자기장 기반 드리프트 없는 실내 내비게이션

초록

본 논문은 MEMS IMU와 자기계측기를 결합한 GP‑SLAM 프레임워크를 제안한다. Gaussian Process를 이용해 실내 이질적인 자기장을 연속적인 지도 형태로 모델링하고, 이를 루프 클로저와 전역 최적화에 활용한다. 실험 결과, 센서 드리프트를 거의 완전히 제거하고 밀리미터 수준의 위치 정확도를 달성한다.

상세 분석

이 연구는 기존 비전·라이다 기반 SLAM이 갖는 무게·전력·비용 문제를 극복하고자, 자기장을 새로운 특징(feature)으로 활용한다는 점에서 혁신적이다. 핵심 아이디어는 자기장의 공간적 연속성을 Gaussian Process(GP) 회귀로 표현하고, 이 GP 모델을 SLAM의 백엔드 최적화에 직접 통합하는 것이다. IMU는 고주파 스트랩‑다운 적분을 통해 연속적인 자세와 속도 추정을 제공하지만, 작은 편향과 노이즈가 누적되어 위치 드리프트가 발생한다. 여기서 자기계측기의 측정값은 위치에 따라 변하는 3차원 자기장 벡터를 제공하고, 이 벡터는 주변 금속 구조물이나 전자기기 등에 의해 공간적으로 복잡한 패턴을 만든다. 논문은 이러한 패턴을 ‘연속적인 특징’이라 정의하고, GP의 커널을 squared‑exponential 혹은 curl‑free·divergence‑free 형태로 설정해 물리적 상관성을 반영한다.

수식 (1)·(2)는 IMU의 상태 전이와 편향을 랜덤 워크 모델로 기술하고, (3)은 센서 프레임과 지도 프레임 사이의 회전 변환을 포함한 자기장 관측 모델을 제시한다. 베이지안 관점에서 MAP 추정을 수행하기 위해, 관측 잔차와 GP 사전분포를 결합한 비용 함수를 정의하고, 이를 Levenberg‑Marquardt 기반의 비선형 최소제곱 최적화로 풀어 전역 경로와 자기장 지도를 동시에 업데이트한다.

시뮬레이션에서는 GP 하이퍼파라미터 σ_f(신호 진폭)와 ℓ(길이 스케일)의 설정이 결과에 미치는 영향을 정량화한다. σ_f가 너무 작으면 자기장 변동이 관측 노이즈에 비해 미미해 루프 검출이 어려워지고, 과도히 크면 과도한 신호 가중치로 잡음에 민감해진다. ℓ은 공간 상관 범위를 결정하는데, 작은 ℓ은 국부적인 특징을 강조해 정확도를 높이지만 수렴 영역이 제한된다. 실험 결과는 적절한 하이퍼파라미터 선택이 0.1 m 정도의 ℓ와 σ_f≈0.1일 때 최적의 성능을 보임을 확인한다. 또한, 오도메트리 노이즈가 0.5 mm 수준이면 GP‑SLAM이 초기 궤적 오차를 거의 완전히 보정하지만, 노이즈가 5 mm를 초과하면 수렴이 어려워진다.

실제 실내 실험에서는 Xsens MT‑i 300 IMU와 3‑축 자기계측기를 사용해 사무실 책상 주변을 네 번 반복하는 사각형 경로를 기록하였다. 자기장 크기 변동이 1.67 a.u.에 달해 루프 클로저가 충분히 강력했으며, GP‑SLAM 적용 후 수평·수직 위치 오차가 센티미터 수준에서 밀리미터 수준으로 감소하였다. 그러나 최적화 비용 감소가 매우 완만해 1800회 이상의 반복이 필요했으며, 이는 GP‑SLAM의 계산 복잡도(O(n³)·메모리 O(n²))가 실시간 적용에 제한을 둔다는 점을 시사한다.

결론적으로, 이 논문은 자기장을 연속적인 확률적 지도 형태로 활용함으로써 외부 레퍼런스 없이도 드리프트를 거의 완전히 제거할 수 있음을 입증한다. 다만, 자기장 교란이 충분히 존재해야 하며, 하이퍼파라미터 튜닝과 초기 궤적 정확도가 성능에 큰 영향을 미친다. 향후 연구에서는 커널 설계 최적화, 실시간 구현을 위한 스파스 GP 기법, 그리고 복합 센서(예: UWB·비전·자기)와의 융합을 통해 실용성을 높일 여지가 있다.