💻 computer science

SE(3)-LIO: Smooth IMU Propagation With Jointly Distributed Poses on SE(3) Manifold for Accurate and Robust LiDAR-Inertial Odometry

이 논문은 회전와 이동을 분리하지 않고 SE(3) 매니폴드에서 직접 IMU 를 전파하고 예측된 포즈 간의 상관관계를 고려한 불확실성 인식 운동 보상을 통해 기존 LiDAR-관성 주행 시스템의 한계를 극복한 정밀하고 강건한 주행 시스템인 SE(3)-LIO 를 제안합니다.

원저자: Gunhee Shin, Seungjae Lee, Jei Kong, Youngwoo Seo, Hyun Myung

게시일 2026-03-18

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Gunhee Shin, Seungjae Lee, Jei Kong, Youngwoo Seo, Hyun Myung

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

🎒 1. 문제 상황: "눈이 멀고 귀가 막힌 상태에서의 길 찾기"

로봇이 움직일 때 두 가지 센서를 주로 사용합니다.

라이다 (LiDAR): 주변을 스캔해서 지도를 만듭니다. (눈 역할)
관성측정장치 (IMU): 가속도와 회전 속도를 잽니다. (귀와 속도를 느끼는 역할)

기존 기술의 한계:

IMU 의 오차: IMU 는 매우 빠르게 측정하지만, 시간이 지날수록 오차가 쌓입니다. 마치 "눈을 감고 100m 를 뛰면, 내가 어디에 도착했는지 대충만 알 수 있다"는 것과 같습니다.
잘못된 계산 방식: 기존 기술은 로봇이 회전할 때와 이동할 때를 따로따로 계산했습니다.
- 비유: 차를 운전할 때 핸들 (회전) 을 꺾는데, 바퀴가 어떻게 굴러가는지 (이동) 를 전혀 고려하지 않고 "핸들만 꺾었으니 앞으로 10m 갔다"고 계산하는 꼴입니다. 그래서 급하게 회전하거나 빠르게 움직일 때 위치가 엉망이 됩니다.
보정 (Distortion) 문제: 라이다는 한 장의 사진을 찍는 데 시간이 걸립니다. 그 사이에 로봇이 움직이면 사진이 찌그러집니다. 이를 원래대로 펴주는 '보정' 작업을 할 때, IMU 의 오차까지 고려하지 않아서 보정이 완벽하지 않았습니다.

🚀 2. 이 연구의 해결책: "SE(3)-LIO"

이 연구는 두 가지 핵심 아이디어로 문제를 해결했습니다.

① "회전과 이동을 하나로 묶어서 생각하기" (SE(3) 매니폴드)

기존에는 회전과 이동을 따로 계산했지만, 이 연구는 회전과 이동을 하나의 덩어리 (SE(3)) 로 묶어서 계산합니다.

비유:
- 기존: "핸들 30 도 꺾음" + "앞으로 10m 전진" = (서로 다른 계산)
- 이 연구: "핸들을 꺾으면서 동시에 차체가 어떻게 굴러가는지"를 한 번에 계산합니다.
- 효과: 급하게 회전하거나 빠르게 움직일 때 (드론이 날아다니거나 지형이 험할 때) 위치 추정이 훨씬 정확해집니다. 마치 회전하는 공을 던질 때, 공의 회전과 날아가는 궤적을 동시에 고려하는 것과 같습니다.

② "불확실성을 인정하고 보정하기" (UAMC)

IMU 로 계산한 위치에는 항상 "오차 가능성"이 있습니다. 이 연구는 이 오차가 얼마나 큰지 정확하게 계산해서 보정 과정에 반영합니다.

비유:
- 기존: "내 위치가 여기일 거야. (100% 확신)" -> 오차가 있어도 무시하고 보정함.
- 이 연구: "내 위치가 여기일 확률이 90% 고, 저기일 확률이 10% 야. 그래서 보정할 때 이 '불확실성'을 고려해서 점들을 더 부드럽게 펴주자."
- 효과: 특히 멀리 있는 사물 (라이다 점) 일수록 작은 회전 오차도 큰 위치 오차로 이어집니다. 이 연구는 "오차가 클수록 더 조심스럽게 보정한다"는 원리를 적용해, 흐릿한 지도를 선명하게 만듭니다.

