템은 다수의 앵커 설치를 전제로 하여 인프라 구축 비용이 높다는 문제점이 있다. 따라서, GPS가 수신되지 않는 환경에서도 최소한의 인프라만으로 차량의 위치와 주행 방향을 실시간으로 추정할 수 있는 경량화된 측위 기법이 요구된다. 본 연구는 단일 UWB 앵커로 경량형 위치 추정 프레임워크를 제안한 다. 제안된 시스템은 UWB CIR 데이터를 활용하여 NLOS 상태를 자동 식별하고, 거리 보정을 수행함으로써 정확도를 향상시킨다. 이후, 칼만 필터 기반 융합 알고리즘을 통해 실시간 위치를 정밀하게 추정한다. 실제 터널 환경에서의 실험을 통해 시스템의 정확도와 실시간 운영 가능성을 검증하였으며, 이는 지능형 교통안 전 시스템에 적용 가능한 실용적인 기술로 평가된다.
Ⅱ. 관련 연구
초광대역(UWB)은 짧은 시간 펄스를 활용하여 고정밀 위치 추정이 가능한 기술로, GPS 음영 환경인 터널 내에서 차량 위치를 추정하는 데 효과적이다(Ziegler et al., 2023). 특히 고분해능 채널 응답(CIR4))을 통해 다 중경로 환경에서도 거리 측정이 가능하다는 점에서 터널 환경에서의 활용 가능성이 주목되고 있다(Hu et al., 2025). 하지만 기존 UWB 기반 위치 추정 기법은 대부분 3개 이상의 앵커 설치를 가정하고 있어(Alarifi et al., 2016), 실제 도로 인프라에 적용하기에는 구축 비용과 유지보수 측면에서 제약이 크다.
UWB 거리 측정의 주요 한계는 NLOS 환경에서 발생하는 과도한 거리 오차이며, 이를 보정하기 위한 다 양한 NLOS 식별 기법이 연구되어 왔다. 초기에는 CIR 기반의 에너지, 지연 확산, 첨도(kurtosis) 등의 통계적 특성을 이용한 규칙 기반 탐지 방법이 제안되었으며(Marano et al., 2010), 이후 SVM5), MLP6) 등의 머신러닝 분류기를 활용한 기법들이 도입되어 성능이 향상되었다(Lee et al., 2024). 최근에는 CNN-LSTM7) 또는 Transformer 기반 딥러닝 기법을 적용하여 시간축에서의 신호 패턴을 학습함으로써 복잡한 실내 환경에서도 높은 NLOS 식별 정확도를 보이고 있다(Pei et al., 2024;Zhaoxia et al., 2025).
IMU는 가속도 및 자이로스코프 정보를 바탕으로 차량의 방향 변화를 추정할 수 있어, GPS가 불가능한 환 경에서 주행 방향 추정에 널리 활용된다. 최근에는 스마트폰 내장형 IMU8)를 활용한 저비용 시스템에 대한 연구도 활발히 이루어지고 있으며, 단순한 가속도 기반의 방향 정렬뿐 아니라, 시계열 데이터를 활용한 동작 패턴 인식 등 다양한 방식으로 활용 범위가 확장되고 있다(Wen et al., 2023;Zhu et al., 2022).
