GNSS 신호가 차단되는 환경에서 관성 운동 학습을 이용한 대규모 공유 자전거 추적

Tracking Large-scale Shared Bikes with Inertial Motion Learning in GNSS Blocked Environments

글로벌 내비게이션 위성 시스템(GNSS)은 일반적으로 자전거 추적에 사용되지만, 도시 협곡과 같이 GNSS 신호가 불안정한 복잡한 환경에서는 관성 항법 시스템만 작동하는 경우가 있습니다. 수십 년간의 연구에도 불구하고, 저가형 관성 센서만을 사용하여 위치를 추정하는 것은 여전히 누적 오차 및 필터링 방법으로 인한 낮은 정확성과 같은 어려움을 안고 있습니다. 또한, 시각 및 LiDAR 센서와 같은 다른 센서들은 신뢰성 있는 데이터를 제공할 수 있지만, 대규모 배포에는 적합하지 않습니다. 본 논문에서는 자전거의 물리적 제약 조건과 전문가 모델 결합(mixture-of-experts model)을 통합한 관성 추적 프레임워크를 제안합니다. 특히, 여러 전문가 모듈을 활용하여 공유 표현을 학습하고, 게이팅 메커니즘을 통해 가중치를 부여하여 다중 작업 학습 성능을 향상시키고 불확실성을 고려한 궤적 추정을 가능하게 합니다. 또한, 자전거 페달과 뒷바퀴 간의 기계적 연결을 기반으로, 라이더의 주기적인 페달링 동작과 가속도 변화 간의 내재적 관계를 탐색하고, 이러한 패턴을 자전거의 바퀴 속도로 변환하여 동적 보정을 수행합니다. 디디(DiDi) 차량 호출 플랫폼의 실제 공유 자전거 데이터를 사용한 실험 결과, 제안하는 시스템이 기존 방법보다 최소 12% 이상의 정확도 향상을 보였으며, 95% 신뢰 수준에서 바퀴 속도 오차가 0.5 m/s 이하임을 확인했습니다.

Although Global Navigation Satellite Systems (GNSS) provide a general solution for bike tracking outdoors, there still exist complex riding environments where only inertial navigation systems work, such as urban canyons. Despite decades of research, localization using only low-cost inertial sensors still faces challenges such as cumulative drifts and poor robustness caused by filtering methods. Furthermore, sensors such as visual and LiDAR could provide reliable measurements, but they are not suitable for large-scale deployment. In this paper, we propose an inertial tracking framework that integrates bicycle mechanical constraints with a mixture-of-experts model. Specifically, we leverage multiple expert modules to capture shared representations and weight them through the gating mechanism, thus improving multi-task learning performance and enabling uncertainty-aware trajectory estimation. Furthermore, based on the mechanical transmission between the pedal and the rear wheel of a bike, we explore the intrinsic relationship between the rider's periodic pedalling behaviors and acceleration variations, and convert such patterns into bike's wheel speed for dynamic calibration. Experiments with real-world riding data from shared bikes of the DiDi ride-hailing platform demonstrate that our system improves the accuracy of baselines by at least 12%, with wheel speed errors below 0.5 m/s at 95-percentile.