저비용 IMU 센서와 딥러닝 기반 적응형 칼만필터 알고리즘을 이용한 자세추정 연구

Abstract

정확한 자세 추정은 자율주행차, 무인 항공기를 포함한 다양한 시스템의 제어를 위해 필수이다. 정확한 자세 추정은 고가의 센서를 사용해도 가능하지만, 최근 micro electro mechanical systems (MEMS) 기술 발달로 소형화된 관성 측정 장치(Inertial Measurement Unit, IMU)를 저가로 쉽게 구할 수 있다. 그러나, 이런 저가 MEMS 관성측정장치는 고가 센서에 비해 정밀하지 않으며 또한 환경에 의한 외란에 취약하다는 단점이 있다. 이런 환경 외란은 설사 센서 기술이 발전하여 정밀한 센서가 개발되더라도 증가한 민감도 때문에 더 문제가 될 위험성이 있다. 본 논문에서는 외란의 영향을 저감시키는 자세 추정 기법으로, 저가 센서의 신호를 딥 앙상블을 이용한 칼만 필터로 처리하는 방안을 제안한다. 인공 신경망 기법 중 하나인 딥 앙상블은 평균에 대한 예측 값만을 출력하는 일반적인 신경망과 달리, 예측 값과 분산 값을 모두 고려한 가우시안 분포를 출력한다. 다시 말해, 딥 앙상블 기법은 분산 값 정보도 포함하기 때문에, 기존 신경망들이 고려하지 못하는 입력 데이터의 불확실성도 포함하게 된다. 따라서, 본 연구의 적응형 칼만 필터는 그 추정 결과에 영향을 주는 공분산 행렬을 딥 앙상블 모델을 통해 추정된 분산 값으로 조정해가게 된다. 먼저, 저가 MEMS magnetic, angular rate, and gravity (MARG) 센서인 MPU-9250을 회전 테이블 위에 장착하고, 테이블을 회전하면서 센서 출력 데이터를 취득하고 학습한다. 이후, 순간적인 자기 외란을 인가하여 지자기 센서의 자기 외란 출력 데이터를 수집한다. 수집한 센서 데이터를 딥 앙상블 모델로 추정하여 확장 칼만 필터의 공분산 행렬을 조정함으로써 반영한다. 이 과정에서 센서의 정확도를 향상시키고 외란의 영향을 저감시키게 된다. 이 실험에서, 본 연구의 결과물인 딥 앙상블 모델을 이용한 적응형 확장 칼만 필터가 일반적인 확장 칼만 필터보다 평균 제곱 오차가 ~62% 저감됨을 확인하였다. |Accurate attitude estimation is essential for controlling various systems including autonomous vehicles and unmanned aerial vehicle (UAV). Accurate attitude estimation can be performed using expensive sensors, but with the recent development of micro electro mechanical systems (MEMS) technology, miniaturized inertial measurement units (IMUs) can be easily obtained at low prices. However, such a low-cost MEMS inertial measurement unit (IMU) is not more precise than an expensive sensor and has the disadvantage of being vulnerable to disturbance caused by the environment. Such environmental disturbance is at risk of becoming more problematic due to increased sensitivity even if sensor technology develops and precise sensors are developed. This paper proposes a method of treating signals from low-cost sensors with Kalman filters using deep ensembles as an attitude estimation technique that reduces the influence of disturbance. Deep ensemble, one of the artificial neural network techniques, outputs Gaussian distributions considering both predicted and variance values, unlike general neural networks that output only predicted values for the mean. In other words, since the deep ensemble technique includes distributed value information, uncertainty in input data that existing neural networks cannot consider is also included. Therefore, the adaptive Kalman filter of this study adjusts the covariance matrix that affects the estimation result to the variance value estimated through the deep ensemble model. First, MPU-9250, a low-cost MEMS magnetic, angular rate, and gravity (MARG) sensor, is mounted on a rotating table, and sensor output data is acquired while rotating the table and learned. Thereafter, magnetic disturbance output data of the magnetic sensor is collected by applying instantaneous magnetic disturbance. The collected sensor data is estimated as a deep ensemble model and reflected by adjusting the covariance matrix of the extended Kalman filter. In this process, the accuracy of the sensor is improved, and the influence of disturbance is reduced. In this experiment, it was confirmed that the adaptive extended Kalman filter using the deep ensemble model, the result of this study, reduced the mean square error by ~62% compared to the conventional extended Kalman filter.