⚡ electrical engineering

Intelligent Control of Differential Drive Robots Subject to Unmodeled Dynamics with EKF-based State Estimation

이 논문은 미모델 동역학과 센서 노이즈가 있는 차동 구동 로봇을 위해, 적응형 신경망과 확장 칼만 필터 (EKF) 를 결합하여 미지의 비선형성을 실시간으로 보상하고 안정성을 보장하는 통합 제어 및 상태 추정 프레임워크를 제안하며, 이를 통해 기존 피드백 선형화 제어 대비 선형 및 각속도 오차를 각각 최대 53.91% 와 29.0% 까지 감소시켰음을 시뮬레이션 및 실증 실험을 통해 입증했습니다.

원저자: Amos Alwala, Yuchen Hu, Gabriel da Silva Lima, Wallace Moreira Bessa

게시일 2026-03-17

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Amos Alwala, Yuchen Hu, Gabriel da Silva Lima, Wallace Moreira Bessa

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

이 논문은 지능형 로봇이 험한 길에서도 넘어지지 않고 목적지까지 정확히 가는 방법에 대한 연구입니다.

기존의 로봇들은 "이론상 완벽한 길"만 생각해서 설계되었기 때문에, 실제로는 바퀴가 미끄러지거나 바닥이 고르지 않거나 센서가 고장 나면 길을 잃거나 흔들리는 문제가 있었습니다. 이 논문은 그 문제를 해결하기 위해 **"스스로 배우는 뇌 (인공지능)"**와 **"여러 센서를 하나로 합친 눈 (센서 융합)"**을 로봇에 심어주었습니다.

이 내용을 일상적인 비유로 쉽게 설명해 드릴게요.

1. 문제 상황: "눈이 먼 운전사와 낡은 지도"

기존의 로봇 제어 방식은 마치 정해진 길만 아는 운전사와 같습니다.

이론적 모델: "바퀴가 미끄러지지 않고, 바닥은 완벽하게 평평하다"고 가정합니다.
현실: 실제 세상은 빗길, 모래사장, 돌길 등 예측 불가능합니다. 바퀴가 미끄러지거나 (Slip), 센서 오차가 생기면 로봇은 이론대로 움직이지 못하고 길을 이탈합니다.

2. 해결책 1: "스스로 배우는 뇌" (적응형 신경망)

이 논문은 로봇에게 **실시간으로 배우는 뇌 (RBF 신경망)**를 심었습니다.

비유: 처음 운전할 때는 지도만 보고 가다가, "아, 여기는 길이 미끄러우네?"라고 느끼면 그 즉시 운전 습관을 수정하는 것과 같습니다.
작동 원리: 로봇이 움직이는 동안, 예상치 못한 마찰력이나 진동 같은 '알 수 없는 힘'을 뇌가 감지합니다. 그리고 그 힘을 계산해서 실시간으로 보정합니다. 마치 운전사가 미끄러운 길에서는 발을 더 가볍게 떼는 것처럼, 로봇도 스스로 제어 방식을 바꿔서 균형을 잡습니다.
결과: 이론적으로 완벽하지 않아도, 로봇은 실제 경험을 통해 오차를 줄여갑니다.

3. 해결책 2: "여섯 개의 눈을 가진 수석 감시관" (EKF 기반 센서 융합)

로봇이 자신의 위치를 정확히 알기 위해 여러 센서를 사용하는데, 각각의 센서는 단점이 있습니다.

바퀴 회전 센서 (오도메트리): 짧은 거리는 정확하지만, 오래 달리면 바퀴 미끄러짐 때문에 위치가 점점 틀어집니다. (장거리 운전 시 오차 누적)
자이로/가속도계 (IMU): 순간적인 움직임은 잘 잡지만, 시간이 지나면 '편향 (Bias)'이 생겨 위치가 엉뚱한 곳으로 갈 수 있습니다.
카메라/라이다: 주변 환경을 잘 보지만, 어두우면 안 보이거나 안개가 끼면 작동이 멈춥니다.

이 논문은 **확장 칼만 필터 (EKF)**라는 기술을 써서 이 모든 센서 정보를 한곳에 모아 처리합니다.

