실시간 관성 센서 기반 자세 추정의 빠르고 견고한 알고리즘

본 논문은 관성 센서(자이로, 가속도계)와 자기계 데이터를 이용해 3차원 자세를 실시간으로 추정하는 새로운 필터를 제안한다. 기존 연구에서는 사원수 전체를 상태 변수로 두고 EKF, MEKF, Madgwick 필터 등 다양한 방법으로 자세를 추정해 왔으며, 이들 방법은 정확도는 높지만 연산량이 많거나 사원수 정규화 과정에서 비선형 오류가 발생한다는 한계가 있다. 저자들은 이러한 문제점을 해결하기 위해 두 가지 핵심 아이디어를 도입한다. 첫째, 자세를 전체 사원수가 아닌 현재 추정값에 대한 작은 회전벡터(η_t) 형태의 편차만을 추정한다. 회전벡터는 3차원으로 차원 감소 효과가 있어 연산량을 크게 절감한다. 둘째, 가속도와 자기계로부터 얻은 측정값을 이용해 정의한 비용함수 V(η_t)의 기울기를 한 번의 경사하강법으로 보정한다. 여기서 스텝 크기 μ_t는 고정값이 아니라 ‖∇V‖에 비례하도록 스케일링(β·T·‖∇V‖)함으로써 외란이나 모델 오류가 클 때 자동으로 보정 강도가 감소하고, 작은 오류에서는 빠르게 수렴하도록 설계되었다. 알고리즘 흐름은 다음과 같다. (1) 이전 시점의 자세 추정값 q̂_nb^{t‑1}와 현재 자이로 측정 y_ω,t를 이용해 고주파 성분을 반영한 q̂_nb^ω를 계산한다. (2) 현재 가속도·자기계 측정 y_a,t, y_m,t와 q̂_nb^{t‑1}을 사용해 비용함수의 기울기 ∇V(η_t)를 구한다. (3) ∇V를 ‖∇V‖으로 정규화하고 β·T·‖∇V‖만큼 스케일링한 보정 항을 자이로 기반 각속도 추정에 더한다. (4) 보정된 각속도 ω̂_t를 S(q̂_nb^{t‑1}) 행렬에 적용해 자세를 업데이트하고, 필요 시 정규화한다. 이 과정을 식 (15a)–(15b)와 알고리즘 1에 정리하였다. 연산 복잡도 분석에서는 기존 Madgwick 필터가 218개의 산술 연산을 필요로 하는 반면, 제안된 알고리즘은 140개로 36 % 감소한다. MATLAB 환경에서 3.1 GHz Intel i5 프로세서로 실험한 결과, 평균 6.4 µs/iteration을 기록해 실시간 임베디드 구현에 충분히 적합함을 보였다. 수치 실험은 네 가지 시나리오로 구성되었다. (1) 가우시안 잡음이 알려진 경우: 제안 알고리즘과 Madgwick 필터는 비슷한 RMSE를 보였으며, MEKF는 약간 더 낮은 오류를 기록했지만 차이는 미미했다. (2) 가속도·자기계 외란(5 % 데이터에 고강도 잡음) 삽입: 제안 알고리즘과 Madgwick 필터는 외란에 강인해 RMSE 상승이 작았으며, MEKF는 외란에 민감해 성능이 크게 저하되었다. (3) 큰 초기 자세 오차: 초기 150 샘플 동안 MEKF는 가장 빠르게 수렴했지만, 제안 알고리즘은 Madgwick 필터보다 더 빠르게 오류를 감소시켰다. 이는 회전벡터 기반 업데이트가 선형화 오류에 덜 의존하기 때문이다. (4) 실제 실험 데이터: 실제 센서 데이터를 이용한 테스트에서도 제안 알고리즘은 RMSE 0.69°(roll), 0.43°(pitch), 0.36°(yaw)를 기록해 실용적인 정확도를 확보했다. 결론적으로, 이 논문은 고속 샘플링 환경에서 연산량을 크게 절감하면서도 모델 오류와 외란에 대한 견고성을 유지하는 자세 추정 필터를 제시한다. 회전벡터 기반 편차 추정과 정규화된 경사하강법 스텝은 기존 사원수 기반 방법의 단점을 보완하며, 인간 동작 분석, 로봇 제어, 증강·가상 현실 등 실시간 자세 추정이 요구되는 다양한 분야에 바로 적용 가능하다.