UWB와 IMU의 센서 융합은 각 센서의 단점을 보완하여 보다 정확한 위치 추정을 가능하게 하는 대표적 인 기법이다. 일반적으로 UWB는 절대 위치 추정을, IMU는 방향 변화 또는 상대 이동 추정을 담당하며, 두 센서의 출력을 동시 보정함으로써 복잡한 환경에서도 안정적인 궤적 추정이 가능하다. 예를 들어, 로봇이 GPS 수신이 어려운 실내 환경을 이동할 때, UWB로부터 측정된 거리 정보를 기반으로 절대 위치를 예측하 고, IMU에서 추정된 방향 및 속도 변화율을 융합하여 연속적인 위치 추정이 가능하도록 한다(Liu, 2023). 이 러한 센서 융합은 단순히 데이터를 나열하는 것이 아니라, 상태 추정기를 통해 두 센서의 신뢰도에 따라 동 적으로 가중치를 조정하며 통합되는 방식으로 수행된다. 이러한 융합 기법에는 확장 칼만 필터(EKF9)), 분산 EKF(DEKF10)), 비선형 필터인 UKF 및 CKF11) 등이 주로 활용된다. EKF는 비선형 시스템에서도 적용 가능하 다는 장점이 있으나, 자코비안 행렬 계산의 복잡성과 선형 근사에 따른 정확도 저하 문제가 존재한다(Lee and Lim, 2019). 반면, UKF12)는 자코비안 계산 없이 3차 테일러 전개 수준의 정확한 예측을 제공하여 이러한 EKF의 한계를 보완하지만, 더 높은 계산 비용이 요구된다는 단점이 있다(Krishnaveni et al., 2022). 최근 연구 들에서는 적응형 잡음 보정, IMM (Interacting Multiple Model) 기반 또는 오도미터 정보와의 결합 등을 통해 정확도를 높이고 있으나(Hyun and Myung, 2021) 대부분의 기존 연구는 다중 앵커 기반의 시스템을 가정하고 있어, 단일 앵커 기반의 경량화된 시스템 구조에서는 적용이 제한적이다.
Ⅲ. 제안 기법
<Fig. 1>은 본 논문에서 제안하는 시스템의 전체적인 개요이다. 차량이 터널에 진입하기 전에는 GPS 신호 를 통해 절대 위치를 확보하고, 터널 내부에서는 UWB와 IMU 기반의 Dead Reckoning 방식 상대 위치 추정 을 수행한다. UWB CIR 신호로부터 거리 및 NLOS 여부를 판단하고, IMU 주행 방향과 이동거리를 함께 추 정하여 위치 계산에 활용된다.
터널 진입 구간은 위성 기반의 절대 위치 추정에서 UWB 및 IMU를 활용한 상대 위치 추정으로 전환되는 시점이다. 차량이 터널에 진입하기 직전까지는 GPS 기반 위치가 확보되며, 이때의 최종 GPS 좌표는 초기 기 준점으로 저장되어 터널 내부 위치 계산의 기준이 된다. 터널 내부에서는 GPS 신호가 차단되므로, 차량은 UWB 앵커와 통신하여 위치 추정을 수행한다. 초기 거리 측정은 SS-TWR13) 방식으로 수행되며, 이때 측정된 거리는 터널 내부에서의 첫 상대 거리로 활용된다. 앵커의 설치 위치는 사전 측량을 통해 확보되므로, 앵커 를 원점으로 한 로컬 좌표계를 정의할 수 있다. 차량이 이동함에 따라 IMU를 통해 측정된 주행 방향 및 이 동 거리 정보를 기반으로 상대 위치가 지속적으로 갱신된다. 이때 이동 거리는 IMU 기반 속도 추정 또는 거 리 변화에 따른 시간 간격으로 계산된다. 갱신된 상대 위치는 터널 진입 시 확보한 GPS 기준점을 기준으로 계산되어, 위치 정보의 기준점을 일정하게 유지 할 수 있도록 한다.
1. 터널 내 차량 위치 추정 기법 개요
단일 UWB 앵커와 차량 탑재 IMU만을 이용하여, GPS 수신이 어려운 터널 환경에서도 실시간 위치 추정 을 가능하게 한다. 일반적인 고속도로 터널은 종단 경사가 2% 이하로 제한되며, 구조적으로 직선 구간이 많 아 차량의 이동이 수평 축을 중심으로 이루어진다(FHWA, 2023). 이를 기반으로 본 시스템은 최소 인프라 환 경에서도 연속적이고 정밀한 위치 계산을 수행할 수 있도록 구성된다.
위치 추정 로직은 다음과 같은 다섯 단계로 이루어진다.
-
CIR 기반 거리 추정: 차량의 UWB 태그는 앵커로부터 전송된 신호의 CIR을 수신하여 초기 거리를 계산 하며, 직접 도달 경로의 지연 정보를 활용한다.
-
NLOS 판별 및 보정: 수신된 CIR 파형의 특성을 분석하여 NLOS 여부를 판단하고, 이상이 감지되면 머 신러닝 기반 보정을 통해 신뢰할 수 있는 거리값으로 대체한다.