비유: 마치 여섯 명의 감시관이 서로 다른 각도에서 상황을 보고, 한 사람이 실수하면 다른 사람이 바로 잡아주는 팀워크입니다.
- 카메라가 안 보이면? → 라이다와 바퀴 센서 정보로 위치를 추정합니다.
- 바퀴가 미끄러졌다고 의심되면? → 가속도계와 라이다 데이터를 더 신뢰합니다.
효과: 어떤 센서가 고장 나거나 환경이 나빠져도, 로봇은 혼란 없이 정확한 위치를 파악할 수 있습니다.

4. 실험 결과: "실제 도로에서의 승부"

연구진은 이 시스템을 실제 로봇 (Create3) 과 시뮬레이션 (Gazebo) 으로 테스트했습니다.

테스트 조건: 매끄러운 바닥, 거친 바닥, 부드러운 바닥 등 다양한 환경에서 원을 그리며 주행하게 했습니다.
결과:
- 기존 방식 (이론만 믿는 방식) 에 비해 직선 속도 오차는 54%, **회전 속도 오차는 29%**나 줄었습니다.
- 위치 오차 (X, Y 좌표) 는 최대 80% 이상 개선되었습니다.
- 특히 센서 중 하나가 일시적으로 고장 나거나 (예: 카메라가 어두워짐), 바닥이 미끄러져도 로봇은 안정적으로 목적지까지 도달했습니다.

요약

이 연구는 **"완벽한 이론"**만 믿는 로봇에서, **"실제 경험을 통해 배우고, 여러 감각을 합쳐 상황을 판단하는 지능형 로봇"**으로의 전환을 보여줍니다.

마치 초보 운전자가 스승의 지도 (이론) 만 보고 운전하다가, 직접 미끄러운 길을 경험하며 스스로 운전 실력을 늘리고, 주변 차량들의 움직임 (센서 정보) 을 종합해 안전하게 운전하는 숙련된 운전자가 되는 것과 같습니다.

이 기술은 창고 물류 로봇, 자율 주행 차량, 재난 구조 로봇 등 예측 불가능한 환경에서 일하는 모든 로봇의 신뢰성을 높이는 데 큰 기여를 할 것입니다.

1. 문제 정의 (Problem Statement)

차동 구동 로봇 (DDR) 은 물류, 자율 항해 등 다양한 분야에서 널리 사용되지만, 다음과 같은 도전 과제로 인해 동적이고 불확실한 환경에서 안정적인 제어가 어렵습니다.

미모델링 역학 (Unmodeled Dynamics): 실제 환경에서의 마찰, 슬립, 구동기 동역학, 외부 섭동 등은 수학적 모델에 완전히 반영되지 않아 제어 성능을 저하시킵니다.
센서 노이즈 및 고장: 단일 센서 (예: 휠 엔코더, IMU, 카메라 등) 에 의존할 경우, 드리프트 (drift), 슬립, 조명 변화, 센서 고장 등으로 인해 상태 추정 (State Estimation) 이 불안정해집니다.
기존 제어의 한계: 기존 접근법들은 이상적인 속도 추정을 가정하거나, 역학을 선형화하거나, 완전한 역학 지식을 전제로 하는 경우가 많아 실제 환경의 불확실성에 취약합니다.

2. 제안된 방법론 (Methodology)

이 논문은 지능형 제어 (Adaptive Neural Network 기반) 와 강건한 상태 추정 (EKF 기반 다중 센서 퓨전) 을 통합한 통일된 프레임워크를 제안합니다.

A. 지능형 제어기 (Intelligent Control)

Lyapunov 기반 비선형 제어: 폐루프 시스템의 안정성과 궤적 추종 오차의 점근적 수렴을 보장하는 Lyapunov 기반 제어 법칙을 설계했습니다.
적응형 신경망 (Adaptive ANN): 미지의 비선형성 (마찰, 미모델링 역학 등) 을 실시간으로 모델링하기 위해 적응형 RBF (Radial Basis Function) 신경망을 도입했습니다.
- 신경망은 시스템의 불확실성 ( $d$ ) 을 추정 ( $\hat{d}$ ) 하여 피드백 선형화 (Feedback Linearization, FBL) 제어 법칙에 통합합니다.
- 온라인 적응 (Online Adaptation): Lyapunov 안정성 분석을 기반으로 신경망 가중치를 실시간으로 업데이트하는 학습 규칙을 도출하여, 추정 오차를 최소화하고 시스템 안정성을 유지합니다.

