Tutorial on Aided Inertial Navigation Systems: A Modern Treatment Using Lie-Group Theoretical Methods

이 논문은 확장된 특수 유클리드 군 SE_2(3) 를 기반으로 한 리 군 이론적 접근법을 통해 관성 항법 시스템과 보정 정보의 융합을 위한 명확하고 구현 지향적인 기하학적 프레임워크를 제시하며, 불변성과 대칭성의 역할을 명시적으로 다루고 최신 확장 기법들을 포괄하는 체계적인 시스템 이론적 관점을 제공합니다.

핵심

🧭 1. 이야기의 주인공: "눈을 가린 나침반" (관성 항법 시스템)

상상해 보세요. 당신은 눈을 가리고 어두운 방에서 출발했습니다. 손에는 **자전차 (IMU)**가 있습니다. 이 자전거는 달리는 속도 (가속도계) 와 방향 전환 (자이로스코프) 을 알려줍니다.

• 문제: 당신은 자전거를 타고 출발했지만, 눈이 가려져 있어 어디로 가고 있는지 정확히 알 수 없습니다. 자전거의 바퀴가 조금씩 미끄러지거나 (센서 노이즈), 핸들이 살짝 휘어질 수 있습니다 (바이어스).
• 결과: 시간이 지날수록 당신의 위치 추정치는 실제 위치와 점점 멀어집니다. 이를 **'드리프트 (Drift)'**라고 합니다.
• 해결책: 눈을 가린 상태에서 가끔씩 **창문 (GNSS, 카메라, 나침반 등)**을 통해 바깥의 랜드마크를 보거나, 지구의 자장 (나침반) 을 느껴서 자신의 위치를 다시 확인해야 합니다. 이것이 '보조 (Aided)' 항법입니다.

📐 2. 기존의 방법 vs 새로운 방법 (기하학의 힘)

이 보고서의 핵심은 **"오류 (Error) 를 어떻게 정의하느냐"**에 있습니다.

❌ 구식 방법 (MEKF): "지그재그로 걷는 나침반"

기존의 많은 시스템 (확장 칼만 필터) 은 오류를 계산할 때, 마치 평평한 종이 (유클리드 공간) 위에서 오차를 더하고 빼는 방식을 썼습니다.

• 비유: 회전하는 물체의 방향을 계산할 때, 평면 지도에 점을 찍어서 계산하는 것과 같습니다. 하지만 회전은 3 차원 공간에서 구 (구면) 를 따라 움직입니다.
• 문제: 구를 평면으로 펼치려다 보니 **구겨짐 (Singularities)**이 생기거나, 계산이 엉뚱한 방향으로 틀어질 수 있습니다. 특히 초기 오차가 크거나 보조 신호가 끊길 때, 시스템이 "미친 듯이" 엉뚱한 곳으로 날아가 버릴 수 있습니다.

✅ 새로운 방법 (Lie-Group 기반): "구슬 위를 구르는 나침반"

이 보고서가 제안하는 방법은 **리 군 (Lie Group, 특히 SE2(3))**이라는 수학적 도구를 사용합니다.

• 비유: 회전과 이동은 **구 (Sphere)**나 나선 (Helix) 같은 곡면 위를 움직입니다. 이 새로운 방법은 오류를 계산할 때, 그 구면 위를 그대로 구르듯 (기하학적 구조를 유지하며) 계산합니다.
• 장점:
  1. 항상 올바른 길: 구를 구르듯 계산하므로, 구겨지거나 찢어지는 일이 없습니다.
  2. 초기 오차에 강함: 처음에 방향을 잘못 잡았더라도, 시스템의 구조 자체가 "올바른 길"로 돌아오도록 설계되어 있어, 시간이 지나면 자연스럽게 수렴합니다.
  3. 일관성: 보조 신호 (GPS 등) 가 들어오면, 그 정보를 시스템의 기하학적 구조에 맞춰 자연스럽게 융합합니다.

🏗️ 3. 핵심 도구: "SE2(3) 라는 거대한 레고"

이 보고서에서는 **SE2(3)**라는 수학적 구조를 '레고 블록'처럼 사용합니다.