-
IMU 기반 방향 추정: 차량에 탑재된 IMU 센서를 통해 전진 또는 후진 방향을 판단하고, 이를 거리 측 정값과 결합하여 실제 이동 벡터를 구성한다.
-
후진 반영 및 위치 갱신: 차량이 후진 중일 경우 거리값의 부호를 반전시켜 적용하며, 이전 위치로부터 상대 이동량을 반영하여 차량의 현재 위치를 갱신한다.
-
좌표 변환 및 위치 보정 : 터널 진입 직전 확보한 GPS 기준점을 바탕으로 상대 좌표를 계산하고, 이를 전역 GPS 좌표계로 투영함으로써 전체 궤적의 일관성을 유지한다.
2. NLOS 보정 절차
CIR은 신호가 수신되는 시점별로 반사 구조를 포함하고 있어, 단순한 파라미터로는 판별이 어려운 복잡한 다중 경로 특성을 반영한다. 따라서 본 시스템은 단일 임계값 기반 방식 대신, CIR 전체 패턴을 활용하는 학 습 기반 구조를 적용하였다. 구체적으로는 각 CIR로부터 다음과 같은 세 가지 주요 특징을 추출한다.
-
지연 확산 (Delay Spread): 신호가 시간적으로 얼마나 분산되어 도달하는지를 나타내며, 다중 경로 환경 일수록 값이 커진다.
-
에너지 집중 비율 (Energy Ratio): CIR의 초반에 집중된 에너지의 비율로, LOS의 존재 유무를 판단하는 데 사용된다.
-
스펙트럼 엔트로피 (Spectral Entropy): 주파수 도메인에서의 불규칙성을 측정하는 지표로, NLOS 조건에 서는 일반적으로 높은 값을 가진다.
이러한 특징들은 CNN, LSTM, Transformer 등 다양한 딥러닝 모델의 입력으로 활용되어 NLOS 여부를 효 과적으로 분류하는 데 사용된다. 특히 어텐션 기반의 구조는 CIR 시퀀스 내 시간적으로 떨어진 신호 간의 관계성을 포착할 수 있어, 첫 번째 피크와 이후 다중경로 신호 사이의 상호작용을 정확히 반영할 수 있다. 이로 인해, 곡률이 큰 터널 구간이나 차량이 빠르게 이동하는 상황에서도 각 어텐션 헤드가 시간 축상의 서 로 다른 구간에 집중함으로써 반사 패턴이나 지연 특성을 보다 정밀하게 구분할 수 있다.
모델의 출력은 통합된 특징 표현을 바탕으로 구성된 피드포워드 계층과 분류기를 통해 생성되며, 이를 통 해 NLOS 여부를 최종적으로 판단한다. 만약 NLOS로 판단된 경우에는, 학습된 거리 보정 오프셋을 적용하 거나 과거 측정값을 반영한 누적 필터링 방식으로 거리 값을 보정한다. 이는 단순히 이상값을 배제하는 것이 아니라, 왜곡된 신호 속에서도 유효한 정보를 추출하여 위치 추정의 신뢰도를 높이기 위한 전략이다.
