Uncertainty-Aware Velocity Correction for Proprioceptive Vehicle Localization using Evidential Mamba

기술 요약: Evidential Mamba를 이용한 소유적(Proprioceptive) 차량 위치 추정을 위한 불확실성 인지 속도 보정

문제 정의
GNSS(글로벌 위성 항법 시스템)가 차단된 환경(예: 터널, 주차 구조물)에서 신뢰할 수 있는 차량 위치 추정은 여ove 핵심적인 과제로 남아 있습니다. 관성 항법 시스템(INS)이 표준으로 사용되고 있지만, 외부 보정이 없는 상태에서 IMU(관성 측정 장치) 데이터의 노이즈와 바이어스 누적으로 인해 위치 드리프트(drift)가 무한히 발생한다는 단점이 있습니다. 기존 솔루션들은 전용 인프라, 고가의 외부 센서(예: Correvit), 또는 복잡한 다중 센서 융합에 의존하는 경우가 많으며, 이는 배포의 장벽을 초래합니다. 또한, 데이터 기반 방식이 IMU 기반 데드 레커닝(dead reckoning)을 개선해 왔으나, 그 효과는 종종 짧은 중단 시간으로 제한되며, 강건한 상태 추정에 필수적인 원칙적인 불확실성 정량화 능력이 부족한 경우가 많습니다.

방법론
본 논문은 추가 하드웨어 없이 IMU 드리프트를 보정하기 위해 온보드 차량 센서 데이터를 "가상 속도 센서"로 변환하는 학습 기반 아키텍처인 **Evidential Velocity Correction using Mamba (EVC-Mamba)**를 제안합니다. 이 프레임워크는 세 가지 핵심 구성 요소로 이루어집니다:

1. Mamba 기반 시계열 모델링:
   RNN이나 Transformer 대신, 본 아키텍처는 **Mamba 기반 선택적 상태 공간 모델(Selective State Space Model, SSM)**을 채택합니다. 이 모델은 온보드 센서 시퀀스(조향각, 휠 속도, 횡가속도, 브레이크 압력 등)로부터 차량 운동의 시계열 역학을 포착합니다. Mamba 아키텍처는 선형 시간 추론 복잡도를 제공하여 실시간 배포에 적합하며, 입력 의존적 파라미터를 통해 다양한 주행 조건에 적응할 수 있습니다.

2. 불확실성 정량화를 위한 증거적 딥러닝(Evidential Deep Learning):
   운동학적 센서로부터 속도를 추정할 때 발생하는 내재적 불확실성을 해결하기 위해, 모델은 Normal-Inverse-Gamma (NIG) 분포의 파라미터를 출력하는 증거적 딥러닝을 활용합니다. 이를 통해 네트워크는 단일 점 추정치를 예측하는 대신, 평균 속도($\tilde{v}_t$)와 그와 관련된 불확실성($\delta\tilde{v}$)을 동시에 예측하며, 데이터 불확실성(aleatoric)과 모델 불확실성(epistemic)을 분리합니다. 이는 Monte Carlo Dropout이나 앙상블 방법의 계산 비용을 피하면서 단 한 번의 순전파(forward pass)로 수행됩니다.

3. ES-EKF 통합:
   예측된 속도와 그 불확실성은 가상 측정값으로서 **오차 상태 확장 칼만 필터(Error-State Extended Kalman Filter, ES-EKF)**에 융합됩니다. 필터는 불확실성 추정치를 사용하여 보정 신호의 가중치를 조절함으로써, GNSS 중단 시 위치 및 속도 오차의 증가를 효과적으로 억제합니다. 시스템은 위치, 속도, 방향 및 센서 바이어스를 포함하는 상태 벡터로 작동합니다.

주요 기여

• GNSS 독립적 속도 보정: 표준 온보드 센서(조향각, 휠 속도)만을 사용하여 IMU 드리프트를 보정하는 학습 기반 가상 속도 센서를 구현하여, 추가 하드웨어나 인프라의 필요성을 제거했습니다.
• 불확실성 인지 추정: Mamba-SSM과 증거적 프레임워크를 결합하여, 상태 추정을 위한 강건한 보정 신호를 제공하기 위해 단일 패스로 원칙적인 불확실성 정량화를 수행합니다.
• 실시간 엣지 배포: 본 아키텍처는 NVIDIA Orin과 같은 엣지 하드웨어에서 낮은 계산 비용(22.8 MFLOPs)으로 40Hz의 실시간 성능을 달상하며, 효율성 측면에서 Transformer 기반 베이스라인을 능가하면서도 우수한 정확도를 유지합니다.
• ES-EKF 통합: 학습된 가상 측정값을 관성 항법을 위한 표준 오차 상태 EKF에 매끄럽게 통합했습니다.

결과
ReV-StED 데이터셋(RTK/INS로부터 얻은 지면 진실값(ground truth)을 포함한 실제 차량 데이터)을 통해 평가한 결과, 시스템은 다음과 같은 성과를 보였습니다:

• 속도 추정 정확도: EVC-Mamba는 운동학적 베이스라인 및 Transformer 기반 아키텍처를 모두 능가하여, 횡방향 속도 RMSE 0.011 m/s(Transformer의 0.017 m/s 대비)를 달성했습니다.
• 불확실성 교정: 예측된 불확실성은 실제 오차의 경험적 커버리지를 밀접하게 추적하며 잘 교정되었습니다.
• 위치 추정 성능: GNSS 중단 시, EVC-Mamba는 보정되지 않은 IMU 데드 레커닝에 비해 위치 드리프트를 크게 감소시켰습니다.
  • 10분간의 중단 동안, 보정되지 않은 IMU 드리프트는 142미터에 달했으나, EVC-Mamba는 이를 5.9미터로 줄였습니다.
  • 이 성능은 이 작업의 실질적인 상한선 역할을 하는 전용 외부 하드웨어 센서(Correvit) 성능의 10% 이내 수준입니다.
• 효율성: 모델은 20~24ms의 지연 시간과 함께 40Hz로 작동하며, 이는 Transformer 베이스라인보다 약 3배 더 계산 효율적입니다.

의의 및 주장
저자들은 EVC-Mamba가 장기적인 GNSS 중단 상황에서도 신뢰할 수 있는 소유적 위치 추정을 위한 비용 효율적이고 하드웨어가 필요 없는 대안을 제공한다고 주장합니다. 기존의 온보드 센서를 활용하고 고급 시퀀스 모델링을 적용함으로써, 이 시스템은 고가의 외부 센서와 맞먹는 위치 추정 정확도를 별도의 배포 비용 없이 달성합니다. 본 연구는 선택적 상태 공간 모델과 증거적 학습을 결합하여, 자율주행 차량을 위한 강건하고 불확실성을 인지하는 인지 모듈을 만드는 잠재력을 보여주며, 특히 단기 데이터 기반 보정과 장기 신뢰 항법 사이의 간극을 해결합니다.