B. EKF 기반 상태 추정 (EKF-based State Estimation)

다중 센서 퓨전: IMU(관성 측정 장치), 휠 엔코더, 2D LiDAR, 모노큘러 카메라의 데이터를 확장 칼만 필터 (EKF) 를 통해 융합합니다.
강건성 확보: 각 센서의 장단점을 보완합니다.
- 휠 엔코더: 짧은 시간 동안 정확하지만 장기 드리프트와 슬립에 취약.
- IMU: 고주파 측정 가능하지만 편향 (bias) 오차 발생.
- LiDAR/카메라: 환경 매핑에 유용하지만 조명/날씨 조건에 민감.
EKF 는 이러한 센서들의 측정 노이즈와 불확실성을 가중치로 처리하여, 센서 고장이나 부분적 실패 상황에서도 일관된 상태 (위치, 속도, 자세) 를 추정합니다.

3. 주요 기여 (Key Contributions)

통합 제어 및 추정 프레임워크: 미모델링 역학을 보상하는 적응형 신경망 제어기와 다양한 센서 데이터를 융합하는 EKF 를 결합하여, 불확실한 환경에서도 신뢰성 있는 로봇 제어를 가능하게 함.
이론적 안정성 보장: Lyapunov 기반 분석을 통해 폐루프 시스템의 안정성과 궤적 추종 오차의 점근적 수렴을 수학적으로 증명함.
실제 환경 검증: Gazebo 시뮬레이션뿐만 아니라, 실제 하드웨어 (iRobot Create3) 를 이용한 실험을 통해 제안된 방법의 유효성을 입증함. 특히 다양한 바닥 조건 (매끄러움, 거친 바닥, 부드러운 바닥) 과 센서 고장 시나리오에서 성능을 검증함.

4. 실험 결과 (Results)

로봇 운영 시스템 (ROS2) 과 Gazebo 시뮬레이션, 그리고 실제 Create3 로봇을 이용한 실험을 통해 기존 순수 피드백 선형화 (Pure Feedback Linearization, FBL) 제어기와 비교 평가했습니다.

시뮬레이션 결과: 제안된 지능형 제어기는 원형 궤적 추종 시 속도 오차가 감소하는 것을 확인했습니다.
실제 실험 결과 (거친 바닥 조건):
- 위치 오차 (X, Y): X 축 오차 80.67%, Y 축 오차 24.19% 감소.
- 자세 오차 (Yaw): 82.48% 감소.
- 속도 오차: 선형 속도 오차 53.91%, 각속도 오차 29.0% 감소.
센서 고장 대응: 시각적 오도메트리 (VO) 가 재초기화되는 등의 센서 일시적 실패 상황에서도 EKF 퓨전 덕분에 상태 추정이 유지되었고, 제어기는 안정적인 궤적 추종을 수행했습니다.

5. 의의 및 결론 (Significance & Conclusion)

이 연구는 적응형 머신러닝 제어와 강건한 상태 추정을 결합함으로써, 모델 불확실성과 센서 결함이 존재하는 실제 환경에서 자율 로봇의 신뢰성을 획기적으로 향상시켰습니다.

실용성: 복잡한 역학 모델링 없이도 신경망이 실시간으로 불확실성을 학습하여 보상하므로, 다양한 환경 (바닥 재질, 마찰 등) 에 적용 가능합니다.
확장성: 향후 강화학습을 통한 제어기 파라미터 자동 튜닝 및 SLAM 과 같은 고수준 경로 계획 애플리케이션과의 통합을 통해 자율 로봇의 성능을 더욱 고도화할 수 있는 기반을 마련했습니다.

요약하자면, 이 논문은 이론적 안정성을 갖춘 적응형 신경망 제어와 다중 센서 퓨전 기술을 통해, 기존 제어 방식의 한계를 극복하고 실제 환경에서의 로봇 궤적 추종 정밀도와 강건성을 크게 개선한 성공적인 사례입니다.