고급 IMU 및 센서 융합으로 자율 로봇 위치 결정의 정밀도 향상

관성 측정 장치(IMU)는 산업용 로봇 공학, 휴머노이드 로봇, 무인 항공기(UAV), 몰입형 혼합 현실 시스템 등 광범위한 모바일 시스템의 기본 요소입니다. 이러한 시스템에 대한 구체적인 요구 사항은 응용 제품에 따라 다르지만, 설계자는 자율 이동 로봇(AMR)이라는 일반적인 응용 제품 클래스에 대해 점점 더 정확한 실시간 방향 및 동작 데이터를 제공해야 하는 과제를 지속적으로 안고 있습니다.

이 기사에서는 AMR 위치 결정 관련 당면 과제에 대해 간략하게 설명합니다. 그런 다음 Analog Devices의 고급 IMU를 소개하고, 이를 활용하여 실내에서 위성 위치 확인 시스템(GPS)을 사용할 수 없는 환경에서 이러한 과제를 해결하는 방법과 다양한 분야에서의 활용 사례로부터 얻은 교훈을 제공합니다.

AMR 개발자에게 위치 결정이 어려운 과제인 이유

AMR은 자재의 흐름을 간소화하고 폐기물을 줄이며 활용도를 높이는 데 도움을 줌으로써, 스마트 공장과 물류창고의 생산성 향상을 위해 핵심적인 역할을 담당합니다. 이를 성공적으로 운영하기 위해서는 시설 내에서 AMR의 정확한 위치 결정이 보장되어야 합니다. 특정 용도로 설계된 시설에서는 잘 배치된 기준점(참조 마커)이나 최적화된 레이아웃을 통해 AMR의 위치 결정 문제를 다소 해결할 수 있지만, 대부분의 AMR은 레거시 시설에서 작동합니다. 이러한 시설에서는 다양한 조명, 반사 표면, 복잡한 기하학적 구조 등 여러 복합적인 문제들로 인해 위치 결정이 훨씬 더 어려워집니다.

또한 표준화된 통로의 너비나 예측 가능한 바닥 표시와 같은 일관된 인프라가 부족하기 때문에, 로봇이 더 복잡한 탐색 및 매핑 작업을 수행해야만 합니다.

주행 환경의 특성상 다음 2가지 주요 운영 과제가 발생합니다.¹

• 먼저, 로봇은 현재 환경 조건에서의 최적의 경로를 결정하기 위해 효율적인 경로를 계획해야 합니다.
• 둘째, 정밀한 위치 결정을 실행하여, 이동하면서 실시간으로 자신의 위치와 방향을 지속적으로 업데이트해야 합니다.

GPS를 사용할 수 없는 실내 환경에서는 온보드 감지 기능과 컴퓨팅 리소스를 통해서만 이 두 가지 목표를 충족해야 합니다.

이러한 과제를 해결하기 위해 AMR은 다양한 센서 모달리티를 사용합니다. 카메라, 빛 감지 및 거리 측정(LiDAR), 레이더를 포함한 시각 인식 시스템은 풍부한 환경적 데이터를 제공합니다. 휠 인코더 및 IMU와 같은 주행 거리 측정 시스템은 로봇의 움직임에서 직접 동작을 추적합니다. 각 센서 유형은 다음과 같은 고유한 장점을 제공합니다. 장거리 감지에 탁월한 센서도 있고, 정밀한 감지에 탁월한 센서도 있으며, 각 센서가 가진 제약도 있습니다. AMR은 이들을 지능적으로 결합하여, 변화가 많고 예측할 수 없는 조건에서 정확성을 유지하는 데 필요한 중복성과 커버리지를 달성할 수 있습니다.

IMU가 측정하는 항목과 그러한 측정이 중요한 이유

IMU는 미세 전자 기계 시스템(MEMS) 센서를 통합하여 가속도 및 각속도를 3차원으로 측정합니다. 3축 가속도계는 지구 중력을 기준으로 x, y, z축을 따라 움직임을 측정하여, 기울기 같은 정적 힘과 운동 중 가속도 같은 동적 힘을 모두 캡처합니다(그림 1).