3. IMU 차량의 전/후진 방향 추정
단일 앵커 UWB 기반 거리 측정은 차량과 앵커 사이의 절대 거리만을 제공하며, 이동 방향에 대한 정보는 포함하지 않는다. 특히 터널 환경에서는 차량이 앵커 방향으로 접근하고 있는지, 혹은 멀어지고 있는지를 구 분하는 것이 위치 추정의 정확도에 핵심적인 영향을 미친다. 후진 탐지, 사고 대응, 차량 간 충돌 방지 등 다 양한 ITS 응용에서 실시간 주행 방향 인지는 필수적인 요소이며, 특히 후진 주행은 발생 빈도는 낮지만 위험 성이 크기 때문에 이를 신속하게 감지하는 것이 중요하다
본 논문은 이러한 방향성 모호성을 해결하기 위해 차량에 탑재된 IMU를 활용한다. IMU는 3축 가속도계 및 자이로스코프 센서를 기반으로, 차량의 선형 가속도 및 회전 속도를 지속적으로 측정하며, 이를 통해 차 량의 이동 방향을 판단한다. IMU 기반 방향 추정은 터널 진입 전 초기화 과정을 통해 수행된다. 초기화 시 IMU의 축을 차량의 진행 방향과 정렬하여, 실제 주행 방향과 센서 측정 방향의 불일치를 최소화한다. 이러 한 보정이 없을 경우, 곡선 또는 경사 구간에서 누적 오차가 발생할 수 있으며, 주행 방향 판별의 정확도에 영향을 미친다. 실시간으로 수집된 IMU 데이터를 분석하면, 차량이 전진 중인지 또는 후진 중인지를 구분할 수 있으며, 이는 거리 측정값의 방향 해석에 결정적인 정보를 제공한다. 예를 들어 동일한 거리 변화가 발생 하더라도, 전진인지 후진인지에 따라 위치 추정 결과는 전혀 달라진다. 또한 IMU 기반 방향 정보는 CIR이 왜곡되는 NLOS 환경에서 거리 신뢰도를 보완하는 데에도 유용하다. UWB 측정이 불안정할 경우, IMU로부 터의 이동 여부 정보를 통해 거리 측정의 신뢰도를 판단하고, 이상값을 필터링하거나 위치 갱신 여부를 결정 할 수 있다. IMU는 UWB 거리 측정의 방향성 한계를 극복하고, 방향성과 이동 거리 정보를 함께 제공하여 위치 추정의 정밀도와 연속성을 보완하는 핵심 요소로 작용한다. 또한 IMU 기반 속도 및 시간 정보를 활용 하여 간단한 Dead rocking 수행이 가능하므로, 거리 측정 누락이나 간섭 발생 시에도 연속적인 위치 갱신을 유지할 수 있다.
4. 칼만 필터 융합
터널 내 위치 추정의 연속성과 정밀도를 확보하기 위해, 본 시스템은 UWB 거리와 IMU 방향 정보를 통합 하는 칼만 필터 기반 융합 기법을 적용하였다. KF는 이전 상태 예측과 센서 측정값을 통합함으로써 실시간 위치를 안정적으로 갱신하고, 측정 오차에 대한 필터링 효과를 제공한다.
차량의 상태는 <식. 2> 와 같이 시간 t에서의 위치 pt와 속도 υt를 포함하는 2차원 상태 벡터로 정의되며, 예측 단계에서는 일정 속도 모델과 IMU 기반 정보를 바탕으로, 이전 상태 Xt - 1로부터 다음 상태 추정한 다. 여기서 Δt는 샘플링 간격이며, ωt는 프로세스 노이즈를 의미한다. 갱신 단계에서는 거리 센서로부터 측 정된 거리 dt와 IMU로부터 판단된 이동 방향 부호 st를 이용하여 측정값 zt를 생성한다. 이 측정값은 예측 위치 와 비교되어, 칼만 이득을 통해 보정된다. IMU 방향 정보가 포함됨으로써, 거리만으로는 구별할 수 없는 접근 및 이탈 방향을 명확하게 구분할 수 있으며, UWB 거리와의 통합을 통해 센서 간 상호보완적 위 치 보정이 가능하다. 공분산 행렬은 시스템 환경에 따라 프로세스 노이즈와 측정 노이즈로 정의되며, 본 연 구에서는 실험 기반 고정값을 사용하였다. 실제 적용 시에는 터널 구조나 차량 속도, 반사 조건에 따라 이들 을 동적으로 조정하는 적응형 필터링이 가능하다.
Ⅳ. 실 터널 환경에서의 테스트 베드 구축 및 성능 평가
1. 실험 환경 및 데이터 수집
본 연구의 실험은 한국도로공사에서 운영하는 터널 재난 대응 시험장에서 수행되었다. 해당 시험장은 다 중경로 반사, GPS 신호 차단, 구조물 기반을 인위적으로 구성할 수 있는 제어된 환경으로, 실제 고속도로 터 널 조건을 정밀하게 재현할 수 있다. 실험이 수행된 터널은 총 길이 475m의 직선 2차선 구조로 구성되어 있 으며, 터널 내부에는 환풍 덕트, 가변정보표지, 비상통신함 등 실제 운영 중인 안전 및 관제 설비가 설치되어 있다. 이러한 환경을 통해 GPS 음영 조건에서의 위치 추정 성능을 정량적으로 평가하고, 제안된 프레임워크 의 실도로 적용 가능성을 확인할 수 있다.
