Introduction to Inertial Navigation

Woodman 2007 · 논문

한 줄 요약 — IMU 센서 물리, 스트랩다운 적분, MEMS 오차 전파에 대한 측정/시뮬레이션 연구를 다루는 자기 완결적인 관성 항법 튜토리얼 기술 보고서로, 어떤 VIO 시스템을 공부하기 전에도 표준적인 출발점으로 남아 있습니다.

문제

IMU는 거의 모든 로보틱스 및 SLAM 시스템에 등장하지만, 기존의 관성 항법 입문 자료들은 “관성 시스템의 오차 특성을 충분히 설명하지 못합니다.” VIO를 처음 접하는 연구자들은 자이로 및 가속도계 잡음이 추측 항법의 정확도를 근본적으로 제한하는 이유—그리고 그로 인해 모든 시각-관성 설계가 지금과 같은 형태를 가지게 된 이유—를 이해할 배경 지식이 부족했습니다. Woodman의 Cambridge 기술 보고서(UCAM-CL-TR-696)는 MEMS 소자로 구성된 스트랩다운 시스템에 초점을 맞추어 이 격차를 채웁니다.

방법 및 아키텍처

이 보고서는 전체 스트랩다운 INS 파이프라인을 훑어본 다음, 측정(앨런 분산)과 시뮬레이션을 통해 각 오차 소스를 정량화합니다.

• 센서 물리. 자이로스코프: 기계식, 광학식(사냑 효과), MEMS(진동하는 질량에 작용하는 코리올리 힘); 가속도계: 기계식 프루프 매스, 고체 상태(예: 표면 탄성파), MEMS. 가속도계는 비력(specific force)을 측정하므로, 전역 프레임으로 투영한 뒤 중력을 빼야 합니다.

• 자세 추적. 바디 프레임 각속도 $\boldsymbol{\omega}_b(t)$는 방향 코사인 행렬 $C$(바디→전역)를 $\dot{C}(t) = C(t)\,\Omega(t)$를 통해 구동하며, 여기서 $\Omega$는 $\boldsymbol{\omega}_b$의 반대칭 형태입니다. 사각 규칙($B = \Omega\,\delta t$, $\sigma = |\boldsymbol{\omega}_b\,\delta t|$)을 사용하여 한 샘플 주기에 대해 적분하면 다음과 같은 닫힌 형태의 자세 업데이트를 얻습니다.

  $$C(t+\delta t) = C(t)\left(I + \frac{\sin\sigma}{\sigma}B + \frac{1-\cos\sigma}{\sigma^{2}}B^{2}\right).$$

• 위치 추적. 가속도는 전역 프레임으로 회전되고, 중력이 보정되며, 이중 적분됩니다: $\mathbf{a}_g(t) = C(t)\,\mathbf{a}_b(t)$, 그다음 $\mathbf{v}_g(t) = \mathbf{v}_g(0) + \int_0^t (\mathbf{a}_g - \mathbf{g}_g)\,dt$ 및 $\mathbf{s}_g(t) = \mathbf{s}_g(0) + \int_0^t \mathbf{v}_g\,dt$.

• 오차 증가 법칙. 일정한 자이로 바이어스 $\epsilon$은 선형으로 증가하는 각도 오차 $\theta(t) = \epsilon\,t$로 적분됩니다. 분산 $\sigma^2$의 자이로 백색 잡음은 *각도 랜덤 워크(angle random walk)*를 발생시키며 $\sigma_\theta(t) = \sigma\sqrt{\delta t \cdot t}$ ($\sqrt{t}$로 증가). 이중 적분된 가속도계 백색 잡음은 위치에서 2차 랜덤 워크를 발생시킵니다.

  $$\sigma_s(t) \approx \sigma\, t^{3/2} \sqrt{\delta t / 3},$$

  이는 $t^{3/2}$로 증가합니다. 플리커(1/f) 잡음은 바이어스 불안정성을 일으키며 바이어스 랜덤 워크로 모델링됩니다; 온도 및 캘리브레이션 오차(스케일 팩터, 오정렬)는 구조화된 항을 추가합니다.

• 핵심적인 오차 경로. 기울기 오차 $\epsilon$은 잔차 바이어스 $g\sin(\epsilon)$ 형태로 중력을 수평 채널에 유출시킵니다: 단 0.05°의 기울기가 수평축에 0.0086,m/s²를 투영하며, 이는 이차적으로 증가하여 단 30초 후 7.7,m의 위치 오차를 발생시킵니다. 가속도계 오차가 아닌, 중력 보정 과정으로 전파되는 자이로 오차가 INS 드리프트를 지배합니다.

• 앨런 분산 (Allan Variance). 신호를 길이 $t$의 구간으로 나누고, 각각을 평균한 다음 $\mathrm{AVAR}(t) = \frac{1}{2(n-1)}\sum_i (a(t)_{i+1} - a(t)_i)^2$를 계산합니다. 로그-로그 앨런 편차 플롯에서 백색 잡음은 기울기 $-0.5$로 나타나며($t = 1$에서 ARW/VRW를 읽음), 바이어스 불안정성은 평평한 최솟값으로 나타납니다—이 절차는 모든 VIO 필터 설정에 필요한 잡음 파라미터를 산출합니다.

실험 결과

100,Hz로 샘플링한 Xsens Mtx MEMS IMU를 사용한 실험(정지 상태에서의 60초 실행 500회):

• 평균 위치 드리프트는 순수 스트랩다운 추측 항법 60초 후 152.67,m에 도달하며, 그중 수직 성분은 1.76,m에 불과합니다—기울기 오차로 인한 중력 유출의 특징적인 신호입니다.
• 시뮬레이션에서 센서 잡음을 선택적으로 제거해 보면, 가속도계 잡음은 처음 약 0.3초 동안만 드리프트를 지배하며; 그 이후에는 자이로스코프 잡음에서 오는 자세 오차가 단연 주된 원인이고, 자이로 잡음 과정 중에서는 백색 잡음이 가장 큰 기여자입니다.
• Mtx 자이로의 앨런 분석 결과, 각도 랜덤 워크 ≈ 4.6–4.8°/√h, 바이어스 불안정성 ≈ 32–43°/h입니다.
• 지자기 센서와의 센서 융합은 평균 60초 위치 오차를 150,m 이상에서 약 5,m로 줄여줍니다—이는 관성 데이터가 (VIO에서는 카메라에 의해) 항상 보정되어야 하는 이유를 미리 보여줍니다.

SLAM에서의 의미

거의 모든 VIO 논문은 독자가 이미 IMU가 무엇을 측정하는지, 왜 바이어스를 온라인으로 추정해야 하는지, 왜 순수 관성 추측 항법이 발산하는지를 알고 있다고 가정하며—자세한 내용은 Woodman을 인용합니다. 이 보고서를 먼저 읽으면 MSCKF, 사전 적분, 그리고 이후의 모든 시스템에서의 측정 모델이 이해하기 쉬워지며, “60초에 152,m” 실습 예제는 카메라가 얼마나 많이 보정해야 하는지에 대한 정량적 직관을 제공합니다.

관련 문서

• IMU noise model — 이 자료에서 정제된 개념 노트.
• IMU — 센서 기초.
• IMU Preintegration on Manifold — 이러한 측정 모델 위에 구축된 이론.
• MSCKF — 이 기초를 다진 후 읽어야 할 첫 번째 시스템.
• Quaternion kinematics for error-state KF — 회전 처리를 위한 보완적인 수학 참고 자료.