그림 1: 3축 가속도계는 x, y, z 축을 따라 가속도를 측정하여, 동적 동작 데이터와 정적 중력 기준을 모두 제공합니다(이미지 출처: Analog Devices).

3축 자이로스코프는 각 축에 대한 각속도(ωx, ωy, ωz)를 측정하여(그림 2) 로봇이 방향의 변화를 추적할 수 있도록 해줍니다.

그림 2: 3축 자이로스코프는 각 축에 대한 각속도를 측정하므로, 방향의 변화를 정확하게 추적할 수 있습니다(이미지 출처: Analog Devices).

최신 IMU의 가속도계와 자이로스코프의 핵심인 MEMS 구조는 가속 또는 회전을 받으면 휘어지거나 진동하며, 그 결과 정전 용량 또는 진동 주파수의 변화가 전기 신호로 변환됩니다. MEMS 기반 IMU의 장점은 작은 크기, 낮은 전력 소비, 높은 측정 속도를 제공하여 모바일 플랫폼에 통합하기에 적합하다는 점입니다.

일부 IMU에는 기능을 확장하는 추가 센서도 포함되어 있습니다. 고성능 자력계는 까다로운 환경에서 방향 추정에 도움이 되는 자기장 측정을 제공합니다. 단, 자력계는 레거시 IMU에서 더 일반적입니다. 통합 온도 센서는 가속도계 및 자이로스코프 데이터의 열 보정을 지원합니다. 기압을 측정하고 고도를 추정하기 위한 기압계도 포함시킬 수 있습니다.

고급 IMU는 센서 어레이 외에도 광범위한 데이터 수집 신호 체인을 통합하여, 아날로그-디지털 변환, 예비 유한 임펄스 응답 필터링, 센서 바이어스 및 축 오정렬을 수정하기 위한 공장 보정을 지원합니다(그림 3). 이러한 장치는 종종 IMU의 내부 좌표 프레임에서 회전(dƟ)을 허용하여 출력 전에 로봇의 프레임과 일치시킴으로써 메인 프로세서의 계산 부하를 줄입니다.

그림 3: 고급 IMU의 기능별 제품 구성도는 감지, 보정, 보상, 필터링을 단일 소형 장치에 통합하여 제공하는 광범위한 센서 신호 체인을 선보입니다(이미지 출처: Analog Devices).

다른 센서들이 불안정할 때 IMU가 더 강력한 위치 결정 기능을 수행하는 방법

다양한 물리적 환경의 일부 특성은 개별 센서 모달리티의 효율성에 영향을 미칠 수 있습니다. 다양한 센서 시스템의 한계를 완화하기 위해, 일반적인 AMR은 비전 센서, 비행 시간(ToF) 시스템, LiDAR, 레이더, 휠 인코더, IMU 등 다양한 센서 스택에 의존합니다(그림 4).

그림 4: AMR의 센서 스택은 일반적으로 비전 센서, IMU, 휠 인코더를 조합함으로써 위치 결정에 필요한 복합적인 정보를 제공합니다(이미지 출처: Analog Devices).

예를 들어, 특징이 거의 없는 복도(그림 5)에서는 벽이 길게 뻗어 있어 시각적인 동시 위치 결정 및 매핑(SLAM) 알고리즘이 프레임을 저장된 맵에 일치시키는 데 필요한 특징적인 요소가 부족합니다. 고유한 시각적 신호가 없으면 로봇의 자세 추정치가 쉽게 흐트러져 AMR이 위치를 잃을 수 있습니다. 이 시나리오에서는 시각적 주행 거리 측정이 손실되더라도 IMU가 제공하는 진행 방향 및 방향 상태 정보로 로봇의 주행을 유지할 수 있습니다.

그림 5: 별다른 특징이 없는 긴 복도에서는 로봇이 시각적 주행 거리 측정에 실패할 수 있기 때문에, IMU의 진행 방향 및 방향 상태에 대한 정보가 부족한 경우 AMR이 위치를 파악하지 못할 수 수 있습니다(이미지 출처: Analog Devices).

