오도메트리 (Odometry)
쉽게 풀면
바퀴가 얼마나 굴렀는지를 세어서 로봇이 지금 어디쯤 있는지 계산하는 방법이에요.
왜 중요한가
바퀴 회전·관성 센서·카메라 등 로봇 자체 센서로 이동량을 누적해 위치를 추정하는 기술로, SLAM과 위치추정의 예측 단계를 담당하며 외부 참조가 없을 때 위치를 이어주는 기본 수단입니다. 오도메트리 품질이 SLAM 전체 정확도의 하한을 결정합니다. GPS나 SLAM 지도가 일시적으로 불안정해지는 순간에도 오도메트리는 계속 값을 내놓을 수 있어, 다른 위치추정 소스가 끊겼을 때 최소한의 연속성을 보장하는 안전망 역할을 한다.
어떤 절차인가
휠 오도메트리(차동구동 로봇 기준)는 바퀴 엔코더의 회전 눈금을 이동량으로 바꿔 쌓는 방식입니다.
- 엔코더 눈금 증가량을 거리로 바꿉니다: Δs = 2πr · (눈금 수) ÷ (회전당 눈금 수).
- 좌우 바퀴 이동 거리 ΔsL, ΔsR로부터 중심 이동 Δs = (ΔsR + ΔsL)/2, 방향 변화 Δθ = (ΔsR − ΔsL)/b를 구합니다(b는 두 바퀴 사이 거리).
- 위치를 갱신합니다: x ← x + Δs·cos(θ + Δθ/2), y ← y + Δs·sin(θ + Δθ/2), θ ← θ + Δθ.
가상의 예: r = 0.05 m, 회전당 2,000 눈금, b = 0.30 m. 한 갱신 주기에 왼쪽 4,000 눈금(0.628 m), 오른쪽 4,400 눈금(0.691 m)이 증가했다면 Δs ≈ 0.660 m, Δθ ≈ 0.209 rad(12°)이고, 출발 방향이 θ = 0일 때 Δx ≈ 0.656 m, Δy ≈ 0.069 m입니다.
시각 오도메트리와 라이다 오도메트리는 바퀴 대신 연속된 영상·스캔의 정합으로 같은 일을 합니다.
언제 쓰고 무엇을 얻나
| 얻는 것 | 한계 |
|---|---|
| 외부 기준 없이 빠르게 갱신되는 상대 위치·자세 추정 | 오차가 누적되어 시간이 갈수록 커집니다. |
| 다른 센서가 끊겨도 잠시 이어 가는 보조 정보 | 바퀴 미끄러짐·지면 상태에 민감합니다. |
| 필터·SLAM의 예측 단계 입력 | 방향 오차가 거리에 곱해져 위치 오차로 커집니다. |
방향 오차의 영향을 계산해 보면, 1°의 방향 오차를 가진 채 100 m를 직진하면 옆으로 100 × sin(1°) ≈ 1.75 m 벗어납니다. 오차는 크게 두 가지입니다. ① 체계적 오차: 바퀴 지름 불일치, 휠베이스 불확실성 등(Borenstein & Feng 1996은 이를 보정하는 UMBmark 절차를 제안). ② 비체계적 오차: 미끄러짐, 바닥 요철 등.
그래서 오도메트리는 단독으로 쓰기보다 칼만 필터, SLAM, GPS·IMU 등과 결합합니다. 원리는 추측항법과 같습니다.
논문에는 이렇게 적는다
- 어떤 오도메트리인지 밝힙니다: 휠, 관성(IMU), 시각(시각 오도메트리), 라이다.
- 바퀴 반지름, 휠베이스, 엔코더 해상도 등 매개변수와 보정 방법을 적습니다.
- 성능은 절대 오차 하나가 아니라 이동 거리당 상대 오차로 제시하는 것이 관례입니다. KITTI 오도메트리 벤치마크(Geiger 등 2012)는 이동 거리에 대한 위치 오차의 비율(%)과 단위 거리당 회전 오차(도/m)를 사용합니다.
