다중 로봇 협업 시각‑관성‑거리 측정 오도메트리: Lie 그룹 기반 일관성 확보

본 논문은 GPS가 차단된 실내·산업 환경에서 다중 로봇이 정확하고 일관된 위치 추정을 수행하도록 설계된 ‘분산 협업 시각‑관성‑거리 측정 오도메트리(DC‑VIRO)’ 프레임워크를 제시한다. 기존의 VIO는 가볍고 정확하지만 전역 기준이 없어 누적 드리프트가 발생하고, 이러한 드리프트가 로봇 간 공유 정보를 통해 전파될 위험이 있다. 이를 보완하기 위해 초광대역(UWB) 거리 측정을 도입했으며, 특히 앵커 위치가 사전에 정확히 캘리브레이션되지 않은 상황에서도 로봇이 자체적으로 앵커를 추정하도록 설계하였다. **시스템 설계** - **로봇 구성**: 각 로봇은 IMU, 카메라, UWB 태그를 장착하고, 근접 로봇과 무선으로 정보를 교환한다. - **상태 정의**: 로봇 \(i\) 의 상태 \(X_{i,k}\) 는 현재 IMU 상태 \(X^I_{i,k}\)와 과거 IMU 클론 \(X^C_i\)을 포함한다. IMU 상태는 회전 \(R\), 속도 \(v\), 위치 \(p\)와 앵커 위치 \(p_u\)를 포함하는 확장된 Lie 그룹 \(SE_{2+L}(3)\) 에 매핑된다. 여기서 \(L\) 은 로봇이 관측하는 앵커 수이며, 논문에서는 설명을 위해 \(L=1\) 로 가정한다. - **오차 모델**: 오른쪽 불변 오류를 사용해 상태 오차 \(eX_{i,k}\)를 정의한다. 이는 Lie 대수 \(\xi\) 를 통해 \(\exp(\xi) \approx I + \xi^\wedge\) 로 1차 근사한다. 이렇게 정의된 오류는 VIO의 기존 관측 불가능 방향(전역 위치, 전역 yaw, 스케일, 전역 속도)과 동일하게 유지된다. **시스템 동역학 및 측정 모델** - **운동 모델**: 3‑D 강체 운동 방정식을 IMU 측정값(가속도, 각속도)과 바이어스 랜덤 워크를 포함해 연속 시간 형태로 기술한다. - **카메라 모델**: 정적 랜드마크 \(p_f\) 에 대한 투영 방정식 \(z_c = \pi(C_{i,k} p_f) + n_c\) 를 사용한다. - **UWB 거리 모델**: 로봇 \(i\) 와 앵커 \(u\) 사이 거리 \(d_{i,k}\)는 \( \| p_{I,i,k} + R_{I,i,k}^\top p_T - p_u \| + n_u + b_u \) 로 표현된다. 여기서 \(p_T\) 와 \(b_u\) 는 사전 보정 가능한 상수이다. **알고리즘 흐름** 1. **IMU 예측**: 현재 추정값 \(\hat X_{i,k}\) 에 대해 오류 동역학을 선형화하고, 연속‑시간 오류 방정식 \(\dot e_x = F e_x + G n\) 를 이산화해 공분산을 전파한다. 2. **거리 업데이트**: 거리 측정은 오른쪽 불변 오류를 사용해 Jacobian \(H_u\)를 도출한다. 개별 앵커는 표준 EKF 업데이트에 바로 적용하고, 여러 로봇이 동시에 관측한 공유 앵커는 스택된 측정식(식 21‑22)으로 결합한다. 교차 상관관계가 알려지지 않으므로 Covariance Intersection(CI) 방식을 적용해 각 로봇의 공분산을 가중합하고, 가중치 \(\omega_i\) 는 \(\sum \omega = 1\) 을 만족하도록 설정한다. 3. **시각 업데이트**: 카메라 특징도 개별·공통으로 구분한다. 공통 특징은 다중 로봇이 동시에 관측한 경우에 한해 동일한 CI 기반 협업 업데이트를 수행한다. 4. **상태 보정**: EKF 업데이트 후, 상태는 \(\hat X_{i,k} = \exp(\epsilon_{i,k}) \bar X_{i,k}\) 로 재정의한다. 여기서 \(\epsilon_{i,k}\)는 CI 가중치와 잔차를 이용해 계산된 오류 보정량이다. **관측 가능성 및 일관성 증명** 오른쪽 불변 오류와 Lie 그룹 기반 상태 표현을 사용함으로써, 시스템은 VIO와 동일한 4개의 불변 방향을 유지한다. 이는 앵커와 거리 측정이 추가되더라도 관측 가능성 매트릭스의 랭크가 감소하지 않음을 의미한다. 따라서 추정기의 일관성—실제 불확실성을 과소평가하지 않음—이 수학적으로 보장된다. **실험 및 결과** 시뮬레이션 환경에서는 3~5대 로봇이 서로 다른 경로를 따라 이동하면서 동일한 UWB 앵커를 관측하도록 설정하였다. 비교 대상은 (1) 순수 VIO, (2) 단일 로봇 UWB‑VIO, (3) 제안된 DC‑VIRO. 주요 결과는 다음과 같다. - 평균 위치 RMSE이 VIO 대비 35 %~45 % 감소. - 앵커 위치 추정 오차가 초기 1 m 수준에서 5 cm 이하로 수렴. - 공유 앵커가 없는 경우에도 개별 앵커를 포함한 상태 추정이 가능했으며, 앵커 보정이 진행될수록 전체 시스템 정확도가 향상됨을 확인. - CI 기반 분산 업데이트가 교차 상관을 무시한 경우에 비해 일관성을 크게 개선했으며, 추정 공분산이 실제 오류와 일치하는 경향을 보였다. **결론 및 향후 연구** DC‑VIRO는 다중 로봇 협업 상황에서 VIO와 UWB를 통합하면서, 앵커 자체 보정과 일관성 유지라는 두 가지 핵심 요구를 동시에 만족한다. 현재는 시뮬레이션 기반 검증에 머물러 있으며, 실제 로봇 플랫폼에서의 실험, 비동기 통신·패킷 손실에 대한 견고성, 동적 앵커(예: 이동형 드론)와의 연동, 그리고 CI 가중치 최적화 등을 차후 연구 과제로 제시한다.