KISS-IMU: Self-supervised Inertial Odometry with Motion-balanced Learning and Uncertainty-aware Inference

이 논문은 LiDAR 기반 ICP 등록과 포즈 그래프 최적화를 약한 지도 신호로 활용하여 지면 정보에 의존하지 않는 자기지도 학습을 통해 다양한 환경에서 강건한 관성 주행 (Inertial Odometry) 을 가능하게 하는 'KISS-IMU' 프레임워크를 제안합니다.

핵심

1. 문제점: "정답지"가 없는 운전면허 시험

기존의 로봇 위치 추정 기술은 마치 운전면허 시험을 볼 때, 강사가 "이제 100m 직진, 5m 우회전"이라고 **정답 (Ground Truth)**을 알려주면서 로봇을 훈련시켰습니다.

• 문제: 정답지를 만들려면 고가의 모션 캡처 장비가 필요하고, 복잡한 숲이나 험한 길에서는 정답을 구하기가 매우 어렵습니다.
• 결과: 로봇은 훈련할 때만 잘하고, 새로운 곳 (예: 처음 보는 공원) 에 가면 길을 잃거나 엉뚱한 곳으로 가는 경우가 많았습니다. (과적합 현상)

2. 해결책: KISS-IMU 의 두 가지 비법

이 연구팀은 정답지 없이도 로봇이 스스로 길을 찾을 수 있도록 두 가지 비법을 개발했습니다.

비법 1: "다양한 운전 패턴"을 골고루 배우기 (Stable - Motion-balanced Learning)

• 상황: 로봇이 훈련할 때, 대부분은 '직진'만 하고 '급커브'나 '급정거'는 거의 안 합니다.
• 기존 방식: 로봇은 '직진'만 잘하는 운전사가 되어버립니다. 갑자기 급커브를 해야 하면 길을 잃습니다.
• KISS-IMU 의 방식: **"운전 패턴 분석가 (GMM)"**를 도입했습니다.
  • "아, 직진 데이터는 너무 많고 급커브 데이터는 너무 적구나. 그럼 급커브 데이터를 더 중요하게 취급해서 훈련하자!"
  • 마치 운전 학원에서 평범한 직진만 반복하지 않고, 비포장도로, 급커브, 비 오는 날 등 다양한 상황을 골고루 섞어서 연습시키는 것과 같습니다.
  • 효과: 로봇은 어떤 상황에서도 흔들리지 않는 안정적인 (Stable) 운전 실력을 갖게 됩니다.

비법 2: "내 감각의 신뢰도"를 실시간으로 조절하기 (Strong - Uncertainty-aware Inference)

• 상황: 로봇이 달릴 때, 바닥이 미끄러우면 관성 센서 (IMU) 의 데이터가 틀릴 수 있습니다.
• 기존 방식: 센서 데이터가 틀려도 "무조건 믿고" 계속 길을 찾다가 엉뚱한 곳으로 가버립니다.
• KISS-IMU 의 방식: **"신뢰도 체크 시스템"**을 달았습니다.
  • "이 구간은 바닥이 미끄러워서 내 센서 데이터가 불확실해. 그래서 이 데이터의 비중을 낮추고, 라이다 (레이저) 로 측정한 지도 데이터의 비중을 높이자!"
  • 마치 나침반을 들고 길을 찾을 때, 자석 근처에 가면 나침반이 엉뚱한 방향을 가리키면 "아, 지금은 나침반이 안 믿을 만하네. 주변 지형을 보고 판단하자"라고 스스로 판단하는 것과 같습니다.
  • 효과: 환경이 변해도 로봇은 스스로 판단력을 조절하여 강력한 (Strong) 위치 추정을 유지합니다.

3. 어떻게 훈련했나요? (지도 없이 지도 그리기)

정답지가 없으니, 어떻게 로봇을 가르쳤을까요?

• 라이다 (LiDAR) 와 ICP: 로봇이 주변을 스캔하는 레이저 (라이다) 데이터를 이용해, "이전 위치와 현재 위치의 지도가 얼마나 잘 맞는지"를 계산합니다.
• 자기 교정: 로봇이 "내 센서로 계산한 위치"와 "라이다 지도가 잘 맞는 위치"를 비교해서, 틀린 부분을 스스로 수정합니다.
• 핵심: 정답지를 보지 않아도, **"지도가 잘 맞으면 OK, 안 맞으면 수정"**이라는 원리만으로도 로봇은 스스로 길을 배우게 됩니다.

