💻 computer science

Motor Angular Speed Preintegration for Multirotor UAV State Estimation

본 논문은 저하된 IMU 데이터를 대체하기 위해 모터 속도를 사전 적분(preintegrate)하여 기존의 최첨단 관성 기반 방식보다 훨씬 높은 위치 및 속도 정확도와 낮은 지연 시간을 달성하는 새로운 상태 추정 알고리즘인 MAS-LO(Motor Angular Speed LiDAR Odometry)를 소개한다.

원저자: Matěj Petrlík, Filip Novák, Robert Pěnička, Martin Saska

게시일 2026-06-19

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Matěj Petrlík, Filip Novák, Robert Pěnička, Martin Saska

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

큰 문제: "떨리는 손"

당신이 직선을 그리려고 하는데 누군가 당신의 손을 격렬하게 흔들고 있다고 상상해 보세요. 이것이 드론(UAV)이 자신이 어디에 있고 얼마나 빨리 움직이는지 파악하려고 할 때 직면하는 상황입니다.

대부분의 드론은 자신의 움직임을 추측하기 위해 IMU(관성 측정 장치)라는 아주 작은 센서를 사용합니다. 이는 모든 덜컹거림과 흔들림을 느끼는 매우 민밀한 가속도계와 같습니다. 하지만 드론의 프로펠러는 고속으로 회전하기 때문에 진동을 만들어냅니다. 이러한 진동은 마치 그 "떨리는 손"처럼 작용하여, 실제 움직임 데이터를 노이즈 속에 파묻어 버립니다. 그 결과는 무엇일까요? 드론의 위치 추정치가 엉망이 되고 부정확해집며, 특히 빠르게 비행하거나 장애물 근처를 비행할 때 더욱 심해집니다.

새로운 아이디어: 흔들림이 아닌 엔진 소리에 귀 기울이기

이 논문의 저자들은 영리한 해결책을 찾아냈습니다. 떨리는 센서로 움직임을 직접 측정하는 대신, 그들은 모터의 소리에 귀를 기울이기로 했습니다.

자동차를 생각해 보세요. 만약 엔진이 얼마나 세게 작동하는지(RPM)를 정확히 알고, 자동차의 무게를 알고 있다면, 차가 얼마나 가속하고 있는지 계산할 수 있습니다. 도로의 덜컹거림을 느낄 필요 없이도 엔진이 강하게 밀어주고 있다는 것을 알 수 있는 것과 같습니다.

마찬가지로, 드론의 전자 제어기(ESC)는 모든 모터의 정확한 속도를 알고 있습니다. 저자들은 다음과 같은 수학적 모델을 구축했습니다. "만약 모터 A가 X의 속도로 회전하고 모터 B가 Y의 속도로 회전한다면, 드론은 반드시 이 특정 방향으로 가속하고 있을 것이다."

모터 속도는 전자적으로 측정되기 때문에 진동이 전혀 없고 매우 매끄럽습니다. 이는 잡음이 섞인 라디오 방송 대신 깨끗한 라디오 채널을 듣는 것과 같습니다.

"사전 통합(Pre-integration)" 기법: 지름길

새로운 모터 속도가 보고될 때마다 처음부터 드론의 위치를 계산하는 것은, 한 걸음을 내디딜 때마다 처음부터 거대한 수학 퍼즐을 푸는 것과 같습니다. 이는 컴퓨터가 실시간으로 처리하기에는 너무 느릴 것입니다.

이를 해결하기 위해 팀은 **사전 통합(Preintegration)**이라는 기술을 사용했습니다.

비유: 당신이 걷고 있다고 상상해 보세요. 집을 떠난 이후로 몇 걸음을 걸었는지 알기 위해 매번 모든 걸음 수를 일일이 세는 대신, 그냥 마지막으로 지도를 확인한 이후로 몇 걸음을 더 걸었는지만 세는 방식입니다.
작동 원의: 이 시스템은 많은 모터 속도 측정값을 하나의 "델타(delta, 작은 변화량)"로 그룹화합니다. 이를 통해 드론은 매번 무거운 수학 계산을 다시 수행하지 않고도 빠르게 위치를 업데이트할 수 있습니다.

새로운 시스템: MAS-LO

저자들은 이 모터 속도 기법을 LiDAR(주변을 스캔하는 레이저 스캐너)와 결합했습니다. 그들은 MAS-LO(Motor Angular Speed LiDAR Odometry)라고 불리는 새로운 시스템을 만들었습니다.

LiDAR는 눈 역할을 하여 벽과 나무를 보며 드론의 위치 오차를 수정합니다.
**MAS(모터 속도)**는 "눈"이 확인하는 사이사이에 드론이 어떻게 움직이고 있는지 알려주는 매우 매끄럽고 진동이 없는 내부 나침반 역할을 합니다.

