강인한 레이저 스캔 매칭을 이용한 자율 주행 로봇 자세 추정

초록

본 논문은 레이저 거리 측정 데이터로부터 회색 이미지와 Harris 코너를 추출하고, RANSAC으로 외란을 제거한 뒤 EKF로 최적 자세를 추정하는 새로운 스캔 매칭 기법을 제안한다. 실험 결과, 기존 ICP 대비 높은 노이즈 내성을 보이며 약간의 연산량 증가만 발생한다.

상세 분석

본 연구는 모바일 로봇의 실시간 자세 추정을 위해 레이저 스캐너(LiDAR) 데이터를 활용한 강건한 스캔 매칭 프레임워크를 설계하였다. 기존의 ICP(Iterative Closest Point) 방식은 초기값에 민감하고, 외란(outlier) 데이터가 다수 포함될 경우 수렴이 불안정해지는 한계가 있다. 이를 극복하기 위해 저자들은 먼저 레이저 거리 데이터를 2차원 회색 이미지로 변환한다. 이 과정에서 각 레이저 포인트를 픽셀 좌표에 매핑하고, 거리값을 밝기값으로 할당함으로써 이미지 형태의 특징 추출이 가능하도록 만든다.

이미지화된 스캔에 Harris 코너 검출기를 적용하여 특징점(key point)을 추출한다. Harris 코너는 회전 및 조도 변화에 강인하며, 스캔 데이터의 기하학적 구조를 효과적으로 포착한다는 장점이 있다. 추출된 키포인트는 연속된 두 스캔 사이에서 매칭을 수행한다. 여기서 핵심은 RANSAC(Random Sample Consensus) 알고리즘을 이용해 매칭 과정에서 발생하는 외란을 자동으로 식별하고 제거하는 것이다. RANSAC은 무작위로 최소 샘플을 선택해 변환 모델(회전·이동)을 추정하고, 전체 데이터 중 모델에 부합하는 인라이어(inlier) 비율을 평가한다. 반복 횟수를 충분히 늘리면 높은 확률로 최적의 변환을 찾을 수 있으며, 외란 비율이 30% 이상인 상황에서도 안정적인 매칭이 가능하다.

인라이어 집합으로부터 얻은 상대 변환(Δx, Δy, Δθ)은 로봇의 상태 관측값으로 사용된다. 이후 저자들은 확장 칼만 필터(Extended Kalman Filter, EKF)를 적용해 관측값과 기존 odometry(주행거리 적분) 정보를 융합한다. EKF는 비선형 시스템에 대한 최적 추정기를 제공하며, 과정 잡음과 관측 잡음의 공분산을 적절히 설정함으로써 노이즈가 큰 레이저 데이터에서도 부드러운 자세 추정을 가능하게 한다.

실험은 실내 실험실 환경에서 수행되었으며, 로봇에 장착된 2D 레이저 스캐너와 휠 오도미터를 이용해 데이터셋을 수집하였다. 실험 조건으로는 정상적인 센서 노이즈 상황과 인위적으로 외란을 삽입한 고노이즈 상황을 모두 포함한다. 결과는 제안 기법이 ICP 대비 평균 위치 오차를 약 40% 감소시키고, 회전 오차도 유사하게 감소함을 보여준다. 또한, 연산 시간은 ICP 대비 약 1.2배 증가했지만, 실시간 요구사항(10 Hz 이상) 내에서 충분히 처리 가능하였다.

이와 같이 본 논문은 이미지 기반 특징 추출, RANSAC 기반 외란 제거, EKF 융합이라는 세 단계로 구성된 파이프라인을 통해 레이저 스캔 매칭의 강인성을 크게 향상시켰다. 특히, 레이저 데이터가 고도로 잡음이 있거나 부분적으로 가려지는 환경에서도 안정적인 자세 추정이 가능하다는 점은 실내 로봇뿐 아니라 구조물 탐사, 재난 현장 등 다양한 응용 분야에 적용 가능성을 시사한다. 향후 연구에서는 3D 레이저 혹은 RGB‑D 카메라와의 다중 센서 융합, 그리고 딥러닝 기반 코너 검출기로의 확장을 통해 더욱 높은 정확도와 복잡한 환경 적응성을 확보할 수 있을 것으로 기대된다.