• 전통적 방식: 위치 (x, y, z), 속도, 방향 (회전) 을 따로따로 계산했습니다. 마치 각각 다른 모양의 블록을 따로 조립하는 것과 같습니다.
• SE2(3) 방식: 위치, 속도, 방향을 하나의 거대한 통합된 블록으로 만듭니다.
  • 비유: 이 블록은 서로 밀접하게 연결되어 있습니다. 방향이 조금만 틀어져도 위치 계산에 영향을 미칩니다. SE2(3) 는 이 연결고리를 수학적으로 완벽하게 표현합니다.
  • 효과: 이렇게 하면 오차가 어떻게 퍼지는지 (불확실성 전파) 를 훨씬 정확하게 예측할 수 있습니다. 마치 바나나 모양의 구름처럼, 오차가 단순히 원형으로 퍼지는 게 아니라 방향과 위치에 따라 구부러진 모양으로 퍼지는 것을 정확히 잡아냅니다.

🛠️ 4. 실전 적용: "스마트한 보정"

이 새로운 방법을 쓰면 다음과 같은 이점이 있습니다.

1. 예측 (Propagation): IMU(자전거) 데이터만으로도 매우 정확하게 다음 위치를 예측합니다.
2. 보정 (Correction): GPS 나 카메라가 들어오면, 기존의 방식처럼 "이만큼 고쳐라"라고 단순히 더하는 게 아니라, 시스템의 전체 구조를 살짝 비틀어서 (리 군의 곱셈) 자연스럽게 고칩니다.
   • 결과: 보조 센서가 잠시 끊겨도 시스템이 흔들리지 않고 안정적으로 유지됩니다.

🚀 5. 최신 발전: "더 큰 우주로 확장" (SE5(3) 와 동기화)

보고서의 마지막 부분에서는 이 개념을 더 발전시킨 내용도 다룹니다.

• SE5(3): 단순히 위치와 방향만 아는 게 아니라, 가상의 추가적인 좌표계를 만들어서 시스템이 더 넓은 공간에서 스스로를 보정하도록 합니다.
• 동기화 (Synchronous): 마치 두 사람이 리듬을 맞춰 춤을 추듯, 관측기와 시스템이 완벽하게 동기화되어 오차를 0 으로 수렴하게 만드는 방법입니다.

💡 요약: 이 보고서가 우리에게 주는 메시지

이 기술 보고서는 **"수학적 대칭성 (Symmetry) 을 이해하면, 복잡한 로봇의 위치 추정이 훨씬 단순하고 강력해진다"**는 것을 보여줍니다.

• 과거: "오류를 계산할 때 평면으로 생각하자. (그리고 가끔 실수할 수 있다)"
• 현재 (이 보고서): "오류를 계산할 때, 물체가 움직이는 **자연스러운 곡면 (기하학)**을 따라 생각하자. 그러면 시스템이 스스로 균형을 잡고, 어떤 상황에서도 흔들리지 않는다."

이러한 접근법은 자율주행차, 드론, 우주선 등 정밀한 위치 추정이 필요한 모든 분야에서 더 안전하고, 더 정확하며, 더 튼튼한 시스템을 만드는 데 기여할 것입니다.

기술 요약

이 기술 보고서 (LaRSA-TR-2026-01) 는 **보조 관성 항법 시스템 (Aided Inertial Navigation Systems, AINS)**에 대한 현대적인 처리를 리 군 (Lie-Group) 이론적 방법을 사용하여 체계적으로 설명한 튜토리얼입니다. 저자 Soulaimane Berkane 은 확장된 특수 유클리드 군인 **SE2(3)**를 중심으로 한 기하학적 프레임워크를 제시하여, 기존 필터링 방법의 한계를 극복하고 더 강건하고 일관된 상태 추정 기법을 제안합니다.

아래는 이 보고서의 주요 내용을 문제 정의, 방법론, 핵심 기여, 결과 및 의의로 나누어 상세히 요약한 것입니다.

