⚡ electrical engineering

The Setting of IMU Parameters in Kalman Filtering-based Information Fusion

본 논문은 복잡한 작업 조건 하에서의 튜닝 문제를 해결하기 위해 전력 스펙트럼 밀도와 알란 분산 사이의 관계를 활용하여 칼만 필터링 프레임워크 내에서 IMU 파라미터를 설정하는 방법을 제안하며, 두 가지 전형적인 센서 퓨전 시스템을 통해 그 효과를 입증한다.

원저자: Qiang Hu, Yanhua Zou, Shuaiyi Huo, Haibo Ge, Wei Ouyang

게시일 2026-08-25

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Qiang Hu, Yanhua Zou, Shuaiyi Huo, Haibo Ge, Wei Ouyang

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

짙은 안개 속에서 자동차를 운전한다고 상상해 보십시오. 당신에게 있는 유일한 지도는 초당 100번씩 업데이트되는 나침반과 속도계뿐입니다. 이것이 자율주행 자동차부터 드론에 이르기까지, 자신의 위치를 파악하기 위해 관성 측정 장치(IMU)에 의존하는 현대 기계들의 현실입니다. 이 작은 장치들은 회전하는 자이로스코프와 민감한 가속도계를 포함하여 모든 뒤틀림과 회전을 추적합니다. 하지만 이 센서들은 완벽하지 않습니다. 시간이 흐름에 따라 오차가 누적되며, 이를 방치할 경우 차량을 경로에서 수 마일이나 벗어나게 만들 수 있습니다. 이를 해결하기 위해 엔지니어들은 IMU의 빠른 데이터와 위성 또는 레이저 스캐너로부터 오는 더 느리지만 신뢰할 수 있는 신호를 결합합니다. 문제는 컴퓨터에게 IMU를 얼마나 신뢰할지, 혹은 다른 센서를 얼마나 신뢰할지를 정확히 알려주는 데 있습니다. 만약 컴퓨터가 IMU가 너무 완벽하다고 생각하면 외부 세계의 유익한 보정 신호를 무시하게 됩니다. 반대로 IMU가 너무 신뢰할 수 없다고 생각하면 가치 있는 고속 운동 데이터를 버리게 됩니다. 이 균형을 제대로 잡는 것이 매끄러운 여정과 충돌 사이의 차이를 만듭니다.

수년 동안 엔지니어들은 이 균형 잡기의 특정 부분, 즉 센서의 내부 '노이즈(noise)'와 '바이어스(bias)'에 대한 규칙을 어떻게 설정할 것인가라는 문제로 고군분투해 왔습니다. 노이즈는 읽기 값을 떨리게 만드는 무작위 정적 상태를 의미하며, 바이어스는 센서가 실제로는 정지해 있음에도 움직이고 있다고 착각하게 만드는 느리고 서서히 스며드는 드리프트(drift)를 의미합니다. 표준적인 방식은 센서를 테이블 위에 완전히 정지된 상태로 두고 테스트하는 것입니다. 이 정적 테스트는 '앨런 분산 플롯(Allan variance plot)'이라 불리는 차트를 생성하며, 이는 센서의 특성을 드러냅니다. 그러나 현실 세계는 결코 정지해 있지 않습니다. 센서가 움직이는 차량 안에서 진동할 때 조건은 변하며, 조용한 테이블 위에서 얻은 수치는 움직이는 동안 센서가 어떻게 작동할지를 예측하는 데 실패하는 경우가 많습니다. 이러한 불일치로 인해 많은 항법 시스템은 확고한 방법론 대신 추측이나 깊은 직관적 경험에 의존해 왔습니다.

최근 상하이 통지 대학교(Tongji University)의 연구진은 정적인 테이블 테스트와 움직이는 차량의 혼란스러운 현실 사이를 잇는 명확하고 수학적인 가교를 구축함으로써 이 문제를 해결했습니다. 그들은 항법 시스템의 '두뇌' 역할을 하며 서로 다른 정보의 흐름을 어떻게 혼합할지 끊임없이 결정하는 정교한 알고리즘인 칼만 필터(Kalman filter)에 집중했습니다. 연구팀은 정적 테스트 결과를 필터의 설정값으로 변환하는 기존 방식이 종종 부정확하다는 점을 깨달았습니다. 그들은 앨런 분산 플롯의 데이터를 필터가 센서의 불확실성을 이해하는 데 필요한 구체적인 숫자로 직접 변환하는 새로운 방법을 개발했습니다. 단순히 추측하는 대신, 이 접근 방식은 입증된 정적 캘리브레이션 특성을 바탕으로 센서의 오류가 시간에 따라 어떻게 행동하는지를 나타내는 척도인 '전력 스펙트럼 밀도(power spectral density)'를 계산합니다.

