Model-Based and Neural-Aided Approaches for Dog Dead Reckoning

이 논문은 생체 개와 로봇 개 모두에 적용 가능한 저비용 관성 센서 기반 위치 추정 방법인 '개 사선 항법 (DDR)'을 제안하며, DogMotion 장치로 수집한 데이터와 로봇 개 데이터를 통해 신경망 기반 방법이 기존 모델 기반 방법보다 10% 미만의 절대 거리 오차로 더 뛰어난 성능을 보임을 입증했습니다.

핵심

이 논문은 **"개와 로봇 개가 어디에 있는지, GPS 없이도 정확하게 알 수 있는 방법"**을 연구한 내용입니다.

마치 **"눈이 가려진 상태에서 누군가 손으로만 길을 찾아 헤매는 것"**처럼, GPS 신호가 끊긴 터널이나 재난 현장에서는 위치를 파악하기 매우 어렵습니다. 이 논문은 그런 상황에서 **가속도계와 자이로스코프(움직임을 감지하는 작은 센서)**만 달고 있는 개나 로봇 개가 "내가 얼마나 걸었는지, 어느 방향으로 갔는지"를 스스로 계산해내는 기술을 개발했습니다.

이 기술을 **'강아지 추측 항법 (Dog Dead Reckoning, DDR)'**이라고 부르는데, 마치 과거 항해사들이 별과 나침반 없이도 항해 일지를 적어가며 위치를 추정했던 방식과 비슷합니다.

연구팀은 세 가지 다른 방법을 시도했는데, 그 결과를 쉽게 비유해서 설명해 드릴게요.

---

1. 세 가지 방법의 비유

① 방법 1: "규칙만 외운 고참 선장" (모델 기반 접근법)

이 방법은 사람이 만든 수학적 공식을 사용합니다.

• 비유: 마치 "한 걸음은 70cm, 발을 뗄 때마다 1 초가 걸린다"는 엄격한 규칙을 외운 선장입니다.
• 문제점: 개는 사람처럼 규칙적으로 걷지 않습니다. 뛰기도 하고, 멈추기도 하고, 다리가 네 개라 발걸음 패턴이 복잡합니다. 게다가 개마다 크기가 다르고, terrain(지형) 이 다르면 걸음걸이가 달라집니다. 이 '고참 선장'은 이런 변수를 제대로 반영하지 못해, 시간이 지날수록 "내가 어디에 있는지"를 점점 더 크게 착각하게 됩니다. (오차가 25% 이상 발생)

② 방법 2: "센서 데이터를 통째로 배운 AI 비서 1 호" (ResNet 기반 딥러닝)

이 방법은 **인공지능 (AI)**이 센서 데이터를 직접 분석하게 합니다.

• 비유: 수많은 개가 걷는 모습을 수천 시간 동안 관찰한 AI 비서입니다. 이 비서는 "아, 가속도계가 이렇게 진동하면 개가 빠르게 달리는구나", "이런 패턴이면 왼쪽으로 꺾는구나"를 직관적으로 파악합니다.
• 장점: 복잡한 수식을 외울 필요 없이, 데이터 패턴을 그대로 학습하므로 오차가 매우 적습니다 (약 3% 수준).

③ 방법 3: "세밀한 패턴 분석가 AI 비서 2 호" (트랜스포머 기반 딥러닝)

이것도 AI 비서지만, 더 정교한 분석 도구를 썼습니다.

• 비유: AI 비서 1 호가 "전체적인 흐름"을 봤다면, 이 비서는 각각의 발걸음 사이의 미세한 연결고리까지 분석합니다. 마치 영화의 한 장면을 쪼개서 분석하듯, 긴 시간 동안의 움직임을 더 정밀하게 이해합니다.
• 장점: 특히 로봇 개처럼 기계적인 움직임을 할 때, AI 비서 1 호보다 더 정확한 위치를 찾아냅니다.

---

2. 실험 결과: 누가 이겼을까?

연구팀은 두 가지 데이터를 가지고 실험을 했습니다.

1. 실제 개 2 마리가 착용한 센서로 걷게 한 데이터 (13 분 분량)
2. 로봇 개가 걷게 한 공개 데이터 (116 분 분량)

결과:

• **수학 공식 (고참 선장)**은 길을 잃기 일쑤였습니다. 개가 걷는 동안 오차가 계속 쌓여, 100m 를 걸었는데 25m 이상 어긋나는 경우도 있었습니다.
• AI 비서들은 놀라울 정도로 정확했습니다. 특히 **AI 비서 1 호 (ResNet)**는 실제 개 실험에서, **AI 비서 2 호 (트랜스포머)**는 로봇 개 실험에서 가장 좋은 성적을 냈습니다.
• 핵심: 두 AI 비서 모두 오차를 10% 미만으로 줄여냈습니다. 즉, 100m 를 걸었을 때 10m 이내의 오차만 남긴 것입니다.

