동적인 실내 환경에서 강건한 인간-로봇 협업(HRC)을 위해서는 정확한 3차원(3D) 위치추정이 필수적이다. 그러나 복잡한 상황에서 고정밀 위치추정을 구현하는 일은 다중경로 효과, 시야각 가림(field-of-view occlusion) 등과 같은 문제로 인해 여전히 어려움을 겪고 있다. 이러한 한계를 해결하기 위해 본 연구에서는 초광대역(ultra- wideband, UWB) 센서, 관성측정장치(inertial measurement unit, IMU), 기압 센서(barometric pressure, BMP)를 통합하는 기하 제약 기반 장단기 기억(geometry-constrained long short-term memory, LSTM) 프레임워크 Geo-LSTM을 제안한다. 먼저, 이중-BMP 센서와 IMU 센서를 사용하여 정밀한 높이 정보를 획득하고, UWB 태그와 앵커 간의 기하학적 관계를 활용해 초기 위치 추정치를 계산하는 Simplified Geometric Localization (SGL) 알고리즘을 제안한다. 이 초기 추정치는 Geo-LSTM 네트워크에 대한 사전(a priori) 입력으로 사용된다. 이후 Geo-LSTM 알고리즘은 다중 출처의 기하학적 정보를 통합하여 UWB 거리 측정 데이터와 태그의 사전 위치로부터 시계열 특징을 추출함으로써 3D 위치추정 정확도를 한층 향상시킨다. 가림이 존재하는 실제 HRC 과업을 포함하여 복잡한 실내 환경에서의 실험 결과에 따르면, Geo-LSTM 알고리즘은 평균 3D 위치추정 근평균제곱오차(root mean square error, RMSE) 0.103 m를 달성하였으며, 이는 가중최소제곱(weighted least squares, WLS) 방법과 거리 기반 LSTM 알고리즘 대비 각각 38.60%, 31.20%의 개선을 나타낸다. 이러한 결과는 HRC 응용에서 Geo-LSTM이 신뢰할 수 있는 다중 센서 3D 위치추정의 잠재력을 지님을 보여준다.

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