4. 왜 이것이 중요한가요?

• 실제 적용 가능: 정답지를 구할 수 없는 험한 산, 우주 탐사, 혹은 군용 로봇 같은 곳에서도 바로 쓸 수 있습니다.
• 적은 데이터로 가능: 훈련 데이터를 20% 만 사용해도 기존 기술보다 훨씬 잘 작동했습니다. (다양한 상황을 골고루 배웠기 때문입니다.)
• 사족 로봇 (네 발 달린 로봇) 에도 효과적: 네 발로 걷는 로봇은 몸이 심하게 흔들려서 기존 기술로는 위치 추정이 거의 불가능했지만, 이 기술로 성공했습니다.

요약

KISS-IMU는 로봇에게 **"정답지 없이도, 다양한 상황을 골고루 경험하고, 내 감각의 신뢰도를 스스로 조절하며 길을 찾는 능력"**을 가르친 혁신적인 기술입니다. 마치 정답지 없이도 다양한 도로 상황을 경험한 베테랑 운전사처럼, 로봇이 어떤 환경에서도 길을 잃지 않게 해줍니다.

기술 요약

1. 문제 정의 (Problem)

관성 측정 장치 (IMU) 는 로봇 시스템에서 고주파수의 가속도와 각속도 데이터를 제공하여 운동 동역학 분석에 필수적입니다. 최근 딥러닝 기반의 관성 오도메트리 (Inertial Odometry, IO) 는 뛰어난 성능을 보였으나, 다음과 같은 근본적인 한계가 존재합니다.

• Ground Truth 의존성: 기존 학습 기반 방법들은 훈련 시 정밀한 위치 정보 (Ground Truth) 가 필수적입니다. 이는 모션 캡처 시스템 등 고비용 장비가 필요하여 확장성이 떨어지고, 훈련 데이터와 다른 환경 (Unseen environments) 으로 일반화하기 어렵습니다.
• 운동 패턴 편향 (Motion Bias): 학습 데이터가 특정 운동 패턴 (예: 직진) 에 치우쳐 있으면, 드물지만 중요한 운동 (예: 급격한 회전) 에 대한 성능이 저하됩니다.
• 다중 모달 학습의 복잡성: 기존 자기지도학습 (Self-supervised) 방법들은 시각 (LiDAR/카메라) 과 IMU 를 결합하여 학습하는 경우가 많아, 특정 환경에 종속되거나 네트워크 구조가 복잡해지는 문제가 있습니다.

2. 제안 방법론: KISS-IMU

저자들은 **"IMU 를 안정적이고 강하게 유지한다 (Keep IMU Stable and Strong)"**는 철학을 바탕으로, Ground Truth 없이 LiDAR 등록 (ICP) 과 포즈 그래프 최적화 (PGO) 만을 지도 신호로 활용하는 자기지도학습 (Self-supervised) 프레임워크인 KISS-IMU를 제안합니다.

핵심 구성 요소

1. 자기지도학습 패러다임 (Self-supervised Learning Paradigm):

   • LiDAR 스캔 간의 ICP 등록과 PGO 를 결합하여 신뢰할 수 있는 **의사 레이블 (Pseudo-labels)**을 생성합니다.
   • ICP 와 PGO 중 기하학적 일관성 (대칭 오버랩 점수) 이 더 높은 것을 선택하여 네트워크를 훈련시킵니다.
   • IMU 네트워크만 학습하며, LiDAR 는 학습 가능한 네트워크가 아닌 지도 신호로만 활용하여 다중 모달 종속성을 제거합니다.

2. 운동 인식 균형 학습 (Motion-Aware Balanced Training - "Stable"):

   • GMM 기반 운동 클러스터링: 훈련 데이터의 운동 패턴을 가우시안 혼합 모델 (GMM) 로 분석하여 직진, 회전 등 다양한 운동 성분을 추출합니다.
   • 재가중치 전략 (Reweighting): 빈도가 높은 운동 패턴에 치우치는 것을 방지하고, 드문 운동 패턴 (Rare components) 에 가중치를 부여하여 학습 균형을 맞춥니다. 이는 Fig. 1 에서 보듯 편향된 학습으로 인한 궤적 드리프트를 방지하고 일반화 성능을 향상시킵니다.

