미니멀리스트 Visual-Inertial Odometry

저전력 및 저해상도 하드웨어에서도 신뢰 가능한 로봇 주행 추정이 가능함을 보인다. 네 개의 광 검출기에서 얻은 신호를 Gabor 마스크로 필터링하고 Temporal Convolutional Network로 속도를 추정한 뒤 IMU yaw와 결합하여 평면 경로를 얻는다. 시뮬레이터에서 학습된 파라미터를 실제 프로토타입에 적용해 87분간 920m의 주행에서 강건한 성능을 보여준다.

단계 1: 이론적으로, 텍스처의 공간 주파수를 선택적으로 통과시키는 마스크(M(x))를 통해 속도 v를 f0/ξ0로 매핑한다. 공간 주파수 ξ0와 속도 v의 곱으로 f0를 얻고, s(t)에서 f0를 추정해 vx를 얻는다. 단계 2: 두 개의 직교 마스크(cos, sin)로 위상 차이 90도를 확보해 속도 부호(방향)을 구하고, 네 개의 마스크(M+cos, M−cos, M+sin, M−sin)를 합쳐 실제 시계열 신호를 구성한다. 단계 3: 높이 변화의 parallax를 phase 차로 포착해 학습 프레임워크가 높이 변동에 대응하도록 한다. 단계 4: 1초 창의 시계열(scos, ssin)을 TCN에 입력하고 vx와 불확실성 로그 분산을 출력하는 회귀 모델로 연결한다. 입력 신호의 노이즈나 텍스처 다양성은 Attentive Pooling으로 가중치를 조절해 견고성을 확보한다.

단계별 구성은 다음과 같다. 입력으로 four detector의 scos(t), ssin(t) 시계열을 얻고, 이를 1초 창으로 처리한다. 파라미터는 ξ0, σ, α의 Gabor 마스크 파라미터와 TC N의 가중치로 구성되며, 손실은 Gaussian negative log-likelihood로 vx의 추정치와 불확실성을 함께 학습한다. ground-truth vx(t)는 0.1s 평균 속도로 정의된다. 네 개의 마스크는 M+cos, M−cos, M+sin, M−sin으로 분해되어, 각 출력 sk(t) = Σu Ik(u,t) ∗ b(u) ∙ D(u) ∙ Ω(u) ∙ Mk(u)로 시뮬레이션된다. 이 파이프라인은 전적으로 differentiable하므로, 손실 L의 그래디언트를 TCN에서 마스크 파라미터까지 역전파한다.

주요 벤치마크는 indoor/outdoor에서의 ATE 및 drift이다. Table III에 의하면 1 kHz 업데이트에서 4-Pixel + IMU의 Indoor ATE는 0.28 m, Drift 0.60%; Outdoor ATE 0.42 m, Drift 0.62%. 100 Hz 업데이트 시 Indoor ATE 0.29 m, Drift 0.65%; Outdoor ATE 0.43 m, Drift 0.72%. 30 Hz 업데이트 시 Indoor ATE 0.28 m, Drift 0.65%; Outdoor ATE 0.44 m, Drift 0.85%. Encoders+IMU 대비 큰 차이가 있으며, indoors/outdoors 모두 실험적으로 개선되었다. 추가로 87분/920 m의 실험에서 0.34 m의 mean absolute trajectory error와 0.60%의 endpoint drift를 달성했다.

아키텍처: 4개의 광 검출기( cos+ / cos- / sin+ / sin-)에 Gabor 마스크를 적용하고, 그 결과를 적분해 sk(t)를 얻은 뒤, s_cos(t) = s_plus_cos(t) - s_minus_cos(t), s_sin(t) = s_plus_sin(t) - s_minus_sin(t)로 변환한다. 속도 vx 추정은 1초 창의 scos/ssin 시계열을 입력으로 하는 TCN으로 회귀한다. 학습 손실은 vx의 예측값과 로그 분산을 같이 최적화하는 Gaussian-NLL이며, ground-truth vx(t)는 최근 0.1초의 평균 속도로 정의된다. 마스크 파라미터 ξ0, σ, α와 TC N 파라미터는 역전파로 함께 최적화된다. 높이 변화에 따른 parallax는 학습 데이터에서 모의되어 모델이 높이 변화에 대응하도록 한다.