⚡ electrical engineering

Constrained-Axis Visual-Inertial Odometry for Mobile Robot Displacement Logging Using Commodity Mobile Devices

본 논문은 센서 노이즈를 필터링하고 정지 단계에서의 드리프트를 억제하며, 실외 운용을 위해 GPS를 원활하게 통합함으로써, 구조화된 필드 로보틱스를 위한 제로 통합 비용의 로깅 솔루션을 제공하기 위해 범용 휴대용 기기를 활용하여 제약된 축을 따른 변위를 추정하는 이동 로봇용 가성비 높은 시각-관성 오도메트리 시스템을 제시한다.

원저자: Pedro Portugal, Damian Venghaus

게시일 2026-08-19

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Pedro Portugal, Damian Venghaus

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

로봇은 자신이 얼마나 이동했는지 알아야 합니다. 기계가 창고 통로를 주행하든, 농장을 순찰하든, 혹은 재난 지역을 탐사하든, 출발점에서 도착점까지 이동한 거리를 측정할 수 있어야 합니다. 수십 년 동안 엔지니어들은 로봇의 바퀴나 본체에 특수 하드웨어를 부착하여 이 문제를 해결해 왔습니다. 바퀴의 회전수를 세는 휠 인코더나 주변 환경을 매핑하는 레이저 스캐너와 같은 이러한 장치들은 정확하지만 비싸고 무거우며 설치하기 어렵습니다. 또한 로봇의 두뇌와 통신하기 위해 맞춤형 배선과 복잡한 소프트웨어가 필요합니다. 이는 고가의 센서 예산이 부족한 연구자나 소규모 팀에게 장벽이 됩니다. 문제는 거의 모든 사람의 주머니 속에 들어 있는 장치인 표준 스마트폰이 동일한 작업을 수행할 수 있는지에 대한 의문이 오랫동안 제기되어 왔다는 점입니다. 현대의 스마트폰에는 이미 필요한 도구들이 들어 있습니다. 즉, 세상을 보는 카메라와 움직임을 느끼는 모션 센서입니다. 과제는 스마트폰이 자신의 흔들림과 움직이는 환경의 혼란을 무시하고, 하나의 신뢰할 수 있는 숫자, 즉 이동 거리를 추출하도록 가르치는 것입니다.

두 명의 연구자 페드로 포르투갈(Pedro Portugal)과 데미안 벤구스(Damian Venghaus)는 추가적인 하드웨어나 실시간 컴퓨터 연결 없이도 일반 스마트폰을 정밀한 이동 거리 기록기로 바꿀 수 있는 방법을 개발했습니다. 최근 연구에서 설명된 그들의 접근 방식은 시각-관성 오도메트리(visual-inertial odometry)라고 불리는 기술에 기반합니다. 이 시스템은 전화기의 카메라 영상 피드와 내부 모션 센서의 데이터를 융합하여 장치가 공간을 통해 어떻게 이동하는지 추적합니다. 이 기술은 이미 증강 현실 게임에서 가상 객체를 방 안에 배치하는 데 사용되고 있지만, 연구자들은 이를 특정하고 실용적인 공학적 과제, 즉 로봇이 직선 경로를 따라 이동하는 거리를 측정하는 데 적응시켰습니다. 로봇의 3차원 위치 전체를 추적하려고 하면 오류가 발생하기 쉬우므로, 그들의 시스템은 단일 방향에 고정됩니다. 이 방식은 모든 움직임을 사용자가 정의한 선상에 투영하여, 전진 진행에 기여하지 않는 측면의 흔들림이나 수직 드리프트 등을 효과적으로 무시합니다.

그들 혁신의 핵심은 기록되기 전의 원시 데이터를 정제하는 일련의 소프트웨어 필터입니다. 로봇이 움직임에 따라 스마트폰의 센서는 위치 업데이트를 지속적으로 생성하지만, 이러한 업데이트는 노이즈가 많고 떨림이 심합니다. 연구자들은 각 이동 축에 대해 별도의 수학적 평활화(smoothing) 과정을 적용하여, 시간이 지남에 따라 큰 오차를 누적시킬 수 있는 고주파 정적 노이즈를 제거했습니다. 또한 그들은 로봇이 멈췄을 때를 감지하는 안전 메커니즘을 구축했습니다. 많은 내비게이션 시스템에서는 장치가 완전히 정지해 있을 때도 센서가 계속 드리프트하며 움직임을 보고하여, 로봇이 움직이지 않는데도 움직이고 있다고 착각하게 만듭니다. 이 새로운 시스템은 움직임의 부재를 감시하고 거리 카운터를 일시적으로 정지시켜, 여정 중의 일시 정지가 최종 측정값을 부풀리지 않도록 보장합니다. 더욱이, 이 시스템은 지속적인 인터넷 연결이나 로봇과의 실시간 데이터 링크 없이 작동하도록 설계되었습니다. 실시간으로 데이터를 스트리밍하는 대신, 스마트폰은 자체 저장 공간의 파일에 측정값을 단순히 기록합니다. 임무가 완료된 후, 운영자는 거리와 타임스탬프 목록이 포함된 파일을 회수하여 분석할 준비를 마칠 수 있습니다.