UWB 기반 데이터 수집은 Decawave DEM-3000 모듈을 탑재한 송수신기를 활용하였다. <Fig. 2>에서와 같 이 단일 UWB 앵커는 터널 벽면에 설치하고, 차량 대시보드에 부착된 태그와 수직 정렬되도록 높이 1.1m에 고정하였다. 거리 조건은 5m, 15m, 20m로 구성하였으며, 각 구간에서 약 5분간 연속적으로 데이터를 수집하 였다. 샘플링 주기는 100ms로 고정하였고, 정지 및 주행 상태 모두를 반영하였다. 거리 기반 Ground Truth (GT)는 줄자를 이용해 터널 바닥에 5m 간격으로 직접 측정하여 확보하였으며, 이 기준을 통해 위치 추정 정 확도를 정량적으로 평가하였다. 해당 측정 장면은 <Fig. 2(d)>에 나타나 있다.
이 주기는 약 시속 10km 이하의 저속 주행 조건에서 차량의 위치 변화가 수십 cm 이내로 제한되며, 단일 샘플 간 위치 변동 폭이 칼만 필터의 오차 보정 범위 내에 있음을 기반으로 설정되었다. 실험에서 사용된 구 간은 20m로, 차량은 저속으로 전진 및 후진을 반복하며 가속 없이 일정 속도로 이동하였으며, 해당 조건에 서는 100ms 간격의 샘플링으로도 위치 추정에 필요한 거리 해상도(약 10cm 수준)를 확보할 수 있었다.
IMU 데이터는 주행 방향 추정을 위해 세 종류의 상용 스마트폰(Samsung Galaxy Note 4, Galaxy A50, LG Q9)을 차량 대시보드에 고정하고 SensorLogger 앱을 통해 수집하였다. 각 기기에는 3축 가속도계 및 자이로 스코프가 탑재되어 있으며, 약 48Hz로 데이터를 기록하였다. IMU 센서의 정확도 차이를 최소화하기 위해, 동일 시간대에 측정된 세 기기의 데이터를 비교하여 분산이 가장 낮은 방향 값을 선택하였다. 차량은 20m 구간을 기준으로 전진 및 후진 방향으로 반복 주행하며, 각 주행 구간에 대해 방향 라벨을 동기화하여 데이 터셋을 구성하였다.
2. CIR 패턴 분석
터널 환경에서 NLOS 조건이 UWB 신호의 전파 특성에 미치는 영향을 분석하기 위해, 본 연구에서는 서로 다른 거리(5m, 15m, 20m)에서 수집한 CIR 데이터를 기반으로 LOS 및 NLOS 샘플을 분류하였다. 이는 거리 증가에 따라 NLOS 특성이 두드러지게 나타나는 실험 조건을 구성하기 위한 사전 연구 결과를 바탕으로 설계 되었다 (Lee et al., 2024). 이후 각 조건에서의 CIR 데이터를 통합하여 NLOS 환경에서 특징적으로 나타나는 세 가지 주요 지표인 지연 확산(Delay Spread), 로그 에너지(Log Energy), 스펙트럼 엔트로피(Spectral Entropy)를 계산하였다. <Fig. 3>은 각 특징에 대한 전체 분포(Density)를 LOS와 NLOS 조건으로 나누어 비교한 결과로, 거리와 직접적으로 매칭되기보다는 NLOS 여부에 따른 통계적 분포 차이를 시각화한 것이다.
<Fig. 3>
Density distribution of key CIR characteristics under LOS and NLOS conditions collected at various distances.
한편, 본 연구에서는 이러한 해석 가능한 주요 특징들을 입력으로 활용하여, 제한된 실험 환경과 데이터 수량에서도 학습의 안정성과 성능을 확보하고자 하였다. 딥러닝 모델의 본래 강점이 자동 특징 추출에 있음 에도 불구하고, 본 연구에서는 물리적 의미를 갖는 특징을 사전에 정의한 뒤 입력으로 사용하였다. 이는 모 델의 해석 가능성과 안정적 학습을 위한 실용적 선택이다.