- 실험 환경(바닥 재질, 속도, 주행 거리)과 오차 누적을 비교한 그래프(예: 시간에 따른 궤적 이탈)를 함께 싣습니다.
- 여러 센서를 융합하면 각 센서의 공분산(불확실성) 설정 방법을 밝힙니다. 신뢰도를 잘못 두면 오히려 정확도가 나빠질 수 있습니다.
논문에서는 이렇게 쓰입니다
실제 논문에서
이 용어를 직접 쓴 국내 논문 문장을 아직 수집하지 못했습니다. 수집되는 대로 출처와 함께 싣겠습니다.
예시 문장
아래는 용어의 쓰임을 보여 주려고 만든 예시로, 실제 논문에서 가져온 문장이 아닙니다.
논문에서 오도메트리는 로봇 위치추정의 기본 정보원으로, SLAM이나 칼만필터와 결합되어 사용됩니다.
바퀴가 미끄러지기 쉬운 환경에서는 회전량만으로 추정하는 방식이 취약해지므로, 카메라 기반의 다른 오도메트리 방식과 결합하면 오차 누적을 줄일 수 있음을 보여주는 서술이다.
조금 더 깊게 보면
본질적으로 추측항법이므로 오차가 무한히 누적되고, 특히 방향 오차가 이동 거리에 곱해져 위치 오차로 증폭됩니다. 휠, 비주얼, 라이다 오도메트리는 실패 조건이 서로 달라 융합하면 상호 보완되며, 표준 벤치마크는 절대 궤적 오차보다 거리당 상대 오차로 성능을 재는 것이 관례입니다.
휠, 비주얼, 라이다 오도메트리는 서로 다른 원리로 이동량을 추정하기 때문에 실패하는 상황도 서로 다르며, 이 상보성 덕분에 여러 오도메트리를 칼만필터나 팩터그래프로 융합하면 한 가지 방식만 쓸 때보다 오차 성장 속도를 크게 낮출 수 있다.
표준 평가에서는 절대 위치 오차 대신 일정 구간을 이동하는 동안 늘어난 오차 비율(상대 오차)을 지표로 삼는데, 이는 오도메트리가 누적 방식이라 절대 오차만으로는 알고리즘 간 공정한 비교가 어렵기 때문이다.
주의할 점
오도메트리는 바퀴 미끄러짐이나 누적 오차로 인해 시간이 지날수록 실제 위치와의 오차가 커지는 한계가 있다.
여러 오도메트리를 융합할 때 각 소스의 신뢰도(공분산)를 잘못 설정하면 오히려 더 부정확한 소스에 과도한 가중치가 실려 전체 추정이 나빠질 수 있다.
헷갈리기 쉬운 용어
| 용어 | 설명 |
|---|---|
| 오도메트리 | 센서 정보로 이동량을 누적해 상대적 위치를 추정 |
| 추측항법 | 이전 위치와 속도·방향·시간으로 현재 위치를 추정하는 더 넓은 원리 |
| 시각 오도메트리 | 영상 프레임 간 대응으로 카메라 이동을 추정 |
| SLAM | 위치 추정과 지도 작성을 동시에 수행 |
참고 문헌
- Borenstein, J., & Feng, L. (1996). Measurement and correction of systematic odometry errors in mobile robots. IEEE Transactions on Robotics and Automation, 12(6), 869–880.
- Siegwart, R., Nourbakhsh, I. R., & Scaramuzza, D. (2011). Introduction to Autonomous Mobile Robots (2nd ed.). MIT Press.
- Scaramuzza, D., & Fraundorfer, F. (2011). Visual odometry: Part I – The first 30 years and fundamentals. IEEE Robotics & Automation Magazine, 18(4), 80–92.
- Geiger, A., Lenz, P., & Urtasun, R. (2012). Are we ready for autonomous driving? The KITTI vision benchmark suite. IEEE Conference on Computer Vision and Pattern Recognition, 3354–3361.
표의 기준값은 위 문헌에 근거한 관례이며, 분야·학술지마다 다른 기준을 쓸 수 있습니다.