이 방법이 작동하는지 테스트하기 위해 연구팀은 벽돌 벽이 있는 질감이 있는 실내 복도부터 무늬 없는 도색된 표면, 그리고 개방된 야외 지역에 이르기까지 다양한 환경에서 실험을 수행했습니다. 그들은 스마트폰의 측정값을 고정밀 줄자와 레이저 거리 측정기로 측정한 거리와 비교했습니다. 결과에 따르면, 이 시스템은 많은 실내 로봇 작업에 해당하는 2.5미터에서 5.0미터 사이의 거리에서 매우 효과적이었습니다. 이 최적의 범위에서 시스템의 오차율은 2% 미만으로 떨어졌으며, 이는 많은 현장 응용 분야에 충분히 정확한 수준입니다. 그러나 연구는 명확한 한계점도 식별했습니다. 특히 2미터 미만의 매우 짧은 거리에서는 시스템이 이동 거리를 과소평가하는 경향이 있었는데, 이는 스마트폰의 카메라 소프트웨어가 규모(scale)에 대한 이해를 초기화하는 방식과 관련이 있습니다. 또한, 시스템은 초당 0.10미터 미만의 매우 느린 속도로 이동할 때 어려움을 겪었습니다. 이러한 저속에서는 움직임이 너무 미세하여 시스템이 이를 정지로 오인했고, 이로 인해 카운터가 정지되어 여정의 일부를 놓치게 되었습니다.

연구자들은 또한 환경이 성능에 어떤 영향을 미치는지 조사했습니다. 그들은 시스템이 카메라가 추적할 수 있는 많은 시각적 세부 사항을 제공하는 질감이 있는 표면에서 잘 작동하는 반면, 특징이 없는 평범한 벽에서도 놀라울 정도로 견고하게 유지된다는 것을 발견했습니다. 비록 평범한 표면에서 정확도가 약간 감소하기는 했지만, 오차는 대부분의 실용적인 용도에서 허용 가능한 범위 내에 있었습니다. 밝은 햇빛이나 특징의 부재로 인해 시각적 추적이 실패하는 야외 작업의 경우, 시스템은 자동으로 스마트폰의 GPS 수신기를 사용하도록 전환됩니다. 이 모드에서는 지리적 좌표의 변화를 기반으로 거리를 계산합니다. 이러한 하이브리드 접근 방식 덕분에 로봇은 GPS 신호가 안정적일 만큼의 거리가 아니라면, 건물 내부든 들판이든 상관없이 끊김 없이 이동 거리를 기록할 수 있습니다.

이 연구의 중요한 발견은 시스템이 유용하기 위해 로봇의 제어 루프에 통합될 필요가 없다는 점입니다. 데이터를 로컬에 기록하고 나중에 회수함으로써, 연구자들은 복잡한 소프트웨어 드라이버, 네트워크 설정 또는 실시간 통신 링크의 필요성을 제거했습니다. 이러한 "제로 통합(zero-integration)" 설계는 시스템을 로봇의 운영 체제나 컴퓨computing 능력에 관계없이 단순히 브래킷에 스마트폰을 부착하는 것만으로 거의 모든 로봇에 장착할 수 있음을 의미합니다. 연구는 로봇이 알려진 경로를 따라 얼마나 이동했는지 알아야 하는 구조화된 작업의 경우, 일반적인 스마트폰이 전용 내비게이션 하드웨어에 대한 실행 가능한 저비용 대안이 될 수 있다고 결론지었습니다. 비록 밀리미터 단위의 정밀한 작업을 위한 고정밀 센서를 대체할 수는 없겠지만, 비용과 단순함이 극도의 정밀도보다 더 중요한 응용 분야에서 실용적인 솔루션을 제공함으로써 교육, 농업 및 물류 분야의 보다 접근 가능한 모바일 로보틱스의 문을 열어줍니다.

