💻 computer science

Enhancing INS/GNSS Performance with Smart Learning Estimator

이 논문은 전통적인 선형 필터의 한계를 극복함으로써 장기적인 GNSS 신호 단절 상황 동안 저가형 INS/GNSS 항법 시스템의 정확도와 강건성을 크게 향상시키는, TGAN, LSTM 및 RWFNN 구조를 결합한 딥러닝 증강 칼만 필터인 "스마트 학습 추정기(Smart Learning Estimator, SLE)"를 제안한다.

원저자: Reza Safvat, Jafar Keighobadi, Morteza H. Sadeghi, Hossein Nourmohammadi

게시일 2026-07-07

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Reza Safvat, Jafar Keighobadi, Morteza H. Sadeghi, Hossein Nourmohammadi

원본 논문은 CC BY 4.0 (https://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

개요: 지도 없이 항해하기

당신이 짙은 안개 속에서 자동차를 운전하고 있다고 상 imagin 해보세요. 당신에게는 현재 위치를 정확히 알려주는 GPS(휴대전화의 지도 앱 같은 것)가 있지만, 안개나 높은 건물 때문에 신호가 계속 끊깁니다. 또한 당신에게는 발걸 수를 세고 회전을 추적하는 데드 레코닝 시스템(만보기와 나침반 같은 것)도 있습니다.

문제점: GPS 신호가 사라지면, 당신의 발걸음 측정기는 몇 초 동안은 훌륭하게 작동하지만, 곧 미세한 실수들을 하기 시작합니다. 모든 단계를 하나하나 더해야 하기 때문에, 이 작은 실수들이 빠르게 쌓이게 됩니다. 1분이 지나면, 당신의 "발걸음 측정기"는 당신이 실제로 있는 곳과는 다른 도시에 있다고 착각할 수도 있습니다. 이것이 드론이나 소형 로봇에 사용되는 저가형 센서(MEMSE라고 불리는 것)가 가진 문제입니다.
목표: 저자들은 드론의 과거 움직임을 학습함으로써, GPS 신호가 완전히 사라진 상황에서도 드론이 어디에 있는지 추측할 수 있는 "스마트한 두뇌"를 구축하고자 했습니다.

해결책: "스마트 학습 추정기" (Smart Learning Estimator, SLE)

연구진은 **스마트 학습 추정기(SLE)**라고 불리는 새로운 시스템을 만들었습니다. 이 시스템을 수천 가지의 비행 패턴을 암기한 숙련된 부조종사라고 생각해보세요. 이 부조종사는 단순히 현재 순간에 반응하는 대신, 미래를 예측하기 위해 비행의 *이력(history)*을 살펴봅니다.

SLE는 마치 세 명의 피트 크루(pit crew)가 함께 일하는 것처럼, 세 가지 뚜렷한 부분이 함께 작동하는 "하이브리드" 엔진입니다.

1. 웨이브릿 퍼지 필터 (노이즈 캔슬링 헤드폰)

역할: 현실 세계의 센서는 지저받습니다. 드론 모터의 진동, 돌풍, 전기적 정전기 등을 잡아내기 때문입니다. 이는 시끄러운 록 콘서트장에서 대화를 들으려고 노력하는 것과 같습니다.
비유: 이 부분은 노이즈 캔슬링 헤드폰 역할을 합니다. "웨이브릿"(소리 파동을 바라보는 수학적 방법)을 사용하여 유용한 신호(드론의 실제 움직임)와 쓰레기 같은 노이즈(진동)를 분리합니다. 또한 "퍼지 로직(fuzzy logic)"을 사용하는데, 이는 엄격한 수학보다는 "정확히 50도는 아니고, 약간 뜨거운 편이다"라고 말하는 인간처럼 불확정성을 더 잘 다루는 방식입니다.

2. LSTM (장기 기억)

역할: 일반적인 컴퓨터 프로그램은 몇 초 전에 일어난 일을 자주 잊어버립니다. 하지만 현재 위치를 알기 위해서는 1분 전에 어디에 있었고 어떻게 그곳에 도달했는지를 기억해야 합니다.
비유: 이것은 부조종사의 장기 기억입니다. 일반적인 컴퓨터는 당신이 10초 전에 했던 회전을 잊어버릴 수 있지만, 이 "장기 단기 메모리(Long Short-Term Memory, LSTM)" 네트워크는 계속해서 일기를 쓰듯 기록을 유지합니다. "왼쪽으로 돌았고, 그다음 가속했고, 그다음 아래로 내려갔다"와 같은 사건의 순서를 기억합니다. 이를 통해 GPS가 침묵하더라도 드론이 있어야 할 위치를 예측할 수 있습니다.

