Trail surface information is critical to prevent from the mountain accidents such as falls and slips. In this paper, we propose a new mobile crowdsensing system that automatically infers whether trail segments are risky to climb, by using sensor data collected from multiple hikers' smartphones. We extract cyclic gait based features from walking motion data to train machine learning models, and multiple hikers' results are then aggregated for robust classification. We evaluate our system with two real-world datasets. We firstly collect 14 climbers' data in a mountain trail which includes 13 risky segments. The average accuracy of individuals is about 80%, but after clustering the results, our system can accurately identify all the risky segments. We then collect an additional dataset from five climbers in two different mountain trails, which have 10 risky segments in total. Our results shows that the model trained in one trail can be used to accurately identify all the risky segments in the other trail, which documents generalizability of our system.
등산로 노면 정보는 실족과 추락 등의 등산 사고를 예방하는 데 중요하다. 이번 논문에서 우리는 다수의 등산객들의 스마트폰에서 수집된 센서 데이터를 이용하여 등산하기 어려운 구간을 추론하는 새로운 모바일 크라우드 센싱 시스템을 제안하였다. 제안한 시스템은 머신 러닝 모델을 학습시키기 위해 등산 모션 데이터에서 주기적인 걸음을 기반으로 한 특징을 추출하였으며, 강건한 등산로 구간 분류를 위해 다수 등산객들의 위험 구간 탐지 결과를 통합하였다. 우리는 2개의 실제 수집된 데이터를 이용하여 우리의 시스템을 평가하였다. 먼저 우리는 13개의 위험 구간을 포함하는 등산로에서 14명의 등산객들의 데이터를 수집하였다. 등산객들 개인의 분류 결과는 평균 정확도는 80%를 보였지만, 개인의 분류 결과를 클러스터링을 이용하여 통합하였을 때 우리 시스템은 모든 위험 등산로 구간을 정확히 탐지할 수 있었다. 또한 우리는 10개의 위험 노면을 포함하는 두 개의 다른 등산로에서 5명의 데이터를 추가적으로 수집하였다. 실험 결과를 통해 한 등산로 구간에서 학습된 우리의 모델이 다른 등산로 구간의 모든 위험 등산로 노면을 정확히 탐지할 수 있는 것을 확인하였으며, 이를 통해 우리 시스템의 일반화 가능성을 보였다.
