확률적 로봇 공학 - 7.8 현실적인 고려사항

7.8 현실적인 고려사항 practical considerations

 EKF와 MHT 위치 추정알고리즘은 위치 추적에서 주로 사용되는 기술들로 이 알고리즘에 효율성과 강인함이 향상된 다양한 변현들이 있습니다.

 

- 효율적인 탐색 efficient search

 첫번재로 지도가 주어질때 모든 랜드마크 k를 다루기는 불가능할수도 있습니다. 이때 상수 갯수의 식별하는대 적합한 후보 랜드마크들을 사용할 수 있는데, 이런 알고리즘은 기존의 것보다 더 빠르게 동작할수 있습니다.

 

- 아웃라이어 outlier

 여기서 구현시에는 아웃라이어 문제를 다루지는 않았습니다. 이전에 6.6장을 다시 생각해보면, 지도상에 랜드마크가 N개가 존재하지만 대응관계 c = N + 1인 경우를 다루었었는데, 아웃라이어의 사전 확률을 $\pi_{N+1}$로 설정한다면 표 7.3의 EKF 위치추정 16번째 줄 단계에서 측정 벡터가 아웃라이어 같은 경우에 N + 1을 디폴트로 설정하면 됩니다. 그러면 아웃라이어는 로봇 자세에 어느 정보를 줄수 없게 되며 이에 대한 대응관계에 있어서 18, 19번째 줄은 생략하게 됩니다.

 

 EKF와 MHT 위치추정 둘다 위치 추적 문제에서 사용됩니다. 특히 선형화된 가우시안 방법들이 불확실성이 적은 경우에 잘 동작하는데 여기에는 3가지 보충 이유가 있습니다.

 

- 유니모달 가우시안은 불확실성을 다루는데 좋은 방법이지만 전역 위치추정 문제에서는 좋지 못합니다. EKF와 MHT는 둘다 단일 유니모달 가우시안으로 시작하지만 MHT는 잠재적으로 여러개의 지역적인 가우시안으로 나뉠수가 있습니다.

 

- 폭이 좁은 가우시안은 대응관계 판단에 있어 오류의 위험을 줄여줍니다. 이는 EKF를 사용할때 중요한데 하나의 잘못된 대응관계가 위치 추정과 대응관계에 에러를 일으켜 위치 추적을 실패하게 만들기 때문입니다. MHT는 가우시안 혼합에서 올바른 대응관계가 존재하지 않아 동일하게 실패하더라도 이 문제에 더 강건합니다.

 

- 테일러 전개는 점 선형화에 좋은 성능을 보이는데, 방위 $\theta$의 표준편차가 20도 이상이 된다면 선형화로 인해 알고리즘이 실패하게 됩니다. 이 문제는 EKF와 MHT 둘다 똑같고, 이는 MHT가 전역 위치 추정에 사용되지 못하는 이유이기도 합니다.

 

 이러한 이유들로 가우시안 위치 추정 알고리즘은 전역 위치 추정이나 로봇 납치 문제에 사용할수가 없습니다.

 

 EKF 위치 추정에서 적절한 특징 설계는 약간 전문적일수도 있는데 여러 목표를 달성해야만 하기 때문이다. 한편으로 로봇의 위치 추정시 불확실성을 작게 하기 위해서 많은 특징들을 다루길 원하는 경우도 있습니다. 작은 불확실성의 중요성은 이미 설명했고, 다른 경우 랜드마크가 서로서로 구분하기 힘들거나 특징 감지기가 잘못된 특징을 감지하는 경우를 줄여야 될 수도 있습니다. 대부분의 경우 신뢰하기 쉬운 랜드마크를 많이 가지고 있지 않으므로, 랜드마크의 분포들을 이용하여 구현이 됩니다. 여기서 MHT가 이점을 가지고 있는데 이런 데이터 연관 문제에 더 강인하기 때문입니다. 랜드 마크의 수가 클수록 성능은 더 나아지겠지만, 랜드마크들이 밀집 된경우 데이터 연관에 있어 상호배제 원칙에 치명적이게 됩니다.