3. TGAN (창의적인 시뮬레이터)

역할: 이것은 가장 진보된 부분입니다. 시계열 데이터를 위해 설계된 "생성적 적대 신경망(Generative Adversarial Network)"입니다.
비유: 마치 위조범과 탐정이 게임을 벌이는 것을 상상해 보세요.
- **생성자(Generator)**는 실제와 구별할 수 없을 정도로 진짜처럼 보이는 가짜 비행 이력을 만들어내려고 노력합니다.
- **판별자(Discriminator)**는 그 가짜를 찾아내려고 노력합니다.
- 이들은 생성자가 판별자가 구별할 수 없을 정도로 정교한 실제 비행 경로를 만들 수 있을 때까지 이 게임을 반복합니다.
- 이것이 중요한 이유: GPS 신호가 끊겼을 때, 이 시스템은 단순히 추측하는 것이 아니라, 드론이 그 상황에서 보통 어떻게 움직이는지를 바탕으로 매우 높은 확률의 현실적인 경로를 생생하게 만들어냅니다. 즉, 누락된 지도 데이터를 현실에 수학적으로 매우 근접한 "최선의 추측"으로 채워 넣는 것입니다.

테스트 방법

연구진은 단순히 컴퓨터에서만 실행한 것이 아니라, 이러한 저가형 센서가 장착된 실제 드론(UAV)을 직접 비행시켰습니다.

설정: 드론을 약 23분(1,400초) 동안 비행시켰습니다.
트릭: 시스템이 GPS 없이 얼마나 잘 항해할 수 있는지 확인하기 위해, 의도적으로 다양한 기간(예: 480초, 580초, 800초) 동안 GPS 신호를 차단했습니다.
경쟁: 그들은 자신들의 새로운 "스마트 학습 추정기"를 기존의 칼만 필터(전통적인 수학적 접근 방식) 및 다른 AI 모델들과 비교했습니다.

결과

논문은 **스마트 학습 추정기(SLE)**가 명백한 승자였다고 주장합니다.

정확도: GPS가 차단되었을 때, SLE는 다른 방법들보다 드론의 위치와 속도를 훨씬 더 정확하게 유지했습니다.
수치: 한 테스트에서 표준 방식인 칼만 필터는 오차가 102미터에 달할 정도로 컸지만, SLE는 약 4.8미터 정도의 오차만을 보였습니다. 이는 엄청난 개선(약 40~50% 더 나은 성능)입니다.
복잡한 기동: 이 시스템은 드로가 복잡한 움직임(회전, 가속, 감속 등)을 할 때 빛을 발했습니다. 이 "스마트한 두뇌"는 기존의 경직된 수학 체계보다 이러한 복잡한 움직임을 더 잘 예측할 수 있었습니다.

트레이드오프 (Trade-Off)

논문은 비용이 따른다는 점도 인정합니다. 이 "스마트한 두뇌"는 무겁습니다. 기존 시스템에서 사용하는 단순한 수학보다 더 많은 컴퓨터 연산 능력을 필요로 합니다.

결론: 저자들은 정밀 농업용 드론(작물 살포), 도시 내 배송 드론, 또는 군사적 유도와 같이 높은 수준의 정밀도가 요구되는 작업에서는 드론이 길을 잃지 않도록 보장하기 위해 추가적인 컴퓨터 연산 능력을 사용하는 것이 가치가 있다고 주장합니다.

요약

요약하자면, 저자들은 저가형 드론이 GPS 신호가 사라졌을 때 길을 찾을 수 있도록 노이즈 캔슬링, 장기 기억, 그리고 창의적 시뮬레이션을 결합한 항법 시스템을 구축했습니다. 이는 마치 드론에게 비행 규칙을 완벽하게 암기한 부조종사를 붙여주어, 지도가 없더라도 폭풍 속에서도 길을 찾아낼 수 있게 해주는 것과 같습니다.