---

1. 문제 정의 (Problem Statement)

• 관성 항법 시스템 (INS) 의 드리프트: 가속도계와 자이로스코프 (IMU) 의 측정값을 적분하여 위치, 속도, 자세를 추정하는 INS 는 센서 노이즈와 편향 (bias) 으로 인해 시간이 지남에 따라 오차가 무한히 증가하는 드리프트 현상이 발생합니다.
• 보조 센서 융합의 필요성: 이를 보정하기 위해 GNSS, 자력계, 카메라, LiDAR 등 외부 센서 데이터를 융합해야 합니다.
• 기존 방법론의 한계:
  • 기하학적 불일치: 자세 (Orientation) 는 비선형 다양체 (SO(3)) 위에서 진화하지만, 기존 확장 칼만 필터 (EKF) 나 다중적 확장 칼만 필터 (MEKF) 는 오차를 유클리드 공간에서 선형화하거나 오일러 각/쿼터니온을 사용하여 처리합니다. 이로 인해 특이점 (singularities), 정규화 오류, 선형화된 오차 동역학의 불일치가 발생합니다.
  • 궤적 의존성 (Trajectory Dependence): MEKF 를 포함한 기존 필터들은 선형화된 오차 동역학이 추정된 궤적에 의존합니다. 초기 오차가 크거나 보조 센서 정보가 약할 경우 필터가 불일치하거나 발산할 수 있습니다.

2. 방법론 (Methodology)

이 보고서는 리 군 (Lie Group) 이론, 특히 **확장된 특수 유클리드 군 SE2(3)**를 기반으로 한 기하학적 접근법을 사용합니다.

• SE2(3) 표현:
  • 자세 (R), 속도 (v), 위치 (p) 를 하나의 행렬 리 군 요소 $X \in SE2(3)$로 통합하여 표현합니다.
  • 이를 통해 관성 항법 동역학을 리 군 위에서 자연스럽게 정의할 수 있으며, 중력 항과 운동학적 항이 기하학적으로 명확하게 분리됩니다.
• 불변 오차 (Invariant Error) 정의:
  • 오차 정의: 유클리드 차이 ($X - \hat{X}$) 대신, 리 군의 대칭성을 활용한 우측 불변 오차 (Right-invariant error, $\tilde{X}_r = \hat{X}X^{-1}$) 또는 좌측 불변 오차를 정의합니다.
  • 장점: 이 오차 정의는 시스템의 궤적에 의존하지 않는 자율적 (autonomous) 오차 동역학을 유도합니다. 즉, 오차의 선형화 행렬이 추정 상태에 의존하지 않아 필터의 일관성과 안정성이 크게 향상됩니다.
• 불변 확장 칼만 필터 (InvEKF):
  • 예측 단계 (Propagation): IMU 측정값을 사용하여 상태와 공분산을 SE2(3) 위에서 정확히 이산화하여 전파합니다. (기존 strapdown 방식의 기하학적 오차를 제거)
  • 보정 단계 (Correction): 보조 센서 (GNSS, 자력계 등) 의 측정값을 불변 오차 좌표계에서 선형화하여 칼만 갱신을 수행합니다. 이때 측정 모델이 불변성을 가지면 자코비안 (Jacobian) 이 상수가 되어 계산이 간소화되고 수렴성이 보장됩니다.
• 고차 및 확장 구조:
  • SE5(3): 거의 전역적 점근 안정성 (Almost Global Asymptotic Stability, AGAS) 을 보장하기 위해 상태 공간을 확장한 SE5(3) 군을 소개합니다.
  • 동기 관찰자 (Synchronous Observer): 보조 상태 (auxiliary state) 를 도입하여 회전과 병진 운동의 결합을 해체하고 전역 수렴을 달성하는 방법을 다룹니다.
  • 공변 필터 (Equivariant Filter): 편향 (bias) 처리를 포함한 더 일반적인 대칭성 기반 필터링 프레임워크를 언급합니다.