 

 마지막으로 EKF는 센서 측정에서 정보의 일부만 사용하는 과정을 살펴보았습니다. 가공되지 않은 측정치에서 특징을 구함으로서 처리될 정보량이 매우 줄어들게되고, EKF 위치 추정은 부정 정보를 처리하지 못합니다. 부정 정보 negative information은 미래에는 사라질겁니다. 예를들면 파리에서 에펠탑을 보지 못한다는 거싱 우리가 거기 옆에 있지 않다는 말이 아닌게 됩니다. 이 부정 정보의 문제는 비 가우시안 신뢰도를 발생시켜 평균과 분산으로 나타낼수 없게 됩니다. 이런 이유로 EKF 구현시 부정 정보 문제를 무시한 채로 관측하 특징 정보들만 합치게 됩니다. 표준 MHT 또한 부정 정보를 피하나 이 부정정보에 혼합 가중치를 반영함으로써 랜드마크 관측을 실패한 혼합 요소를 제거할수 있습니다.

 

 이런 문제점들이 있지만 이게 가우시안 방법들을 일반 위치 추정 문제에 적용할수 없다는 말이될까요? 답은 아닙니다. 성공적인 위치 추정의 열쇠는 데이터 연관 접근 방법에 있어 후에 대응관계를 다루는 더 복잡한 기술들을 살펴보겠습니다. 대부분의 이러한 기술들은 가우시안 방법에 적용가능하고, 이를 이용한 알고리즘은 최고의 결과를 보여주고 있습니다.

 

 

7.9 정리

 이번 장에서는 이동 로봇의 위치 추정 문제와 현실적인 알고리즘을 개발해보았습니다.

 

- 위치 추정 문제는 알려진 지도에 상대적인 로봇의 자세를 추정하는 문제입니다.

 

- 위치 추적은 초기 위치가 알려진 로봇의 불확실성을 수용하는 문제로 다룰수 있고, 전역 위치 추정은 더 일반적인 문제가 됩니다. 납치는 이미 위치를 잘 구하는 로봇이 갑자기 다른 곳으로 이동된 경우 위치 추정을 다루는 문제로 이 세가지 위치 추정 문제 중 가장 어렵습니다.

 

- 위치 추정의 어려운 점은 시간이 흐르면서 환경이 변하는것인데, 대부분의 알고리즘은 정적인 환경을 가정하고 있습니다.

 

- 수동적인 위치 추정 접근 방법은 필터로 이들은 정보를 얻되 이 정보로 로봇을 제어하지 않습니다. 능동 기술들은 로봇을 제어하구요.. 이 기술은 이번장과 다음장에서 수동적인 방법에 대해서 살펴보고, 능동적인 방법 차후에 사펴보겠습니다.

 

- 마르코브 위치 추정은 이동 로봇의 위치 추정 문제에 베이즈 필터를 적용한 다른 이름을 말합니다.

 

- EKF 위치 추정은 확장 칼만 필터를 위치 추정 문제에 적용한것으로 주로 특징 기반 지도에서 사용되고 있씁니다.

 

- 대응 관계 문제를 다루는 가장 흔한 기술은 최대 우도 기술이 있습니다.

 

- 다중 가정 추적 알고리즘 MHT는 혼합 가우시안으로 사후확률을 표현하며, 다중 대응관계를 다룹니다. 혼합 요소들은 동적으로 만들어지고 최대 우도가 사용자가 설정한 임계치 아래로 떨어지면 제거됩니다.

 

- MHT는 EKF보다 데이터 연관 문제에서 더 강인하나 계산 비용이 증가하게 됩니다.

 

- EKF와 MHT 위치 추정 문제 둘다 불확실성이 제한되고 구분되는 특징을 가진 환경이 주어지는 지역 위치 추적에서 잘 동작하게 됩니다. 하지만 전역 위치 추정이나 대부분의 물체가 비슷하게 보이는 환경에서는 적합하지 않습니다.

 

- EKF와 MHT에서 특징을 구하기 위해서는 기술이 필요합니다. 두 알고리즘의 성능은 데이터 연관시 상호 배재를 강화하는 것 처럼 많은 측정 수로 개선될 수 있습니다.

 

 다음 장에서는 전역 위치 추정 문제나 동적 환경에서 위치 추정 문제같은 더 일반적인 위치 추정 문제를 다루는 확률적인 위치 추정 기술들을 살펴보겠습니다.