기술 요약: 스마트 학습 추정기(Smart Learning Estimator)를 통한 INS/GNSS 성능 향상

문제 정의
글로벌 항법 위성 시스템(GNSS)과 관성 항법 시스템(INS)의 통합은 위치, 속도 및 자세 추정치의 고유한 드리프트(drift)를 완화하기 위한 표준 전략입니다. 그러나 이러한 의존성은 저가형 마이크로 일렉트로 메카니컬 시스템(MEMS) 센서를 사용할 때 매우 치명적인데, 보정되지 않은 바이어스와 확률적 노이즈로 인해 오차가 기하급로 누적되기 때문입니다. GNSS는 절대 위치 정보를 제공하지만, 신호 차단, 폐쇄 및 낮은 갱신율(통상 최대 5Hz)에 취약합니다. GNSS 신호가 끊기는 상황에서, 주로 칼만 필터(KF) 및 그 변형 모델(EKF, UKF)을 사용하는 전통적인 통합 방식은 정확도를 유지하는 데 어려움을 겪습니다. 이러한 기존 필터들은 선형 역학 및 가우시안 노이즈 가정에 주로 의존하며, 이는 신호가 장기간 중단되는 동안 발생하는 MEMS 센서 오차의 복잡한 비선형 역학 및 장기적 시간 의존성을 포착하지 못합니다. 또한, 표준 순환 신경망(RNN)은 기울기 소실 또는 폭주 문제로 인해 장거리 시퀀스 데이터를 모델링하는 능력이 제한됩니다.

방법론: 스마트 학습 추정기 (SLE)
이러한 한계를 해결하기 위해 저자들은 딥러닝 증강 칼만 필터링 패러다임인 "스마트 학습 추정기(Smart Learning Estimator, SLE)"를 제안합니다. SLE의 핵심은 TGAN-LSTM-RFW-KF로 명명된 14개 층의 하이브리드 아키텍처입니다. 이 아키텍처는 비선형 역학 및 장기 의존성을 모델링하기 위해 세 가지 주요 구성 요소를 통합합니다:

시계열 생성적 적대 신경망 (TGAN): 이 모듈은 INS/GNSS 데이터의 기저 분포를 학습하고 잠재 특징을 재구성하도록 설계되었습니다. 이는 생성기(generator), 판별기(discriminator), 임베딩(embedding) 및 복구 네트워크(recovery network)를 활용하여 센서 오차의 복잡하고 다중 모드적인 확률 분포를 포착합니다. 또한 지도 학습, 재구성, 비지도 학습의 세 가지 손실 함수를 사용하여 모델이 데이터의 시간적 역학 및 구조적 표현을 모두 학습하도록 보장합니다.
장단기 메모리 (LSTM): 표준 RNN의 한계를 극복하기 위해 통합된 LSTM 층은 게이팅 메커니즘(입력, 망각, 출력 게이트)을 사용하여 확장된 시퀀스 전반에 걸쳐 중요한 정보를 선택적으로 유지합니다. 이를 통해 차량 운동 이력의 장기적 시간 의존성을 포착할 수 있습니다.
순환 퍼지 웨이브릿 신경망 (RFWNN): 이 구성 요소는 퍼지 로직 시스템과 웨이브릿 신경망을 결로합니다. 퍼지 추론 메커니즘은 복잡한 비선형 역학을 관리하며, 웨이브릿 분해(Mexican hat 기저 함수 사용)는 국소적 변동 및 노이즈 억제를 정밀하게 추정합니다. RFWNN은 지능형 전처리기 역할을 수행하여, 딥러닝 층에 도달하기 전에 신호를 노이즈 제거하고 불확실성을 처리합니다.

