7.19 그래디언트 기반 센서 데이터 해석

1. 센서 데이터와 스칼라 필드

로봇 시스템에 탑재된 센서는 환경의 물리량을 스칼라 필드(scalar field) $\phi: \mathbb{R}^m \to \mathbb{R}$ 로서 측정한다. 온도 센서는 온도 분포 $T(\mathbf{x})$ 를, 거리 센서는 장애물까지의 거리 함수 $d(\mathbf{x})$ 를, 가스 농도 센서는 농도 분포 $c(\mathbf{x})$ 를 관측한다. 이러한 스칼라 필드의 공간적 변화율, 즉 그래디언트(gradient)를 해석하는 것은 로봇이 환경을 이해하고 적응적으로 행동하기 위한 핵심 기법이다.

위치 $\mathbf{x} \in \mathbb{R}^m$ 에서 스칼라 필드 $\phi(\mathbf{x})$ 의 그래디언트는

$\nabla \phi(\mathbf{x}) = \left( \frac{\partial \phi}{\partial x_1}, \frac{\partial \phi}{\partial x_2}, \dots, \frac{\partial \phi}{\partial x_m} \right)^T$

로 정의되며, 이 벡터는 $\phi$ 가 가장 빠르게 증가하는 방향을 가리킨다. 그래디언트의 크기 $\lVert \nabla \phi(\mathbf{x}) \rVert$ 는 해당 위치에서의 최대 변화율을 나타낸다.

2. 이산 센서 데이터로부터의 그래디언트 추정

2.1 유한 차분법

실제 센서 데이터는 이산적(discrete)으로 수집되므로, 편도함수를 유한 차분(finite difference)으로 근사해야 한다. 격자(grid) 위의 점 $(x_i, y_j)$ 에서 측정된 센서값 $\phi_{i,j}$ 에 대해, 중심 차분(central difference)에 의한 편도함수 추정은 다음과 같다.

$\frac{\partial \phi}{\partial x}\bigg\vert_{(x_i, y_j)} \approx \frac{\phi_{i+1,j} - \phi_{i-1,j}}{2 \Delta x}$

$\frac{\partial \phi}{\partial y}\bigg\vert_{(x_i, y_j)} \approx \frac{\phi_{i,j+1} - \phi_{i,j-1}}{2 \Delta y}$

여기서 $\Delta x$ 와 $\Delta y$ 는 격자 간격이다. 중심 차분법의 절단 오차(truncation error)는 $O(\Delta x^2)$ 이며, 전방 차분(forward difference) $(\phi_{i+1,j} - \phi_{i,j})/\Delta x$ 이나 후방 차분(backward difference) $(\phi_{i,j} - \phi_{i-1,j})/\Delta x$ 의 $O(\Delta x)$ 오차보다 우수하다.

2.2 최소 제곱 그래디언트 추정

비정규 격자(irregular grid) 위에서 수집된 센서 데이터에 대해서는, 관심 지점 $\mathbf{x}_0$ 주변의 $N$ 개 관측점 $\{\mathbf{x}_k\}_{k=1}^{N}$ 을 이용하여 그래디언트를 최소 제곱법(least squares method)으로 추정할 수 있다.

$\phi(\mathbf{x}_k)$ 를 $\mathbf{x}_0$ 주위에서 1차 테일러 전개(first-order Taylor expansion)하면

$\phi(\mathbf{x}_k) \approx \phi(\mathbf{x}_0) + \nabla \phi(\mathbf{x}_0)^T (\mathbf{x}_k - \mathbf{x}_0)$

이다. $\delta \mathbf{x}_k = \mathbf{x}_k - \mathbf{x}_0$ , $\delta \phi_k = \phi(\mathbf{x}_k) - \phi(\mathbf{x}_0)$ 로 정의하면, 과결정(overdetermined) 선형 시스템

