LoCal-RIO: Radar-Inertial Odometry with Loop-Closure IMU Bias Calibration

배송 로봇부터 자율주행 자동차에 이르기까지, 자율 주행 로봇은 자신이 어디에 있는지, 그리고 어떻게 움직이고 있는지에 대한 지속적이고 내부적인 감각에 의존합니다. 맑고 화창한 조건에서는 카메라와 레이저 스캐너가 이 작업을 훌륭히 수행하며, 기계를 안내하기 위해 세상의 상세한 그림을 그려냅니다. 하지만 공기가 안개, 먼지 또는 연기로 가득 차거나 조명이 어두워지면, 이러한 광학 센서들은 종종 눈이 멀게 됩니다. 이러한 어려운 환경을 탐색하기 위해 엔지니어들은 밀리미터파 레이더로 눈을 돌립니다. 빛과 달리 레이더 파동은 시각적 장애물을 뚫고 지나가 벽과 물체에 부딪혀 주변의 대략적인 지도를 제공할 수 있습니다. 그러나 레이더에도 중요한 사각지대가 있습니다. 레이더는 로봇이 물체를 향해 가거나 멀어지는 속도를 측정하는 데는 탁월하지만, 로봇이 어느 방향을 향하고 있는지는 파악하는 데 어려움을 겪습니다. 신뢰할 수 있는 방향 감각이 없으면 로봇은 경로를 벗어나 서서히 오차를 누적하게 되며, 결국 실제 위치와 완전히 다른 곳에 있다고 믿게 되는 상황에 이르게 됩니다.

스콜코보 과학기술대학교(Skolkovo Institute of Science and Technology)의 연구진은 이 특정 문제를 해결하기 위해 LoCal-RIO라고 불리는 새로운 시스템을 개발했습니다. 그들의 연구는 레이더 데이터와 가속도계 및 자이로스코프를 포함하여 움직임을 추적하는 작은 센서 패키지인 관성 측정 장치(IMU)의 측정값을 융합하는 데 중점을 둡니다. 그들이 해결한 핵심 과제는 표준적인 센서 결합 방식이 장거리 주행 시 실패하는 경우가 많다는 점인데, 이는 레이더가 자이로스코프의 드리프트(drift, 흐름 현상)를 교정할 수 없기 때문입니다. 연구진은 로봇의 즉각적인 움직임 추적과 장기적인 지도 구축을 분리하고, 로봇이 전체 루프(순환 경로)를 완료할 때만 센서의 내부 오류를 수정하는 영리한 방법을 사용함으로써, 지하 주차장이나 다층 도서관과 같이 크고 혼란스러운 실내 공간에서도 로봇이 높은 정밀도로 경로를 유지할 수 있다는 것을 발견했습니다.

이 시스템은 마치 조종사와 항해사처럼 함께 작동하는 두 개의 뚜렷한 수준으로 운영됩니다. 첫 번째 단계인 내비게이션 그래프는 레이더의 속도 측정값과 IMU의 움직임 데이터를 융합하여 로봇이 따라갈 수 있는 매끄럽고 실시간적인 경로를 생성하며 끊임없이 빠르게 실행됩니다. 이 부분은 빠르고 즉각적인 반응을 위해 설계되어 로봇이 환경에 즉각적으로 반응할 수 있도록 보장합니다. 그러나 레이더가 로봇의 헤딩(방향)을 완벽하게 결정할 수 없기 때문에, 이 빠른 추적 계층은 시간이 지남에 따라 필연적으로 작은 오차를 누적시키며 로봇의 내부 지도가 현실에서 서서히 벗어나게 만듭니다. 두 번째 단계인 매핑 그래프는 백그라운드에서 작동합니다. 이 단계는 로봇의 위치를 주요 순간마다 스냅샷으로 찍어 환경의 전역 지도를 구축합니다. 이 계층은 더 느리지만 더 철저하며, 로봇이 이전에 방문했던 장소로 돌아왔음을 인식할 수 있습니다.

