Resilient Navigation for Autonomous Farm Robots by Leveraging Jerk-Augmented Models with IMU-Only Disturbance Rejection

기술 요약: 자율 농업 로봇을 위한 회복 탄력적 항법

문제 정의
자율 농업 로봇은 센서 결함(GNSS, LiDAR, 시각 센서)과 고주파 기계적 진동이라는 두 가지 주요 요인으로 인해 정밀한 항법이 빈번히 저해되는 복잡하고 비정형적인 오프로드 환경에서 작동한다. 등속도 또는 등가속도 가정을 기반으로 하는 일반적인 6-상태 또는 9-상태 확장 칼만 필터(EKF) 방식의 표준 항법 모델은 이러한 조건에서 어려움을 겪는다. 이러한 모델은 가속도의 변화율인 저크(jerk)를 모델링하는 데 필요한 고차 미분값이 결여되어 있기 때문에, 로봇이 충격적인 지형 교란이나 갑작스러운 토크 변화를 만날 때 지연(lag) 및 누적 오차를 겪게 된다. 또한, 기존의 적응형 필터링 방법은 전체 측정 공분산 행렬을 균일하게 스케일링하는 스칼라 튜닝 계수를 사용하는 경우가 많다. 이러한 "전부 아니면 전무(all-or-nothing)" 방식은 다축 시스템에 있어 최적이 아니다. 예를 들어, 토양의 홈(rut)으로 인한 수직 충격은 수직 가속도 데이터는 손상시키지만 측면 데이터는 여전히 유효할 수 있다. 공분산 행렬을 균일하게 스케일링하면 영향을 받지 않은 축으로부터 오는 유용한 정보를 버리게 되어 전체적인 정밀도를 떨어뜨린다.

방법론
본 논문은 **저크 보강 상태 공간(Jerk-Augmented State Space)**과 EKF 구조 내의 다중 튜닝 계수(Multiple Tuning Factor, MTF) 적응법이라는 두 가지 핵심 혁신을 통합한 회복 탄력적 항법 프레임워크를 제안한다.

1. 저크 보강 EKF (Jerk-Augmented EKF): 상태 벡터를 3D 위치, 속도, 그리고 저크(가속도의 변화율)를 포함하도록 확장하였다. 저크를 랜덤 워크(random walk) 과정으로 모델링함으로써, 필터는 급격한 지형 유발 충격 및 불균일한 토양 밀도를 반영할 수 있다. 상태 전이 행렬은 3차 테일러 전개(third-order Taylor expansion)로부터 유도되며, 이를 통해 시스템은 가속도가 일정하다고 가정하는 대신 가속도의 변화율을 예측할 수 있다.
2. 다중 튜닝 계수(MTF) 적응: 측정 노이즈 공분산 행위($R$)를 스칼라로 전체 스케일링하는 대신, 제안된 방법은 각 축을 따라 독립적으로 공분산을 동적으로 조정한다. 알고리즘은 각 타임 스텝에서의 혁신 시퀀스(innovation sequence, 잔차)를 모니터링한다. 만약 제곱 잔차의 트레이스(trace)가 이론적 임계값을 초과하여 외부 교란이 발생했음을 나타내면, 알고리즘은 튜닝 행렬($S_t$)을 계산한다. 이 행렬은 (예: 범프 발생 시 수직 축) 높은 잔차를 보이는 축의 공분산은 팽창시키는 반면, 영향을 받지 않은 축(예: 측면)의 공분산은 변경하지 않고 유지한다. 이러한 선택적 격리는 필터가 영향을 받지 않은 축으로부터 오는 유효한 센서 데이터를 폐기하는 것을 방지한다.
3. 자세 표현 (Attitude Representation): 울퉁불퉁한 지형에서의 급격한 기동 시 발생하는 특이점(singularities)을 처리하기 위해, 시스템은 오일러 각이나 쿼터니언 대신 직접 코사인 행렬(Direct Cosine Matrix, DCM)을 사용하여 자세를 표현하며, 중력 보상을 위해 롤(roll)과 피치(pitch)를 추출한다.

주요 기여

• 상태 확장: 충격적 교란 상황에서 발생하는 지연 문제를 해결하기 위해 EKF 상태 벡터에 저크를 도입하여 가속도의 변화율을 모델링하였다.
• 축별 적응 (Axis-Specific Adaptation): 측정 노이즈 공분산을 축 단위로 동적으로 조정하는 MTF 적응 전략을 개발하였다. 이를 통해 국부적인 교란을 격리하면서도 영향을 받지 않은 축의 추정 성능을 저하시키지 않을 수 있다.
• 강건한 프레임워크: 고주파 진동 및 센서 결함이 있는 환경에서도 정밀도를 유지하기 위해 저크 모델링과 축별 공분산 튜닝을 결합한 통합 항법 알고리즘을 제공한다.

실험 결과
알고리즘은 비정형 농업 환경에서 작동하는 Salin247 자율 농업 로봇(4륜 독립 구동 전기 플랫폼)의 실제 데이터를 사용하여 검증되었다. 제안된 저크 보강 MTF-EKF를 베이스라인인 6-상태(위치-속도) EKF와 비교하였다.

• 오차 감소: 결과에 따르면 제안된 방법은 베이스라인 대비 3D 위치 RMSE(Root Mean Square Error)를 크게 감소시킨다. 특히, 본 논문은 3D 위치 RMSE가 10배 이상 감소했음을 명시하고 있다.
• 교란 억제: 베이스라인 EKF는 지표면 불규칙성(예: $t=45s$ 및 $t=90s$ 지점)을 만났을 때 위치 오차의 "스파이크"와 궤적 드리프트 현상을 보였으나, 저크 보강 필터는 이러한 충격력을 성공적으로 흡수하였다. 이는 RTK 그라운드 트루스(ground truth)에 밀접하게 부합하는 더 매끄러운 궤적을 생성하였다.
• 자세 안정성: 시스템은 고진동 구간 중에도 안정적인 롤 및 피치 각도 추적(RMSE 각각 0.0051 rad 및 0.0076 rad)을 유지하였으며, 이는 중력 보상 메커니즘의 효과를 입증한다.

의의
본 논문은 농업 환경의 동적 기동 중 지연과 드리프트를 최소화하기 위해 가속도의 변화율(저크)을 고려하는 것이 필수적이라고 주장한다. 고차 운동학 모델링과 축별 노이즈 적응을 결합함으로써, 제안된 프레임워크는 GNSS나 기타 센서가 저하되거나 예측 불가능한 지형을 만날 때 우수한 데드 레코닝(dead-reckoning) 능력을 제공한다. 저자들은 이 접근 방식이 비정형 환경에서의 잡초 제거, 살포, 수확과 같은 정밀 농업 작업을 수행하는 데 필수적인 센티미터 수준의 위치 정확도를 구현할 수 있게 한다고 결론지었다. 향-후 연구 과제로는 센서 결함이 길어지는 상황에서 회복 탄력을 더욱 강화하기 위해 시각적 주행 거리 측정(visual odometry) 단서를 MTF 프레임워크에 통합하는 것이 제시되었다.