분석 결과, NLOS 조건에서는 평균적으로 지연 확산이 더 크고, 에너지가 낮으며, 스펙트럼 엔트로피가 높 게 나타나는 경향이 확인되었다. 이러한 경향은 거리 증가에 따라 NLOS 확률이 높아짐에 따라 전파 특성이 왜곡되는 일반적인 물리적 현상과 일치하며, CIR 기반 NLOS 판별의 주요 지표로 활용될 수 있다.
3. NLOS 탐지 및 특징 기반 거리 보정
NLOS 탐지를 위하여 지연 확산, 에너지 분포, 스펙트럼 엔트로피의 세 가지 CIR 기반 통계적 특징을 입 력으로 사용하고, Adam 옵티마이저와 교차 엔트로피 손실 함수를 기반으로 총 20 에폭(epoch) 동안 학습을 수행하였다. 이러한 학습 구조를 바탕으로 다양한 딥러닝 모델(MLP, CNN, LSTM, CNN-LSTM)을 비교한 결 과, <Table 1> 에서와 같이 CNN이 가장 우수한 성적을 보였다. 이는 CNN이 시간적 연속성보다는 공간적 패 턴 추출에 강점을 지니며, CIR 내 고주파 성분이나 피크 구조 등 NLOS 관련 특징을 효과적으로 포착했기 때문으로 해석된다. 특히 본 연구에서는 시계열 정보를 중점적으로 학습하는 LSTM보다, 정적인 주파수 기 반 특성을 활용하는 CNN이 NLOS 탐지에 더 적합함을 확인하였다.
<Table 1>
Comparison of NLOS classification performance by model
| Model | Accuracy(%) | Precision(%) | Recall(%) | F1-score(%) |
|---|---|---|---|---|
| MLP | 90.80 | 90.72 | 95.36 | 92.99 |
| CNN | 97.49 | 96.76 | 99.41 | 98.06 |
| LSTM | 87.45 | 83.80 | 99.64 | 91.04 |
| CNN-LSTM | 84.87 | 84.59 | 93.34 | 88.75 |
한편, Zhaoxia 등은 CNN-LSTM 기반 모델이 NLOS 탐지에 가장 효과적이라고 보고하였다. 해당 연구는 공 개된 UWB 데이터셋을 활용하여 CNN-LSTM이 Accuracy 95.87%, Precision 96.46%, Recall 95.82%, F1-score 96.43%의 성능을 기록했음을 입증하였다(Zhaoxia et al., 2025). 두 연구 간 성능 차이는 입력 데이터의 구성 방식에서 비롯된다. Zhaoxia 등의 연구는 원본 CIR 시퀀스(총 1016개 샘플)를 그대로 입력하여 시계열 정보 를 그대로 반영한 반면, 본 연구는 통계적으로 요약된 세 가지 특징만을 입력으로 사용하였다. 이와 같은 입 력 구조의 차이는 특히 LSTM과 같이 시계열 구조에 민감한 모델의 성능에 직접적인 영향을 미친다. 또한, 본 연구는 실제 터널 환경에서 수집한 차량 주행 데이터를 기반으로 실험을 수행한 반면, 참조 논문은 실내 환경에서 구성된 공개 데이터셋을 활용하였기 때문에 다중경로 반사 특성이나 잡음 수준에서도 차이가 존재 한다.
다음 단계에서는 NLOS로 분류된 샘플에 대해 단순 선형 회귀 기법을 적용하여 거리 보정을 수행한다. 회 귀 입력은 앞서 사용된 동일한 CIR 특징이며, 회귀 목표값은 각 샘플의 실제 거리와 측정 거리 간의 오차로 설정하였다.
<Table 2> 는 보정 전후의 거리 추정 오차를 비교한 결과로, 보정 후 MAE14)는 약 6.35 cm로 감소하여 기 존 대비 약 86% 이상의 오차 감소 효과를 나타냈다. RMSE15) 또한 44.64 cm에서 15.72 cm로 개선되었다.
