Slip-Aware Wheel Odometry for 4-Wheeled Skid-Steer Mobile Robots Using a Compact 1-D Convolutional Neural Network

기술 요약: 4륜 스키드 스티어 이동 로봇을 위한 슬립 인지형 휠 오도메트리

문제 정의
스키드 스티어 방식의 휠 이동 로봇(SSWMR)은 기계적 단순성 덕분에 산업 및 구조 분야에서 널리 사용된다. 그러나 좌우 바퀴를 서로 다른 속도로 구동하는 조향 메커니나즘은 측면 바퀴 슬립(lateral wheel slip)에 의존하며, 이는 근본적인 위치 추정 문제를 야기한다. 비미끄럼 접촉을 가정하는 전통적인 운동학적 휠 오도메트리는 이러한 플랫폼에서, 특히 각속도를 추정할 때 심각한 실패를 보인다. 저마찰 표면에서 운동학적 모델은 회전율을 과대평가하여 심각한 궤적 드리프트(trajectory drift)를 유발한다. 기존의 솔루션들은 지형별 보정, 명시적인 마찰 계수 파라미터, 또는 추가 센서(IMU, 카메라, LiDAR)를 필요로 하는 경우가 많아, 비정형적이거나 변화하는 환경에서의 배포를 제한한다. 여기에는 순수하게 고유 수용적(proprioceptive)인 방법(휠 인코더와 명령된 속도만을 사용하는 방식)이 필요하며, 지형 보정이 필요 없고, 다양한 마찰 계수에 걸쳐 일반화될 수 있는 방법론에 대한 공백이 존재한다.

방법론: SlipOdometryNet
저자들은 명령된 속도와 실제 바디 프레임(body-frame) 속도 사이의 잔차(residual)를 학습하여 모델링되지 않은 슬립을 효과적으로 보상하도록 설계된 소형 1-D 잔차 합성곱 신경망(CNN)인 SlipOdometryNet을 제안한다.

• 입력 및 아키텍처: 모델은 8개의 특징(명령된 선속도/각속도, 좌/우측 바퀴 각속도, 운동학적 추정치, 계산된 슬립 잔차)을 포함하는 40단계(50Hz 기준 0.8초)의 시간 창(temporal window)을 입력으로 받는다. 아키텍처는 선형 투영(linear projection), 1-D 잔차 CNN 인코더(커널 크기 3과 5를 가진 1×1 합성곱 및 두 개의 잔차 블록 활용), 그리고 다층 퍼셉트론(MLP) 회귀 헤드로 구성된다. 모델은 Group Normalization과 GELU 활성화 함수를 사용한다.
• 학습 전략: 네트워크는 포컬 슬립 가중 손실(focal slip-weighted loss) 함수를 사용하여 학습된다. 이 복합 손실은 선속도 및 각속도에 대한 평균 제곱 오차(MSE), 단일 단계 헤딩(heading) 항, 그리고 다단계 세그먼트 헤딩 항을 포함한다. 결정적으로, 포컬 가중 메커니즘은 슬립 크기가 큰 샘플의 가중치를 높여 네트워크가 까다로운 슬립 영역에 집중하도록 강제한다.
• 추론: 실행 시 모델은 슬라이딩 윈도우 방식으로 작동한다. 예측된 속도는 중간점 규칙(midpoint rule)을 사용하여 궤적을 생성하는 데 통합된다. 평가는 절대 궤적 오차(ATE)와 드리프트를 측정하기 위해 지면 참값(ground truth)에 정렬된 세그 segments(60초 단위) 프로토콜을 따라 수행되며, 이를 통해 순간적인 정확도가 장기적인 적분 오차와 혼동되는 것을 방지한다.
• 환경: 모든 학습 및 평가는 4륜 스키드 스티어 로봇을 사용하는 ROS 2 Jazzy 및 Gazebo Harmonic 환경에서 수행되었다.

