자기장 기반 드리프트 없는 실내 내비게이션

본 논문은 실내 환경에서 외부 위치 기준(GNSS 등)이 부재한 상황에서도 정확한 내비게이션을 가능하게 하는 새로운 SLAM 프레임워크를 제시한다. 전통적인 비전·라이다 기반 SLAM은 무게·전력·비용이 높아 웨어러블·스마트폰에 적용하기 어렵다는 한계가 있다. 이를 극복하고자 저자들은 MEMS 기반 IMU와 3축 자기계측기를 결합하고, 관측된 자기장을 Gaussian Process(GP) 회귀를 통해 연속적인 지도 형태로 모델링한다. 먼저, IMU는 고주파 스트랩‑다운 적분을 통해 자세와 속도를 제공한다. 그러나 가속도·자이로 편향과 적분 오차가 누적되어 위치 드리프트가 발생한다. 논문은 이러한 편향을 랜덤 워크 모델(식 2)로 기술하고, IMU 상태 전이(식 1)를 기반으로 초기 궤적을 추정한다. 이어서, 자기계측기의 측정값은 센서 프레임에서 지도 프레임으로 회전 변환된 3차원 자기장 벡터로 표현된다(식 3). 이때 측정 노이즈는 가우시안으로 가정한다. 핵심은 GP를 이용해 자기장 지도의 사전분포를 정의하고, 이를 SLAM의 백엔드 최적화에 직접 포함시키는 것이다. 베이지안 관점에서 MAP 추정을 수행하기 위해, 관측 잔차와 GP 사전분포를 결합한 비용 함수를 구성한다(식 6). 커널은 기본적으로 squared‑exponential 형태를 사용하지만, 물리적 제약을 반영한 curl‑free·divergence‑free 커널(식 8)도 제안한다. 이러한 커널은 자기장의 3축 성분이 서로 상관관계를 갖는다는 사실을 반영한다. 시뮬레이션에서는 하이퍼파라미터 σ_f(신호 진폭)와 ℓ(길이 스케일)의 영향을 체계적으로 분석한다. σ_f가 너무 작으면 자기장 변동이 관측 노이즈에 비해 미미해 루프 검출이 어려워지고, 과도히 크면 잡음에 민감해진다. ℓ은 공간 상관 범위를 결정하는데, 작은 ℓ은 국부적인 특징을 강조해 정확도를 높이지만 수렴 영역이 제한된다. 실험 결과, σ_f≈0.1, ℓ≈0.1 m가 최적이며, 하이퍼파라미터를 잘못 설정했을 때는 성능이 급격히 저하된다. 또한, 오도메트리 노이즈가 0.5 mm 이하일 경우 GP‑SLAM이 초기 궤적 오차를 거의 완전히 보정하지만, 노이즈가 5 mm를 초과하면 수렴이 어려워진다. 실제 실내 실험에서는 Xsens MT‑i 300 IMU와 자기계측기를 사용해 사무실 책상 주변을 네 번 반복하는 사각형 경로를 기록하였다. 자기장 크기 변동이 1.67 a.u.에 달해 루프 클로저가 충분히 강력했으며, GP‑SLAM 적용 후 수평·수직 위치 오차가 센티미터 수준에서 밀리미터 수준으로 감소하였다. 최적화는 1800회 이상의 반복이 필요했으며, 이는 GP‑SLAM의 계산 복잡도(O(n³)·메모리 O(n²))가 실시간 적용에 제한을 둔다는 점을 시사한다. 결론적으로, 이 연구는 자기장을 연속적인 확률적 지도 형태로 활용함으로써 외부 레퍼런스 없이도 드리프트를 거의 완전히 제거하고, 밀리미터 수준의 정확도를 달성할 수 있음을 입증한다. 다만, 충분한 자기장 교란이 존재해야 하며, 하이퍼파라미터 튜닝과 초기 궤적 정확도가 성능에 큰 영향을 미친다. 향후 연구 과제로는 스파스 GP 기법을 통한 계산량 감소, 실시간 구현, 그리고 UWB·비전·자기 등 복합 센서 융합을 통한 견고성 강화가 제시된다.