결과: 더 명확한 그림

팀은 이 새로운 시스템을 현재의 "골드 표준"(흔들리는 IMU를 사용하는 LIO-SAM이라는 시스템)과 비교 테스트했습니다. 결과는 다음과 같습니다.

위치: 새 시스템은 드론이 어디에 있는지 파악하는 데 있어 28% 더 정확했습니다.
속도: 드론이 얼마나 빨리 움직이는지 아는 데 있어 65% 더 뛰어났습니다.
지연 시간(Lag): 데이터가 14% 더 빠르게 도착했는데, 이는 찰나의 결정이 중요한 민첩한 비행에서 매우 중요합니다.
강건성(Robustness): 팀이 드론의 무게나 크기를 잘못 예측하더라도 시스템은 여전히 잘 작동했습니다.

트레이드오프(Trade-off): 새 시스템은 기존 시스템에 비해 드론의 회전(좌우 기울기)을 추측하는 데 있어서는 약간 덜 정확했지만, 직선 운동과 속도를 추적하는 데 있어서는 압도적으로 우수했습니다.

핵심 요약

이 논문은 드론을 정밀하게 비행하기 위해 반드시 진동 방지 센서가 필요한 것은 아니라는 점을 증명합니다. 모터 자체에서 나오는 깨끗한 디지털 데이터를 사용함으로써, 드론은 전통적인 센서로 느낄 수 있었던 것보다 훨씬 더 명확하게 자신의 움직임을 "느낄" 수 있습니다. 이는 붕괴된 건물 안에서의 구조 임무와 같은 좁은 공간에서의 실내 비행을 더 안전하고 신뢰할 수 있게 만듭니다.

저자들은 다른 사람들이 이 "진동 없는" 비행 방식을 발전시킬 수 있도록 자신들의 코드와 수집한 비행 데이터를 공개했습니다.

기술 요약: 멀티로터 UAV 상태 추정을 위한 모터 각속도 사전 통합(Motor Angular Speed Preintegration)

문제 정의
정밀한 상태 추정은 긴밀한 피드백 제어를 가능하게 하여 UAV의 민첩하고 장애물 근접 비행을 지원하는 핵심 요소이다. 최첨단 방식들은 일반적으로 느린 포즈 측정값(예: LiDAR 또는 카메라)을 관성 측정 장치(IMU)로부터 얻은 고주파 관성 측정값과 융합하지만, 이러한 IMU 기반 접근 방식은 UAV에 배치될 때 상당한 한계에 직면한다. 구체적으로, IMU 측정값은 회전하는 프로펠러에서 발생하는 고진폭 진동에 의해 저하되며, 이는 실제 가속도 궤적을 가리고 추정 정확도에 심각한 영향을 미친다. 또한, 관성 기반 방식은 외적 및 내적 파라미터의 캘리브레이션에 매우 민감하며, UAV에 흔히 사용되는 저가형 MEMS IMU는 높은 측정 노이즈와 바이어스 드리프트(bias drift)를 보인다. 아울러, 고급 제어기(예: 증분 비선형 동적 역전, Incremental Nonlinear Dynamic Inversion)를 위해 직접적인 각가속도를 얻는 것은 어려우며, 종종 노이즈가 많은 IMU 데이터의 수치 미분이 필요하다.

방법론
저자들은 IMU 사전 통합을 모터 각속도(MAS) 측정값의 사전 통합으로 대체하는 새로운 상태 추정 방식을 제안한다. 핵심 파이프라인은 다음과 같다:

데이터 획득: 이 방법은 UAV 모터를 구동하는 전자 변속기(ESC)가 보고하는 각속도 측정값( $w_i$ )을 활용한다. 이 측정값은 IMU 데이터에 비해 본질적으로 진동이 없고 정밀하다.
추진 모델링: MAS 측정값은 UAV 추진 모델을 통과한다. 이 모델은 로터 위치, 회전 방향, 추력 계수, 항력 계수를 고려하여 개별 모터 속도를 UAV의 무게 중심(COG)에 작용하는 선형 및 각력(linear and angular forces/torques)으로 변환한다.
사전 통합(Preintegration): 매 측정 시마다 가속도를 적분하는 계산 비효율성을 피하고 초기 상태로부터의 독립성을 보장하기 위해, 저자들은 UAV 상태 매니폴드의 탄젠트 공간(tangent space) 상에서 사전 통합 스킴을 유도한다. 이는 두 시간 단계 사이의 여러 MAS 측정값을 하나의 "델타" 측정값( $\Delta x$ )으로 집계하며, 이는 상태(위치, 자세, 속도, 각속도)의 상대적 변화를 나타낸다.
팩터 그래프 최적화(Factor Graph Optimization): 사전 통합된 측정값은 팩터 그래프 내에서 두 연속적인 상태 사이의 이진 제약 조건인 "MAS 팩터"를 형성한다. 이 팩터는 LiDAR 오도메트리(LO) 팩터(LiDAR 스캔 매칭 알고리즘에서 유도됨) 및 바이어스 팩터와 결합되어 전체 UAV 상태를 추정한다. 저자들은 이를 GTSAM 프레임워크 내에서 구현하여 **MAS-LO(Motor Angular Speed LiDAR Odometry)**라고 명명된 새로운 알고리즘을 생성하였다.
바이어스 처리: 모델의 부정확성(예: 모델링되지 않은 공기역학적 효과, 지면 효과, 질량 분포 오프셋) 및 센서 바이어스를 보상하기 위해, 시스템은 선형 및 각가속도에 대한 랜덤 워크(random walk) 바이어스 팩터를 포함한다.

주요 기여

MAS 사전 통합 스킴: 선형화를 위한 재계산 없이 효율적인 상태 전파를 허용하며, UAV 상태 매니폴드 상에서 동작하는 모터 각속도에 대한 새로운 사전 통합 유도 방식을 제시한다.
MAS 팩터: 기존의 팩터 그래프 기반 위치 추정 프레임워크에서 IMU 팩터를 직접 대체할 수 있는 사전 통합된 MAS 기반의 이진 팩터를 설계하였다.
MAS-LO 알고리즘: 상태 전파를 위해 IMU에 의존하지 않는 완전한 상태 추정 알고리즘을 만들기 위해 MAS 팩터를 LiDAR 오도메트리와 통합하였다.
오픈 소스 공개: 저자들은 MAS 사전 통합 코드, MAS 팩터, 전체 MAS-LO 알고리즘, 그리고 다양한 비행 기동에 대한 MAS, LiDAR, IMU 및 RTK 그라운드 트루스 데이터를 포함한 6개의 새로운 데이터셋을 오픈 소스로 공개한다.

실험 결과
제안된 방법은 6개의 실외 비행 데이터셋(Hover, Forward, Lateral, Vertical, Rectangle, Loop)을 사용하여 RTK 그라운드 트루스와 함께 최첨단 LIO-SAM(LiDAR-Inertial Odometry Smoothing and Mapping) 알고리즘과 비교 평가되었다.

정확도: MAS-LO는 모든 데이터셋에서 LIO-SAM에 비해 절대 변위 오차(ATE)를 28% 감소시키고 절대 속도 오차(AVE)를 65% 감소시켰다.
트레이드오프(Trade-off): 이러한 선형 추정의 개선은 MAS 모델의 각가속도 이중 적분으로 인해 발생한 절대 회전 오차(ARE)의 20% 증가라는 대가를 치렀다.
노이즈 및 지연: 분석 결과, MAS 유도 가속도는 IMU 데이터(필터링된 IMU 포함)보다 현저히 낮은 노이즈 진폭을 보였다. 또한, MAS 사전 통합은 IMU 대비 14% 낮은 측정 지연(0.063s vs 0.073s)을 나타냈으며, 이는 민첩한 비행 제어에 있어 중요한 요소이다.
강건성: 민감도 연구에 따르면, MAS-LO 알고리즘은 잘못된 파라미터 값(예: 추력 계수, 바디 치수)에 대해서도 강건하며, 파라미터가 실제 값에서 크게 벗어나더라도 성능이 합리적인 수준을 유지했다.

의의
본 논문은 정밀하고 진동이 없는 모터 속도 측정을 활용함으로써, 상태 전파 루프에서 IMU의 필요성을 제거하고 로컬라이제이션의 주요 노이즈 및 캘리브레이션 민감도를 제거할 수 있다고 주장한다. 이 방법은 민첩한 비행 및 장애물 회피에 필수적인 선형 위치 및 속도의 더 정확한 추정을 제공한다. 저자들은 이 연구를 향후 MAS와 IMU 팩터의 상호 보완적 강점을 결합하는 하이브리드 상태 추정 시스템을 위한 기초 단계이자, IMU 캘리브레이션과 노이즈가 제한 요소가 되는 시각 관성 시스템(visual-inertial systems)의 유효한 대안으로 자리매김하고 있다. 저자들은 이 작업의 오픈 소스 성격이 로보틱스 커뮤니티 내에서 MAS 기반 방법론의 추가적인 발전을 장려하기를 의도하고 있다.