LoCal-RIO의 획기적인 점은 이 두 수준이 어떻게 통신하느냐에 있습니다. 많은 기존 시스템에서는 백그라운드 매퍼가 로봇의 위치가 벗어난 것을 깨달았을 때, 단순히 로봇의 위치를 지도상의 올바른 위치로 확 낚아채듯 옮겨 놓았습니다. 이는 지도는 수정했지만, 로봇의 내부 위치 감각에 갑작스럽고 충격적인 도약을 만들어 차량을 조종하려는 제어 시스템을 혼란에 빠뜨릴 수 있었습니다. 연구진은 진정한 드리프트의 원인이 로봇의 위치가 아니라 자이로스코프의 미세하고 지속적인 읽기 오류라는 점을 깨달았습니다. 위치를 강제로 점프시키는 대신, 그들의 시스템은 로봇이 이전 장소로 돌아왔음을 인식하는 "루프 클로저(loop closure)"의 순간을 이용하여 자이로스코프가 얼마나 거짓 정보를 제공했는지 정확히 계산합니다. 그런 다음 시스템은 로봇의 현재 위치나 속도를 전혀 방해하지 않고 센서의 내부 바이어스(bias, 편향)를 조용히 조정합니다. 이를 통해 로봇은 부드럽게 계속 이동하면서도 내부 나침반이 점진적으로 더 정확해지도록 합니다.

이를 구현하기 위해 연구팀은 종종 가짜 에코와 노이즈로 가득 찬 레이더 데이터의 무질서한 특성을 극복해야 했습니다. 그들은 단단한 물체로부터 오는 강하고 명확한 반사파를 우선시하고 여러 표면에 부딪혀 발생하는 약하고 혼란스러운 신호들을 무시하는 필터링 기술을 개발했습니다. 이는 구축되는 지도가 선명하고 신뢰할 수 있도록 보장합니다. 또한, 시스템에는 어떤 수정을 수용하기 전 엄격한 안전 점검이 포함되어 있습니다. 시스템은 단 한 번의 루프 클로저를 즉시 신뢰하지 않습니다. 대신 로봇이 몇 번 더 루프를 완료하고 새로운 경로가 기존 경로와 일치하는지 확인될 때까지 기다립니다. 그 후에야 센서의 바이어스에 수정을 적용하여, 로봇이 실수로부터 배우는 일이 없도록 보장합니다.

연구진은 대형 지하 주차장, 나무 선반이 있는 도서관, 복잡하고 곡선이 많은 복도가 있는 캠퍼스 건물 등 다양한 까다로운 실제 환경에서 시스템을 테스트했습니다. 이러한 테스트에서 시스템은 수천 미터의 주행을 성공적으로 매핑했으며, 다른 레이더 기반 시스템이 실패했을 곳에서도 높은 정확도를 유지했습니다. 총 루프 거리가 2,200미터를 넘는 특정 테스트에서, 시스템은 로봇의 경로를 건물의 실제 기하학적 구조와 일치하게 유지함으로써, 일반적으로 로봇을 혼란스럽게 만드는 반복적인 패턴과 저반사 표면을 처리할 수 있음을 입증했습니다. 결과는 로봇이 지도를 수정하는 것보다 센서의 내부 오류를 교정하는 데 집중함으로써, 더 비싸고 취약한 레이저 기반 시스템에 필적하는 정밀도로 항해할 수 있으며, 동시에 다른 기술들이 실패하는 안개 끼고 먼지가 많으며 어두운 환경에서 작동하는 데 필요한 견고함을 갖추고 있음을 보여주었습니다.

이러한 접근 방식은 자율 주행 로봇을 진정으로 신뢰할 수 있게 만드는 데 있어 중요한 진전을 의미합니다. 드리프트를 피할 수 없는 결함이 아닌 교정 가능한 오류로 취급하고, 수정이 부드럽고 안전하게 적용되도록 함으로써, LoCal-RIO는 로봇이 길을 잃지 않고 가장 어려운 조건에서도 탐사하고 작동할 수 있는 길을 제시합니다. 이 시스템은 적절한 수학적 프레임워크가 있다면 레이더의 한계를 강점으로 바꿀 수 있으며, 이를 통해 기계가 주변 세계가 가려져 있는 상황에서도 명확하게 볼 수 있음을 증명합니다.