A Sliding-Window Filter for Online Continuous-Time Continuum Robot State Estimation

기술 요약: 연속체 로봇의 온라인 연속 시간 상태 추정을 위한 슬라이딩 윈도우 필터

문제 제기
연속체 로봇 (CR) 은 제한된 공간을 항해할 수 있는 유연한 매니퓰레이터이지만, 그 제어는 정확한 상태 추정에 의존합니다. 기존 확률론적 방법들은 다음과 같은 이분법에 직면해 있습니다:

• 필터링 방법(예: 확장 칼만 필터) 은 계산 효율성이 높고 온라인 운영에 적합하지만, 비선형 시스템의 마르코프 구조를 완전히 포착하지 못하는 선형화 근사로 인해 정확도가 저하되는 경향이 있습니다.
• 배치 평활화 방법은 모든 상태를 공동으로 최적화하여 우수한 정확도를 제공하지만, 모든 측정에 대한 사후 접근이 필요하고 실시간 제어를 위해 확장성이 부족하여 일반적으로 오프라인 운영으로 제한됩니다.
• 연속 시간 접근법은 CR 에 유망한 것으로 입증되었으나, 과거에는 오프라인 배치 최적화로만 제한되었습니다. 또한, CR 을 위한 기존 슬라이딩 윈도우 시도들은 단순화된 비확률론적 모델 (예: 일정 곡률 또는 강체 링크 근사) 에 의존하거나 불확실성을 정량화하기 위한 확률론적 표현이 부족했습니다.

방법론
저자들은 CR 의 온라인, 연속 시간 상태 추정을 위해 특별히 설계된 슬라이딩 윈도우 필터 (SWF) 를 제안합니다. 이 방법은 최근 배치 최적화 기술에서 유래된 팩터 그래프 프레임워크를 기반으로 구축되었습니다.

• 추정 프레임워크: 시스템은 호 길이 $s$와 시간 $t$에 걸쳐 로봇의 포즈 $T(s,t)$, 속도 $\varpi(s,t)$, 그리고 변형률 $\epsilon(s,t)$를 연속적으로 추정합니다. 이 문제는 사전 및 측정 팩터의 음의 로그 가능도를 최소화하는 최대 사후 확률 (MAP) 추정 문제로 공식화됩니다.
  • 사전: "가속도 화이트 노이즈" 운동 사전에 기반한 근사 코시야트 로드 모델을 활용합니다.
  • 측정: 팁 포즈 측정값과 자이로스코프 데이터를 통합합니다.
• 슬라이딩 윈도우 공식화: 필터는 상태 $x_{a:k}$를 포함하는 고정 길이 시간 윈도우를 유지합니다.
  • 분해: 결합 사후 확률은 윈도우 이전의 역사를 캡슐화한 주변화 사전 팩터, 로봇의 호 길이를 따른 공간 팩터, 그리고 윈도우 내의 시간적 운동/측정 팩터로 분해됩니다.
  • 주변화: 정보를 전파하면서 고정된 윈도우 크기를 유지하기 위해, 정보 형태로 슈어 여분을 사용하여 가장 오래된 시간 단계를 주변화합니다. 이는 새로운 윈도우에 대한 유효한 사전 확률을 생성하여, 엄격한 마르코프 가정에서 내재된 오차를 완화하면서도 마르코프 속성을 보존합니다.
• 구현 세부 사항:
  • 윈도우 확장: 새로운 상태는 공간 사전 일관성 추정값과 시간적 사전 일관성 추정값을 평균화하여 초기화됩니다.
  • 상태 추출: 사용 가능한 모든 측정을 활용하기 위해 윈도우의 뒤쪽에서 평균과 공분산을 추출하며, 이로 인해 작은 지연 (일반적으로 $\leq 0.1$s) 이 발생합니다.
  • 공분산 처리: 재선형화로 인한 불연속성을 해결하기 위해, 상태가 잠금될 때 인접한 시간 단계 간의 결합 공분산 추정값이 상태로 저장됩니다.