$\begin{pmatrix} \delta \mathbf{x}_1^T \\ \delta \mathbf{x}_2^T \\ \vdots \\ \delta \mathbf{x}_N^T \end{pmatrix} \nabla \phi(\mathbf{x}_0) = \begin{pmatrix} \delta \phi_1 \\ \delta \phi_2 \\ \vdots \\ \delta \phi_N \end{pmatrix}$

을 얻는다. 이를 $\mathbf{A} \mathbf{g} = \mathbf{b}$ 로 표기하면, 최소 제곱 해는

$\hat{\mathbf{g}} = (\mathbf{A}^T \mathbf{A})^{-1} \mathbf{A}^T \mathbf{b}$

이다. $N \geq m$ 이고 $\mathbf{A}$ 가 열 완전 계수(full column rank)이면 유일한 해가 존재한다.

2.3 가중 최소 제곱법

관심 지점에서 먼 관측점의 영향을 줄이기 위해, 거리 기반 가중치 $w_k = w(\lVert \delta \mathbf{x}_k \rVert)$ 를 부여한 가중 최소 제곱(weighted least squares) 추정을 적용한다.

$\hat{\mathbf{g}} = (\mathbf{A}^T \mathbf{W} \mathbf{A})^{-1} \mathbf{A}^T \mathbf{W} \mathbf{b}$

여기서 $\mathbf{W} = \text{diag}(w_1, w_2, \dots, w_N)$ 이다. 일반적으로 사용되는 가중 함수로는 가우시안 커널(Gaussian kernel) $w_k = \exp(-\lVert \delta \mathbf{x}_k \rVert^2 / (2\sigma^2))$ 이 있으며, $\sigma$ 는 대역폭(bandwidth) 매개변수이다.

3. 센서 잡음과 그래디언트 추정의 민감성

3.1 잡음 모형

센서 측정값에는 잡음(noise)이 포함되어 있다. 관측 모형을

$\tilde{\phi}(\mathbf{x}_k) = \phi(\mathbf{x}_k) + \epsilon_k, \quad \epsilon_k \sim \mathcal{N}(0, \sigma_n^2)$

로 설정하면, 여기서 $\epsilon_k$ 는 평균이 0이고 분산이 $\sigma_n^2$ 인 가우시안 잡음이다. 유한 차분에 의한 그래디언트 추정의 분산은

$\text{Var}\left( \frac{\tilde{\phi}_{i+1,j} - \tilde{\phi}_{i-1,j}}{2 \Delta x} \right) = \frac{2 \sigma_n^2}{4 (\Delta x)^2} = \frac{\sigma_n^2}{2 (\Delta x)^2}$

이다. 격자 간격 $\Delta x$ 가 작을수록 절단 오차는 감소하지만 잡음 증폭(noise amplification)이 심해지므로, 절단 오차와 잡음 오차 사이의 상충 관계(trade-off)가 존재한다.

3.2 평활화 기법

잡음의 영향을 완화하기 위해, 그래디언트 추정 이전에 센서 데이터에 평활화(smoothing)를 적용한다.

가우시안 평활화. 가우시안 커널 $G_\sigma(\mathbf{x})$ 와의 합성곱(convolution)을 통해 평활화된 필드를 구한다.

$\phi_\sigma(\mathbf{x}) = (G_\sigma * \phi)(\mathbf{x}) = \int G_\sigma(\mathbf{x} - \mathbf{y}) \phi(\mathbf{y}) \, d\mathbf{y}$

합성곱의 미분 성질에 의해

$\nabla \phi_\sigma(\mathbf{x}) = (\nabla G_\sigma * \phi)(\mathbf{x})$

이 성립하므로, 가우시안 커널의 그래디언트 $\nabla G_\sigma$ 와 원본 데이터의 합성곱으로 직접 평활화된 그래디언트를 계산할 수 있다. 이는 평활화와 미분을 단일 연산으로 결합하는 효율적인 방법이다.

