다중출력 가우시안 프로세스로 향상된 수중 내비게이션

초록

본 논문은 기존 최소제곱(LS) 기반 도플러 속도계(DVL) 속도 추정의 한계를 극복하기 위해 다중출력 가우시안 프로세스 회귀(MOGPR)를 도입한다. MOGPR는 각 축의 속도 평균값과 함께 측정 공분산을 제공하여, 이를 오류 상태 확장 칼만 필터(EKF)에 적응적으로 통합한다. 실제 AUV 데이터 실험에서 MOGPR은 LS와 최신 딥러닝 모델(BeamsNet)에 비해 속도 추정 오차를 약 20% 감소시키고, 자세 추정 정확도와 전체 내비게이션 견고성을 크게 향상시켰다.

상세 분석

이 연구는 수중 로봇의 내비게이션 정확도를 높이기 위해 센서 융합 단계에서 데이터‑드리븐 모델을 적용한 점이 가장 큰 혁신이다. 기존 LS 추정은 가우시안 잡음과 편향이 없을 때만 최적임을 전제로 하지만, 실제 DVL은 캘리브레이션 후에도 미세한 편향과 스케일 오류가 존재한다. 이러한 비이상적 상황에서 LS는 편향을 보정하지 못해 누적 오차가 발생한다. 논문은 이를 보완하기 위해 MOGPR을 사용한다. MOGPR는 입력으로 원시 빔 속도(˜v_beam)를 받아 실제 DVL 속도(v_DVL)를 학습하고, 다중 출력(3축 속도) 간의 상관관계를 커널 행렬 B⊗c(X,X) 형태로 모델링한다. 특히 ARD 기반의 세 가지 커널(제곱 지수, Matérn 3/2, 유리화된 사분면)을 선형 결합함으로써 각 입력 차원의 길이 스케일을 자동으로 조정하고, 특징 선택을 수행한다. 이는 DVL 빔의 기하학적 배치와 환경 노이즈에 대한 민감도를 감소시킨다.

학습 단계에서는 로그 가능도 최대화를 위해 ADAM 옵티마이저(학습률 0.1, β1=0.9, β2=0.999)로 50 epoch를 수행한다. 최적화된 하이퍼파라미터 θ는 이후 테스트 단계에서 예측 평균 μ와 공분산 Σ를 산출한다. 여기서 Σ*는 측정 공분산으로 직접 EKF의 R_k에 삽입되어, 칼만 이득 K_k가 실시간 측정 불확실성을 반영하도록 만든다. 즉, 측정이 신뢰할 수 없을 때는 EKF가 INS 예측에 더 큰 가중치를 두고, 신뢰도가 높을 때는 DVL 정보를 적극 활용한다는 적응형 융합 메커니즘을 구현한다.

실험은 실제 해양 환경에서 수집한 AUV 데이터셋을 사용했으며, LS, BeamsNet, 그리고 제안된 MOGPR을 동일한 EKF 파이프라인에 적용해 비교하였다. 결과는 속도 RMS 오류가 LS 대비 약 20% 감소했으며, 특히 롤·피치·요각 등 자세 오차가 평균 15% 이상 개선되었다. 또한, MOGPR이 제공하는 불확실성 추정 덕분에 EKF의 상태 공분산이 실제 오류와 더 잘 일치하여, 급격한 흐름 변화나 빔 손실 상황에서도 내비게이션이 안정적으로 유지되었다.

이 논문의 기여는 크게 세 가지로 요약할 수 있다. 첫째, DVL 속도 추정에 다중출력 GPR을 적용해 편향과 스케일 오류를 학습 기반으로 보정하였다. 둘째, GPR이 제공하는 측정 공분산을 EKF에 직접 통합함으로써 적응형 센서 융합을 구현하였다. 셋째, 실험을 통해 데이터‑드리븐 접근법이 전통적 LS와 최신 딥러닝 모델을 능가함을 실증하였다. 향후 연구에서는 실시간 구현을 위한 스파스 GPR 기법이나, 비선형 출력 상관을 고려한 코어그라프(Kronecker) 구조 확장을 탐색할 여지가 있다.