주요 기여

1. CR 을 위한 최초의 확률론적 SWF: 이 연구는 공간과 시간 모두에 걸쳐 가변 곡률 형태의 추정을 가능하게 하는 연속체 로봇을 위해 특별히 설계된 최초의 확률론적 슬라이딩 윈도우 필터를 제시합니다.
2. 온라인 연속 시간 운영: 이 방법은 이전 배치 연속 시간 방법의 오프라인 제한을 극복하고, 연속 시간 상태 추정이 온라인으로 실행되도록 합니다.
3. 균형 잡힌 성능: 필터링의 계산 효율성과 배치 평활화의 정확도 사이의 절충을 달성하여, 확률론적 불확실성 표현을 유지하면서 실시간보다 빠른 속도로 운영됩니다.
4. 오픈 소스 제공: 추가 연구를 촉진하기 위해 커뮤니티에 오픈 소스 구현체가 제공됩니다.

결과
이 방법은 자유 공간 운동, 빠른 접촉, 충격 상호작용을 포함한 다섯 가지 서로 다른 궤적을 가로지르는 실제 3D 프린팅 건식 구동 연속체 로봇에서 검증되었습니다.

• 정확도: SWF(0.1s 윈도우) 는 팁 위치 및 회전 평균 제곱근 오차 (RMSE) 측면에서 필터 기준 (0s 윈도우) 보다 현저히 우수한 성능을 발휘했습니다. 예를 들어, "빠른 접촉" 궤적에서 SWF 는 위치 RMSE 를 1.75% 에서 1.29% 로 감소시켰습니다.
• 배치 방법과의 비교: SWF 는 전체 10s 배치 최적화 기준과 비교할 수 있는 정확도를 달성했습니다 (예: 빠른 접촉에서 1.29% 대 1.29% RMSE) 하지만 계산 비용은 극적으로 감소했습니다.
• 계산 효율성: SWF 는 시간 단계당 약 10ms(100Hz) 로 운영되어 실시간 제약 (33.3ms 임계값) 을 잘 충족하는 반면, 배치 방법은 단계당 약 1.3 초가 소요되었습니다.
• 윈도우 크기 민감도: 0.1s 보다 큰 윈도우 크기에 대해서는 정확도 향상이 체감되지 않는 결과가 나타났습니다. 주목할 점은 매우 작은 윈도우 (0.033s) 조차도 표준 필터보다 상당한 정확도 개선을 제공했다는 것입니다.
• 강건성: 필터는 빠른 운동 중 로봇 추적을 수행하고 일시적인 센서 손실로부터 빠르게 복구하는 능력을 입증했으며, 데이터 손실 중에는 불확실성 추정치가 올바르게 확장되었습니다.

의의 및 주장
저자들은 이 작업이 필터링과 평활화 간의 격차를 해소함으로써 해당 분야에서 "유망한 방향"을 제시한다고 주장합니다. 주요 의의는 이전에 불가능했던 연속체 로봇을 위한 온라인, 연속 시간, 확률론적 상태 추정을 가능하게 하는 데 있습니다.

이 논문은 겸손하게도, 이 방법이 완전한 배치 방법에 비해 작은 지연과 약간 감소된 평활도를 도입하지만 원래 프레임워크의 연속 시간 속성을 유지한다고 지적합니다. 저자들은 필터 전용 변형의 경우 200Hz 이상의 등가 속도로 실행되는 남은 계산 여유 공간이 컨트롤러 및 플래너와 같은 하위 응용 프로그램을 지원할 수 있다고 제안합니다. 또한 성능은 다양한 센서 구성 및 노이즈 프로파일에 따라 달라질 수 있음을 인정하며, 더 큰 윈도우를 사용할 때 특정 궤적 ("범위 초과") 에서 예상치 못한 RMSE 증가가 경계에서의 센서 열화 때문일 수 있음을 지적하여 최적의 윈도우 크기는 상황에 따라 달라질 수 있음을 시사합니다.