Wear OS 위치 정보 최적화: FLP와 WHS의 전략적 활용

Wear OS에서 위치 정보를 다루는 일은 스마트폰과 분명한 차이가 있습니다. 손목 위 디바이스의 작은 배터리 용량이 어떤 위치 API를 선택하느냐에 따라 사용자 경험과 기기 유지 시간을 좌우하기 때문입니다.

Wear OS에서 위치를 얻는 경로는 크게 두 가지입니다. 통합 위치 정보 제공자(FLP)와 Wear 건강 관리 서비스(WHS). 두 API는 경쟁 관계가 아니라 서로 다른 시점을 책임지는 보완 관계에 가깝습니다. 이 글은 두 API의 차이를 정리하고, 운동 추적 앱에서 둘을 어떻게 조합하는지 살펴봅니다.

1. FLP와 WHS의 역할 구분

통합 위치 정보 제공자 (FLP)

Google Play Services에서 제공하는 컴포넌트로, GPS와 Wi-Fi, 셀 신호를 조합해 위치를 산출합니다. 캐시된 위치를 빠르게 반환할 수 있어 단발성 좌표 조회나 짧은 추적에 적합합니다.

Wear 건강 관리 서비스 (WHS)

Wear OS 디바이스의 저전력 센서 허브를 활용해 위치, 거리, 심박수 등 운동 관련 데이터를 일괄적으로 수신합니다. 운동 세션 안에서 동작하므로 장시간 추적과 센서 간 시점 동기화가 필요한 시나리오에 적합합니다.

비교 항목	FLP	WHS
동작 방식	Play Services 기반 위치 산출	운동 세션 + 센서 허브
장점	빠른 초기 응답, 범용성	저전력, 다중 센서 동기화
한계	장시간 추적 시 전력 부담	첫 위치 수신까지 워밍업 시간 필요
적합한 시나리오	진입 직후 위치 표시, 짧은 추적	운동 세션 중 지속 추적

2. FLP: 빠른 초기 위치 획득

운동 화면 진입 직후의 인상은 첫 좌표가 지도에 찍히는 속도가 결정합니다. WHS 세션이 GPS를 워밍업하는 동안 사용자가 빈 지도를 응시하지 않도록, FLP의 단발성 호출로 좌표를 즉시 확보해 두는 방식이 유리합니다.

val token = CancellationTokenSource()

fusedLocationClient.getCurrentLocation(
    Priority.PRIORITY_HIGH_ACCURACY,
    token.token,
).addOnSuccessListener { location: Location? ->
    location?.let { /* 지도 시작점으로 사용 */ }
}

// 화면 종료 또는 WHS 위치 수신 시
token.cancel()

getCurrentLocation은 한 번의 콜백으로 종료되지만, 호출 직후 화면이 닫힐 가능성이 있다면 CancellationTokenSource로 명시적으로 취소해 GPS 칩이 불필요하게 깨어 있지 않도록 정리해야 합니다.

3. WHS: 운동 세션의 지속 추적

장시간 운동 추적은 WHS의 영역입니다. 하드웨어 센서 허브에서 데이터를 일괄 처리해 전달하기 때문에, 동일 시간 동안 FLP를 직접 사용하는 것보다 전력 소모가 크게 줄어듭니다.

매니페스트 설정

운동 추적은 ForegroundService 안에서 수행되며, 위치 데이터를 함께 다룬다면 서비스 타입에 health와 location을 같이 지정해야 합니다.

<uses-permission android:name="android.permission.FOREGROUND_SERVICE" />
<uses-permission android:name="android.permission.ACCESS_FINE_LOCATION" />
<uses-permission android:name="android.permission.FOREGROUND_SERVICE_HEALTH" />
<uses-permission android:name="android.permission.FOREGROUND_SERVICE_LOCATION" />

<service
    android:name=".exercise.ExerciseService"
    android:foregroundServiceType="health|location"
    android:exported="false" />

운동 세션 설정과 시작

prepareExerciseAsync는 GPS와 심박 센서를 미리 깨워 본 운동이 시작될 때 첫 위치 수신 지연을 줄여 주는 단계입니다.

val warmUpConfig = WarmUpConfig(
    exerciseType = ExerciseType.RUNNING,
    dataTypes = setOf(DataType.LOCATION),
)
exerciseClient.prepareExerciseAsync(warmUpConfig).await()

val config = ExerciseConfig(
    exerciseType = ExerciseType.RUNNING,
    dataTypes = setOf(DataType.LOCATION, DataType.DISTANCE),
    isAutoPauseAndResumeEnabled = true,
    isGpsEnabled = true,
)
exerciseClient.startExerciseAsync(config).await()

위치 데이터 수신

운동 데이터 콜백에서는 위치 포인트와 가용성 상태를 함께 다룹니다.

exerciseClient.setUpdateCallback(object : ExerciseUpdateCallback {
    override fun onExerciseUpdateReceived(update: ExerciseUpdate) {
        update.latestMetrics
            .getData(DataType.LOCATION)
            .forEach { dataPoint ->
                val location: LocationData = dataPoint.value
                // location.latitude, location.longitude
            }
    }

    override fun onAvailabilityChanged(
        dataType: DataType<*, *>,
        availability: Availability,
    ) {
        if (availability is LocationAvailability) {
            when (availability) {
                LocationAvailability.ACQUIRING -> { ... }
                LocationAvailability.ACQUIRED_TETHERED,
                LocationAvailability.ACQUIRED_UNTETHERED -> { ... }
                else -> { ... }
            }
        }
    }

    // onLapSummaryReceived, onRegistered, onRegistrationFailed 생략
})

LocationAvailability의 상태 전이를 UI에 노출하면, 사용자가 첫 좌표 수신 전 대기 시간을 자연스럽게 인지할 수 있어 체감 응답성이 좋아집니다.

4. 하이브리드 전략

운동 추적 앱에서는 두 API의 강점을 시점별로 나누어 쓰는 구조가 안정적입니다.

시점	담당 API	역할
운동 화면 진입	FLP	캐시된 좌표로 지도 즉시 초기화
운동 준비	WHS prepareExerciseAsync	GPS·심박 센서 워밍업
운동 진행	WHS ExerciseUpdateCallback	저전력 위치/거리 수신
운동 종료	WHS endExerciseAsync	세션 정리, FLP는 cancel

FLP에서 얻은 첫 좌표는 WHS의 첫 위치 수신이 도착하기 전까지의 시각적 공백을 메우는 앵커 역할을 합니다. WHS 콜백에 ACQUIRED_* 상태가 도착한 이후로는 FLP 좌표를 더 이상 참조할 필요가 없으므로, CancellationTokenSource.cancel()로 정리해 GPS가 이중으로 깨어 있지 않도록 합니다.

마무리

Wear OS의 위치 추적은 정확도와 응답성, 그리고 배터리라는 세 변수의 균형을 맞추는 작업입니다. FLP가 진입 직후의 응답성을 책임지고, WHS가 운동 세션 내내 효율성을 책임지는 분담 구조는 세 변수를 함께 끌어안을 수 있는 안정적인 패턴입니다. 새로 운동 추적 기능을 설계하고 있다면 이 분담 구조를 출발점으로 삼아 보시길 권합니다.