기술 요약: OCELOT – 보행 로봇을 위한 오도메트리 및 접촉 추정

문제 정의

비구조적이고 불규칙한 지형에서 보행 로봇의 정확한 오도메트리는 여전히 중요한 과제로 남아 있으며, 특히 IMU, 관절 엔코더, 힘 센서와 같은 온보드 고유 센서에만 의존할 때 더욱 그렇습니다. 바퀴 달린 로봇과 달리 보행 시스템은 발이 지면과 주기적으로 접촉하고 떨어지는 간헐적인 접촉 역학을 경험합니다. 고유 센서 기반 보행 오도메트리의 근본적인 한계는 몸체에 고정된 센서만을 사용할 때 절대 위치와 heading(방향) 을 관측할 수 없다는 점입니다. 관성 항법 시스템 (INS) 을 통해 상태를 전파하고 제로 속도 업데이트 (ZUPT) 를 사용하여 드리프트를 보정하는 데 Error-State Extended Kalman Filters(ESEKF) 가 주류 프레임워크로 사용되지만, 그 효과는 발이 정지한 '스탠스 (stance)' 단계에 정확히 식별되는지에 달려 있습니다. 기존 접촉 추정 방법들은 발 미끄러짐에 취약하거나 다양한 지형 특성에 적응하지 못하며, 보정된 불확실성이 부족한 학습 기반 분류기나 발에 장착된 IMU 와 같은 보조 하드웨어에 의존하는 경우가 많습니다.

방법론

본 논문은 몸체 고정 IMU, 관절 엔코더, 발 힘 센서와 같은 표준 고유 데이터만을 의존하는 ESEKF 기반의 완전한 보행 오도메트리 파이프라인인 OCELOT을 제안합니다. 핵심 혁신은 미끄러짐을 명시적으로 식별하고 거부하도록 설계된 융합 접촉 감지 및 불확실성 정량화 모듈에 있습니다.

1. 상태 추정 프레임워크

시스템은 상태를 비선형 명목 상태 (위치, 속도, 방향, IMU 바이어스) 와 선형 오차 상태로 분리하는 ESEKF 를 사용합니다.

• 전파: 명목 상태는 오일러 적분을 통해 바이어스 보정된 IMU 측정을 사용하여 전파됩니다.
• 보정: 필터는 발이 스탠스 상태에 있다고 판단될 때 드리프트를 보정하며, 이 경우 발의 세계 좌표계 기준 속도가 0 이라고 가정합니다 ($v^W_{foot} = 0$).

2. 융합 접촉 감지

스탠스 단계를 강건하게 결정하기 위해 시스템은 각 발마다 두 개의 병렬 감지기를 실행하고 그 출력을 융합합니다.

• 감지기 1: 힘 기반 GMM-가이드 FSM

  • 물리적 접촉을 판단하기 위해 지면 반력 (GRF) 데이터를 활용합니다.
  • 고정된 임계값 대신, 슬라이딩 윈도우에 적합된 **가우시안 혼합 모델 (GMM)**을 사용하여 역사적 힘 데이터의 이분산 분포 (스윙 대 스탠스) 를 자율적으로 식별합니다.
  • 유한 상태 머신 (FSM) 은 동적으로 생성된 임계값 ($F_{on}$, $F_{off}$) 을 사용하여 상태 전이를 관리하며, 수동 튜닝 없이 다양한 표면 특성에 적응합니다.
  • 물리적 하중의 가능성을 나타내는 연속적인 품질 점수 ($q_{FSM}$) 를 출력합니다.

• 감지기 2: 운동학 기반 GLRT

  • 몸체 IMU 와 관절 운동학에서 유도된 추정 발 속도를 활용합니다.
  • 발이 정지해 있다는 가설 ($H_0$) 과 이동 중이라는 가설 ($H_1$) 을 평가하기 위해 **일반화 우도비 검정 (GLRT)**을 적용합니다.
  • 이전 연구들에서 요구했던 발 장착 IMU 와 달리, 이 방법은 주 몸체 IMU 와 운동학 모델에만 의존합니다.
  • 운동학적 정지 상태를 나타내는 연속적인 품질 점수 ($q_{GLRT}$) 를 출력합니다.

3. 적응형 불확실성 정량화

두 점수는 곱셈 형태의 '소프트 AND 게이트'($q_{final} = q_{FSM} \times q_{GLRT}$) 를 사용하여 융합됩니다. 이는 발이 물리적으로 하중을 받고 운동학적으로 정지해 있을 때만 높은 신뢰도 점수가 나오도록 보장합니다.

• 동적 공분산: 융합된 점수는 ESEKF 를 위한 적응형 측정 노이즈 공분산 행렬 ($R_i$) 을 계산하는 데 사용됩니다.
  • 높은 신뢰도 (미끄러짐 없음) $\rightarrow$ 낮은 공분산 (강한 보정).
  • 낮은 신뢰도 (미끄러짐 또는 노이즈) $\rightarrow$ 높은 공분산 (필터가 측정을 낮게 가중치 처리).
• 게이팅: 최종 보정 전에 통계적 이상치를 추가로 거부하기 위해 혁신 기반 게이팅 단계 ($\chi^2$ 검정) 가 수행됩니다.