---

3. 왜 이 기술이 중요할까요?

이 연구는 **"저렴하고 가벼운 센서"**만으로도 정확한 위치 추적이 가능하다는 것을 증명했습니다.

• 재난 구조: 건물이 무너진 곳이나 GPS 가 안 터지는 지하에서는 고가의 장비가 필요 없습니다. 이 기술을 적용한 저가형 센서를 로봇 개나 구조견에 달아두면, 어디에 있는지 정확히 파악하여 구조 활동을 도울 수 있습니다.
• 의료 및 서비스: 개의 건강 상태를 모니터링하거나, 시각 장애인을 안내하는 개에게도 유용하게 쓰일 수 있습니다.

4. 결론: "AI 가 개를 더 잘 이해한다"

이 논문의 핵심 메시지는 **"개나 로봇 개는 너무 복잡해서 수학 공식으로 다 설명할 수 없다. 하지만 AI 는 그 복잡한 움직임을 직접 배우면 훨씬 잘 따라잡는다"**는 것입니다.

연구팀은 이 기술의 코드와 데이터를 모두 공개했습니다. 마치 **"누구나 이 지도를 따라가면 길을 잃지 않는다"**는 것을 증명하기 위해, 모든 사람에게 지도를 나눠준 셈입니다. 앞으로 더 많은 개와 다양한 환경에서 이 기술이 발전하면, 우리 주변의 로봇과 동물들이 훨씬 더 똑똑하고 안전하게 움직일 수 있게 될 것입니다.

기술 요약

1. 연구 배경 및 문제 정의 (Problem)

• 배경: 현대의 개 (생물학적 개 및 로봇 개) 는 의료, 서비스, 산업 검사, 재난 구조 등 다양한 분야에서 활용되고 있습니다. 이러한 응용 분야에서 정확한 위치 추정은 필수적입니다.
• 문제: 관성 센서 (IMU) 만을 사용할 경우, 적분 과정에서 발생하는 누적 오차 (Drift) 로 인해 위치 추정의 정확도가 시간이 지남에 따라 급격히 떨어집니다.
• 도전 과제:
  • 생물학적 개: 보행 패턴이 비강체적 (non-rigid) 이고, 개체별 크기, 품종, 환경에 따라 매우 다양하며 예측 불가능합니다. 기존의 인간 보행 기반 모델 (PDR) 이나 로봇용 모델은 이러한 복잡한 생체 역학적 변이를 처리하기 어렵습니다.
  • 로봇 개: 인간 보행과 유사한 주기적인 패턴을 따르지만, 생물학적 개와 로봇 개 모두를 아우르는 단일한 강건한 관성 기반 위치 추정 프레임워크가 부족했습니다.

2. 제안된 방법론 (Methodology)

저자들은 저비용 관성 센서 (가속도계, 자이로스코프) 만을 사용하여 개와 로봇 개의 위치를 추정하는 Dog Dead Reckoning (DDR) 알고리즘 세 가지를 제안합니다.

A. 모델 기반 DDR (Model-Based DDR)

기존 보행자 사각 (PDR) 접근법을 개에 적용한 방법입니다.

1. 보행 감지 (Step Detection): 가속도계 신호의 피크를 감지하여 걸음을 식별합니다.
2. 보폭 추정 (Step-Length Estimation): Weinberg 알고리즘을 적용하여 걸음의 크기를 추정합니다. (인간용 모델을 개에 맞게 게인 값을 조정하여 적용).
3. 방향 추정 (Heading Estimation): Madgwick 필터 (자이로스코프와 가속도계 기반) 를 사용하여 자세와 진행 방향을 추정합니다. (지자기 센서의 환경 민감도 문제로 가속도계 보정만 사용).
4. 위치 업데이트: 추정된 보폭과 방향을 기반으로 2 차원 위치를 업데이트합니다.

B. 딥러닝 보조 DDR (Deep Learning-Aided DDR)

모델 기반 접근법의 한계 (보정 게인 필요성, 업데이트 빈도 제한 등) 를 극복하기 위해 제안된 두 가지 신경망 기반 방법입니다.