🧩 3. 전체적인 작동 원리 (간단한 스토리)

예측 (IMU Propagation): 로봇이 움직일 때마다 IMU 데이터를 받아 "아, 내가 지금쯤 저기 갔겠구나"라고 매우 부드럽고 정확한 궤적을 예측합니다. (회전과 이동을 함께 계산해서)
보정 (Motion Compensation): 라이다가 찍은 찌그러진 사진을 펴줄 때, 예측한 위치의 오차 범위를 고려해서 점들을 제자리에 배치합니다. (불확실성을 고려한 보정)
최종 결정 (Optimization): 예측한 위치와 라이다로 본 실제 지도를 비교해서, 가장 그럴듯한 위치를 찾아냅니다.

🏆 4. 결과: 왜 이 기술이 특별한가?

급격한 움직임에도 강함: 드론이 급하게 방향을 틀거나, 지형이 울퉁불퉁한 곳에서 달릴 때 기존 기술들은 길을 잃거나 (오차 누적) 지도가 찌그러지지만, 이 기술은 매우 정확하게 위치를 파악했습니다.
빠른 속도: 복잡한 계산을 한다고 해서 느려진 건 아닙니다. 기존 최신 기술들과 비슷하거나 더 빠른 속도로 작동합니다.
실제 검증: 드론이 날아다니는 실험, 사람이 흔들며 걷는 실험, 험한 지형을 달리는 차량 실험 등 다양한 상황에서 가장 좋은 성능을 보여주었습니다.

💡 한 줄 요약

**"회전과 이동을 따로 보지 않고 하나로 통합해서 계산하고, 오차의 가능성을 정확히 파악해 보정함으로써, 로봇이 험난한 환경에서도 길을 잃지 않고 정확하게 움직이게 만든 기술"**입니다.

1. 연구 배경 및 문제 정의 (Problem)

LiDAR-관성 측정 장치 (IMU) 오도메트리 (LIO) 시스템에서 IMU 는 높은 주파수의 측정값을 통해 운동 정보를 예측 (IMU propagation) 하고, LiDAR 스캔 간의 운동 왜곡을 보정 (motion compensation) 하는 데 핵심적인 역할을 합니다. 그러나 기존 방법론은 다음과 같은 두 가지 주요 한계를 가지고 있습니다.

부정확한 운동 예측 (Motion Prediction): 기존 방법들은 6 자유도 (6-DoF) 포즈를 회전 (Rotation) 과 병진 (Translation) 으로 분리하여 각각 SO(3) 와 $\mathbb{R}^3$ 매니폴드에서 전파합니다. 이로 인해 회전 변화가 병진 운동 전파에 효과적으로 반영되지 못하며, 특히 급격한 운동 (aggressive motion) 이나 긴 IMU 간격에서 오차가 누적됩니다.
불확실성 고려 부재 (Motion Compensation Uncertainty): 운동 보정 시 예측된 포즈 간의 상대 변환을 사용하지만, IMU 노이즈와 수치 적분으로 인한 예측 포즈의 오차는 상대 변환에 불확실성을 초래합니다. 기존 연구들은 이 불확실성을 측정 노이즈에 반영하지만, 예측된 포즈들 간의 상관관계 (Correlation) 를 무시하여 불확실성을 과대평가하거나 부정확하게 추정하는 문제가 있었습니다.

2. 제안 방법론 (Methodology)

저자들은 SE(3)-LIO라는 새로운 LIO 프레임워크를 제안하며, 이는 다음 두 가지 핵심 기술을 통합합니다.

A. SE(3) 매니폴드 기반의 부드러운 IMU 전파 (Smooth IMU Propagation on SE(3) Manifold)

통합 표현: 6-DoF 포즈를 회전과 병진으로 분리하지 않고, SE(3) 매니폴드 위의 변환 행렬 $T$ 로 통합하여 표현합니다.
운동학 모델: 강체 운동 모델 (rigid body motion model) 을 기반으로, 회전 변화 ( $\omega$ $ω$ ) 가 병진 운동 전파에 자연스럽게 포함되도록 설계합니다.
- 기존 방법: $t_{i+1} = t_i + v_i \Delta t$ (회전 고려 부재)
- 제안 방법: $t_{i+1} = t_i + R_i J_l(\omega_i \Delta t) v_i \Delta t$ (좌측 야코비안 $J_l$ 을 통해 회전 변화 반영)
효과: 회전과 병진이 동시에 발생하는 동적 환경에서도 회전 변이가 병진 전파에 정확히 반영되어 더 정밀한 운동 예측 (Prior) 을 제공합니다.

