Core Concepts
이 논문은 센서 측정값과 오프더쉘프 위치 추정 알고리즘의 출력을 융합하는 모듈식 위치 추정 아키텍처를 제안합니다. 이 융합 필터는 절대 위치 측정이 완전히 손실된 경우에도 오도메트리를 개선하기 위해 모델 불확실성을 추정합니다.
Abstract
이 논문은 모바일 로봇 위치 추정을 위한 모듈식 아키텍처를 제안합니다. 이 아키텍처는 물리적 센서와 오프더쉘프 위치 추정 알고리즘을 모두 활용합니다.
첫 번째 레이어는 위치 추정 소스로 구성됩니다. 절대 위치 소스(GNSS, Cartographer), 변위 소스(오도메트리), 고유감지 센서(엔코더, IMU)가 포함됩니다.
두 번째 레이어는 확장 칼만 필터 기반의 센서 융합 필터입니다. 이 필터는 차량 특정 모델을 사용하여 오도메트리 데이터를 개선합니다. 모델 불확실성을 온라인으로 추정함으로써 절대 위치 측정이 손실된 경우에도 오도메트리 추정을 개선할 수 있습니다.
필터는 비동기, 다중 속도, 측정 손실을 처리할 수 있으며 다양한 차량과 설정에 쉽게 이식할 수 있습니다.
실험 결과, 제안된 아키텍처는 절대 위치 측정이 손실된 경우에도 90% 이상의 위치 오차 감소를 달성했습니다. 또한 모델 불확실성 추정을 통해 오도메트리 추정의 정확도를 크게 향상시켰습니다.
Stats
2분 동안 절대 위치 측정이 없는 상황에서 위치 오차가 5.3m에서 0.35m로 감소했습니다.
요 각도 오차가 7도에서 2도 미만으로 감소했습니다.
Quotes
"절대 위치 측정이 완전히 손실된 경우에도 오도메트리 추정을 개선할 수 있는 능력은 로봇의 자율 기능을 크게 향상시키고 인간 개입의 필요성을 줄일 수 있습니다."
"차량 특정 모델을 사용하는 것은 복잡한 SLAM 시스템보다 훨씬 더 강력한 장점을 제공합니다."