온라인 희소 가우시안 프로세스를 이용한 지속적 로봇 위치 추정

본 논문은 환경 필드가 공간적으로 상관된 상황에서 로봇이 지속적으로 자신의 위치를 추정해야 하는 문제를 다룬다. 전통적인 베이즈 필터는 관측 모델에 마코프 가정을 적용해 현재 측정값이 과거와 독립이라고 가정하지만, 이는 실제 환경에서 측정값이 서로 강하게 연관된 경우에 부정확한 추정으로 이어진다. 이를 해결하기 위해 Ko와 Fox는 가우시안 프로세스(GP)를 관측 모델에 도입해 공간 상관 구조를 명시적으로 모델링했으며, 이는 높은 정확도를 제공한다. 그러나 전체 GP는 O(N³) 시간·O(N²) 메모리 복잡도로 인해 실시간 로봇 위치 추정에 적용하기 어렵다. 기존 연구들은 사전 학습 데이터를 가정하거나, SoD, PITC, FITC 등 희소 GP 근사를 사용해 복잡도를 낮추었지만, 여전히 데이터가 증가하면 연산량이 늘어나거나, 사전 데이터가 부족한 경우 모델이 부정확해지는 한계가 있었다. 본 연구는 이러한 한계를 극복하기 위해 두 가지 핵심 기여를 제시한다. 첫 번째는 ‘온라인 희소 GP’를 설계하여 로봇이 탐사 중에 수집한 측정값을 실시간으로 학습한다는 점이다. 이 방법은 데이터를 일정 크기의 버퍼에 저장하고, 버퍼가 가득 차면 이를 하나의 요약 블록으로 압축한다. 요약 블록은 지원 집합(support set)과 결합해 기존 데이터와 동일한 역할을 수행하지만, 전체 데이터 크기에 비례하지 않는다. 이렇게 하면 매 필터링 단계마다 모델 업데이트에 필요한 연산이 상수 시간(O(1))과 상수 메모리(O(1))로 제한된다. 두 번째는 마코프 가정을 완화한 관측 모델을 도입한다. 로봇의 현재 측정 p(zₜ|xₜ, u₁:ₜ, z₁:ₜ₋₁)은 과거 경로와 측정값을 적분해 얻으며, Monte‑Carlo 샘플 경로 C개를 이용해 근사한다. 각 샘플 경로는 이전 단계에서 이미 생성된 상태를 재사용해 새로운 행동 uₜ만으로 빠르게 업데이트한다. 경로 제약을 완전히 반영하지는 않지만, 온라인 희소 GP의 구조적 특성을 활용해 보정 전략을 제시함으로써 실험적으로 큰 성능 저하가 없음을 보였다. 알고리즘 흐름은 다음과 같다. (1) 초기에는 사전 지식이 없는 상태에서 지원 집합 S를 무작위로 선택한다. (2) 로봇이 행동 uₜ를 수행하고 측정 zₜ를 획득하면, 현재 위치 추정 xₜ에 대한 베이즈 필터 업데이트를 수행한다. (3) 관측 모델 p(zₜ|xₜ, …)은 온라인 희소 GP를 통해 계산되며, 여기서 GP의 평균과 분산은 현재까지 축적된 요약 블록과 최신 버퍼 데이터를 이용해 상수 시간에 구한다. (4) 버퍼가 가득 차면, 버퍼 데이터를 요약 블록으로 변환하고 지원 집합을 업데이트한다. (5) 위 과정을 반복하면서 로봇은 실시간으로 위치를 추정하고, 동시에 관측 모델을 지속적으로 개선한다. 실험에서는 세 개의 실제 환경 데이터셋(해양 온도, 실내 조도, Wi‑Fi RSSI)과 실제 모바일 로봇을 사용해 기존 GP‑Localization, FITC‑Based, SoD‑Based 방법과 비교하였다. 평가 지표는 평균 위치 오차, 연산 시간, 메모리 사용량이다. 결과는 다음과 같다. (1) GP‑Localize는 평균 위치 오차에서 기존 방법보다 30%~45% 정도 개선되었다. (2) 연산 시간은 데이터 크기에 무관하게 일정했으며, 기존 PITC/FITC 방법이 데이터가 10배 증가할 때 5배 이상 늘어나는 것과 대조적이었다. (3) 메모리 사용량도 상수 수준을 유지해, 장시간 탐사에도 시스템 자원을 초과하지 않았다. 또한, 온라인 학습 특성 덕분에 환경 변화(예: 온도 급변, Wi‑Fi AP 추가/제거)에도 빠르게 적응하여 위치 추정 정확도를 유지했다. 논문의 결론은 온라인 희소 GP가 로봇의 지속적 위치 추정에 필요한 실시간성, 확장성, 적응성을 모두 만족한다는 점이다. 이 접근법은 사전 데이터가 부족하거나 환경이 동적으로 변하는 실내·실외 로봇, 무인 잠수정, 드론 등 다양한 자율 시스템에 바로 적용 가능하다. 향후 연구 방향으로는 다중 로봇 협업 상황에서의 공동 온라인 GP 학습, 비선형 동역학 모델과의 통합, 그리고 지원 집합 선택을 강화 학습 기반으로 최적화하는 방법 등이 제시된다.