IMU를 이용한 로봇 위치 추정 향상: 정밀한 항법을 위한 기본 기술

서론

자율 주행 로봇(AMR)은 미래의 스마트 공장과 창고에 필수적이며, 미래의 자동화되고 지속 가능하며 깨끗한 공장을 형성하는 데 중추적인 역할을 합니다. AMR은 산업 현장에서 효율성을 높이고, 낭비를 줄이며, 활용을 최적화합니다. 미래의 공장은 AMR가 작동할 수 있도록 특별히 건설 및 최적화될 수도 있으나, AMR을 기존 창고와 공장에 적용하는 데는 어려움이 있습니다. AMR이 극복해야 할 주요 과제로는 효율적인 경로 계획(최적의 경로 결정)과 정확한 위치 파악(환경 내에서 위치를 지속적으로 업데이트) 등 두 가지 핵심 요소가 있습니다.

이 기사는 GPS가 차단된 폐쇄 환경에서의 실내 탐색에 초점을 맞춥니다. AMR은 위치 추정 및 탐색을 위해 다양한 센서와 알고리즘을 활용합니다. 여기에는 카메라, LIDAR, 레이더와 같은 시각 센서와 휠 인코더, IMU와 같은 주행 거리 측정 센서가 포함됩니다. 각 센서 모드는 범위, 정확도, 감각 정보 측면에서 고유한 장점을 가지고 있습니다. 이러한 센서를 결합하면 동적 환경에서 로봇의 효과적인 위치 추정에 필요한 포괄적인 데이터가 보장됩니다. 완전한 자율성을 확보하려면 센서 배열이 필수인 상황에서 본 문서는 AMR이 작동하는 사용 사례와 까다로운 환경을 강조하고 IMU가 탐색 및 자율성에 중요한 정밀한 위치 파악에 어떻게 도움이 되는지 살펴봅니다.

IMU란 무엇인가?

IMU는 MEMS(마이크로 전기 기계 시스템) 장치로 만들어진 소형 장치입니다. 일반적으로 다음과 같은 요소로 구성됩니다.

• 3축 가속도계: 가속도계는 지구 중력장을 기준으로 가속도를 측정합니다. IMU에서는 3축 가속도계를 사용하여 x, y, z축을 측정합니다(그림 1 참조).

그림 1. x, y, z축의 가속도 측정.

• 3축 자이로스코프: 자이로스코프는 3개 축 각각의 각속도를 제공하여 회전 속도를 측정합니다. 3축 자이로스코프는 x, y 및 z 축을 따라 로봇의 각속도를 측정할 수 있습니다(ωx, ωy, ωz)(그림 2 참조).

그림 2. x, y, z 축의 자이로스코프 측정.

• 고성능 자기계: 까다로운 환경에서도 정확한 방향 추정에 필수인 자기장 측정을 제공합니다. 널리 사용되지는 않지만 일부 기존 IMU에는 자력계가 장착되어 있습니다.
• 기타: 온도 변화를 보정하기 위한 온도 센서와 압력을 측정하기 위한 기압계.

IMU의 기능 블록 다이어그램

• 일반적인 IMU에는 자이로스코프, 가속도계, 온도 센서 등이 포함되어 있을 뿐 아니라 측정값을 추출하고 온도를 보정하기 위한 아날로그-디지털 변환 기능도 포함되어 있습니다(그림 3 참조).

그림 3. IMU의 일반적인 기능 블록.

• IMU는 유한 임펄스 응답(FIR) 등의 온보드 예비 필터링 알고리즘을 탑재하고 있습니다.
• 교정 및 보상을 통해 정렬 오류나 센서 바이어스를 바로잡습니다.
• 사용자는 최종 데이터를 전송하기 전에 로봇의 기준 프레임과 일치하도록 IMU 모듈 내부 축을 조정(dƟ)할 수 있습니다.

IMU가 AMR에 유익한 이유는 무엇입니까?