<Table 2>
Comparison of performance before and after distance correction
| Metric | Before | After |
|---|---|---|
| MAE(cm) | 44.48 | 6.35 |
| RMAE (cm) | 44.64 | 15.72 |
4. IMU 정렬 기반 칼만 필터 위치 추정
IMU 센서는 스마트폰에 내장된 장치로, 설치 방향이 세션마다 상이하고 차량 좌표계와 정렬되지 않아 주 행 방향 인식에 오차를 발생시킬 수 있다. 이를 해결하기 위해, 본 연구에서는 터널 진입 전의 짧은 전진 주 행 구간에서 수집한 평균 가속도 벡터를 기준으로 각 데이터 세션의 가속도 방향을 정렬하는 절차를 적용하 였다(Liu et al., 2021). 정렬된 가속도 벡터는 기준 벡터와의 코사인 유사도를 통해 전진/후진 방향으로 분류 되며, 방향성 판단의 안정성을 확보하였다.
정렬된 방향 정보를 바탕으로, 시간에 따른 위치 추정의 연속성과 신뢰성을 향상시키기 위해 칼만 필터 기반 융합 기법을 적용하였다. <Fig. 4>은 칼만 필터 기반 위치 추정 결과를 나타내며, 원시 거리 측정치는 불연속적인 형태를 보이는 반면, 필터 출력은 보다 부드럽고 연속적인 궤적을 형성한다. 필터의 성능은 MAE 15.59 cm, RMSE 20.82 cm로 나타났으며, 이는 단일 앵커 구조에서도 일정 수준 이상의 거리 추정 신뢰 성을 확보할 수 있음을 보여준다. 특히 본 시스템은 100 m 간격의 세그먼트 단위 앵커 구조를 채택함으로써, 칼만 필터의 누적 오차가 구간 내에서 제한되어 장기적 드리프트 없이 운영 가능하다. 이는 실도로 환경에서 의 실시간 위치 추정 및 안전 모니터링 시스템 구축에 실용적인 기반을 제공한다.
한편, 본 절에서의 위치 추정 오차(MAE: 15.59 cm)가 앞서 제시한 회귀 기반 거리 보정 오차(MAE: 6.35 cm)보다 상대적으로 큰 이유는, 회귀 보정이 각 샘플 단위의 거리 정확도를 향상시키는 데 초점을 둔 반면, 칼만 필터는 시간에 따라 누적되는 거리와 방향 정보를 기반으로 연속적인 궤적을 추정하기 때문이다.
Ⅴ. 결론 및 향후 과제
본 연구에서는 단일 UWB 앵커와 스마트폰 IMU 센서를 결합하여, GPS 음영 환경인 터널 내에서도 경량 구조로 차량 위치를 안정적으로 추정할 수 있는 시스템을 제안하였다. NLOS 환경에서는 CIR 특징 기반 CNN 분류기와 선형 회귀 모델로 거리 보정을 수행하고, IMU 정렬 기반 코사인 유사도를 이용해 주행 방향 을 판단하였다. 보정된 거리와 방향 정보는 칼만 필터에 통합하여 실시간 위치 연속성을 확보하였다. 실험 결과, 단일 샘플 기준 거리 오차가 감소하였고, 칼만 필터 기반 궤적은 실제 주행 경로와 높은 일치도를 보 였다. 제안 시스템은 단일 UWB 앵커와 저가형 IMU만으로 구성되어 실용성과 확장성이 뛰어나며, 실시간 차량 모니터링 및 교통안전 시스템에 적용 가능하다. 다만 본 시스템은 1차선 직선 구간을 대상으로 한 1D 위치 추정에 기반하고 있어, 향후 다차선 및 곡선 구간으로의 확장이 필요하다. 이를 위해 복수 앵커 기반의 2D 거리 추정, IMU 측면 가속도 활용, 차선 인식과의 융합 방안이 요구된다. 또한, 상대 좌표계 정의를 위해 GPS 진입 기준점을 활용하였으나, 전체 주행 경로에 대한 연속성 검증과 기존 다중 앵커 방식과의 수치 비 교는 수행하지 못했다. 향후 동일 조건에서 비교 실험을 통해 성능 평가를 진행할 계획이다.
