LiDAR 관성 항법 주행거리추정(LiDAR-inertial odometry, LIO)은 높은 정확도로 인해 로보틱스에서 널리 사용되어 왔다. 그러나 LiDAR 측정이 불균형하거나 희소한 장거리 복도와 고고도 비행과 같은 퇴화(변질) 환경에서는 성능이 저하되며, 이로 인해 상태 추정이 ill-posed가 된다. 본 서신에서는 이러한 퇴화를 두 가지 핵심 모듈을 통해 해결하는 새로운 LIO 방법인 LODESTAR를 제시한다: 퇴화 인지 적응형 슈미트-칼만 필터(degeneracy-aware adaptive Schmidt-Kalman filter, DA-ASKF)와 퇴화 인지 데이터 활용(degeneracy-aware data exploitation, DA-DE)이다. DA-ASKF는 슬라이딩 윈도우를 사용하여 과거의 상태와 측정을 추가 제약으로 활용한다. 구체적으로, 퇴화 수준에 따라 상태를 능동(active) 또는 고정(fixed)으로 적응적으로 분류하는 퇴화 인지 슬라이딩 모드를 도입한다. 슈미트-칼만 갱신을 사용하여 능동 상태는 부분적으로 최적화하되 고정 상태는 보존한다. 이때 고정 상태는 자신의 공분산을 통해 능동 상태의 갱신에 영향을 주며, 기준 앵커(reference anchor)로 작용한다—lodestar에 비유할 수 있다. 또한 DA-DE는 퇴화 인지 데이터 활용을 통해 능동 상태에서는 정보가 덜한 측정을 가지치기(prune)하고, 야기되는 국소적 위치추정 가능성(localizability) 기여와 야코비안 행렬의 조건수(condition number)를 바탕으로 고정 상태로부터 측정을 선택적으로 활용한다. 그 결과, DA-ASKF는 퇴화 인지 제약 최적화를 가능하게 하고 측정 희소성을 완화하는 반면, DA-DE는 측정 불균형을 해결한다. 실험 결과는 LODESTAR가 다양한 퇴화 조건에서 정확도와 견고성 측면에서 기존 LiDAR 기반 주행거리추정 방법 및 퇴화 인지 모듈보다 우수함을 보여준다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.