기술 요약: 이동 로봇 변위 기록을 위한 제약 축 시각-관성 오도메트리(VIO)

문제 정의
정확한 변위 추정은 이동 로봇 공학의 기초적인 요구 사항이지만, 기존의 솔루션들은 휠 인코더, LiDAR 또는 맞춤형 관성 측정 장치(IMU)와 같은 전용 하드웨어에 의존하는 경우가 많습니다. 이러한 구성 요소들은 상당한 비용, 무게 및 통합 복잡성을 초래하여 저예산 플랫폼, 교육용 로봇 공학 및 자원이 제한된 현장 배치에 장벽이 됩니다. 시각-관성 오도메트리(VIO)는 고성능의 대안을 제공하지만, 기존 구현 방식은 현대의 스마트폰에 이미 존재하는 범용 하드웨어를 활용하기보다는 전용 센싱 모듈(예: Intel RealSense, NVIDIA Jetson)을 필요로 하는 경우가 일반적입니다. 또한, 표준 VIO 파이프라인은 6자유도(6-DoF) 포즈를 추정하는데, 이는 특정 엔지니어링 목표가 단순히 알려진 궤적을 따라 스칼라 변위를 측정하는 것일 때 축 외 노이즈(off-axis noise)와 기생 운동 오류를 누적시킵니다. 추가적으로, 관성 데드 레커닝(dead-reckoning) 시스템은 정지 단계에서 적분 드리프트(integration drift) 문제를 겪으며, 이는 로봇 장착형 스마트폰 변위 기록 맥락에서 충분히 다뤄지지 않은 실패 모드입니다.

방법론
저자들은 범용 모바일 기기(구체적으로 Android와 ARCore)에서 구현된 제약 축 VIO 정식화를 제안합니다. 이 시스템은 계층적 파이프라인으로 작동합니다:

헤드리스(Headless) VIO 백엔드: 시스템은 시각적 렌더링이 없는 "헤드리스" 구성의 Google ARCore를 사용하여 약 20Hz의 연속적인 6-DoF 포즈 추정치를 생성합니다. 이는 ARCore의 스레딩 요구 사항을 충족하기 위해 최소한의 보이지 않는 OpenGL ES 서피스를 별도의 GL 스레드에서 실행함으로써 달성됩니다.
축별 칼만 필터링(Per-Axis Kalman Filtering): 원시 포즈 데이터는 각 번역 축(translation axis)에 대해 독립적인 1차 이산 칼만 필터를 통과합니다. 이 단계는 적분 전 카메라 지터 및 IMU 양자화로부터 발생하는 고주파 센서 노이즈를 감쇄하며, 경험적으로 고정된 프로세스( $Q=0.001$ ) 및 측정( $R=0.005$ ) 노이즈 공분산을 사용합니다.
제로 벨로시티 업데이트(ZUPT) 탐지: 정지 단계에서의 드리프트를 방지하기 위해, ZUPT 탐지기는 이동 거리의 크기에 대한 롤링 윈도우를 모니터링합니다. 이동의 분산과 평균 이동량이 모두 특정 임계값 미만일 때 정지 상태를 선언합니다. 이는 장치가 움직이지 않을 때 적분을 억제합니다.
제약 축 궤적 투영: 사용자 정의 캘리브레이션 제스처(의도된 경로를 따라 장치를 미끄러뜨리는 동작)를 통해 궤적 단위 벡터를 설정합니다. 이후의 모든 변위 벡터는 내적(dot product)을 통해 이 축으로 투영됩니다. 궤적에 수직인 성분은 버려지며, 각도 편차가 60°를 초과하는 프레임은 거부됩니다. 곡선 경로를 수용하기 위해 축은 지수 이동 평균을 사용하여 서서히 적응합니다.
GPS 폴백(Fallback): 시각적 추적이 실패하거나 ARCore의 신뢰 범위가 벗어나는 실외 환경을 위해, 시스템은 하버사인(Haversine) 공식을 사용한 GPS 기반 변위 추정으로 투명하게 전환됩니다.
제로-인테그레이션 데이터 복구: 전통적인 센서 모듈과 달리, 이 시스템은 실시간 통신 링크(예: ROS, 시리얼)를 구축하지 않습니다. 모든 데이터는 구조화된 CSV 파일로 로컬에 기록된 후 사후에 복구되며, 이를 통해 미들웨어 오버헤드를 제거합니다.