주요 기여

1. 새로운 접촉 감지 프레임워크: 보조 발 장착 센서 없이도 연속적인 접촉 품질 점수를 생성하는 힘 기반 GMM-FSM 과 운동학 기반 GLRT 감지기의 융합.
2. 적응형 불확실성 추정: 융합된 접촉 품질 점수를 동적 측정 공분산 ($R_i$) 으로 변환하여 ESEKF 가 신뢰도에 따라 측정을 지능적으로 가중치 처리하고 미끄러짐 사건을 강건하게 거부할 수 있도록 하는 방법.
3. 오픈 소스 ESEKF 파이프라인: 온보드 고유 센서만을 사용하여 4 발 보행 로봇 오도메트리를 위한 완전한 상태 추정기.
4. 다중 지형 데이터셋: 콘크리트, 타일, 잔디, 자갈, 암석 등 다양한 지형에 걸쳐 29 개의 시퀀스 (총 2.4 km) 를 포함하며, 동기화된 고유 데이터, RGB 비디오, 포인트 클라우드를 제공하는 공개 데이터셋.

실험 결과

저자들은 자체 데이터셋에서 OCELOT 을 고전적인 고유 센서 기반 베이스라인 (Bloesch 등, Hartley 등) 과 최첨단 시각 - 관성 오도메트리 (VIO) 시스템 (OpenVINS, VINS-Fusion) 과 비교 평가했습니다.

• 고유 센서 비교: OCELOT 은 모든 지형 유형과 지표 (ATE, AHE, RPE, 드리프트) 에서 기존 고유 센서 기반 방법들을 크게 능가했습니다.
  • 암석 지형에서 OCELOT 은 절대 궤적 오차 (ATE) 를 6.857 m로 달성했으며, 이는 Hartley 등 (15.028 m) 과 Bloesch 등 (30.876 m) 보다 훨씬 낮은 수치입니다.
  • 콘크리트 지형에서 OCELOT 은 ATE 를 12.019 m로 줄여 베이스라인 대비 상당한 개선을 보였습니다.
• 외부 센서 비교: 고유 센서만을 사용함에도 불구하고, OCELOT 은 까다로운 입자성 지형 (자갈, 암석) 과 변형 가능한 표면 (잔디) 에서 VIO 시스템보다 우수한 성능을 발휘했습니다.
  • 암석 지형에서 VIO 시스템은 크게 실패했습니다 (OpenVINS ATE: 27.279 m; VINS-Fusion: 15.719 m). 반면 OCELOT 은 6.857 m의 ATE 를 유지했습니다.
  • 저자들은 VIO 시스템이 특징이 부족하고 역동적인 표면 (콘크리트, 타일) 에서 발산하는 데 어려움을 겪은 반면, OCELOT 은 강건하게 유지되었다고 지적했습니다.
• 절대 실험 (Ablation Studies):
  • 융합의 필요성: 절대 실험은 어느 하나의 감지기만으로는 충분하지 않음을 입증했습니다. GLRT 만을 사용하는 감지기는 긴 궤적에서 누적된 운동학 노이즈로 고통받았습니다 (예: 콘크리트에서 23.161 m ATE). 반면 FSM 만을 사용하는 감지기는 힘 데이터만으로 접촉을 오분류한 특정 시퀀스에서 실패했습니다 (예: 타일에서 9.577 m ATE). 융합 모델은 모든 지형에서 일관되게 최저 또는 최저에 가까운 오차를 달성했습니다.
  • 공분산 영향: 민감도 분석은 정확한 공분산 정량화가 중요함을 확인시켰습니다. 공분산을 과소평가하여 (노이즈가 있는 데이터에 대한 과도한 신뢰 강요) 는 심각한 측면 드리프트와 요 (yaw) 발산으로 이어졌으며, 이는 정적이거나 poorly scaled 된 공분산을 사용한 베이스라인 방법들에서 관찰된 실패 모드였습니다.

중요성 및 주장

본 논문은 OCELOT 이 미끄러짐이 빈번하고 외부 센서 (예: 카메라) 가 특징 부족이나 동적 조명 문제로 실패할 수 있는 환경에서 보행 오도메트리를 위한 강건한 솔루션을 제공한다고 주장합니다. 접촉 불확실성을 명시적으로 모델링하고 힘 및 운동학 데이터를 융합함으로써, 이 방법은 시각 처리의 계산 오버헤드나 발 장착 센서의 하드웨어 복잡성 없이 정확한 상태 추정을 달성합니다. 저자들은 이 접근 방식이 필터를 보정하는 데 고품질의 비미끄러짐 측정값만 사용함으로써 다른 방법들에서 흔히 발생하는 요 (yaw) 발산을 방지하여 고유 센서 시스템의 절대 heading 에 대한 '비관측성' 문제를 효과적으로 처리한다고 강조합니다. 데이터셋과 코드의 공개는 보행 로봇공학 및 다중 모드 오도메트리 연구의 촉진을 목표로 합니다.