⚡ electrical engineering

Delta-Position Estimation-Based IMU Odometry: A Comparison of MLP and Kolmogorov-Arnold Networks

이 논문은 학습 가능한 B-스플라인 활성화 함수를 사용하는 Kolmogorov-Arnold Network(KAN)가 절대 위치가 아닌 증분 변위를 추정하도록 훈련되었을 때, 파라미터 수를 6.9배 적게 사용하면서도 누적 드리프트를 44% 낮게 달성함으로써 IMU 오도메트리에서 표준 다층 퍼셉트론(MLP)을 크게 능가함을 입증한다.

원저자: Osman Tokluoglu, Emin Keresteci

게시일 2026-06-25

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Osman Tokluoglu, Emin Keresteci

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

핵심 문제: 로봇의 "취객의 걸음걸이"

창고 안의 드론처럼 GPS 없이 실내를 비행하는 로봇을 상상해 보세요. 자신이 어디에 있는지 알기 위해 로봇은 고성능 가속도계와 자이로스코프인 IMU(관성 측정 장치)에 의존합니다. 이는 마치 눈을 가린 사람이 자신의 발걸음 감각만으로 직선을 걸으려고 노력하는 것과 같습니다.

문제는 무엇일까요? 이 센서들은 완벽하지 않습니다. 미세한 "떨림"과 편차(bias)가 있습니다. 만약 이 작은 오차들을 시간에 따라 단순히 더하기만 한다면, 로봇은 자신이 직선으로 움직이고 있다고 생각하겠지만 실제로는 경로를 벗어나게 됩니다. 수학적으로 이 오차는 **이차 함수적(quadratically)**으로 증가합니다. 즉, 로봇이 오래 비행할수록 경로를 훨씬 더 심하게 이탈하게 된다는 뜻입니다. 이는 마치 걷는 시간이 길어질수록 점점 더 갈지자로 비틀거리는 "취객의 걸음걸이"와 같습니다.

기존 방식 vs 새로운 아이디어

전통적으로 엔지니어들은 IMU를 카메라나 레이저와 결합하여 이 문제를 해결하려 했습니다(마치 눈 가린 사람에게 손전등을 쥐여주는 것과 같습니다). 하지만 이 논문은 다음과 같은 질문을 던집니다. 컴퓨터가 IMU 데이터 자체만을 보고 더 나은 "발걸음 계산기"가 되도록 학습시킬 수 있을까?

컴퓨터에게 "지금 당신은 어디에 있습니까?"라고 묻는 대신(이는 어렵고 큰 실수를 유발합니다), 연구진은 "지난 50밀리초 동안 얼마나 움직였습니까?"라고 물었습니다.

전략: 비행을 50밀리초라는 아주 작은 단위로 나눕니다. 각 단위마다 아주 미세한 움직임을 예측합니다. 그런 다음, 이 작은 움직임들을 모두 하나로 엮어서 전체 경로를 구축합니다.

대결: 헤비급 복서 vs 아크로바트

이 논문은 이 "발걸음 계산" 작업에 어떤 "두뇌"(신경망)가 더 적합한지 알아보기 위해 두 가지 서로 다른 유형의 신경망을 비교합니다.

MLP (다층 퍼셉트론): 이것은 헤비급 보디빌더라고 생각하면 됩니다. 매우 흔하고 표준적인 유형의 AI입니다. 약 57,859개의 매개변수(파라미터)를 가진 강력하지만 덩치가 큰 모델입니다.
KAN (Kolmogorov–Arnold Network): 이것은 **유연한 아크로바트(곡예사)**입니다. 더 새롭고 실험적인 유형의 AI입니다. 데이터를 처리하는 방식에 고정된 "규칙"을 사용하는 대신, **학습 가능한 B-스플라인(B-splines)**을 사용합니다.
- 비유: MLP가 고정된 발판이 있는 딱딱한 사다리라면, KAN은 데이터의 형태에 맞춰 완벽하게 늘어나고 휘어질 수 있는 고무줄이나 새총과 같습니다. KAN은 훨씬 적은 근육, 즉 단 8,444개의 매개변수만을 가지고 있습니다(보디빌더보다 약 7배 작습니다).

결과: 누가 승리했나?

연구진은 테스트 비행 중에 두 "두뇌"가 드론의 경로를 예측하도록 했습니다.