3. 불확실성 기반 적응 추론 (Uncertainty-Driven Adaptive Inference - "Strong"):

   • 네트워크는 IMU 측정값의 보정 (Correction) 과 **불확실성 (Uncertainty)**을 동시에 예측합니다.
   • 추론 단계에서 학습된 불확실성을 기반으로 PGO 의 가중치를 동적으로 조정합니다. 센서 신뢰도가 낮은 상황 (예: 급격한 운동, LiDAR 등록 실패) 에서 IMU 의 기여도를 조절하여 강건한 (Robust) 성능을 유지합니다.

3. 주요 기여 (Key Contributions)

• Ground Truth 제거: LiDAR 기반 기하학적 제약만 사용하여 IMU 네트워크를 학습시키는 최초의 자기지도학습 IO 프레임워크입니다.
• 운동 균형 학습: GMM 기반의 운동 클러스터링과 재가중치 기법을 도입하여, 다양한 운동 패턴에 대한 편향을 제거하고 일반화 능력을 극대화했습니다.
• 불확실성 인식 추론: 학습된 불확실성을 활용하여 추론 시 센서 신뢰도에 따라 적응적으로 가중치를 조정하는 메커니즘을 제안했습니다.
• 광범위한 검증: 보행자, 드론, 4 발 로봇 (Quadruped) 등 다양한 플랫폼과 환경 (Botanic Garden, DiTer++, In-House) 에서 기존 SOTA 방법 (TLIO, AirIMU 등) 보다 우수한 성능을 입증했습니다.

4. 실험 결과 (Results)

• 데이터 효율성: 전체 데이터의 20% 만을 사용하여 훈련했을 때, 기존 방법들 (TLIO 등) 이 훈련 데이터가 줄어들면 성능이 급격히 떨어지는 반면, KISS-IMU 는 일관된 성능을 유지했습니다.
• 미시적 환경 일반화: 훈련 데이터 (Forest) 와 다른 환경 (LAWN, PARK) 에서 테스트 시, 기존 방법들은 운동 분포 차이로 인해 성능이 저하되었으나, KISS-IMU 는 GMM 기반 균형 학습 덕분에 우수한 일반화 성능을 보였습니다.
• 극한 조건에서의 적용성: 지형이 복잡하고 Ground Truth 획득이 불가능한 In-House 데이터 (화성 유사 지형의 4 발 로봇) 에서 기존 지도학습 방법은 적용이 불가능했으나, KISS-IMU 는 성공적으로 매핑 및 위치 추정을 수행했습니다.
• 정량적 평가: 절대 위치 오차 (APE) 와 상대 위치 오차 (RPE) 모두에서 기존 SOTA 방법들보다 낮은 오차를 기록하며, 특히 적응적 가중치 (Ours) 와 GMM 균형 (Ours†) 을 모두 적용했을 때 가장 우수한 성능을 보였습니다.

5. 의의 및 결론 (Significance)

KISS-IMU 는 로봇 공학 분야에서 Ground Truth 없이도 다양한 환경과 운동 패턴에 적응할 수 있는 관성 오도메트리를 실현했습니다.

• 확장성: 고비용의 모션 캡처 시스템 없이도 LiDAR 만 있으면 다양한 로봇 플랫폼에 배포 가능합니다.
• 강건성: 운동 패턴의 편향을 해소하고 불확실성을 고려함으로써, 예측 불가능한 실제 환경 (Unseen environments) 에서도 안정적인 성능을 보장합니다.
• 미래 방향: 이 연구는 온라인 학습 (Online Learning) 및 테스트 시간 적응 (Test-time Adaptation) 과 같은 차세대 자율 주행 및 로봇 기술의 중요한 기반을 마련했습니다.

요약하자면, KISS-IMU 는 **"데이터의 양"보다 "운동의 다양성"과 "불확실성 관리"**에 초점을 맞춰, 로봇이 복잡한 실제 환경에서도 Ground Truth 없이도 스스로 위치를 정확히 파악할 수 있게 하는 혁신적인 프레임워크입니다.