BatSLAM 2.0, 소나 위치 인식 모호성을 시퀀스 검증으로 해결한 SLAM
벨기에 앤트워프대학교 연구진이 박쥐의 반향정위를 모방한 소나 전용 SLAM 시스템 BatSLAM 2.0을 프리프린트로 공개했다. 에너지 이미지에 방향 단서인 스펙트럼 형태 이미지를 더한 음향 전처리와 시퀀스 검증기, GTSAM 기반 자세 그래프를 결합했으며, 시뮬레이션 12개 주행에서 잘못된 루프 폐쇄 없이 정렬 후 오차 0.18에서 0.53m를 기록했다. 이는 카메라나 라이다가 취약한 어둡거나 먼지가 많은 환경에서 소나만으로 지도 작성과 위치 인식을 가능하게 한다.
소나 뷰의 높은 모호성 때문에 잘못된 루프 폐쇄가 지도를 붕괴시키는 문제를, 시퀀스 검증과 견고한 자세 그래프 백엔드로 해결할 수 있는가?
소나 위치 인식은 복도처럼 유사한 반향 신호를 내는 장소가 많아 단일 뷰 매칭이 모호하다. 기존 BatSLAM은 전체 양이 달팽이관 영상을 지역 뷰로 사용했지만, 잘못된 루프 폐쇄가 지도에 확신을 갖고 주입되면 기하학적으로 다른 장소가 겹치는 지도 붕괴가 발생한다.
초기 BatSLAM은 생체 모방 양이 소나와 RatSLAM의 위상 세포 및 경험 지도를 사용했고, 단일 뷰 템플릿을 비교해 장소를 인식했다. 비전이나 라이다 SLAM에서는 SeqSLAM의 시간적 일관성, 강건 비용 함수, 스위치 제약, GNC 등으로 오루프 폐쇄를 걸러내지만, 소나처럼 모호한 뷰에 그대로 적용되는지는 검증되지 않았다.
BatSLAM 2.0은 양이 달팽이관 영상을 에너지 이미지와 스펙트럼 형태 이미지로 분리해 방향 단서를 명시적으로 인코딩한다. 각 펄스에서 상위 5개 후보를 뽑고, 여러 인식 가설을 유지하며 기하 일관성과 누적 증거를 검증한 뒤 필요한 보정이 클수록 더 많은 증거를 요구해 하나의 가설만 자세 그래프에 약한 링크로 연결한다. 링크는 가설별 그룹으로 관리되어 철회, 재평가, GNC 감사가 가능하며, iSAM2가 자세 그래프를 점진적으로 푼다. 템플릿은 자세 그래프 노드에 고정되어 최적화 시 함께 이동한다.
시뮬레이션에서 설계 센서와 보정된 또는 대략 보정된 주행거리계 조건의 12개 실행 모두 일관된 지도를 만들었다. 457개의 커밋된 가설 중 잘못된 것은 없었고, 링크 정밀도는 0.994에서 1.000, 실제 재방문 연결률은 0.79에서 0.84였다. 궤적 오차는 정렬 전 0.47에서 1.91m, 정렬 후 0.18에서 0.53m로, 주행거리계 단독의 4.2에서 19.0m보다 크게 낮았다. 단일 뷰 인식만 쓰면 215개의 잘못된 커밋이 발생했고 링크 관리 없이는 지도가 붕괴했다. 템플릿 캡처 영역은 횡방향 약 ±0.15m, 방향 ±25도, 진행 방향 ±0.20m로 좁았다. 실제 eRTIS 3D 소나 녹음 실험에서는 30회 실행에서 잘못된 가설이나 지도 붕괴가 없었고, 재보정한 증거 곡선으로 궤적 오차를 3.62(0.46)m에서 0.67(0.13)m로 낮췄다.
저자들은 대부분의 실험이 시뮬레이션이고, 시뮬레이터가 약한 고차 반사를 포함하지 않는다고 밝혔다. 실제 센서에서는 증거 곡선을 다시 맞춰야 했고, 체계적 주행거리계 편향이 커지면 위상은 유지되지만 미터법 정확도가 떨어진다. 반대 방향으로 재방문한 장소는 연결되지 않으며, GNC 감사는 실험에서 최종 지도를 바꾸지 않아 현재 환경에서는 여유 장치에 가깝다. 초기 주행에서 상대적 불확실성이 클 때 강한 별칭 매칭이 여전히 위험 요소로 남는다.
어둡거나 연기, 먼지, 안개, 투명 또는 반사 표면이 많은 중공업, 광업, 농업 분야의 로봇 내비게이션에 적용할 수 있다. 실시간으로 동작하고 초음파 센서가 저렴해 개념 증명은 지금 가능하지만, 실제 배치에는 센서별 증거 곡선 보정, 긴 실제 궤적 검증, 체계적 오차 추정, 반대 방향 재방문 처리 등이 필요해 1~3년 정도 걸릴 것으로 보인다.
이 논문은 라이선스상 전문을 게재할 수 없어 요약과 원문 링크만 제공합니다.