Improvement of Robot's Simultaneous Localization and Mapping Using an Effective Transformation to Achieve Linear Model

기술 요약: 선형 모델 달성을 위한 효과적인 변환을 이용한 로봇의 동시 위치 추정 및 지도 작성(SLAM) 개선

문제 정의
동시 위치 추정 및 지도 작성(SLAM)은 이동 로봇의 핵심적인 과제이지만, 확장 칼만 필터(EKF)에 기반한 표준 구현 방식은 발산과 불일치 문제를 겪습니다. 이러한 실패의 주요 원인은 로봇의 운동 및 관측 모델에 내재된 비선형성이며, 이는 선형화를 필요로 합니다. 이러한 선형화는 시간이 지남에 따라 오차를 누적시켜, 잘못된 상태 벡터 업데이트, 추정 위치의 급격한 변화(jump), 그리고 실제 불확실성을 반영하지 못하는 추정 공분산 행렬의 감소를 초래합니다. 이러한 문제를 완화하기 위해 Fast SLAM, Unscented Fast SLAM (UnFS), Cubature Kalman Filter (CKF) 변형 등 다양한 방법들이 제안되었으나, 이들은 종종 복잡한 근사치에 의존하거나 대규모 환경 또는 높은 센서 불확실성 하에서 여전히 일관성 유지에 어려움을 겪습니다.

방법론
본 논문은 LMKF SLAM(Linear Model Kalman Filter SLAM)이라 명명된 새로운 접근 방식을 제안합니다. 핵심 방법론은 표준 비선형 상태 공간 모델을 엄격한 선형 모델로 변환하여, 선형화 근사나 자코비안(Jacobian) 계산 없이 표준 칼만 필터(KF)를 직접 적용할 수 있도록 하는 것입니다.

1. 상태 공간 변환:

   • 운동 모델: 저자들은 로봇이 각 단계에서 로봇의 절대 각도($\theta_k$)를 측정하기 위해 단순한 전자 나침반을 장착하고 있다고 가정합니다. 이 측정을 통합함으로써 상태 벡터에서 방향 각도를 제외하여 축소할 수 있습니다. 삼각 함수로 인해 원래 비선형이었던 운동 방정식은 변환됩니다. 노이즈 항은 0을 중심으로 선형화되어, 상태 업데이트가 이전 상태 및 제어 입력에 선형적으로 의존하는 선형 운동 모델이 됩니다.
   • 관측 모델: 마찬가지로, 거리($r_k$)와 방위각($\phi_k$)을 랜드마크 위치와 연결하는 관측 모델 또한 변환됩니다. 측정된 로봇 각도 $\theta_k$를 활용함으로써, 랜드마크의 극좌표를 글로벌 프레임에 대한 데카르트 좌표로 변환합니다. 이 변환($\zeta_k$)은 관측 데이터와 상태 벡터(로봇 및 랜드마크 위치) 간의 관계를 선형화합니다.

2. 필터링 알고리즘:

   • 운동 및 관측 모델이 모두 선형화됨에 따라, 표준 칼만 필터가 직접 적용됩니다.
   • 알고리즘은 서로 다른 랜드마크로부터의 관측을 독립적인 것으로 취급하여 계산 속도를 높이기 위해 랜드마크 업데이트를 위한 순차적 처리를 채택합니다.
   • 상태 벡터는 로봇의 $(x, y)$ 좌표와 관찰된 모든 랜드마크의 좌표로 구성됩니다.

주요 기여

• 변환을 통한 선형화: 본 논문은 단순한 전자 나침반만을 사용하여 비선형 SLAM 모델을 선형 모델로 변환하는 간단한 변환법을 도입하였으며, 이를 통해 EKF 자코비안이나 Unscented Transformation과 같은 복잡한 선형화 기술의 필요성을 제거했습니다.
• 이론적 수렴성: 비선형성으로 인해 수렴 증명이 어려운 EKF 기반 방식들과 달리, 제안된 선형 모델은 엄격한 수렴 증명을 가능하게 하여 랜드마크의 절대 위치 오차가 하한값으로 수렴함을 보장합니다.
• 강건성: 이 방법은 센서 불확실성(속도, 조향각, 로봇 각도) 및 시스템 파라미터 변화에 대해 매우 안정적이도록 설계되었습니다.

실험 결과
저자들은 인공 시뮬레이션과 실제 Victoria Park 데이터셋을 모두 사용하여 LMKF SLAM을 표준 EKF, UnFS, 그리고 Improved CKF(ICKF) 방법과 비교 평가하였습니다.

• 시뮬레이션 (인공 환경):

  • 폐루프(closed-loop) 및 개루프(open-loop) 경로 모두에서 테스트가 수행되었습니다.
  • 정확도: LMKF는 로봇 및 랜드마크 위치 지정 모두에서 EKF, UnFS, ICKF에 비해 현저히 낮은 평균 제곱근 오차(RMSE)를 보여주었습니다.
  • 강건성: LMKF의 성능은 로봇 속도($v$)와 센서 노이즈($\sigma_G, \sigma_\theta$)가 증가하더라도 안정적으로 유지되었습니다. 반면, EKF와 ICKF의 RMSE는 노이즈와 속도가 증가함에 따라 급격히 증가했습니다.
  • 경로 의존성: 다른 방법들은 폐루프 경로에서 상당한 오차 감소(루프 폐쇄 보정 덕분)를 보인 반면, LMKF는 개루프 경로에서도 높은 정확도를 유지하여 성능이 폐루프 존재 여부에 덜 의존적임을 보여주었습니다.
  • 안정성: RMSE의 표준 편차($\sigma_{RMSE}$)가 LMKF에서 가장 낮았으며, 이는 다양한 노이즈 시퀀스에 대해 더 높은 신뢰성을 나타냅니다.

• 실제 데이터 (Victoria Park 데이터셋):

  • 2D 레이저 스캐너와 GPS가 포함된 데이터셋을 사용하여, 저자들은 GPS와 경로 정보를 통해 누락된 로봇 각도 데이터를 추정했습니다.
  • 제안된 방법의 단점인 불완전한 로봇 각도 추정에도 불구하고, LMKF는 EKF(2.58 m), UnFS(2.1 m), ICKF(2.33 m)와 비교하여 가장 낮은 RMSE(1.2 m)와 최대 절대 오차(3.46 m)를 달 기록했습니다.
  • 또한 LMKF는 다른 방법들에 비해 가장 적은 실행 시간(45.43초)을 소요했습니다.

의의 및 주장
본 논문은 제안된 LMKF SLAM 방식이 최신 필터링 방법들보다 유의미한 개선을 이루었다고 주장합니다. 단순한 변환을 통해 선형 모델을 달성함으로써, 이 방법은 수렴을 보장하고 우수한 정확도와 안정성을 제공합니다. 저자들은 LMKF가 센서 불확실성과 시스템 파라미터 변화에 특히 강건하며, 비선형 모델에 유리하도록 시뮬레이션 파라미터가 조정된 조건에서도 EKF, UnFS, ICKF를 능가한다고 강조합니다. 연구의 결론은 이 접근 방식이 복잡한 계산 오버헤드 없이 EKF 기반 SLAM에서 흔히 발생하는 발산 문제를 효과적으로 해결한다는 것입니다.