1. ResNet 기반 DDR (DL1-DDR):

   • 구조: 1D ResNet-18 아키텍처를 기반으로 합니다.
   • 기능: 가속도계와 자이로스코프 데이터를 입력받아 **속도 크기 (Velocity Magnitude)**와 **보행 방향 (Walking Direction)**을 동시에 회귀 (Regression) 합니다.
   • 학습: 속도 추정은 MSE 손실 함수, 방향 추정은 코사인 거리 (Cosine Distance) 손실 함수를 사용합니다.

2. Transformer 인코더 기반 DDR (DL2-DDR):

   • 구조: ResNet 백본과 Transformer 인코더를 혼합한 하이브리드 아키텍처입니다.
   • 기능: ResNet 은 속도 크기를 추정하고, Transformer 인코더 (Multi-head Self-Attention) 는 장거리 의존성을 학습하여 **방향 (Heading)**을 추정하는 데 특화되어 있습니다.
   • 장점: 시계열 데이터의 복잡한 동적 특성을 효과적으로 포착하여 방향 추정의 안정성을 높입니다.

3. 주요 기여 (Key Contributions)

1. DDR 프레임워크 개발: 생물학적 개와 로봇 개 모두에 적용 가능한 저비용 관성 센서 기반 위치 추정 알고리즘 세 가지 (모델 기반, ResNet 기반, Transformer 기반) 를 제안했습니다.
2. DogMotion 장치 및 데이터셋 구축: 개용 웨어러블 데이터 기록 장치 'DogMotion'을 개발하고, 2 마리의 개로 13 분간의 데이터를 수집했습니다. 또한, 공개된 로봇 개 (ANYmal) 데이터셋 (116 분) 을 활용했습니다.
3. 성능 검증: 두 가지 서로 다른 데이터셋 (생물학적 개, 로봇 개) 에서 딥러닝 기반 방법이 모델 기반 방법을 일관되게 능가함을 입증했습니다.
4. 오픈 소스 공개: 재현성을 위해 코드베이스와 새로운 데이터셋을 GitHub 에 공개하여 커뮤니티 표준 벤치마크를 제공했습니다.

4. 실험 결과 (Results)

• 데이터셋:
  • 개 데이터셋: 13 분, 12 개 경로 (생물학적 개 2 마리).
  • 로봇 개 데이터셋: 116 분, 49 개 경로 (ANYmal 로봇).
• 성능 지표: 위치 RMS 오차 (PRMSE) 및 절대 거리 오차 (ADE).
• 주요 결과:
  • 모델 기반 (MB-DDR): 누적 오차로 인해 평균 PRMSE 가 개 데이터셋에서 약 25m (25.9%), 로봇 데이터셋에서 약 25.9m (12.1%) 로 높은 오차를 보였습니다.
  • ResNet 기반 (DL1-DDR): 개 데이터셋에서 평균 PRMSE **2.91m (2.9%)**로 가장 우수한 성능을 보였습니다.
  • Transformer 기반 (DL2-DDR): 로봇 개 데이터셋에서 평균 PRMSE **5.25m (2.7%)**로 가장 정밀한 성능을 보였습니다. (개 데이터셋에서는 DL1-DDR 보다 다소 낮았으나 여전히 모델 기반보다 월등히 우수함).
  • 종합: 모든 딥러닝 기반 방법은 모델 기반 방법보다 약 10 배 이상의 위치 오차 감소를 달성했습니다. 특히 ADE(절대 거리 오차) 는 모든 방법에서 10% 미만을 기록하여 전체 이동 거리를 정확히 추정함을 보였습니다.

5. 의의 및 결론 (Significance & Conclusion)

• 기술적 의의: 생물학적 개와 로봇 개라는 서로 다른 운동 특성을 가진 대상에 대해, 단일한 저비용 관성 센서 기반 솔루션이 효과적으로 작동함을 입증했습니다. 특히 딥러닝이 센서 노이즈 제거와 복잡한 비선형 관계 모델링을 통해 관성 항법의 누적 오차 문제를 해결할 수 있음을 보여줍니다.
• 실용적 가치: 고가의 LiDAR 나 카메라 없이도 저비용 IMU 만으로 정확한 위치 추정이 가능해져, 재난 구조, 산업 검사 등 고위험 환경에서의 로봇 및 개 활용의 자율성을 크게 향상시킵니다.
• 향후 과제: 더 다양한 개체와 환경, 운동 패턴을 포함한 데이터셋 확장 및 자성계 (Magnetometer) 를 활용한 드리프트 추가 감소를 계획하고 있습니다.

이 논문은 딥러닝과 관성 항법의 융합을 통해 기존 모델 기반 접근법의 한계를 극복하고, 생물학적 및 로봇 개 모두에 적용 가능한 강건하고 저비용인 위치 추정 솔루션을 제시했다는 점에서 중요한 의의를 가집니다.