초고정밀 관성 포저: 초광대역 거리 측정으로 구현하는 희소 관성 센서 기반 전신 모션 캡처

초록

Ultra Inertial Poser는 6축 IMU에 초광대역(UWB) 거리 측정을 결합해 센서 간 상대 거리를 실시간으로 얻고, 이를 그래프 기반 머신러닝 모델에 융합해 전신 3D 포즈와 전역 위치를 추정한다. AMASS 데이터베이스를 이용해 합성 학습을 진행하고, 6개의 IMU+UWB 트래커와 광학 모션 캡처를 동시 기록한 10인·25동작·200분 규모의 UIP‑DB를 통해 평가했다. 기존 관성 기반 방법(PIP, TIP) 대비 위치 오차를 22% 감소시키고, 진동(jitter)을 97% 억제하는 등 현재 최고 수준의 정확도를 달성했다.

상세 분석

본 논문은 관성 센서만을 이용한 인간 동작 추적이 갖는 누적 드리프트와 고주파 진동(jitter) 문제를 근본적으로 해결하고자, 초광대역(UWB) 라이다와 결합한 새로운 하드웨어·소프트웨어 파이프라인을 제안한다. 핵심 아이디어는 ‘센서 간 거리 측정’이다. 기존 IMU 기반 시스템은 각 센서의 3D 가속·각속도 데이터를 적분해 위치와 자세를 추정하지만, 적분 과정에서 작은 오차가 누적돼 수십 센티미터 수준의 드리프트가 발생한다. 반면 UWB는 전파 전파시간(Time‑of‑Flight)을 이용해 센서 간 거리를 수십 센티미터 이하의 정밀도로 제공한다. 논문에서는 저비용 6‑DoF IMU와 UWB 모듈을 동일 PCB에 집적한 ‘임베디드 트래커’를 설계했으며, 고정된 기준 앵커 없이 서로 간의 쌍방향 거리 측정을 수행한다. 이렇게 얻어진 거리 시퀀스는 각 센서의 3D 상태(위치·속도·가속도·자세)와 함께 그래프 구조에 매핑된다.

그래프 기반 머신러닝 모델은 노드에 각 센서의 상태 벡터를, 엣지에 실시간 거리 측정값을 할당한다. 이때 Graph Neural Network(GNN)와 Temporal Convolutional Network(TCN)를 결합해 시공간적 상관관계를 학습한다. GNN은 센서 간 거리 제약을 통해 드리프트를 억제하고, TCN은 연속적인 동작 패턴을 포착해 진동을 필터링한다. 학습 데이터는 AMASS 데이터베이스에서 추출한 3D 모션을 기반으로, 물리 기반 시뮬레이션을 통해 가상의 IMU와 UWB 거리 시뮬레이션을 생성해 만든다. 이렇게 합성된 대규모 데이터셋은 실제 환경에서 발생할 수 있는 센서 노이즈와 라디오 간섭을 모델링하도록 설계되었으며, 실제 실험에 앞서 사전 학습(pre‑training) 단계에서 모델의 일반화 능력을 크게 향상시킨다.

실험에서는 6개의 트래커를 몸통·팔·다리 등에 배치하고, 10명의 피험자가 25가지 다양한 동작(걷기, 달리기, 점프, 회전 등)을 수행하도록 하였다. 모든 세션은 광학 모션 캡처 시스템(Vicon)과 동기화돼 ‘그라운드 트루스’를 제공한다. 평가 지표는 전신 관절 위치 오차(RMSE)와 전역 위치 오차, 그리고 속도 진동(jerk) 수준이다. 결과는 기존 관성 기반 방법인 PIP와 TIP 대비 전역 위치 RMSE를 13.62 cm에서 10.65 cm로 22% 개선했으며, 진동 지표는 1.56 km/s³에서 0.055 km/s³로 97% 감소했다. 특히 빠른 회전이나 급격한 가속이 포함된 동작에서도 거리 제약 덕분에 드리프트가 거의 누적되지 않아 장시간 촬영에도 안정적인 추적이 가능했다.

이 논문은 하드웨어 측면에서 저비용·경량·배터리 구동이 가능한 트래커 설계, 소프트웨어 측면에서 거리‑관성 융합을 위한 그래프 신경망 구조, 그리고 대규모 합성 데이터셋을 활용한 사전 학습이라는 세 축을 성공적으로 결합했다. 다만 UWB 신호는 금속 장애물이나 다중 경로(Multipath) 환경에서 정확도가 저하될 수 있으며, 현재 구현은 실내 환경에 최적화돼 있다. 향후 외부 앵커 없이 순수 P2P 거리 측정만으로도 충분히 정확한 추적을 달성하기 위해서는 라디오 환경 모델링과 적응형 필터링이 추가로 필요할 것으로 보인다.