사비츠키-골레이 필터. Savitzky-Golay 필터(Savitzky and Golay, 1964)는 국소 다항식 회귀(local polynomial regression)에 기반한 평활화 기법이다. 관심 지점 주위의 데이터에 $p$ 차 다항식을 최소 제곱법으로 적합(fit)하고, 적합된 다항식의 도함수를 그래디언트 추정값으로 사용한다. 이 방법은 평활화와 미분을 동시에 수행하며, 신호의 고차 모멘트를 보존하는 장점이 있다.

4. 거리 센서 데이터의 그래디언트 해석

4.1 점군 데이터의 법선 벡터 추정

LiDAR나 깊이 카메라(depth camera)로부터 획득한 점군(point cloud) 데이터 $\{\mathbf{p}_k\}_{k=1}^{N} \subset \mathbb{R}^3$ 에서 표면의 법선 벡터(normal vector)를 추정하는 것은 그래디언트 해석의 대표적 응용이다.

표면 $S$ 가 암묵적으로 $\phi(\mathbf{x}) = 0$ 으로 정의될 때, 법선 벡터는

$\hat{\mathbf{n}}(\mathbf{x}) = \frac{\nabla \phi(\mathbf{x})}{\lVert \nabla \phi(\mathbf{x}) \rVert}$

이다. 점군 데이터에서 특정 점 $\mathbf{p}_0$ 의 법선 벡터는 인접점(nearest neighbor)들의 공분산 행렬(covariance matrix)을 이용하여 추정한다. $k$ -최근접 이웃(k-nearest neighbors) $\{\mathbf{p}_i\}_{i=1}^{k}$ 의 공분산 행렬

$\mathbf{C} = \frac{1}{k} \sum_{i=1}^{k} (\mathbf{p}_i - \bar{\mathbf{p}})(\mathbf{p}_i - \bar{\mathbf{p}})^T$

에 대해 고유값 분해(eigenvalue decomposition) $\mathbf{C} = \mathbf{V} \boldsymbol{\Lambda} \mathbf{V}^T$ 를 수행한다. 여기서 $\bar{\mathbf{p}}$ 는 이웃점들의 중심(centroid)이다. 최소 고유값에 대응하는 고유 벡터가 법선 벡터의 추정값이 된다(Hoppe et al., 1992).

4.2 점유 격자 지도의 그래디언트

점유 격자 지도(occupancy grid map)에서 각 격자 셀은 장애물 존재 확률 $P(\mathbf{x})$ 를 저장한다. 이 확률 필드의 그래디언트 $\nabla P(\mathbf{x})$ 는 장애물 경계의 방향 정보를 제공한다. 그래디언트의 크기 $\lVert \nabla P(\mathbf{x}) \rVert$ 가 큰 격자 셀은 자유 공간(free space)과 장애물 영역의 경계에 해당하며, 이를 통해 장애물의 윤곽을 검출할 수 있다.

유클리드 거리 변환(Euclidean distance transform)을 적용하여 각 자유 격자 셀에서 가장 가까운 장애물까지의 거리 $d(\mathbf{x})$ 를 계산하면, $\nabla d(\mathbf{x})$ 는 장애물로부터 멀어지는 방향을 가리킨다. 이 거리장(distance field)의 그래디언트는 경로 계획에서의 반발 포텐셜 계산에 직접 활용된다.

5. 영상 센서 데이터의 그래디언트 해석

5.1 영상 그래디언트와 에지 검출

카메라 영상 $I(u, v)$ 의 그래디언트는

$\nabla I = \left( \frac{\partial I}{\partial u}, \frac{\partial I}{\partial v} \right)^T$

이며, 에지(edge)는 그래디언트 크기

$\lVert \nabla I \rVert = \sqrt{\left( \frac{\partial I}{\partial u} \right)^2 + \left( \frac{\partial I}{\partial v} \right)^2}$

가 극대(local maximum)인 화소(pixel)에 해당한다. 그래디언트 방향

$\theta = \arctan\left( \frac{\partial I / \partial v}{\partial I / \partial u} \right)$

은 에지에 수직인 방향, 즉 밝기가 가장 급격히 변하는 방향이다.

