기술 요약: 고유 수용성 차량 위치 추정을 위한 물리 기반 정규화 머신러닝 (PRML2)

문제 정의

정확한 차량 위치 추정은 자율 주행의 핵심이며, 일반적으로 관성 측정 장치(IMU) 데이터와 글로벌 위성 항법 시스템(GNSS) 신호의 융합에 의존합니다. 그러나 GNSS 신호가 끊기는 상황에서 상용 등급의 IMU를 이용한 데드 레커닝(dead reckoning)은 급격한 드리프트 누적 문제를 겪습니다. LiDAR나 카메라와 같은 다중 센서 융합이 이를 완화할 수 있지만, 이는 시스템 비용과 복잡성을 증가시킵니다. 반대로, 표준 온보드 센서(조향각, 휠 속도, 요 레이트 등)는 비용 효율적이고 고유 수용성(proprioceptive, 외부 신호와 독립적)이지만, 고전적인 베이지안 필터를 사용할 경우 노이즈 누적과 모델의 한계로 인해 드리프트가 발생하기 쉽습니다.

최근의 데이터 기반 접근 방식은 센서 노이즈를 처리하는 데 유망한 성과를 보였으나, 물리적 일관성과 다양한 주행 조건에 대한 일반화 능력이 부족한 경우가 많습니다. 또한, IMU나 외수용성(exteroceptive) 측정값 없이 오직 표준 온보드 센서만을 사용하여 오도메트리(odometry)를 향상시키려는 머신러닝(ML)의 잠재력은 아직 충분히 탐구되지 않았습니다. 본 논문은 물리적 차량 역학을 준수하면서, 오직 온보드 센서만을 사용하여 GNSS가 차단된 환경에서 견고하고 정확하며 실시간적인 차량 위치 추정을 달로 달성하는 과제를 해결합니다.

방법론: PRML2 아키텍처

저자들은 데이터 기반 ML 모델과 물리 기반 확장 칼만 필터(EKF)를 통합한 하이브리드 프레임워크인 **물리 기반 정규화 머신러닝을 통한 위치 추정(PRML2)**을 제안합니다. 핵심 혁신은 미분 가능한 EKF를 통해 ML 모델을 엔드 투 엔드(end-to-end)로 학습시켜, 이를 물리 정보 기반의 정규화 도구로 사용하는 것입니다.

1. 아키텍처 구성 요소

• 트랜스포머 기반 ML 모델: 시스템은 트랜스포머 아키텍처를 사용하여 온보드 센서 데이터(관측 창 $L$)를 처리합니다. 이 모델은 센서 입력을 차량 동역학 상태($z_t$, 속도, 가속도, 각속도 포함)로 매핑합니다.
  • 물리 가드 레이어(Physics Guard Layer): 예측값이 물리적 한계 내에 머물도록 하는 도메인 지식 레이어가 임베디드되어 있습니다(예: 타이어-노면 마찰에 기반한 가속도의 캄의 원(Kamm's circle), 최대 속도 및 각속도 제한). 이는 물리적으로 불가능한 출력을 방지합니다.
  • 불확정성 정량화: 모델은 평균 추정치뿐만 아니라 분산도 출력하여, 후속 필터에서 적응형 측정 노이즈 공분산을 생성할 수 있게 합니다.
• 미분 가능한 확장 칼만 필터(Differentiable EKF): ML 모델에서 추정된 동역학 상태는 운동학적 EKF를 위한 "의사 측정값(pseudo-measurements)" 역할을 합니다. EKF는 등가속도 운동 모델을 사용하여 차량 포즈($T_k \in SE(3)$)를 재귀적으로 업데이트합니다.
• 엔드 투 엔드 학습: 전통적인 파이프라인과 달리, PRML2에서는 필터가 고정되지 않고 미분 가능한 방식으로 구현됩니다. 이를 통해 최종 EKF 포즈와 실제 값(ground truth) 사이의 차이로부터 계산된 손실 그래디언트가 필터를 거쳐 ML 모델의 파라미터까지 역전파될 수 있습니다.

2. 물리 기반 정규화 학습

본 논문은 미분 가능한 EKF가 물리 정규화 도구 역할을 한다고 가정합니다. 최종 위치 추정 오차를 최소화함으로써, 학습 과정은 시간적 일관성이나 물리적 운동 모델을 위반하는 ML 예측에 대해 암묵적으로 페널티를 부여합니다. 손실 함수는 전체 오차를 최소화하는 것이 칼만 필터의 혁신(innovation) 및 이득(gain) 행렬에서 유도된 정규화 항을 준수하면서 예측 오차를 최소화하는 것과 동일함을 보여주도록 분해됩니다.