• 높은 업데이트 속도를 통한 실시간 위치 추정: 자율성과 실시간 탐색은 로봇의 운영 환경에서 중요한 요소입니다. 그러나 지각 센서는 일반적으로 약 10Hz~30Hz 범위의 제한된 업데이트 속도로 작동합니다. 이와 대조적으로 IMU는 최대 200Hz에 달하는 고충실도 위치 출력을 제공하는 기능을 자랑합니다. 보다 빠른 업데이트 속도는 역동적인 환경 내에서 방향의 급격한 변화에 신속하게 적응하여 시스템의 안정성을 크게 향상하고 즉각적인 대응을 지원합니다. 가속화된 업데이트 속도 덕분에 AMR은 다른 측정 사이의 짧은 간격 동안에도 추정된 포즈를 제공할 수 있습니다. 그 결과 IMU는 실시간 위치 파악을 달성하는 데 중요한 역할을 하며 인지 센서보다 10배 더 빠른 업데이트 속도를 제공합니다.
• 추측 항법: IMU는 이전에 알려진 위치를 기반으로 현재 위치를 추정하는 항해 기법인 추측 항법의 기반으로 기능합니다. IMU는 경과 시간에 따른 위치, 방향, 속도에 대한 데이터를 지속적으로 제공하여 정확한 추정을 가능하게 함으로써 AMR의 안정적인 탐색에 기여합니다.
• 컴팩트한 크기 및 무게: IMU는 컴팩트한 크기에 무게가 가벼운 디자인이 적용되어 다양한 이동 로봇 구성에 통합하는 데 이상적입니다. 예를 들어 설치 공간이 33.25mm x 30.75mm에 불과한 Analog Devices ADIS16500은 로봇의 기동성을 저하하지 않으면서도 효율적인 배치를 보장합니다.
• 다양한 환경에서의 견고성: IMU는 전자기 간섭에 비교적 강하고 실내 및 실외를 포함한 다양한 환경에서 작동할 수 있습니다. 따라서 이 제품은 광범위한 애플리케이션에 적합합니다.
• 업데이트 가속화로 신뢰성 향상: 인식 센서는 일반적으로 업데이트 속도가 약 10Hz~30Hz로 제한되는 반면, IMU는 최대 4kHz 원시 데이터의 충실도 높은 위치 정보 출력을 제공한다는 점에서 탁월성을 자랑합니다. 업데이트 속도가 증가하면 특히 동적 환경에서 안정성이 향상되어 AMR이 신속하게 대응하고 다른 측정 사이의 짧은 시간 내에 포즈를 추정하는 데 도움이 됩니다.

비전 센서가 있음에도 불구하고 AMR에 IMU가 필수적인 이유

그림 4에 나와 있는 AMR은 일반적으로 비행 시간(ToF), 카메라, LIDAR 등과 같은 다양한 시각 센서를 갖추고 있습니다. 시각적 주행 거리 측정이 제공하는 풍부한 데이터 세트에도 불구하고 IMU에 대한 필요성은 여전히 존재합니다. 다음 시나리오에서는 그 이유 중 일부를 살펴봅니다.

그림 4. AMR의 센서 스택.

• 특징이 희소한 복도를 탐색하는 AMR: 동시 위치 파악 및 매핑(SLAM) 알고리즘은 기본적으로 맵에 저장된 관찰된 센서 데이터를 매칭하여 맵 내에서 위치를 파악하는 방식으로 작동합니다. AMR이 긴 복도를 이동할 경우(그림 5 참조), 위치를 빠르게 잃을 가능성이 높습니다. 색상, 질감 또는 반사율이 균일한 직선 벽 등으로 특징이 부족하기 때문에 SLAM은 위치 및 방향을 정확히 파악하는 데 어려움을 겪습니다. 이 경우 IMU는 방향과 방위 정보를 제공하여 귀중한 안내 시스템의 역할을 합니다.

그림 5. 특징 없는 복도에서 시각적 주행 거리 측정 기능이 저하되는 AMR.

• 광활한 개방형 환경에서의 탐색: 범위 제한: 거대한 창고(예: 50m x 50m)와 같이 넓은 개방형 공간에서 작동하는 경우 AMR은 고유한 특징이 센서 범위를 벗어나기 때문에 위치를 파악하는 데 어려움이 있습니다(일반적으로 라이더의 최대 도달 범위는 약 10m~15m입니다). 그림 6에서 볼 수 있듯이 AMR의 시각적 주행 거리 측정 기능은 넓은 공간으로 인해 이미 저하되었습니다. 또한 창고는 종종 일반적인 특징을 보이기 때문에 시각적 센서 작동이 어려워집니다. 이런 시나리오에서는 IMU와 휠 인코더가 정확한 지역적 위치 추정을 위한 유일하게 신뢰할 수 있는 소스입니다.