3. 핵심 기여 (Key Contributions)

1. 통일된 기하학적 프레임워크: 다양한 보조 센서 (GNSS, 자력계, 랜드마크, DVL 등) 와 필터링 기법을 SE2(3) 라는 단일 기하학적 뼈대 위에서 통합하여 설명합니다.
2. 정확한 이산 전파 (Exact Discrete Propagation): IMU 측정값을 리 군 위에서 정확히 적분하는 수식을 유도하여, 고주파 회전 시 발생하는 기하학적 왜곡을 제거합니다.
3. 불변 오차의 체계적 분석: 오차 동역학이 궤적에 독립적임을 증명하고, 이를 통해 관측 가능성 (Observability) 분석을 단순화하고 필터의 강건성을 이론적으로 뒷받침합니다.
4. 실용적 구현 가이드: 리 군 기반 필터의 예측, 공분산 전파, 측정 업데이트 단계를 알고리즘 형태로 명확히 제시하여 실제 로봇 및 자율 시스템에 적용 가능한 수준으로 정리합니다.
5. 최신 연구 동향 소개: SE5(3) 기반의 거의 전역 안정성 관찰자, 동기 관찰자 설계, 공변 필터 (EqF) 등 최신 이론적 발전을 기존 SE2(3) 프레임워크와 연결하여 설명합니다.

4. 결과 및 성능 (Results)

• 시뮬레이션 비교 (MEKF vs InvEKF):
  • 약한 관측 조건 (자력계 부재): 자력계 없이 GNSS 와 IMU 만을 사용할 경우, 초기 자세 오차가 큰 상황에서 기존 MEKF 는 궤적 의존적 선형화로 인해 발산하거나 오차가 증폭되는 현상을 보였습니다. 반면, InvEKF 는 일관된 수렴을 보이며 강건하게 동작했습니다.
  • 강한 관측 조건 (자력계 포함): 자력계를 추가하면 MEKF 의 성능이 개선되지만, InvEKF 는 여전히 시간에 따른 더 균일한 동작과 초기 오차에 대한 낮은 민감도를 보여주었습니다.
• 기하학적 오차 제거: 원형 운동 시뮬레이션에서 기존 이산화 방식은 시간 간격 ($\Delta t$) 이 커질수록 궤적 왜곡이 발생했으나, 제안된 리 군 기반 정확 이산화는 모든 시간 간격에서 원형 궤적을 정확하게 유지했습니다.
• 불확실성 전파: 리 군 지수 좌표계 (Exponential coordinates) 를 사용한 공분산 전파는 위치와 자세 오차 간의 결합 (banana-shaped distribution) 을 정확히 포착하여, 유클리드 기반 근사보다 더 정확한 불확실성 추정을 가능하게 했습니다.

5. 의의 및 결론 (Significance)

• 이론적 통찰: 이 보고서는 관성 항법 분야에서 산재해 있던 다양한 추정 기법들이 본질적으로 **대칭성 (Symmetry) 과 불변성 (Invariance)**이라는 공통된 기하학적 원리에 기반하고 있음을 명확히 합니다.
• 실무적 가치: 복잡한 비선형 시스템에 대한 수학적 배경이 부족한 엔지니어나 연구자도 리 군 기반 필터링의 핵심 아이디어를 이해하고 실제 시스템 (드론, 자율주행차 등) 에 적용할 수 있도록 접근성을 높였습니다.
• 미래 방향: 편향 (Bias) 추정과 거의 전역 안정성 (AGAS) 을 동시에 만족시키는 것은 여전히 해결되지 않은 과제로 남아있으며, 이 보고서는 향후 연구 방향 (SE5(3), 동기 관찰자, 공변 필터 등) 을 제시하여 해당 분야의 발전에 기여합니다.

요약하자면, 이 튜토리얼은 보조 관성 항법 시스템의 상태 추정을 리 군 이론을 통해 재해석함으로써, 기존 필터의 불안정성과 비일관성을 해결하고, 더 강건하고 수학적으로 엄밀한 현대적 필터링 기법의 표준을 제시하는 중요한 기술 문서입니다.