지구 자기장과 스마트폰 센서를 활용한 초정밀 실내 내비게이션 시스템

실내 공간에서는 GPS 신호 수신이 불가능하여 위치 기반 서비스(LBS)의 제공에 제약이 있습니다. 기존 Wi-Fi, BLE 비콘 기반 실내 측위 기술은 추가 인프라 설치와 유지 비용이 크고, 전파 신호 특성상 3~20m 수준의 큰 오차가 발생하는 한계가 있습니다.

MagNavi는 스마트폰 내장 센서(자기장, 가속도, 자이로스코프 등)만을 활용하여 지구 자기장의 고유 분포 패턴을 학습하고, 보행자 추측 항법(PDR)과 딥러닝 기반 모델을 결합함으로써 1m 이하 수준의 실내 측위 정확도를 목표로 합니다.

또한 교통약자를 포함한 다양한 사용자 유형을 고려하여, 휠체어 사용자에게는 계단을 배제한 경로를, 저시력 사용자에게는 색상 및 음성 안내 최적화 기능을 제공하는 등 사용자 맞춤형 실내 내비게이션을 구현합니다.

1차. 2025.03 – 2025.06 : 센서 데이터 수집 및 MLP 기반 초기 모델 구현
2차. 2025.09 – 현재 : PDR 기반 이동 보정 알고리즘 및 실시간 위치 추정 앱 개발

• 백 : 윤찬익, 박윤호
• 프론트 : 류효정, 이재훈, 이준규
• AI : 류효정, 박윤호, 염수민

• 언어 : Python 3.10+, Dart (Flutter), Kotlin (Jetpack Compose)
• IDE : VS Code, Android Studio
• Framework / Library : PyTorch, scikit-learn, FastAPI, Flutter, Jetpack Compose
• Database : SQLite (POI 및 공간 데이터 관리)
• 협업 도구 : GitHub, Figma

• 스마트폰 자기장 센서(Mag_X, Mag_Y, Mag_Z) 및 오리엔테이션(Ori_X, Ori_Y, Ori_Z) 데이터 활용
• Fingerprint + MLP 분류 모델 기반 초기 위치 추정 (정확도 최대 60%)
• LSTM/RNN 기반 시퀀스 데이터 학습을 통한 초정밀 위치 추정

• 가속도/자이로스코프 기반 걸음 수 검출 및 보폭 추정
• 방향 보정(자기장·자이로 융합) 및 Δx, Δy 이동 거리 산출
• 위치 예측 모델의 입력 피처로 활용

• 휠체어 사용자 : 계단 배제, 직선 구간 위주 안내
• 저시력 사용자 : 다크/화이트 모드 지원, 음성 안내 제공
• 일반 사용자 : 최단 경로 기반 실시간 길찾기

• CAD 도면 및 현장 답사 기반 POI 데이터베이스 구축
• A* 알고리즘 기반 최단 경로 탐색
• Flutter/Jetpack Compose 기반 모바일 UI 구현

• Wi-Fi/BLE 방식 대비 5~10배 높은 정확도 달성 (평균 오차 약 0.7m, KOLAS 시험 인증)
• 교통약자 이동 시간 개선 효과 :
  • 휠체어 사용자 53% 단축
  • 저시력 사용자 47% 단축
• 초기 위치 인식 속도 : 4걸음 이내 위치 고정, 평균 오차 66cm

아래는 MagNavi 시스템 구조 예시입니다.

Fig.1 시스템 아키텍처

[MagNavi ERD] 전체 테이블 요약

users: 사용자 계정 정보를 저장하는 테이블

favorites: 각 사용자의 즐겨찾기 정보를 저장하는 테이블

predicted_locations: 실내 위치 예측 모델이 인식하는 장소 정보를 저장하는 테이블

outdoor_place: 외부 장소의 상세 정보를 저장하는 테이블

사용자 계정 정보를 저장하는 테이블입니다. 애플리케이션의 인증 및 사용자 식별에 사용됩니다.

