💻 computer science

A Proprioceptive-Only Benchmark for Quadruped State Estimation: ATE, RPE, and Runtime Trade-offs Between Filters and Smoothers

본 논문은 그랜드투어 데이터셋에서 4족 보행 로봇을 위한 세 가지 고유감각 상태 추정기 (MUSE, IEKF, IS) 를 비교하는 포괄적인 벤치마크를 제시하여 장기 정확도, 단기 정밀도, 계산 실행 시간 간의 트레이드오프를 평가함으로써 실무자가 특정 응용 분야의 제약 조건에 가장 적합한 접근 방식을 선택할 수 있도록 안내합니다.

원저자: Ylenia Nisticò, João Carlos Virgolino Soares, Joan Solà, Claudio Semini

게시일 2026-05-13

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Ylenia Nisticò, João Carlos Virgolino Soares, Joan Solà, Claudio Semini

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

두꺼운 안개가 낀 숲속을 GPS 나 랜드마크, 지도 없이 걷고 있다고 상상해 보세요. 자신의 위치를 파악하려면 오직 자신의 신체에만 의존해야 합니다. 다리가 어떻게 움직이는지, 내이가 기울기를 어떻게 느끼는지, 발이 땅에 닿고 있는지 여부 말입니다. 이것이 바로 카메라(눈) 나 GPS 를 잃었을 때 4 발 로봇 (quadrupeds) 이 직면하는 고난입니다.

이 논문은 이러한 로봇들이 오직 신체 센서만을 이용해 자신의 위치를 파악하도록 돕는 세 가지 다른 "두뇌"(알고리즘) 에 대한 맛보기 테스트와 같습니다. 저자들은 이 세 가지 두뇌를 실제 세계 데이터셋인 'Grand Tour'라는 엄격한 장애물 코스를 통과시켜 어떤 것이 가장 정확하고 어떤 것이 가장 빠른지 확인했습니다.

다음은 그들이 테스트한 세 가지 "두뇌"에 대한 상세 분석입니다:

1. 세 명의 경쟁자

MUSE (모듈형 전문가): MUSE 를 계주 경기에서 일하는 전문가 팀으로 생각하세요. 한 사람은 균형을 확인하고, 다른 한 사람은 발걸음을 세우며, 세 번째 사람은 그 정보를 종합합니다. 이는 매우 빠르고 모듈화되도록 설계되었습니다.
IEKF (침착한 항해자): 이 두뇌는 로봇이 미끄러지거나 비틀거릴 때도 계산을 안정적으로 유지하는 특정 수학적 트릭 (리 군, Lie groups) 을 사용합니다. 이는 경로가 얼마나 거칠어지더라도 방향 감각을 잃지 않는 항해자와 같습니다.
IS - 불변 스무더 (역사가): 이 두뇌는 '현재'만 보지 않습니다. 대신 지난 몇 초간의 짧은 "영화 클립"을 봅니다. 최근의 역사를 검토함으로써 잠시 전에 저지른 작은 실수를 수정할 수 있습니다. 이는 완벽한 답을 얻기 위해 범죄 현장을 재검토하는 탐정과 같지만, 생각하는 데 조금 더 시간이 걸립니다.

2. 경기 결과

저자들은 두 가지 주요 사항을 측정했습니다: 장기 정확도(로봇이 긴 산책 후 올바른 장소에 도착했는가?) 와 단기 정확도(로봇이 지금 바로 어디에 있는지 정확히 알았는가?). 또한 속도(두뇌가 생각하는 데 걸린 시간) 도 측정했습니다.