연구진은 이 새로운 튜닝 방법을 두 가지 매우 다른 항법 시스템에 테스트했습니다. 첫째, 차량에서 흔히 사용되는 구성인 관성 센서와 위성 신호를 결합한 설정을 사용했습니다. 튜닝된 설정을 공장 기본값과 비교한 결과, 이 방법이 특히 위성 신호가 잠시 끊겼을 때 시스템이 더 정확한 위치를 유지할 수 있게 해준다는 것을 발견했습니다. 즉, 시스템이 센서에서 흔히 발생하는 느린 드리프트에 더 잘 저항할 수 있게 된 것입니다. 다음으로, 그들은 더 까다로운 시나리오, 즉 랜드마크를 고정할 대상이 거의 없는 넓고 개방된 구역을 항법하는 레이저 스캐너와 관성 센서 결합 시스템을 테스트했습니다. 이러한 '퇴화된(degenerate)' 환경에서는 레이저 스캐너가 어려움을 겪는 경우가 많아 시스템이 관성 센서에 크게 의존해야 합니다. 여기서 차이는 극명했습니다. 인기 있는 오픈 소스 소프트웨어에서 사용하는 표준 설정은 일부 사례에서는 적절히 작동했지만, 가장 도전적인 테스트 시퀀스에서는 튜닝된 파라미터를 사용했을 때보다 성능이 현저히 떨어졌습니다. 가장 어려운 테스트 시퀀스에서 표준 설정은 평균 위치 오차가 11미터 이상 발생한 반면, 연구진의 튜닝된 파라미터를 사용한 시스템은 이 오차를 약 3.2미터로 줄였습니다.

이 연구는 우리가 현재 센서를 설정하는 방식이 너무 경직되어 있음을 강조합니다. 센서의 정적 테스트 결과와 움직임 중의 행동 사이의 구체적인 관계를 이용함으로써, 연구진은 기존 하드웨어로부터 훨씬 더 나은 성능을 끌어낼 수 있음을 보여주었습니다. 그들은 새로운 센서나 새로운 종류의 컴퓨터를 발명한 것이 아닙니다. 단지 컴퓨터가 이미 가지고 있는 센서의 목소리를 어떻게 들어야 하는지에 대한 더 나은 방법을 제공했을 뿐입니다. 이들의 작업은 많은 항법 작업에서 더 높은 정확도의 핵심이 더 비싼 장비를 사는 것이 아니라, 모든 센서가 만들어내는 노이즈와 드리프트의 미묘한 언어를 이해하는 데 있다는 것을 시사합니다. 이 접근 방식은 기계가 실제 세계를 더 높은 신뢰도와 정밀도로 항해하도록 해야 하는 엔지니어들에게 실질적인 길을 제시합니다.

기술 요약: 칼만 필터 기반 정보 융합에서의 IMU 파라미터 설정

문제 정의
센서 융합 프레임워크, 특히 칼만 필터에 기반한 프레임워크 내에서 관성 측정 장치(IMU) 파라미터를 설정하고 튜닝하는 것은 매우 중요한 과제이다. 일반적으로 IMU의 노이즈 및 바이어스 불안정성(bias instabilities)은 앨런 분산(Allan variance)을 사용하여 정적 교정 조건 하에서 특성화되지만, 이러한 사양은 동적인 작업 환경의 복잡성을 수용하기에는 부족한 경우가 많다. 결과적으로, 칼만 필터의 공분산 행렬 내 프로세스 불확실성 파라미터(특히 노이즈 및 바이어스 불안정성)를 효과적으로 튜닝하는 작업은 엄격한 이론적 연결 고리보다는 경험적인 경험에 의존하는 경우가 빈번하다. 이러한 격차는 연속 시간 노이즈 모델링(전력 스펙트럼 밀도, PSD)과 이산 시간 필터 구현 간의 차이로 인해 더욱 심화되며, 파라미터가 잘못 설정될 경우 최적화되지 못한 정보 융합을 초래한다.

방법론
저자들은 앨런 분산 교정 결과와 칼만 필터링에 사용되는 연속 시간 프로세스 노이즈 공분산 행렬 사이의 간극을 메움으로써 IMU 파라미터를 설정하는 체계적인 방법을 제안한다.

이론적 정식화: 본 논문은 관성 항법을 위한 연속 시간 오차 상태 모델의 이산화 과정을 재검토한다. 저자들은 연속 시간 전력 스펙트럼 밀도(PSD) 행렬( $S$ )과 이산 시간 프로세스 노이즈 공분산 행렬( $Q$ ) 사이의 수학적 관계를 확립한다. 저자들은 작은 시간 간격에 대해 $Q \approx G S \Delta t G^T$ (여기서 $G$ 는 입력 행렬)임을 유도한다.
앨런 분산을 통한 PSD 변환: 본 방법론의 핵심은 표준 앨런 분산 사양(노이즈 랜덤 워크 $N$ $N$ 및 바이어스 불안정성 $B$ $B$ )을 필터에 필요한 PSD 계수로 변환하는 것이다.
- **노이즈 랜덤 워크(Noise Random Walk)**의 경우, PSD는 계수 $N^2$ 과 직접적으로 연관된다.
- **바이어스 불안정성(Bias Instability)**의 경우, 저자들은 바이어스를 1차 가우스-마르코프 과정(first-order Gauss-Markov process)으로 모델링한다. 저자들은 앨런 분산 그래프의 "평탄한(flat)" 영역에서의 값과 PSD 계수( $S_B$ ) 사이의 구체적인 관계를 유도한다. 함수 $F(\lambda)$ 의 적분 및 분석을 통해, 바이어스 불안정성을 위한 PSD는 대략 $S_B \approx 5.25 \frac{\sigma_{zB}^2}{T_B}$ 임을 결정한다 (여기서 $\sigma_{zB}$ 는 앨런 분산 그래프의 바이어스 불안정성 값이고 $T_B$ 는 상관 시간이다).
튜닝 전략: 저자들은 계산된 바이어스 불안정성 파라미터를 조정하기 위해 스케일링 인자( $k_{bg}$ 및 $k_{ba}$ )를 도입한다. 이는 앨런 분산 그래프에서 추출된 상관 시간( $T_B$ )이 비등방적(non-isotropic)일 수 있고 선택된 적분 주기에 민감할 수 있음을 인지하며, 특정 시스템 성능에 따라 미세 조정을 가능하게 한다.