단기적 관점: 아주 짧은 찰나의 순간에는 두 두뇌 모두 미세한 움직임을 추측하는 데 거의 대등한 성능을 보였습니다. 막상막하였습니다.
장기적 관점 (진정한 시험대): 여기서 고무줄(KAN)의 진가가 드러났습니다.
- **보디빌더 (MLP)**는 미세한 오차를 만들었고, 이 오차들이 쌓여갔습니다. 비행이 끝날 무렵, 로봇은 경로에서 17.23미터나 벗어나 있었습니다. 이는 버스 한 대 길이만큼 목표를 빗나간 것입니다!
- **아크로바트 (KAN)**는 미세한 오차를 만들었지만, 이 오차들이 서로 상쇄되는 경향을 보였습니다. 비행 종료 시점에 경로에서 벗어난 거리는 9.61미터에 불-과했습니다.
- 승리: KAN은 훨씬 적은 "두뇌 힘"(매개변수)을 가졌음에도 불구하고, 장기적으로 44% 더 정확했습니다.

단점: 학습 시간

한 가지 아쉬운 점은 있습니다. KAN은 더 작고 정확하지만, 학습 속도가 더 느렸습니다.

**보디빌더 (MLP)**는 약 41초 만에 학습을 마쳤습니다.
**아크로바트 (KAN)**는 학습하는 데 약 460초(7분 이상)가 걸렸습니다.
비유: KAN은 시험 공부를 하는 데 시간은 더 오래 걸리지만, 결국 더 좋은 성적을 받고 내용을 더 오래 기억하는 학생과 같습니다.

결론

이 논문은 이 새로운 "유연한" 네트워크(KAN)를 사용하는 것이 GPS 없이 드론과 로봇이 항법을 수행하도록 돕는 유망한 방법이라고 주장합니다. 로봇을 가르치는 데 시간이 더 오래 걸릴지라도, 그 결과는 기존의 무거운 방식들보다 훨씬 더 안정적인 경로를 제공합니다. KAN 내부의 "학습 가능한 고무줄"은 기존의 딱딱한 네트워크들보다 움직임의 복잡한 실제 물리 현상을 더 잘 다루는 것으로 보입니다.

기술 요약: 델타 위치 추정 기반 IMU 오도메트리: MLP와 Kolmogorov–Arnold 네트워크의 비교

문제 정의
GPS가 차단된 환경에서 자율 비행체의 정확한 위치 추정은 여전히 중요한 과제로 남아 있다. 관성 측정 장치(IMU)는 고주파 데이터를 제공하지만, 고전적인 데드 레커닝(dead reckoning)은 노이즈가 포함된 측정값의 이중 적분으로 인해 오차가 이차적으로 증가하는 문제를 겪는다. 전통적인 해결책은 센서 모델이 불일치하거나 운동학적 가정이 실패할 때 성능이 저하되는 센서 융합(예: 시각-관성 오도메트리) 및 모델 기반 필터링(예: EKF, Factor Graph)에 의존한다. 반대로, 국소 변위 회귀를 위해 다층 퍼셉트론(MLP)을 사용하는 것과 같은 학습 기반 접근 방식은 데이터 기반의 대안을 제시하지만, 여전히 시간에 따라 체계적인 오차가 누적되는 문제를 겪을 수 있다. 본 연구는 학습 가능한 활성화 함수를 사용하는 새로운 아키텍처인 Kolmogorov–Arnold 네트워크(KAN)가 표준 MLP보다 더 적은 모델 크기를 유지하면서도 장기적인 드리프트를 줄임으로써 관성 오도메트리 성능을 향상시킬 수 있는지 조사한다.

방법론
본 연구는 200Hz IMU 데이터와 Vicon 그라운드 트루스를 특징으로 하는 EuRoC MAV 벤치마크 데이터셋(특히 V1_01_easy 시퀀스)을 활용한다. 문제는 타겟 설정 자체의 내재적 드리프트를 피하기 위해 절대 위치 회귀가 아닌 **델타 위치 추정(delta-position estimation)**으로 정식화된다.