3. 학습 전략

학습은 두 단계로 진행됩니다:

1. 사전 학습(Pretraining): ML 모델은 음의 로그 가능도(negative log-likelihood) 손실을 사용하여 데이터를 통해 순수하게 동역학 상태를 추정하도록 학습됩니다.
2. 미세 조정(Fine-tuning): 모델은 미분 가능한 EKF를 통해 위치 추정 오차를 역전파함으로써 미세 조정되며, 이를 통해 물리적 일관성을 강제합니다.

주요 기여

1. PRML2 프레임워크: IMU나 외부 신호 없이 오직 온보드 센서(휠 속도, 조향각, 요 레이트 등)만을 사용하여 차량 위치 추정을 수행하는, 트랜스포머 기반 ML 모델과 미분 가능한 EKF를 결합한 새로운 하이브리드 아키텍처를 도입했습니다.
2. 물리 기반 정규화 학습: 미분 가능한 칼만 필터를 엔드 투 엔드 학습에 통합하는 것이 물리적, 시간적 불일치에 페널티를 부여하여 물리적 일관성을 개선하고 일반화 성능을 높이는 물리 기반 정규화 역할을 한다는 것을 이론적, 경험적으로 검증했습니다.
3. 저마찰 조건 일반화: 저마찰(low-$\mu$) 조건에서도 효과적으로 일반화되는 프레임워크를 입증하였으며, 이는 안전이 중요한 자율 주행에 있어 핵심적인 능력입니다.
4. 새로운 데이터셋: 열악한 센싱 시나리오에서의 차량 위치 추정 연구를 지원하기 위해 폭설 및 저마찰 조건에서 수집된 새로운 데이터셋을 공개했습니다.

실험 결과

본 방법론은 공개된 ReV-StED 데이터셋과 저자들이 새로 구축한 저마찰 데이터셋에서 평가되었습니다.

• 동역학 상태 추정: PRML2는 다섯 가지 베이스라인(고전적 모델, GRU/LSTM 네트워크 및 기타 미분 가능한 필터 접근 방식 포함)보다 동역학 상태($v_x, \omega_z$ 등) 추정에서 우수한 성능을 보였습니다. 특히, 사전 학습 전 모델과 비교했을 때 종방향 속도($v_x$)에서 28%, 요 레이트($\omega_z$) 추정에서 **25%**의 개선을 달적으로 나타내어 물리 기반 정규화의 효용성을 입증했습니다.
• 위치 추정 정확도: 60초간의 GNSS 단절 시뮬레이션 동안, PRML2는 가장 낮은 위치 RMSE인 1.5 m를 달성했습니다(차순위 모델인 RNN-EKF의 2.1 m 대비). 또한 가장 낮은 최대 드리프트(maximum drift)를 기록했습니다.
• 일반화 성능: 재학습 없이 보지 못한 저마찰(눈길) 데이터셋으로 테스트했을 때, PRML2는 가장 높은 정확도(RMSE 2.5 m)와 가장 낮은 표준 편차를 유지하며 다른 방법론들에 비해 탁월한 견고성을 입증했습니다.
• 실시간 능력: NVIDIA Orin 엣지 디바이스에서 평가한 결과, 추론 지연 시간은 25–32 ms로 나타났으며, 이는 약 30 Hz의 동작 속도를 가능하게 하여 차량 위치 추정의 실시간 요구 사항을 충족합니다.

의의 및 주장

본 논문은 PRML2가 감쇄된 센싱 조건에서도 견고하고 비용 효율적인 솔루션을 제공한다고 주장합니다. 학습과 물리 기반 사전 지식을 통합함으로써, 이 프레임워크는 순수 데이터 기반 방식(물리적 일관성 부족)과 고전적 필터(노이즈 및 드리프트에 민감함)의 한계를 극복합니다.

저자들은 본 연구가 표준 온보드 센서의 미개척된 잠재력을 보여준다는 점을 강조합니다. 핵심적인 의의는 미분 가능한 필터링이 딥러닝 모델을 효과적으로 정규화하여, 비싼 추가 센서 없이도 물리 법칙을 준수하고 분포 외(out-of-distribution) 시나리오(예: 빙판길)에 일반화될 수 있음을 증명한 데 있습니다. 결론적으로, 이 접근 방식은 GNSS를 사용할 수 없는 실제 환경에서 신뢰할 수 있는 고유 수용성 자율 주행을 위한 실행 가능한 경로를 제시합니다.