소벨 연산자(Sobel operator)는 $3 \times 3$ 합성곱 커널을 이용한 영상 그래디언트의 이산 근사이다. 수평 방향 커널 $\mathbf{G}_u$ 와 수직 방향 커널 $\mathbf{G}_v$ 는 각각

$\mathbf{G}_u = \begin{pmatrix} -1 & 0 & 1 \\ -2 & 0 & 2 \\ -1 & 0 & 1 \end{pmatrix}, \quad \mathbf{G}_v = \begin{pmatrix} -1 & -2 & -1 \\ 0 & 0 & 0 \\ 1 & 2 & 1 \end{pmatrix}$

이며, 각각 가우시안 평활화와 차분 연산을 결합한 것이다.

5.2 영상 그래디언트 기반 비주얼 서보잉

비주얼 서보잉(visual servoing)에서 영상 그래디언트는 로봇의 제어 입력을 결정하는 핵심 정보이다. 영상 기반 비주얼 서보잉(image-based visual servoing, IBVS)에서 영상 특징 벡터 $\mathbf{s}(\mathbf{q})$ 와 목표 특징 벡터 $\mathbf{s}^*$ 사이의 오차 $\mathbf{e} = \mathbf{s} - \mathbf{s}^*$ 를 최소화하기 위한 제어 법칙은

$\dot{\mathbf{q}} = -\lambda \mathbf{L}_s^+ \mathbf{e}$

이다. 여기서 $\mathbf{L}_s$ 는 영상 야코비 행렬(image Jacobian) 또는 상호작용 행렬(interaction matrix)이며, $\mathbf{L}_s^+$ 는 그 의사역행렬(pseudoinverse), $\lambda > 0$ 는 이득 계수이다. 상호작용 행렬의 구성에는 영상 그래디언트 정보가 필수적이다(Chaumette and Hutchinson, 2006).

6. 관성 측정 장치 데이터의 그래디언트 해석

6.1 각속도와 가속도의 시간 그래디언트

관성 측정 장치(Inertial Measurement Unit, IMU)는 각속도 $\boldsymbol{\omega}(t) \in \mathbb{R}^3$ 와 선가속도 $\mathbf{a}(t) \in \mathbb{R}^3$ 를 시계열(time series)로 측정한다. 이 시계열 데이터의 시간 도함수(time derivative)

$\dot{\boldsymbol{\omega}}(t) = \frac{d\boldsymbol{\omega}}{dt}, \quad \dot{\mathbf{a}}(t) = \frac{d\mathbf{a}}{dt}$

는 각각 각가속도(angular acceleration)와 가가속도(jerk)를 나타낸다.

이산 시간 $t_k = k \Delta t$ 에서의 시간 도함수는 유한 차분으로 추정한다.

$\dot{\boldsymbol{\omega}}(t_k) \approx \frac{\boldsymbol{\omega}(t_{k+1}) - \boldsymbol{\omega}(t_{k-1})}{2 \Delta t}$

IMU 데이터는 일반적으로 높은 샘플링 주파수(수백 Hz 이상)를 가지므로 $\Delta t$ 가 매우 작으며, 이에 따라 잡음 증폭이 심각해질 수 있다. 저역 통과 필터(low-pass filter)를 사전 적용하여 고주파 잡음을 제거한 후 차분을 수행하는 것이 일반적이다.

6.2 가속도 그래디언트를 이용한 충격 감지

로봇 동작 중 가가속도 $\dot{\mathbf{a}}(t)$ 의 크기가 설정된 임계값 $\tau$ 를 초과하면

$\lVert \dot{\mathbf{a}}(t) \rVert > \tau$

충격(impact) 또는 급격한 접촉 상태 변화가 발생한 것으로 판단할 수 있다. 이 방법은 힘/토크 센서(force/torque sensor)가 없는 로봇에서도 접촉 감지(contact detection)를 가능하게 한다.

