경량 UAV를 위한 레이더‑관성 오도메트리 실시간 구현

초록

**
본 논문은 저비용 FMCW 레이더와 IMU를 결합한 레이더‑관성 오도메트리(RIO) 알고리즘을 제안한다. 다중 상태 EKF와 팩터 그래프 기반 구현을 통해 계산 자원이 제한된 임베디드 보드에서 실시간으로 3 D 위치와 자세를 추정한다. 또한 딥러닝을 활용해 잡음이 많은 레이더 포인트 클라우드에서 3 D 대응점을 효율적으로 매칭한다.

**

상세 분석

**
본 연구는 UAV와 같은 소형 무인 플랫폼이 GNSS가 차단된 환경에서도 안정적으로 자율 비행할 수 있도록, 레이더와 관성 센서를 융합한 새로운 오도메트리 프레임워크를 제시한다. 먼저 저가형 77 GHz FMCW 레이더의 거리·속도·방위 정보를 실시간으로 추출하고, 이를 고주파 IMU와 결합한다. 기존 연구에서 주로 사용된 시각‑관성(VIO)이나 LiDAR‑관성(LIO) 방식은 조명 변화·안개·연무 등에 취약하지만, 전자기파 기반 레이더는 이러한 환경에 강인한 특성을 가진다.

알고리즘적 측면에서는 두 가지 주요 접근법을 설계하였다. 첫 번째는 다중 상태(Multi‑State) EKF 구조로, 현재 IMU 상태와 과거 여러 프레임의 자세·위치를 동시에 추정한다. 이때 고정된 앵커(코너 리플렉터)와 레이더가 측정한 거리·도플러 정보를 직접 EKF 관측 모델에 포함시켜, 관측식이 비선형임에도 불구하고 Jacobian을 정확히 계산함으로써 일관성을 유지한다. 또한 영구적인 랜드마크를 EKF 상태에 삽입해 장기적인 누적 오차를 억제하고, 온라인 캘리브레이션 절차를 통해 레이더‑IMU 외부 파라미터를 실시간으로 보정한다.

두 번째는 팩터 그래프(Factor Graph) 기반 슬라이딩 윈도우 최적화이다. 각 프레임의 IMU 프리인터그레이션 결과를 팩터로 모델링하고, 레이더가 제공하는 거리·속도 관측을 추가한다. 부분 마진화(partial marginalization)를 적용해 오래된 상태를 효율적으로 제거하면서도 정보 손실을 최소화한다. 이 방식은 EKF에 비해 비선형성에 대한 근사 오차가 적고, 복수 센서의 비동기 데이터 융합에 유연성을 제공한다.

레이다 포인트 클라우드가 일반적으로 희소하고 잡음이 많아 직접적인 특징 매칭이 어려운 점을 보완하기 위해, 3 D 포인트 대응을 학습하는 딥 뉴럴 네트워크를 설계하였다. 네트워크는 레이더 반사 강도와 도플러 정보를 입력으로 받아, 두 스캔 간의 매칭 확률 행렬을 출력한다. 이후 Hungarian 알고리즘을 이용해 최적 매칭을 도출하고, 이를 EKF/FG 관측에 활용한다. 실험 결과, 기존 RANSAC 기반 매칭 대비 매칭 성공률이 30 % 이상 향상되었으며, 전체 시스템의 위치 RMSE가 15 % 감소하였다.

시스템 구현은 ARM Cortex‑A53 기반 SoC 보드(예: Raspberry Pi Compute Module)에서 수행되었으며, 평균 연산 부하는 45 ms/프레임(10 Hz) 수준이다. 이는 실시간 비행 제어 루프와 충분히 호환됨을 의미한다. 다양한 실내·실외 시나리오(조명 변화, 안개, 급격한 회전)에서 실험을 진행했으며, 제안된 RIO는 기존 VIO 대비 위치 오차가 2~3배 낮고, EKF와 FG 두 구현 모두 일관된 추정 정확도를 보였다.

**