긴 산책 (ATE): 전체 300 미터 코스에 걸쳐 "역사가"(IS) 와 "침착한 항해자"(IEKF) 가 가장 정확했습니다. 그들은 진정한 목적지에 가장 가깝게 도착했습니다. "전문가"(MUSE) 는 조금 더 표류하여 최상위 성능자들보다 약 1 미터 더 떨어진 곳에 도착했습니다.
즉시 점검 (RPE):
- 1 미터 이상: 짧은 거리 (한 걸음 걷기 등) 를 볼 때 IEKF 와 IS 는 MUSE 보다 훨씬 더 경로를 잘 유지했습니다.
- 프레임 단위: 업데이트 사이의 순간을 볼 때, MUSE 와 IEKF 는 IS 보다 실제로 더 날카롭고 덜 떨렸습니다. IS 는 자신의 "영화 클립"을 검토하는 데 바빠서 작고 빠른 움직임에 반응하는 데 약간 더 느렸습니다.
속도 (실행 시간):
- MUSE는 번개처럼 빠른 단거리 선수로, 생각하는 데 약 0.012 밀리초만 걸렸습니다.
- IEKF도 매우 빨라 약 0.02 밀리초가 걸렸습니다.
- IS는 사려 깊은 마라톤 주자였습니다. 경로를 부드럽게 만들기 위해 더 많은 계산을 수행했기 때문에 더 오래 걸렸습니다 (0.1~0.6 밀리초). 더 많은 역사를 돌아볼수록 속도가 느려졌습니다.

3. "깨어남" 테스트 (수렴)

연구자들은 로봇이 경기를 시작할 때 머리가 빙글빙글 도는 상태 (초기 방향에 큰 오차가 있는 상태) 라면 어떻게 되는지도 테스트했습니다.

MUSE는 가장 빠르게 "깨어나" "아, 내가 거꾸로 서 있구나!"라고 깨닫고 스스로 수정했습니다.
IEKF 와 IS는 초기 오차가 너무 크면 혼란을 일으킬 수 있는 작고 국소적인 조정에 의존하기 때문에 이러한 큰 초기 실수를 수정하는 데 더 느렸습니다.

결론

이 논문은 단일한 "승자"를 선언하지 않습니다. 대신 명확한 트레이드오프 메뉴를 제시합니다:

로봇이 다리를 제어하는 데 즉각적으로 반응해야 하고 (낮은 지연 시간), 약간의 장기적 표류는 감수할 수 있다면 MUSE를 선택하세요.
높은 정확도와 속도의 훌륭한 균형과 탁월한 안정성을 원한다면 IEKF를 선택하세요.
매핑이나 항해를 위해 가능한 가장 높은 정확도가 필요하고 알고리즘이 짧은 시간 창을 "생각"하도록 허용하기 위해 약간의 지연 (latency) 을 감수할 수 있다면 IS를 선택하세요.

저자들은 모든 코드와 데이터를 공개하여 다른 누구도 동일한 경기를 주파하고 결과를 검증할 수 있도록 했습니다. 이는 엔지니어들이 특정 로봇 작업에 맞는 올바른 "두뇌"를 선택하는 데 도움이 되는 가이드입니다.

기술 요약: 사족보행 로봇의 상태 추정을 위한 고유감각 전용 벤치마크

문제 제기

신뢰할 수 있는 고유감각 상태 추정은 민첩한 사족보행에 필수적이며, 특히 먼지, 안개, 특징이 없는 복도, 또는 신호 차단으로 인해 외부감지 (예: 시각, LiDAR, GPS) 가 불신뢰하거나 사용 불가능한 환경에서 중요합니다. 이러한 시나리오에서 로봇은 몸체 운동을 추정하기 위해 관성측정장치 (IMU), 관절 엔코더, 그리고 접촉 정보에만 의존해야 합니다. 핵심 과제는 두 가지 상충되는 요구사항을 균형 있게 맞추는 것입니다:

장기 일관성: 드리프트 및 모델링 오차에도 불구하고 확장된 궤적 전반에 걸쳐 정확도를 유지하는 것.
단기 정밀도: 피드백 제어 및 발착 지점 계획에 필수적인 국부적 정확도를 유지하면서, 임베디드 플랫폼의 엄격한 지연 시간 및 계산 예산을 준수하는 것.