주요 기여
본 논문은 두 가지 주요 기여를 한다:

노이즈 행렬의 재정식화: 저자들은 연속 시간 및 이산 시간 노이즈 행렬의 유도를 재검토하고 명확히 하며, 앨런 분산 교정 데이터를 기반으로 프로세스 공분산 행렬을 설정하는 방법을 명시적으로 제안한다.
퇴화된 시나리오에서의 검증: 제안된 파라미터 설정 방법은 두 가지 서로 다른 시스템에서 실험적으로 검증되었다:
- INS/GNSS 통합 항법: KFGINS 오픈 소스 프레임워크를 사용함.
- LiDAR-관성 오도메트리(LiDAR-Inertial Odometry): FASTLIO2 오픈 소스 프레임워크를 사용하였으며, 특히 LiDAR 특징점이 부족하여 IMU 전파에 의존해야 하는 대규모 퇴화(degenerated) 시나리오에서 테스트됨.

실험 결과

INS/GNSS: ADIS16465 IMU를 이용한 실험 결과, 시스템은 일반적으로 교정된 파라미터의 표준 설정(스케일링 인자 $k=1$ )을 선호하는 것으로 나타났다. 바이어스 불안정성 파라미터를 약간 감소시키는 것(스케일링 인자 $k=0.5$ ) 또한 만족스러운 위치 정확도를 달성했으나, 결과적으로 표준 교정 값을 선호하는 경향을 보였다.
LiDAR-관성 오도메트리: 퇴화된 데이터셋(예: Seq4)을 사용한 Xsens MTi-600 IMU 테스트는 파라미터 튜닝의 결정적인 중요성을 입증했다.
- 기본 FASTLIO2 설정은 도전적인 시퀀스(예: Seq4에서 RMSE 11.7m)에서 높은 오차를 발생시켰다.
- 제안된 튜닝 방법을 적용했을 때, 스케일링 인자의 선택이 매우 중요함을 보여주었다. 스케일링 인자 $k=10$ 을 적용하자 Seq4에서 시스템이 발산하였다. 인자를 $k=25$ 로 높였을 때 평균 RMSE는 18.4m로 높게 나타났으나, 이를 $k=50$ 까지 더 높이자 결과가 5.58m로 개선되었다.
- 가장 효과적인 튜닝은 특정 동반 인자(companion factors)인 $k_{bg}=20, k_{ba}=40$ 을 선택했을 때 달성되었으며, 이는 Seq4에서의 평균 RMSE를 3.26m로 크게 감소시켰다.
- 본 연구는 FASTLIO2의 기본 이산 공분산 값이 제안된 앨런 분산-to-PSD 변환을 통해 도출된 값과 수 차례의 자릿수(orders of magnitude) 차이가 난다는 점을 지적하며, 산업용 센서를 위한 제안된 튜닝 접근법의 필요성을 강조했다.

의의 및 주장
본 논문은 IMU 파라미터의 효과적인 튜닝이 단순한 경험적 작업이 아니라, 앨런 분산과 전력 스펙트럼 밀도 사이의 엄격한 관계에 근거할 수 있다고 주장한다. 교정 데이터를 필터 파라미터로 변환하는 명확한 유도 과정을 제공함으로써, 저자들은 특히 GNSS나 LiDAR와 같은 외부 측정이 저하되거나 불가능한 시나리오에서 관성 기반 항법의 신뢰성을 향상시키는 방법을 제시한다. 본 연구는 노이즈 랜덤 워크 파라미터는 종종 신뢰할 수 있는 반면, 바이어스 불안정성 파라미터는 특정 융합 시스템의 역학에 맞추기 위해 세심한 유도와 잠재적인 스케일링이 필요하다는 점을 강조한다. 저자들은 자신들의 방법이 INS/GNSS 및 LiDAR-관성 시스템 모두에서 실현 가능성을 입증했다고 결론지으며, 향후 더욱 효율적인 튜닝 방법론 개발을 목표로 하고 있다.

유사한 논문