분산형 시간비행 센서를 이용한 연속 로봇 위치 추정

초록

본 논문은 소형 저해상도 ToF 센서를 로봇 본체에 다수 배치하고, 로봇 형태 사전 정보를 결합한 연속‑시간 팩터 그래프 기반 MAP 추정 기법을 제안한다. 53 cm 길이의 연속 로봇에 3개의 센서 링을 장착해 실험한 결과, 평균 위치 오차 2.5 cm, 회전 오차 7.2°를 달성했으며, 시뮬레이션·실험 모두에서 지도 불일치와 측정 퇴화 상황에 대한 강인성을 보였다.

상세 분석

이 연구는 연속 로봇(Continuum Robot, CR)의 위치 추정 문제를 ‘센서 희소·저해상도’와 ‘구조 변형’이라는 두 가지 근본적인 제약 하에 해결하고자 한다. 기존 모바일 로봇에서 고해상도 라이다를 활용한 SLAM이 일반적이지만, 연속 로봇은 직경이 작고 유연성이 높아 동일한 센서를 장착하기 어렵다. 저자들은 이러한 한계를 극복하기 위해 로봇 몸통 전역에 소형 ToF 센서와 자이로를 분산 배치하고, 로봇의 기하학적 형태 사전(Shape Prior)을 팩터 그래프에 prior factor 로 삽입한다.

핵심 기법은 연속‑시간 팩터 그래프 기반의 MAP 최적화이다. 로봇의 연속 상태 x(s,t)는 SE(3) 변환 T_ib(s,t), 일반화 변형 ε(s,t), 일반화 속도 ϖ(s,t) 로 정의되며, 슬라이딩 윈도우 안에서 Gauss‑Newton 방식으로 최소화한다. ToF 측정은 point‑to‑plane 오류식 e_j(x)=α n_jᵀ D(p_j−T_ib q_bj) 로 모델링하고, 거리별 표준편차를 표 Ⅰ에 따라 가변적으로 적용한다. 측정 노이즈와 외란을 고려해 Cauchy 손실 함수를 IRLS 방식으로 구현, 이상치에 대한 강인성을 확보한다. 자이로는 기존 연구와 동일하게 bias‑free 모델로 포함하고, 시뮬레이션에서는 가상 스트레인 센서를 추가해 변형 정보를 보조한다.

지도는 사전 구축된 포인트 클라우드(법선 및 평탄도 가중치 포함)로 제공되며, 해시 볼륨 맵 형태로 저장해 최근접 이웃 탐색을 고속화한다. 실험에서는 사전 지도와 실제 환경 사이에 의도적으로 오차를 삽입해(미모델링 객체, 누락된 피처) 추정기의 견고성을 검증한다. 결과적으로 개별 센서는 종종 관측이 퇴화(특징 부족)하지만, 다중 센서와 형태 사전의 상호 보완 효과로 전체 로봇의 위치를 일관되게 추정한다.

이 논문의 주요 공헌은 (1) 연속‑시간 팩터 그래프에 형태 사전과 ToF 측정을 결합한 새로운 MAP 프레임워크, (2) 실제 소형 ToF 센서와 자이로만으로 온보드 전용 위치 추정을 성공시킨 최초 사례, (3) 지도 불일치와 측정 퇴화에 대한 정량적 강인성 평가이다. 특히, 53 cm 길이·7.6 cm 직경의 연속 로봇에 3개의 센서 링(각 링당 3개의 ToF + 1개의 자이로)만으로 평균 2.5 cm, 7.2°의 정확도를 달성한 점은 기존 고해상도 라이다 기반 SLAM과 비교해도 손색없는 성능을 보여준다.