• id (INTEGER, PK, AUTO_INCREMENT)
  • 사용자의 고유 식별 번호 (시스템 내부용).
• userId (VARCHAR(50), UNIQUE, NOT NULL)
  • 사용자가 로그인 시 사용하는 고유 아이디.
• userName (VARCHAR(50), NOT NULL)
  • 사용자의 이름 또는 닉네임.
• email (VARCHAR(100), UNIQUE, NOT NULL)
  • 사용자의 이메일 주소.
• phone_number (VARCHAR(20), NOT NULL)
  • 사용자의 전화번호.
• hashed_password (VARCHAR(255), NOT NULL)
  • 보안을 위해 bcrypt로 암호화된 사용자 비밀번호.

각 사용자가 등록한 즐겨찾기 목록을 저장합니다. users 테이블과 1:N 관계를 가집니다.

• id (VARCHAR(255), PK)
  • 즐겨찾기 항목의 고유 ID (클라이언트에서 생성).
• user_id (INTEGER, FK, NOT NULL)
  • 이 즐겨찾기를 소유한 사용자의 id (users 테이블 참조).
• type (ENUM, NOT NULL)
  • 즐겨찾기의 종류. ('place', 'bus', 'busStop')
• name (VARCHAR(255), NOT NULL)
  • 즐겨찾기에 부여된 이름 (예: "우리집", "814번 버스").
• created_at (TIMESTAMP, DEFAULT CURRENT_TIMESTAMP)
  • 즐겨찾기 생성 일시.
• address (VARCHAR(255))
  • type이 'place'일 경우의 주소.
• place_category (ENUM)
  • type이 'place'일 경우의 카테고리. ('home', 'work', 'etc')
• bus_number (VARCHAR(50))
  • type이 'bus'일 경우의 버스 번호.
• station_name (VARCHAR(255))
  • type이 'busStop'일 경우의 정류장 이름.
• station_id (VARCHAR(255))
  • type이 'busStop'일 경우의 정류장 고유 ID.

실내 위치 예측 모델이 반환하는 각 위치 ID에 대한 상세 정보를 저장하는 마스터 테이블입니다.

• id (VARCHAR(50), PK, NOT NULL)
  • 위치의 고유 ID (모델의 예측 결과와 일치하는 문자열).
• location_name (VARCHAR(255), UNIQUE)
  • 위치의 이름 (예: "3층 로비", "서편 휴게실").
• description (TEXT)
  • 위치에 대한 상세 설명.
• floor (INTEGER, NOT NULL, DEFAULT 3)
  • 해당 위치의 층수.
• address (VARCHAR(255), NOT NULL)
  • 건물 주소 (예: "영남대학교 IT관").

외부 장소에 대한 지리 정보 및 상세 정보를 저장합니다.

• place_id (VARCHAR(50), PK)
  • 장소의 고유 ID.
• name (VARCHAR(200), NOT NULL)
  • 장소의 이름.
• category (VARCHAR(100))
  • 장소의 카테고리 (예: "공원", "카페", "관광지").
• address (VARCHAR(255))
  • 장소의 주소.
• lon (DOUBLE, NOT NULL)
  • 경도 (Longitude, X 좌표).
• lat (DOUBLE, NOT NULL)
  • 위도 (Latitude, Y 좌표).
• has_facility (BOOLEAN, DEFAULT FALSE)
  • 주요 편의시설의 존재 여부.
• facility_name (VARCHAR(150))
  • 편의시설의 이름 (예: "수성못 관광안내소").
• facility_type (VARCHAR(100))
  • 편의시설의 종류 (예: "화장실", "안내소").
• facility_location (VARCHAR(255))
  • 편의시설의 상세 위치 설명.
• is_accessible (BOOLEAN, DEFAULT FALSE)
  • 교통약자 접근 가능 여부.

앱 실행 화면 및 시연 GIF는 아래와 같습니다.

Fig.2 앱 실행 화면

Fig.3 실시간 길안내 시연

• 추가 인프라 설치 불필요 → 저비용·고효율 실내 내비게이션 구현
• 병원, 지하철 역사, 공항, 쇼핑몰 등 대형 복합 공간 적용 가능
• 교통약자 이동 편의성 증대 및 스마트 시티 서비스 연계 가능성 확보