50m × 50m 창고와 같은 개방된 넓은 공간에서는 일반적으로 최대 도달 범위가 10m에서 15m인 LiDAR의 유효 범위를 벗어나는 시각적 특징이 많이 존재합니다(그림 6). 일정한 간격의 선반이나 보관 랙과 같은 균일한 레이아웃은 여러 위치의 모양이 서로 비슷하기 때문에 시각적 거리 측정에 혼란을 초래할 수 있습니다. 그러한 시나리오에서는 로봇이 IMU 측정과 휠 인코더 데이터를 결합하여 로컬 자세 추정치를 유지할 수 있습니다.

그림 6: 개방된 넓은 공간에서는 센서 범위가 제한되고 시각적 특징이 부족하여 시각적 감지가 저하되므로, IMU 측정과 휠 주행 거리 측정을 통해 지속적인 위치 결정을 수행할 수 있습니다(이미지 출처: Analog Devices).

경사진 표면은 또 다른 문제를 야기합니다(그림 7). 표준 2차원 LiDAR는 평평한 평면에서 지점을 캡처하므로, 경사면이 수직 장애물로 보일 수 있습니다. 이러한 잘못된 해석으로 인해, 주행이 중단되거나 로봇이 실제로는 횡단이 가능한 경로를 피하게 될 가능성이 있습니다. 여기서 IMU 피치 및 롤 데이터는 경사도 정보를 제공하여 이러한 LiDAR의 잘못된 해석을 방지함으로써, SLAM 알고리즘이 경사도 문제를 해결하고 횡단이 가능한 경사면과 실제 장애물을 구분할 수 있도록 합니다.

그림 7: IMU 피치 및 롤 판독을 통해 경사면의 기울기를 파악하여 2D SLAM의 잘못된 해석을 수정하고 안전한 AMR 주행을 보장할 수 있습니다(이미지 출처: Analog Devices).

환경적 요인도 다양한 센서 모달리티의 위치 결정 성능을 저하시킵니다(표 1). 열악한 조명, 변화가 많은 환경, 반사 표면, 풍부한 씬 지오메트리(scene geometry)의 필요성과 같은 요인은 대부분의 센서 모달리티에 영향을 줄 수 있습니다.

표 1: 다양한 환경적 요인이 센서의 효율성에 미치는 영향을 보여줍니다(표 출처: Analog Devices).

IMU만의 특별한 성능을 활용한 AMR 개선

IMU는 인식 센서보다 빠른 속도로 업데이트되므로, 환경의 역동적인 변화에 빠르게 대응할 수 있습니다. 일반적으로 10Hz ~ 30Hz에서 작동하는 인식 시스템과 달리, IMU는 200Hz에서 처리된 데이터와 최대 4kHz의 원시 데이터를 제공할 수 있습니다. 10배 빠른 업데이트 속도를 갖춘 IMU는 인식 측정 사이의 긴 간격 동안 업데이트된 자세 추정치를 제시할 수 있습니다. 업데이트 속도가 빨라지면 궁극적으로 갑작스러운 동작 변화에 대한 반응 시간이 더 빨라지고, 변화가 많은 환경에서 시스템 신뢰성이 향상됩니다.

IMU는 AMR 주행 거리 추정의 기반을 제공하는데, 이는 IMU 가속도 및 각도 측정값의 통합을 기반으로 알려진 시작 위치로부터 현재의 위치를 추정하는 것입니다. IMU는 위치, 방향, 속도를 지속적으로 업데이트하는 데 필요한 데이터를 제공함으로써 정밀한 자세 추정을 지원하여 안정적인 AMR 주행을 보장합니다.

소형 크기와 가벼운 무게도 AMR에 IMU를 통합하는 데 유리하게 작용합니다. 예를 들어 Analog Devices ADIS16500AMLZ IMU(그림 8)는 15mm × 15mm × 5mm 크기의 BGA 패키지로 제공되는데, 이 안에 자이로스코프, 가속도계, 온도 센서, 데이터 수집 및 신호 조절을 위한 완전한 신호 체인이 통합되어 있습니다. 이러한 수준의 통합을 통해, 포괄적인 모션 데이터를 호스트 프로세서에 전달하는 동시에 로봇의 기동성을 방해하지 않고 제한된 공간의 기계 레이아웃에서 사용될 수 있습니다.