주요 기여

1. 소형, IMU-Free 추정기: 본 논문은 IMU, 카메라, LiDAR 또는 명시적인 마찰 파라미터 없이 휠 인코더와 명령된 속도만을 사용하여 운동학적 오도메트리 추정기를 대체하는 176,450개의 파라미터를 가진 모델을 소개한다.
2. 마찰 일반화: 모델은 미지의 마찰 조건에 일반화되는 능력을 입증했다. 저마찰 표면에서 학습된 후, 재학습 없이도 쿨롱 마찰 계수의 6배 변동 범위를 아우르는 중·고마찰 표면에서 평가되었으며, 미지의 지형에서 상당한 오차 감소를 달ach했다.
3. 아키텍처 통찰 및 절제 연구(Ablation): 통제된 절제 연구를 통해 저자들은 1-D 합성곱이 이 특정 작업에서 Transformer의 셀프 어텐션(self-attention)보다 우수함을 입증했다. 더 큰 규모의 Transformer 베이스라인(44.1M 파라미터)은 경쟁력 있는 윈도우당 지표를 달성했으나, 통합된 궤적 정확도에서는 실패하여 음의 통합 선속도 $R^2$ 값을 기록하고 훨씬 높은 ATE를 나타냈다. 연구 결과, 1-D 합성곱이 슬립 과도 현상(100–400 ms)의 짧고 국소적인 특성을 더 잘 포착한다고 결론지었다.
4. 평가 프로토콜: 본 연구는 단순히 윈도우당 손실을 보고하는 것이 아니라, 통합 궤적 지표(예: 60초 세그먼트에 대한 ATE)를 보고하는 것의 중요성을 강조한다. 저자들은 낮은 윈도우당 오차를 가진 모델이라도 오차가 시간적으로 상관되어 있으면 큰 궤적 드리프트를 생성할 수 있음을 보여주며, 이는 통합 인식 지표를 통해서만 식별 가능한 차이점이다.

결과
네 가지 마찰 조건(학습 시 확인된 두 가지, 확인되지 않은 두 가지)에 대해 평가했을 때, SlipOdometryNet은 다음과 같은 성과를 거두었다:

• 오차 감소: 운동학적 베이스라인과 비교하여 절대 궤적 오차(ATE)를 51–94% 감소시켰으며, 최종 위치 드리프트를 78–93% 감소시켰다.
• 미지의 표면: 미지의 마찰 표면에서도 재학습 없이 ATE를 51% 및 74% 감소시켰다.
• 속도 정확도: 가장 까다로운 저마찰 표면에서 각속도 $R^2$가 0.727(운동학적 모델)에서 0.988로 개선되었다.
• 효율성: 모델은 0.4 ms의 서브 밀리초 GPU 추론 지연 시간과 약 2.1 ms의 CPU 지연 시간을 기록하여, 50 Hz 동작을 위한 20 ms 예산 내에 충분히 들어온다.
• 비교: 재구현된 Transformer 베이스라인보다 250배 적은 파라미터를 가졌음에도 불구하고, SlipOdometryNet은 통합 궤적 지표에서 Transformer보다 우수한 성능을 보였으며, 반면 Transformer는 높은 분산과 음의 통합 $R^2$ 값을 나타냈다.

의의 및 주장
본 논문은 SlipOdometryNet이 스키드 스티어 로봇을 위한 정확하고 실시간이며 보정이 필요 없는 오도메트리 솔루션을 제공한다고 주장한다. 이 연구의 주요 의의는 순수하게 고유 수용적인 데이터 기반 모델이 명시적인 물리적 모델링이나 지형 분류 없이도 넓은 범위의 마찰 계수에 걸쳐 외삽(extrapolate)할 수 있음을 입증했다는 점에 있다. 또한, 본 연구는 데이터 기반 오도메트리 연구가 단순히 노이즈에 맞추는 것이 아니라 실제로 장기적인 드리프트를 줄이는지를 보장하기 위해 윈도우당 손실보다 통합 궤적 지표를 우선시해야 한다고 주장함으로써 학계에 방법론적 교정을 제시한다. 저자들은 자신의 연구를 비정형 환경에서 스키드 스티어 로봇을 위한 견고하고 배포 가능한 위치 추정 기술로 나아가는 단계로 규정하면서도, 시뮬레이션에서 모델링되지 않은 실제 지형의 복잡성(예: 토양 압축, 경사면)에 대한 한계를 인정한다.