데이터 처리: 원시 IMU 측정값(각속도 및 비특이 가속도)은 $W=10$ 샘플(50ms)의 슬라이딩 윈도우로 구성된다. 타겟은 각 윈도우의 시작과 끝 사이의 증분 변위( $\Delta p$ )이다.
아키텍처:
- MLP 베이스라인: 배치 정규화(Batch Normalization), ReLU, 드롭아웃(Dropout)을 포함한 표준 피드포워드 네트워크( $\mathbb{R}^{60} \to 256 \to 128 \to 64 \to \mathbb{R}^3$ )이다. 이 모델은 57,859개의 학습 가능한 파라미터를 가진다.
- KAN: 고정된 노드 활성화 대신 에지에 학습 가능한 일변수 B-스플라인(B-spline) 함수를 사용하는 네트워크이다. 아키텍처는 cubic B-spline ( $k=3$ ) 및 5개의 그리드 포인트를 사용하여 $[60, 7, 5, 3]$ 으로 정의된다. 이는 8,444개의 학습 가능한 파라미터를 포함하며, MLP보다 약 6.9배 적다.
학습: 두 모델 모두 조기 종료(early stopping)를 적용한 Adam 옵티마이저를 사용하여 학습되었다. 궤적은 예측된 $\Delta p$ 벡터의 수치적 적분을 통해 재구성되었다.
평가: 성능은 단계별 변위 오차(dRMSE, dMAE)와 누적 드리프트 지표(Median $P_{50}$ , 90th percentile $P_{90}$ , 최종 드리프트)를 사용하여 측정되었다.

주요 기여

경험적 비교: 본 연구는 동일한 델타 위치 추정 작업에서 KAN이 훨씬 적은 파라미터(8,444 대 57,859)를 사용하여 표준 MLP 대비 최종 누적 드리프트를 44% 감소시킨다는 것을 입증하는 통제된 비교를 제공한다.
체계적 절제 실험(Ablation Study): 저자들은 각 아키텍처의 최적 작동 조건을 식별하기 위해 IMU 샘플링 주파수 및 윈도우 크기에 대한 절제 실험을 수행하였다.
해석 가능성 분석: 논문에는 학습된 KAN 스플라인 함수의 분석이 포함되어 있으며, 이는 관성 센서 물리 법칙과 일치하는 물리적으로 의미 있는 채널 선호도 및 국부성 편향(locality biases)을 드러낸다. 이는 모델이 센서 역학의 해석 가능한 표현을 학습하고 있음을 시사한다.

결과

단기 정확도: 두 모델 모두 단기 예측 정확도에서 유사한 성능을 보였으며, dRMSE 차이는 미미했다(MLP 0.023 m 대 KAN 0.022 m).
장기 안정성: KAN 모델은 오차 누적에서 우수한 안정성을 보였다.
- 최종 드리프트: MLP는 17.23 m를 기록한 반면, KAN은 9.61 m를 달성했다.
- 백분위수 드리프트: KAN은 더 낮은 중앙값( $P_{50}$ : 3.22 m 대 5.18 m) 및 90 백분위수( $P_{90}$ : 6.96 m 대 10.06 m) 누적 드리프트 값을 나타냈다.
계산 비용: KAN 모델은 더 적은 파라미터 수에도 불구하고 MLP(약 41초)에 비해 훨씬 더 많은 학습 시간(약 460초)이 소요되었다.

의의 및 주장
본 논문은 학습 가능한 B-스플라인 기반의 활성화 구조가 수치적 적분 과정에서 오차 성분들이 서로 일부 상쇄되도록 함으로써, 관성 오도메트리를 위한 구조적 이점을 제공하고 결과적으로 체계적 드리프트를 줄인다고 주장한다. 저자들은 KAN이 장기 안정성이 우선시되는 컴팩트한 동작 추정 애플리케이션에서 유망한 대안이 될 수 있다고 제언한다. 그러나 본 연구는 KAN의 일반화 성능이 다양한 윈도우 길이, 샘플링 주파수 및 비행 시퀀스에 대해 추가적인 조사가 필요하다는 점을 명시하며 신중하게 결론을 맺는다. 이러한 결과는 적은 파라미터로 복잡한 비선형성을 모델링하는 KAN 아키텍처의 능력이 학습 기반 관성 오도메트리의 오차 누적을 줄이는 데 있어 유효한 후보가 될 수 있음을 시사한다.

핵심 문제: 로봇의 "취객의 걸음걸이"

기존 방식 vs 새로운 아이디어

대결: 헤비급 복서 vs 아크로바트

결과: 누가 승리했나?

단점: 학습 시간

결론

유사한 논문