7. 온도 및 화학 농도 센서의 그래디언트 추종

7.1 화학주성 탐색

환경 모니터링 로봇이 가스 누출원(gas leak source)을 탐지하는 문제에서, 농도 필드 $c(\mathbf{x})$ 의 그래디언트 $\nabla c(\mathbf{x})$ 를 추종(following)하여 농도가 최대인 지점, 즉 오염원에 도달하는 전략을 화학주성 탐색(chemotaxis)이라 한다.

그래디언트 상승법(gradient ascent)에 기반한 이동 규칙은

$\mathbf{x}_{k+1} = \mathbf{x}_k + \alpha \frac{\nabla c(\mathbf{x}_k)}{\lVert \nabla c(\mathbf{x}_k) \rVert}$

이며, 여기서 $\alpha > 0$ 는 보폭(step size)이다. 실제 환경에서는 기류(airflow)의 교란으로 인해 농도 분포가 시공간적으로 불규칙하므로, 순간 그래디언트 대신 시간 평균된 그래디언트를 사용하거나 확률적 탐색 전략을 병행한다.

7.2 열 그래디언트 추종

열화상 카메라(thermal camera) 또는 온도 센서 배열을 이용하여 온도 분포 $T(\mathbf{x})$ 의 그래디언트를 추정하면, 열원(heat source)의 위치를 탐지하거나 온도 이상 영역을 파악할 수 있다. 열전도 방정식(heat equation)

$\frac{\partial T}{\partial t} = \kappa \nabla^2 T$

에 의해 정상 상태(steady state)에서 $\nabla^2 T = 0$ 이면 $T$ 는 조화 함수(harmonic function)가 되어, 내부에 극대점이 존재하지 않는다. 따라서 그래디언트 상승법으로 열원에 수렴할 수 있다.

8. 다중 센서 융합에서의 그래디언트 활용

다수의 센서로부터 획득한 서로 다른 스칼라 필드의 그래디언트를 결합하여 복합적인 판단을 내릴 수 있다. 예를 들어, 거리 센서의 거리 필드 그래디언트 $\nabla d(\mathbf{x})$ 와 탐지 대상의 농도 필드 그래디언트 $\nabla c(\mathbf{x})$ 를 가중 결합한 합성 그래디언트

$\mathbf{g}_{\text{fused}}(\mathbf{x}) = w_1 \frac{\nabla c(\mathbf{x})}{\lVert \nabla c(\mathbf{x}) \rVert} + w_2 \frac{\nabla d(\mathbf{x})}{\lVert \nabla d(\mathbf{x}) \rVert}$

를 이용하면, 장애물을 회피하면서 동시에 오염원을 추적하는 행동을 생성할 수 있다. 여기서 가중치 $w_1, w_2 > 0$ 는 각 목표의 상대적 중요도를 조절한다.

9. 참고 문헌

Savitzky, A., & Golay, M. J. E. (1964). “Smoothing and Differentiation of Data by Simplified Least Squares Procedures.” Analytical Chemistry, 36(8), 1627–1639.
Hoppe, H., DeRose, T., Duchamp, T., McDonald, J., & Stuetzle, W. (1992). “Surface Reconstruction from Unorganized Points.” ACM SIGGRAPH Computer Graphics, 26(2), 71–78.
Chaumette, F., & Hutchinson, S. (2006). “Visual Servo Control, Part I: Basic Approaches.” IEEE Robotics & Automation Magazine, 13(4), 82–90.
Thrun, S., Burgard, W., & Fox, D. (2005). Probabilistic Robotics. MIT Press.
Siciliano, B., Sciavicco, L., Villani, L., & Oriolo, G. (2009). Robotics: Modelling, Planning and Control. Springer.
Gonzalez, R. C., & Woods, R. E. (2018). Digital Image Processing. 4th ed. Pearson.

v 0.2