그림 8: ADIS16500AMLZ IMU는 자이로스코프, 가속도계, 온도 센서, 데이터 수집 및 신호 조절을 위한 전체 신호 체인을 통합합니다(이미지 출처: Analog Devices).

초당 ±2000˚(°/s) 자이로스코프 작동 범위를 제공하는 ADIS16500AMLZ는 빠른 회전을 포화 없이 캡처할 수 있는데, 이는 좁은 공간을 주행하거나 신속하게 장애물을 회피하는 AMR이 갖춰야 할 필수적인 사항입니다. 초당 ±392m/s² 가속도계 작동 범위는 부드러운 움직임과 강한 충격을 모두 캡처합니다. 8.1°/hr 자이로스코프 바이어스 안정성과 125μm/s² 가속도계 바이어스 안정성으로 드리프트를 줄여 보정 간 주행 거리 추정의 정확도를 향상시킵니다.

공장 보정은 감도, 바이어스, 축 정렬을 위한 기본 보정을 제공하며, 동적 오프셋 보정은 온도 변화, 공급 전압 변화, 자기 간섭, 잡음 감소를 담당합니다.² 19,600m/s²의 기계적 충격 내성과 -25 ~ 85°C의 작동 범위로 까다로운 환경에서도 배포가 가능하며, 저잡음, 고대역폭 ADC는 반응형 제어 시스템에 필요한 빠른 업데이트 속도로 지속적으로 정확한 데이터 캡처를 보장합니다.

일반적으로 IMU는 전자파 장해(EMI)에 비교적 강하며 다양한 조명 및 환경 조건에서 작동할 수 있으므로, 다양한 응용 제품에서의 사용이 가능합니다.

IMU의 성능 제한 완화하기

IMU는 여러 성능적인 이점에도 불구하고 몇 가지 본질상의 한계가 있습니다.³ 필터링되지 않은 잡음은 IMU 측정에 영향을 미쳐 주행 정확도를 감소시킬 수 있습니다. 가속도계 및 자이로스코프 센서의 편향은 시간이 지남에 따라 누적되어 방향 및 동작 추정치의 편차로 이어집니다. 비선형 센서 동작은 측정을 왜곡하고 열전 이벤트는 자이로스코프에서 각도 랜덤 워크(ARW) 오류를, 가속도계에서는 속도 랜덤 워크(VRW) 오류를 유발하여 장기적인 성능을 더욱 저하시킬 수 있습니다. 이러한 문제들이 해결되지 않으면, 시간이 지남에 따라 위치 결정의 신뢰성은 떨어지게 됩니다.

센서 퓨전은 IMU 데이터를 다른 센서 입력과 통합하여 데이터의 품질과 신뢰성을 높이고, 측정되지 않은 상태의 추정을 개선하며, 안전성을 향상시키기 위해 적용 범위를 늘림으로써 IMU의 한계를 극복할 수 있습니다. 확장 칼만 필터링(EKF)(그림 9)과 같은 상태 추정 기술은 정상적인 AMR 작동 중에 잡음, 랜덤 워크 및 바이어스 불안정성을 보정할 수 있습니다. 지구의 중력으로 인한 가속도를 측정함으로써 피치 및 롤 자이로스코프 오류를 제거할 수 있습니다. 마지막으로, 바이어스 드리프트를 추적하고 수정할 수 있습니다. EKF는 작동 중 모델링된 시스템의 특성에 대해 완전히 알지 못하는 경우에도 과거, 현재, 미래의 상태를 효과적으로 추정할 수 있습니다.

그림 9: 단순화된 EKF 알고리즘이 시간에 따른 잡음 센서 측정을 처리하여, 로봇의 자세 및 동작에 대한 보정된 추정치를 연속적으로 생성합니다(이미지 출처: Analog Devices).

EKF는 시스템 동적 범위 및 측정 불확실성을 모델링한 다음 새로운 데이터가 도착하면 상태 추정치를 업데이트할 수 있기 때문에, 널리 사용되고 있습니다. 시간이 지남에 따라 가우시안 백색 잡음이나 기타 부정확한 측정값이 포함될 수 있는 측정값이 관찰되며, 보정에 사용됩니다. 필터는 센서 간 측정을 동기화하고, 자세 및 오류 추정치를 예측하며, 예측된 값의 불확실성을 추정 및 업데이트하여, 해당 측정치의 정확한 값을 추정합니다.

