[논문 리뷰] Augmenting Inertial Motion Capture with SLAM Using EKF and SRUKF Data Fusion Algorithms

Mohammad Mahdi Azarbeik, Hamidreza Razavi외 2명|arXiv (Cornell University)|2023. 02. 16.

Hand Gesture Recognition Systems참고 문헌 20인용 수 4

한 줄 요약

이 논문은 자이로스코프 및 가속도계(IMU)와 SLAM에서 유도된 위치 데이터를 융합하여 생체역학적 제약 조건과 수직 기준을 활용해 전체 신체 자세, 즉 링크 위치까지 추정하는 퀼리니언 기반 EKF 및 SRUKF 융합 프레임워크를 제안한다. SRUKF는 EKF보다 더 높은 정확도와 더 부드러운 수렴 특성을 보이며, 자세 오차 1.1° 및 위치 오차 5.87 cm를 달성하지만, 계산 비용이 2.4배 높다.

ABSTRACT

Inertial motion capture systems widely use low-cost IMUs to obtain the orientation of human body segments, but these sensors alone are unable to estimate link positions. Therefore, this research used a SLAM method in conjunction with inertial data fusion to estimate link positions. SLAM is a method that tracks a target in a reconstructed map of the environment using a camera. This paper proposes quaternion-based extended and square-root unscented Kalman filters (EKF & SRUKF) algorithms for pose estimation. The Kalman filters use measurements based on SLAM position data, multi-link biomechanical constraints, and vertical referencing to correct errors. In addition to the sensor biases, the fusion algorithm is capable of estimating link geometries, allowing the imposing of biomechanical constraints without a priori knowledge of sensor positions. An optical tracking system is used as a reference of ground-truth to experimentally evaluate the performance of the proposed algorithm in various scenarios of human arm movements. The proposed algorithms achieve up to 5.87 (cm) and 1.1 (deg) accuracy in position and attitude estimation. Compared to the EKF, the SRUKF algorithm presents a smoother and higher convergence rate but is 2.4 times more computationally demanding. After convergence, the SRUKF is up to 17% less and 36% more accurate than the EKF in position and attitude estimation, respectively. Using an absolute position measurement method instead of SLAM produced 80% and 40%, in the case of EKF, and 60% and 6%, in the case of SRUKF, less error in position and attitude estimation, respectively.

연구 동기 및 목표

• 저가형 IMU에서 발생하는 드리프트로 인해 절대 링크 위치 추정이 어려운 관성 운동 측정(IMC) 시스템의 한계를 해결하기 위해.
• 외부 추적 시스템에 의존하지 않고 SLAM을 IMU 데이터와 융합하여 절대 위치 기준을 제공하기 위해.
• 생체역학적 제약 조건을 활용해 센서의 비스듬함과 알려지지 않은 링크 기하학적 구조를 동시에 추정하는 데이터 융합 프레임워크를 개발하기 위해.
• 고급 칼만 필터링 기법(EKF 및 SRUKF)을 활용해 자세 추정 정확도와 수렴 속도를 향상시키기 위해.
• 다양한 인간 팔 움직임 시나리오에서 실제값 옵티컬 트래킹 결과와 비교하여 성능 평가하기 위해.

제안 방법

• 비선형 상태 추정을 위해 퀼리니언 기반 확장 칼만 필터(EKF)와 제곱근 비선형 칼만 필터(SRUKF)를 사용한다.
• SLAM에서 유도된 절대 위치 측정값, IMU 데이터, 생체역학적 제약 조건(예: 관절 제한 및 세그먼트 길이 관계)을 융합한다.
• 자기장 벡터 등 수직 기준을 통합하여 자세 추정 정확도를 향상시키고 드리프트를 감소시킨다.
• 초기 위치에 대한 사전 지식 없이도 온라인으로 알려지지 않은 링크 기하학적 구조와 센서 비스듬함을 추정한다.
• 상태 추정 과정에서 세그먼트 간 물리적 일관성을 확보하기 위해 다중 링크 생체역학 모델을 사용한다.
• SLAM, IMU, 운동학적 제약 조건의 측정값을 하나의 필터링 프레임워크 안에서 융합하는 데이터 융합 파이프라인을 구현한다.

실험 결과

연구 질문

• RQ1 SLAM 데이터가 관성 운동 측정을 보완하여 절대 링크 위치를 효과적으로 추정할 수 있는가?
• RQ2 IMU-SLAM 융합에 있어 EKF와 SRUKF는 정확도, 수렴 속도, 계산 비용 측면에서 어떻게 비교되는가?
• RQ3 알려지지 않은 링크 기하학적 구조와 센서 비스듬함을 사전 지식 없이 얼마나 정확히 추정할 수 있는가?
• RQ4 생체역학적 제약 조건의 통합이 자세 추정 성능 향상에 어떤 영향을 미치는가?
• RQ5 SLAM 기반 절대 위치 측정과 직접적인 절대 위치 측정 간 오차 감소 측면에서 어떤 차이가 있는가?

주요 결과

• 제안된 EKF 및 SRUKF 알고리즘은 각각 위치 추정 오차 5.87 cm, 자세 추정 오차 1.1°를 달성한다.
• 수렴 후 SRUKF는 EKF 대비 위치 추정 정확도 17% 향상 및 자세 추정 정확도 36% 향상된다.
• SRUKF는 EKF보다 더 부드러운 반응과 더 빠른 수렴 속도를 보이며, 계산 비용은 2.4배 높다.
• SLAM을 직접 절대 위치 측정값으로 대체하면, EKF 기준 위치 오차 80% 감소 및 자세 오차 40% 감소, SRUKF 기준 위치 오차 60% 감소 및 자세 오차 6% 감소를 기록한다.
• 초기 위치에 대한 사전 지식 없이도 알고리즘이 알려지지 않은 링크 기하학적 구조와 센서 비스듬함을 성공적으로 추정한다.
• 생체역학적 제약 조건은 세그먼트 간 물리적 타당성을 강제하여 추정 안정성과 정확도를 크게 향상시킨다.