최근 다양한 고성능 상태 추정 기법들이 제안되었음에도 불구하고, 이러한 추정 시스템의 견고성 및 실제 조건으로의 확장은 여전히 도전적인 과제로 남아 있다. 본 논문에서는 자율 이동 로봇을 대상으로 Type-2 퍼지 추론 시스템과 인자 그래프 최적화를 기반으로 한 견고한 적응형 상태 추정 프레임워크를 제시한다. 우리는 관성 센서와 LiDAR 및 카메라와 같은 기타 외부 센서를 제공함으로써, 밀결합(tightly coupled)과 느슨결합(loosely coupled) 기법의 장점을 연결하는 하이브리드 해법을 사용한다. 입력 공분산의 불확실성과 센서 고장 문제를 해결하기 위해 Type-2 FIS와 인자 그래프 최적화를 결합하여 학습 가능한 관측 모델을 도입한다. 특히, Type-2 Takagi-Sugeno FIS를 사용하여 관측 모델을 인자 그래프에 추가하기 전에 입자 군집 최적화(particle swarm optimization)로 불확실성을 학습한다. 제안된 설계는 센서 오도메트리, 업샘플링(up-sampling), FIS 기반 학습 관측 모델, 그리고 인자 그래프 기반 스무딩(factor graph-based smoothing)으로 구성된다. 우리는 다중 스테레오 카메라, IMU, 그리고 LiDAR 센서로 구성된 센서 세트를 갖춘 모바일 로봇 플랫폼을 사용하여 시스템을 평가한다. 시각-관성 추정기의 관측 모델을 학습하기 위해, 다른 부피가 큰 모션 캡처 시스템이 필요하지 않은 구조적 환경에서 LiDAR 오도메트리를 모사한다. 실험 결과는 실제 환경에 배치하여 알고리즘의 정확성과 견고성을 제시한다.

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