운용 워크플로우
시스템은 두 가지 별도의 모드로 작동합니다:

학습 모드 (GNSS 가용 시): GNSS 신호가 견고할 때, 시스템은 칼만 필터를 사용하여 INS와 GNSS 데이터를 융합합니다. 결과적인 오차 상태(INS와 GNSS 간의 차이)는 정답(ground truth) 타겟이 됩니다. TGAN-LSTM-RFW 네트워크는 배치 단위 데이터로 학습되며, INS 유도 속도, 위치 및 비특이 힘(specific force)을 입력으로 사용하여 상응하는 오차를 예측합니다. 모델은 항법 지식을 캡슐화하기 위해 시냅스 가중치를 업데이트합니다.
예측 모드 (GNSS 단절 시): 신호 중단 시, 시스템은 예측 모드로 전환됩니다. 수렴된 TGAN-LSTM-RFW 모델은 현재 및 과거의 INS 데이터를 입력받아 시뮬레이션된 지리 좌표와 속도 오차를 합성합니다. 이렇게 예측된 오차는 칼만 필터로 다시 입력되어 항법 솔루션을 교정함으로써, GNSS 신호가 복구될 때까지의 공백을 효과적으로 메웁니다.

주요 기여

하이브리드 아키텍처: 본 논문은 TGAN, LSTM, RFWNN을 칼만 필터링 프레임워크 내에 시너지 효과를 내도록 결합한 새로운 14개 층 아키텍처를 도입합니다. 이는 높은 노이즈와 낮은 업데이트 빈도 조건에서 표준 KF(선형성 및 가우시안 가정)의 제약을 해결합니다.
장기 의존성 모델링: LSTM과 TGAN을 활용함으로써, 전통적인 필터와 단순 RNN이 가진 INS 드리프트의 장기적 시퀀스 의존성 모델링 불능 문제를 효과적으로 완화합니다.
노이즈 강건성: 웨이브릿 구성 요소를 포함함으로써 신호를 주파수 대역으로 분해하여, 고주파 센서 노이즈(열, 진동)를 유효한 운동 데이터로부터 분리하고, 이를 통해 격동적인 조건에서의 성능을 향상시킵니다.
실제 환경 검증: 본 방법론은 합성 데이터에만 의존하지 않고, MEMS IMU와 Garmin GNSS 수신기가 장착된 무인 항공기(UAV)의 실제 비행 데이터를 사용하여 검증되었습니다.

실험 결과
SLE는 표준 KF, FTDNN, NARX, RFWNN, GRU 및 단독 LSTM-RFW-KF 모델을 포함한 여러 벤치마크 알고리즘과 비교 평가되었습니다. 평가는 인위적인 GNSS 단절 시간(480초, 580초, 800초부터 시작) 동안의 위치(위도/경도) 및 속도(북/동) 오차에 대한 제곱 평균 제곱근 오차(RMSE) 지표를 활용하였습니다.

성능: SLE는 모든 테스트 시나리오에서 일관되게 가장 낮은 RMSE 값을 달s성했습니다. 예를 들어, 480초 단절 시 SLE는 속도 오차 RMSE를 $1.07 \times 10^1$ 로 낮추어, 표준 KF( $1.77 \times 10^2$ ) 및 기타 신경망 변형 모델들을 크게 앞질렀습니다.
기동 민감도: SLE의 우수성은 전통적인 필터와 단순한 신경망이 더 높은 오차 누적을 보이는 복잡하고 역동적인 회전 기동 중에 특히 두드러졌습니다.
정확도 향상: 저자들은 기준 방법론 대비 연장된 GNSS 단절 기간 동안 약 40~50%의 정확도 향상을 보고했습니다.

의의 및 주장
본 논문은 SLE가 추정 패러다임을 "즉각적인 반응"에서 "최근 운동 맥락에 기반한 예측"으로 성공적으로 전환했다고 주장합니다. 딥러닝을 활용하여 잠재 데이터 역학 및 장기 의존성을 모델링함으로써, SLE는 정밀한 궤적 재구성과 장기간의 GNSS 신호 중단 시에도 지속적인 정확도를 유지할 수 있게 합니다. 저자들은 이 모델이 더 높은 계산 부하를 수반하지만, 현대의 엣지 컴퓨팅 하드웨어(예: Texas Instruments AM69A 프로세서)를 통해 실시간 구현이 가능하다는 점을 강조합니다. 이 연구는 정밀 농업용 UAV, 자율 주행, 도시 물류 배송 등 GNSS가 제한된 환경에서도 항법 충실도를 유지하는 것이 필수적인 고도의 안전성과 신뢰성이 요구되는 응용 분야를 위한 강력한 솔루션으로서의 입지를 구축합니다.