다양한 접근법이 존재하지만, 특정 응용 제약 조건에 적합한 추정기를 선택하도록 실무자들을 안내하기 위해 공통의 실제 데이터셋에서 서로 다른 최첨단 패러다임 (필터링 대 스무딩, 불변 대 비불변) 간의 직접적인 "사과 대 사과" 비교가 부족합니다.

방법론

저자들은 GrandTour Dataset의 CYN-1 시퀀스에서 고유감각 전용 모드로 작동하는 사족보행 로봇을 위한 세 가지 대표적인 오픈소스 상태 추정기에 대한 비교 벤치마크를 제시합니다. 모든 방법은 부동 베이스 포즈 $(R, p) \in SO(3) \times \mathbb{R}^3$ 와 몸체 속도 $v \in \mathbb{R}^3$ 를 추정합니다.

1. MUSE (Multi-sensor Unified State Estimator)

패러다임: 모듈식 실시간 퓨전 스택 (필터링).
메커니즘: 본 연구에서 MUSE 는 외부감지 블록을 비활성화하여 순수하게 고유감각으로 작동합니다. 전역 안정성을 보장하기 위해 캐스케이드 비선형 관측기 (NLO) 와 외생 칼만 필터 (XKF) 를 사용하여 자세를 추정합니다. 다리의 걸음걸이 오도메트리는 안정적인 접촉 상태에 있는 다리의 순기구학에서 유도됩니다. 이러한 측정값은 칼만 필터를 통해 퓨전되어 포즈와 트위스트를 출력합니다.
주요 특징: 견고성과 실시간 성능을 위해 설계되었으며, 전역적으로 안정적인 자세 관측기로 인해 큰 초기 방향 오차를 처리할 수 있습니다.

2. 불변 확장 칼만 필터 (Invariant Extended Kalman Filter, IEKF)

패러다임: 불변 필터링.
메커니즘: 상태에 무관한 우측 불변 오차 역학을 갖는 그룹-아핀 시스템으로 공식화됩니다. 이 구조는 특히 접촉 이벤트 동안 수렴성과 일관성을 향상시킵니다.
메커니즘 상세: 전파는 IMU 데이터를 통합하는 반면, 업데이트는 안정적인 접촉 (영속의 발 속도) 을 가정합니다. 리 군 (Lie group) 구조를 활용하여 오차 역학을 선형화하고, 견고한 측정 비용과 미끄러짐 인식을 통합합니다.

3. 불변 스무더 (Invariant Smoother, IS)

패러다임: 고정 지연 스무딩 (최대 사후 확률).
메커니즘: 가장 최근 상태만 업데이트하는 IEKF 와 달리, IS 는 상태 ( $n$ ) 와 측정값의 고정된 창을 최적화합니다. IEKF 의 그룹-아핀 속성에서 적응된 구조 인식 잔차를 사용하여 문제를 비선형 최소제곱 문제로 공식화합니다.
주요 특징: 창을 통해 최적화함으로써 동적 접촉 (예: 미끄러짐) 에 대한 내성을 향상시키고 정확도를 높이지만, 창 크기에 비례하여 증가된 계산 부하와 알고리즘 지연 시간이라는 대가가 따릅니다.

평가 지표

본 연구는 evo Python 패키지를 통해 계산된 표준 지표를 사용합니다:

절대 궤적 오차 (ATE): SE(3) Umeyama 정렬을 통해 추정된 궤적을 실제 정답에 정렬함으로써 전역 포즈 정확도와 누적 드리프트를 측정합니다.
상대 포즈 오차 (RPE): 단기 정확도를 측정합니다. 두 가지 방식으로 평가됩니다:
- 공간 창 ( $\Delta = 1$ m): 미터 규모의 드리프트를 탐지합니다.
- 시간 창 ( $\Delta = 1$ frame): 프레임 간 일관성과 측정 지터에 대한 민감도를 탐지합니다.
속도 RMSE: 추정된 속도 프로파일의 정확도를 평가합니다.
실행 시간: 고정된 하드웨어/소프트웨어 스택에서 측정된 업데이트당 계산 시간.