B. 불확실성 인지 운동 보정 (Uncertainty-Aware Motion Compensation, UAMC)

결합 분포 (Joint Distribution) 도출: IMU 전파가 재귀적으로 수행되므로, 서로 다른 시점의 예측 포즈들은 통계적으로 독립적이지 않고 결합 분포 (Joint Distribution) 를 가집니다.
상대 변환 불확실성 정밀화: 예측된 포즈들 간의 상관관계를 고려하여 상대 변환의 공분산 (Covariance) 을 정확히 계산합니다. 기존 방법 (예: MA-LIO) 이 포즈 간 독립성을 가정하여 교차 항 (cross terms) 을 무시했던 것과 달리, 본 방법은 교차 항을 포함하여 불확실성을 정밀하게 특성화합니다.
확률적 왜곡 제거: 계산된 상대 변환 불확실성을 LiDAR 점의 측정 노이즈에 통합하여, 확률적 왜곡 제거 점군 (Probabilistic Undistorted Point Cloud) 을 생성합니다. 이는 먼 거리 측정값에서 발생할 수 있는 큰 오차를 효과적으로 보정합니다.

3. 주요 기여 (Key Contributions)

SE(3) 매니폴드 기반 IMU 전파: 회전 변이를 병진 전파에 통합하여 급격한 운동 환경에서도 정확한 운동 예측을 가능하게 하는 새로운 전파 기법 제안.
불확실성 인지 운동 보정 (UAMC): 예측 포즈 간의 상관관계를 고려하여 상대 변환 불확실성을 정밀하게 추정하고, 이를 측정 노이즈에 반영하는 방법론 제안.
SE(3)-LIO 프레임워크: 제안된 IMU 전파와 UAMC 를 통합한 오차 상태 칼만 필터 (ESKF) 기반의 LiDAR-IMU 오도메트리 시스템 구현.
다양한 환경에서의 검증: 드론의 급격한 운동, 인간이 들고 걷는 동적 환경, 대규모 거친 지형 주행 등 다양한 시나리오에서 기존 SOTA 방법들보다 우수한 성능 입증.

4. 실험 결과 (Experimental Results)

저자들은 NTU-VIRAL (드론 급격한 운동), Newer-College (휴대형, 희소 측정), 자체 수집 데이터 (대형 차량, 거친 지형) 등 3 가지 데이터셋을 통해 평가를 수행했습니다.

정량적 평가 (Accuracy):
- NTU-VIRAL: 모든 시퀀스에서 가장 낮은 절대 궤적 오차 (ATE) 를 기록. 특히 회전 및 병진 속도가 매우 높은 spms 시퀀스에서 기존 방법 (FAST-LIO2, DLIO 등) 이 성능이 저하되거나 발산하는 반면, SE(3)-LIO 는 안정적인 성능 유지.
- Newer-College: 포인트 클라우드를 희소하게 다운샘플링한 환경에서도 최상의 성능 달성.
- 자체 데이터: 2.4km~2.7km 의 거친 지형 주행에서 2 위 방법 대비 50% 이상 오차 감소 (CW 시퀀스 기준).
정성적 평가 (Robustness):
- 급격한 회전과 가속도 환경에서 FAST-LIO2 는 큰 드리프트 (Drift) 발생.
- SE(3)-LIO 는 전체 궤적에 걸쳐 드리프트가 최소화되어 루프 폐쇄 시에도 원점으로 정확히 복귀.
계산 효율성:
- 제안된 IMU 전파와 UAMC 모듈은 전체 계산 시간의 약 18.5% (각각 9.6%, 8.9%) 만 차지하여 실시간성 유지.
- FAST-LIO2 와 유사한 수준의 계산 시간을 가지면서도 정확도는 크게 향상됨.

5. 의의 및 결론 (Significance)

이 논문은 IMU 전파와 운동 보정 과정에서 발생하는 근본적인 한계 (회전 - 병진 분리 전파, 포즈 간 상관관계 무시) 를 해결했습니다. SE(3) 매니폴드를 활용한 통합 전파와 결합 분포 기반의 불확실성 정량화는 LiDAR-IMU 오도메트리의 정확도와 견고성 (Robustness) 을 획기적으로 개선했습니다. 특히, 급격한 운동이나 측정 데이터가 희소한 환경에서도 시스템이 안정적으로 작동함을 증명하여, 자율 주행 로봇 및 드론의 내비게이션 신뢰성을 높이는 데 중요한 기여를 했습니다. 향후 비전-IMU 또는 레이더-IMU 등 다른 센서 구성으로도 확장 가능한 잠재력을 가지고 있습니다.