그림 6. 센서의 시야(FoV)가 제한되어 AMR이 넓은 개방 공간에서 위치를 파악할 수 없음.

• 경사면에서의 탐색: 기존 SLAM 알고리즘은 경사면에서 이동하는 동안 2D 포인트 데이터가 기울기 정보를 제시하지 않기 때문에 LIDAR에 의존할 때 어려움을 겪습니다. 결과적으로 경사면을 벽이나 장애물로 오인하여 비용이 더 높은 맵을 생성하게 됩니다. 결과적으로 2D 시스템을 이용한 기존 SLAM 접근 방식은 경사면에서 효과적이지 않습니다. IMU는 경사면에서 효과적으로 탐색할 수 있도록 경사 정보를 추출하여 이러한 과제를 해결하는 데 도움이 됩니다(그림 7).

그림 7. 경사면에서 이동하는 AMR.

• 탐색 중에 작용하는 환경적 요인: 환경적 요인에 대한 민감도: LIDAR 센서는 주변광, 먼지, 안개, 비 등 다양한 환경적 요인에 민감할 수 있습니다. 이러한 요소는 센서 데이터의 품질을 저하할 수 있으며, 결과적으로 SLAM 알고리즘의 성능에 영향을 미칠 수 있습니다. 마찬가지로 다른 센서 모드도 반사 표면과 동적으로 움직이는 물체(다른 AMR이나 작업자)의 영향을 받아 SLAM에 혼란을 더합니다. 표 1은 환경이 다양한 센서 모드에 어떤 영향을 미치는지를 요약하여 제시합니다. IMU는 여러 환경에서 안정적으로 작동할 수 있으므로 이동 로봇에 다양하게 활용할 수 있습니다.

하지만 어떤 센서도 완벽하지는 않습니다!

IMU에는 이점이 있지만 위험성이 존재하며 다음과 같은 문제점도 있습니다.

• 노이즈: IMU 측정에는 노이즈가 영향을 받으며, 이로 인해 로봇의 탐색 및 제어 정확도가 떨어질 수 있습니다. 노이즈를 보상하기 위해 IMU는 종종 칼만 필터링이나 FIR과 같은 고급 필터링 기술을 사용합니다.
• 편향: IMU 센서는 시간이 지남에 따라 편향을 축적하는데, 이로 인해 방향 및 동작 추정에 오류가 발생할 수 있습니다. 이 문제를 해결하기 위해 바이어스 추정 알고리즘을 사용하여 IMU 센서 판독값을 지속적으로 업데이트합니다.
• 비선형성: IMU 센서는 비선형적인 동작을 보이며, 이로 인해 데이터 처리와 해석이 더욱 복잡해질 수 있습니다. 비선형성을 보상하려면 센서를 보정하여 센서의 동작을 특성화하고 적절한 보정을 적용해야 합니다.
• 무작위 보행: IMU는 외부 열기계적 이벤트의 영향을 받기 쉽고 이로 인해 ARW(각도 무작위 보행, 자이로) 및 VRW(속도 무작위 보행, 가속도계) 오류가 발생합니다.

이런 위험을 어떻게 완화할 수 있을까? 답은 센서 융합입니다!

센서 융합은 어떻게 도움이 되나요?

• 신뢰성을 높입니다.
• 데이터의 품질을 향상시킵니다.
• 측정되지 않은 상태를 더 잘 추정합니다.
• 적용 범위를 늘려 안전성을 확보합니다.

센서 퓨전 알고리즘의 중요성:

• 확장된 칼만 필터링과 같은 상태 추정 기술은 일반적인 AMR 작동 중에 발생하는 소음, ARW, 바이어스 불안정성 오류를 교정할 수 있습니다.
• 피치 및 롤 자이로스코프 오류는 지구 중력으로 인한 가속도를 측정하여 IMU 내에서 제거할 수 있습니다.
• 알고리즘은 바이어스 드리프트를 추적하고 보정하며 ARW 오류를 보정합니다.