센서 융합 알고리즘은 로봇 운영 체제(ROS) 오픈 소스 robot_localization 패키지⁴에 내장되어 있으며, 이 패키지는 EKF 기반 융합을 구현하고 그 핵심에서 EKF 알고리즘을 활용합니다(그림 10).

그림 10: 일반적인 ROS 기반 센서 퓨전 소프트웨어 아키텍처는 robot_localization 패키지를 통해 여러 센서 입력을 결합하여 강력하고 연속적인 자세 추정치를 생성합니다(이미지 출처: Analog Devices).

이 ROS 패키지는 센서 수에 제한 없이 센서를 융합할 수 있으며 IMU 데이터, 휠 속도, 주행 거리 측정 등 다양한 입력 유형을 수용할 수 있습니다. 융합된 출력에는 완전한 3D 위치 및 방향, 선형 및 각속도, 가속도가 포함되며, 내비게이션 및 SLAM 알고리즘에 직접 적용됩니다. robot_localization은 이러한 입력을 사용하여 실제 및 파생된 측정값의 벡터로 표현된 예상되는 자세 상태를 생성합니다.

자세 상태 = (X, Y, Z, 롤, 피치, 요, X˙, Y˙, Z˙, 롤˙, 피치˙, 요˙, X¨, Y¨, Z¨)

정밀한 AMR 위치 추적 개발 가속화

ADIS16500AMLZ IMU는 정밀한 감지와 통합된 프로세싱이 AMR 위치 결정 성능을 어떻게 향상시킬 수 있는지 보여줍니다. 개발자가 응용 제품 개발을 가속화할 수 있도록, Analog Devices는 ADIS16500/PCBZ 브레이크아웃 기판(그림 11, 왼쪽) 및 EVAL-ADIS-FX3Z 평가 시스템(그림 11, 오른쪽)을 함께 제공합니다.

그림 11: ADIS16500/PCBZ 브레이크아웃 기판(왼쪽)과 EVAL-ADIS-FX3Z 평가 키트(오른쪽)를 사용하면 ADIS16500 IMU를 기반으로 하는 응용 제품을 빠르게 개발할 수 있습니다(이미지 출처: Analog Devices).

브레이크아웃 기판은 IMU와, 평가 시스템에 연결하기 위한 2mm 리본 케이블과 결합하는 16핀 헤더로 구성되어 있습니다. 평가 시스템은 최대 샘플링 속도로 IMU를 실시간으로 샘플링할 수 있으며 USB 포트를 통해 전원이 공급됩니다. 필요한 모든 소프트웨어는 리소스 페이지에서 다운로드할 수 있습니다.

결론

IMU는 환경 조건으로 인해 다른 감지 모달리티가 실패하더라도 빠른 업데이트 속도로 방향 추정과 동작 추적을 제공하여 AMR에서 정확한 위치 결정을 유지하는 데 필수적입니다. 센서 융합을 사용하여 다양한 센서 유형의 한계를 보완함으로써, AMR은 일반적으로 AMR 위치 결정에 혼란을 주는 변화가 많은 환경에서도 정밀한 주행을 수행할 수 있습니다. 고집적 IMU와 관련 브레이크아웃 기판 및 평가 시스템을 사용할 수 있으므로, 개발자는 정밀한 주행에 필요한 정확하고 안정적인 위치 결정이 가능한 AMR을 신속하게 설계할 수 있습니다.

참고 자료

1. Shoudong Huang and Gamini Dissanayake, Robot Localization: An Introduction, John Wiley & Sons, August 2016.(영문)
2. Randy Carver and Mark Looney, “MEMS Accelerometer Calibration Optimizes Accuracy for Industrial Applications,” EE Times, October 2007.(영문)
3. Oliver J. Woodman, “An Introduction to Inertial Navigation,” University of Cambridge, August 2007.(영문)
4. robot_localization Documentation, v2.6.12, Tom Moore, 2016.(영문)