주요 결과

정확도

장기 (ATE): IEKF 와 불변 스무더 (IS) 모두 MUSE 보다 낮은 ATE 를 달성했습니다. 최상위 (IS) 와 최하위 (MUSE) 간의 차이는 300 m 궤적에서 약 0.91 m (약 0.3%) 였습니다. 이는 그룹-아핀 모델링과 스무딩 정규화가 누적 드리프트 감소에 도움이 있음을 시사합니다.
단기 (RPE):
- $\Delta = 1$ m 에서: IEKF 와 IS 는 MUSE 를 크게 능가했습니다 (이동 RPE 약 40% 감소). 이는 여러 업데이트에 걸쳐 누적되는 체계적 오차를 더 잘 처리함을 나타냅니다.
- $\Delta = 1$ frame 에서: IEKF 와 MUSE 는 IS 보다 낮은 RPE 를 보였습니다 (각각 약 72% 및 66% 감소). 이는 이 특정 지표에서 필터의 더 높은 속도의 퓨전이 스무딩 접근법보다 고주파수 노이즈를 더 잘 억제함을 시사합니다.
- 회전 RPE: 모든 방법에서 결과가 광범위하게 유사했습니다.
속도: 세 가지 방법 모두 작은 RMSE 차이로 정확한 속도 프로파일을 제공했습니다.

실행 시간 및 지연 시간

MUSE: 가장 빠르며, 반복당 평균 실행 시간은 약 0.012 ms 입니다.
IEKF: 약간 느리며, 반복당 약 0.02 ms 입니다.
불변 스무더: 창 크기 (WS) 에 의존하는 명확한 정확도 - 지연 시간 트레이드오프를 보여줍니다.
- WS = 1: 약 0.110 ms.
- WS = 5: 약 0.583 ms.
- 참고: 고정 지연 스무딩은 지연 시간에 비례하는 알고리즘 지연 시간을 도입하므로, 파이프라인 구현에 따라 상태 추정이 지연될 수 있습니다.

수렴 행동

큰 초기 방향 오차 (180 도 롤 오정렬) 하에서 세 가지 추정기 모두 올바른 방향으로 수렴했습니다. 그러나 MUSE 가 IEKF 와 IS 보다 더 빠르게 수렴했습니다. 이는 MUSE 의 전역적으로 안정적인 자세 관측기 설계에 기인하는 반면, IEKF 와 IS 는 큰 초기 오차로 인해 위반될 수 있는 국부 선형화에 의존하기 때문에 수렴이 느려진 것으로 분석됩니다.

중요성 및 기여

본 논문은 배포 가능한 사족보행 시스템을 위한 정확도, 지연 시간, 계산 비용 간의 트레이드오프에 대한 간결하고 재현 가능한 스냅샷을 제공합니다. 주요 기여는 다음과 같습니다:

직접 비교: 공유된 실제 데이터셋에서 세 가지 다른 고성능 추정 패러다임 (MUSE, IEKF, IS) 에 대한 "사과 대 사과" 평가.
실무자 지침: 다양한 지표 (서로 다른 규모의 ATE 대 RPE) 와 계산 제약 (지연 시간 대 정확도) 이 추정기 선택에 어떻게 영향을 미치는지에 대한 명확한 데이터.
오픈소스 재현성: 향후 표준화된 벤치마크를 촉진하기 위해 코드, 문서, 데이터 처리 도구를 포함한 완전한 벤치마킹 파이프라인의 공개.

저자들은 스무딩 (IS) 이 우수한 장기 정확도를 제공하지만, 필터 (MUSE, IEKF) 는 더 낮은 지연 시간과 잠재적으로 더 나은 단기 노이즈 억제를 제공한다고 결론지었습니다. 추정기 선택은 전역 일관성, 제어 루프 주파수, 사용 가능한 컴퓨팅 자원과 관련된 특정 응용 분야의 요구 사항에 따라 결정되어야 합니다. 본 연구는 모든 상태 추정 과제를 해결한다고 주장하지는 않지만, 실무자를 위해 현재 상황을 명확히 하는 것을 목표로 합니다.