자율 이동 로봇의 항법 시스템은 카메라, LiDAR, 레이더와 같은 외부(보조) 감지 센서를 질감과 구조가 없는 환경에서 사용할 때 어려움이 발생하는 것으로 나타났다. 본 논문은 열화(degradation) 시나리오에서 적응적 팩터 그래프 최적화를 기반으로 하는 전방향(holonomic) 모바일 로봇을 위한 견고한 상태 추정(state estimation) 시스템을 제시한다. 특히 신경망을 사용하여 IMU 센서와 휠 엔코더(wheel encoder) 데이터만으로 관측(observation) 및 잡음(noise) 모델을 학습한다. 전방향 모바일 로봇에 대한 학습 모델을 다양한 신경망 아키텍처를 통해 고찰한다. 또한 관성-휠 엔코더(inertial-wheel encoder) 센서를 사용할 때, 더 강력한 신경망을 도입하면서도 더 저렴한 연산(컴퓨팅) 파워로 구현할 수 있음을 탐색한다. 더불어 다수의 LiDAR, 카메라, IMU, 휠 엔코더를 갖춘 산업용 전방향 로봇 플랫폼을 사용하여 실험을 수행하고, 부피가 큰 모션 캡처(motion capture) 시스템 없이도 기준 정답(ground truth)을 생성한다. 수집된 데이터셋은 이후 신경망 학습에 적용된다. 마지막으로 실험 평가 결과, 본 해법이 다른 해법에 비해 더 높은 정확도와 실시간 성능을 제공함을 제시한다. Note to Practitioners —자율 이동 로봇은 카메라, LiDAR, 레이더와 같은 외부 감지 센서가 허용되지 않는 도전적인 환경에서 견고하게 작동해야 한다. 이러한 상황에서 운용하기 위해서는 항법 시스템이 관성 센서와 휠 엔코더로서 내부(내재) 센서에 의존해야 한다. 기존의 여러 전통적 방법들은 이러한 모델을 적응시키지 않은 채 재귀적 베이지안 필터링(recursive Bayesian filtering) 기법의 형태로 내부 센서를 결합해 왔다. 또한 딥러닝 기반 해법들은 추정 문제를 처리하기 위해 LSTM 또는 CNN과 같은 광범위한 네트워크를 채택해 왔다. 본 연구의 목적은 적응적 팩터 그래프 최적화를 활용하여 내부 센서를 이용하는 전방향 모바일 로봇의 항법 시스템을 위한 상태 추정 서브시스템을 개발하는 것이다. 특히, IMU 및 휠 엔코더 팩터(factor)의 학습 관측 모델과 팩터 그래프를 효율적으로 결합하는 방법을 제시한다. 아울러 신경망을 도입하여 IMU 및 휠 엔코더 데이터 입력으로부터 관측 모델을 학습하는 방법을 제안한다. 경량 신경망은 IMU 센서와 휠 엔코더를 사용하여 딥러닝 기법보다 더 큰 성능을 달성할 수 있음을 인식한다. 마지막으로, 신경망을 팩터 그래프에 내장하여 스무딩(smoothing) 상태 추정을 처리한다. 제안된 시스템은 실시간으로도 높은 정확도를 갖고 운용될 수 있다.

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