핵심 기여

사용자 정의 축 잠금: 3D 포즈 증분을 단일 측정 축으로 투영하여, 관측이 부족한 방향의 수직 운동을 명시적으로 거부하는 메커니즘.
축별 노이즈 감쇄: 적분 전 고주파 노이즈를 부드럽게 만들기 위해 원시 VIO 스트림에 독립적인 칼만 필터를 적용.
정지 단계 드리프트 억제: 속도 오류를 제한하기 위해 롤링 분산 윈도우에서 작동하는 이중 임계값 ZUPT 탐지기 구현.
통합 실내/실외 인터페이스: ARCore VIO와 GPS 기반 하버사인 추정 사이의 원활한 전환을 유지하는 인터페이스.
제로-인테그레이션 배포 패러다임: 실시간 텔레메트리나 미들웨어가 필요 없이, 사후 미션 CSV 내보내기에 전적으로 의존하여 어떤 운영 체제나 컴퓨팅 기질과도 호환되는 설계.

결과
시스템은 세 가지 환경에서 검증되었습니다: 질감이 있는 실내 복도(E1), 무늬가 없는 벽면(E2), 실외 구역(E3).

실내 정확도: 질감이 있는 표면(E1)에서 시스템은 0.5 m에서 5.0 m 거리 범위에서 평균 절대 오차(MAE) 0.095 m 및 전체 오차율 3.5%를 달 기록했습니다. 거리가 2.5 m보다 길어질수록 오차가 2% 미만으로 떨어지며 정확도가 크게 향상되었습니다. 짧은 거리(0.5–2.0 m)에서는 ARCore의 미터법 스케일 초기화 지연로 인해 체계적인 과소 추정 현상이 나타났습니다.
표면 질감: 예상과 달리, 무늬가 없는 표면(E2)은 매우 짧은 거리(0.5 m)에서 질감이 있는 표면(E1 MAE = 0.130 m)보다 낮은 MAE(E2 MAE = 0.050 m)를 보였는데, 이는 더 보수적인 스케일 수렴 때문인 것으로 분석되었습니다. 그러나 3.0 m 이상의 거리에서는 질감이 있는 표면이 약간 더 나은 안정성을 제공했습니다.
ZUPT 및 속도: 시스템은 중간 속도(~~0.15 m/s) 및 빠른 속도(~~0.30 m/s)에서 약 4.0%의 오차로 견고하게 작동했습니다. 그러나 매우 낮은 속도(~0.05 m/s)에서는 ZUPT 탐지기가 과도하게 작동하여 운동을 정지로 오분류함으로써 40.5%의 오차를 발생시켰습니다. 이는 현재 파라미터 설정에서 약 0.10 m/s라는 실질적인 최저 속도 하한선을 설정합니다.
실외 성능: GPS 모드는 50 m까지 2–4%의 오차로 신뢰할 수 있는 성능을 제공했으나, 더 긴 거리(100–200 m)에서는 GNSS 지터로 인한 양의 누적 편차를 보였습니다.

의의 및 주장
본 논문은 범용 핸드헬드 하드웨어가 제약 축 VIO 아키텍처 및 적절한 신호 처리를 결합할 때, 실행 가능한 제로-인테그레이션 비용 오도메트리 모듈로서 기능할 수 있다고 주장합니다. 이 시스템은 밀리미터 수준의 정밀도보다 비용과 배포의 단순성이 우선시되는 구조화된 현장 로봇 공학(예: 실내 물류, 농업 모니터링, 교육용 로봇 공학)을 위한 솔루션으로 제시됩니다.

저자들은 이 시스템이 실시간 폐루프 제어보다는 로봇이 정해진 경로를 주행하고 총 이동 거리를 사후 분석하기 위한 변위 기록 작업에 적합하다고 강조합니다. "통신 없음(no-communication)" 설계는 ROS 노드, 시리얼 드라이버 또는 네트워크 구성 없이도 작동하므로, 저예산 배포를 가능하게 하는 중요한 요소로 강조됩니다. 저자들은 짧은 거리에서의 거리 의존적 초기화 편향 및 저속에서의 ZUPT 민감도를 포함한 한계점을 인정하며, 이를 향후 파라미터 튜닝 및 적응형 필터링을 통해 해결 가능한 알고리즘적 제약으로 식별하였습니다. 확립된 오도메트리 파이프라인과의 포괄적인 벤치마킹이 향후 과제로 언급되었습니다.

유사한 논문