확장 칼만 필터(EKF):

• 모델링한 시스템의 정확한 특성을 모르는 경우에도 과거, 현재, 미래 상태를 추정할 수 있도록 지원합니다. 그림 8은 단순화된 EKF 알고리즘을 보여줍니다.
• 측정은 가우시안 백색 소음 또는 기타 부정확성을 포함하는 시간 동안 관찰되며 측정값의 실제 값을 추정합니다.
• 센서 간 측정 동기화
• 포즈 및 오류 추정 예측
• 예측값의 불확실성 추정 및 업데이트

그림 8. EKF 알고리즘(단순화).

• 센서 퓨전:
• 일반적인 로봇 작동 시스템(ROS) 기반 시스템에서 비전 센서와 IMU, 휠 오도미터(그림 9)는 robot_localization이라는 인기 오픈소스 ROS 기반 패키지를 사용하여 통합됩니다. 이 패키지는 기본적으로 EKF 알고리즘을 사용합니다. 이 패키지는 제한 없는 개수의 센서와 IMU, 휠 속도, 주행거리계와 같은 다양한 센서 입력을 융합할 수 있습니다. robot_localization이 제공하는 포즈 출력에는 로봇의 위치와 방향에 대한 3D 추정치와 선형/각속도 및 가속도가 포함되어 있으며, 이는 SLAM 알고리즘에 입력됩니다. 포즈 출력은 다음과 같이 표현됩니다.
• 포즈 상태 = (X, Y, Z, 롤, 피치, 요, X˙, Y˙, Z˙, 롤˙, 피치˙, 요˙, X¨, Y¨, Z¨).

그림 9. ROS를 사용한 일반적인 센서 융합 시스템.

ADI IMU를 사용하면 이러한 과제를 해결하는 데 어떻게 도움이 되나요?

Analog Devices는 이동 로봇 등 다양한 애플리케이션을 위한 여러 IMU를 제공합니다. 제안된 고유한 가치 제안은 다음과 같습니다.

• 내장형 보정: ADI IMU는 민감도, 바이어스, 정렬, 선형 가속도에 대한 자이로스코프 바이어스, 가속도계와 같은 매개변수를 처리하며 공장에서 완전히 보정되는 가속도계와 자이로를 갖추고 있습니다. 내장된 동적 오프셋 보정 기능은 공급 전압, 온도 및 자기 간섭의 변화를 보상하며 노이즈 감소 기능도 제공합니다. 이를 통해 시스템 통합 시간과 수집 비용을 크게 줄여 다양한 조건에서 산업용 애플리케이션에서 정확한 센서 측정을 전반적으로 구현하는 과정을 간소화할 수 있습니다.
• 저잡음, 고대역폭 아날로그-디지털 변환기(ADC): 높은 정확도와 고대역폭으로 센서 데이터를 수집하여 안정적이고 반응성 있는 작동을 보장합니다.
• 높은 정밀도: ADI IMU는 정확한 방향, 동작 및 속도 측정을 제공하여 로봇이 정보에 입각한 결정을 내리고 주변 환경을 정밀하게 탐색할 수 있도록 합니다.
• 낮은 전력 소비: 모바일 로봇은 일반적으로 배터리로 작동하므로 작동 범위를 확장하려면 낮은 전력 소비가 필수적입니다. ADI IMU는 매우 효율적이어서 전력 소비를 최소화하고 배터리 수명을 극대화합니다.
• 소형 크기: 모바일 로봇의 제한된 공간 제약에 맞춰 ADI IMU는 소형 폼 팩터로 설계되었습니다. 이를 통해 성능에 영향을 주지 않고 다양한 로봇 구성에 쉽게 통합할 수 있습니다.
• 통합의 용이성: 원활한 작동을 위해서는 로봇 제어 시스템과의 쉬운 통합이 필수적입니다. ADI의 IMU용 테스트 보드는 오픈 소스 ROS 노드와 결합되어 AMR 구축을 쉽게 통합할 수 있도록 지원합니다.

결론

IMU는 AMR의 위치 추정에 필수적인 요소입니다. 방향 추정과 동작 추적을 제공하고 높은 업데이트 속도로 실시간 응답을 제공하여 AMR이 동적 환경에서도 탐색할 수 있게 해줍니다. 칼만 필터와 같은 센서 통합 기술을 사용하면 다양한 센서 방식을 결합하여 각 센서의 한계를 보완할 수 있습니다. ADI는 다양한 모바일 로봇 애플리케이션의 특정 요구 사항에 맞는 광범위한 IMU를 제공합니다.