10.80 쿼터니언의 단위성 유지와 재정규화 전략

1. 단위성 유지의 중요성

3차원 회전을 표현하는 쿼터니언은 노름이 1인 단위 쿼터니언이어야 한다. 단위성이 유지되지 않으면 회전 표현으로서의 의미가 무너지며, 회전된 벡터의 길이가 변하거나 자세가 왜곡되는 문제가 발생한다. 그러나 부동 소수점 산술에서의 반올림 오차, 수치 적분의 누적 오차, 외부 입력의 비정밀성 등으로 인해 쿼터니언의 노름이 시간에 따라 1에서 벗어날 수 있다. 따라서 단위성을 유지하기 위한 재정규화(renormalization) 전략이 필수적이다.

2. 단위성이 손상되는 원인

2.1 부동 소수점 반올림 오차

부동 소수점 연산은 본질적으로 반올림 오차를 동반한다. 단위 쿼터니언끼리의 곱이 정확히 단위 쿼터니언이 되지 않을 수 있다. 단정도 부동 소수점에서 한 번의 곱셈으로 인한 오차는 약 10^{-7} 수준이지만, 누적되면 무시할 수 없는 크기가 된다.

2.2 수치 적분의 누적 오차

쿼터니언 운동학 방정식 \dot{\mathbf{q}} = \frac{1}{2}\mathbf{q} \otimes \boldsymbol{\omega}_{\text{quat}}의 수치 적분에서 각 단계마다 미소 오차가 누적된다. 시간이 길어짐에 따라 노름의 편차가 증가한다.

2.3 선형 보간

NLERP과 같은 선형 보간은 결과가 단위 쿼터니언이 아니다. 보간 후 정규화가 필요하다.

2.4 외부 입력

센서 측정값이나 외부 라이브러리에서 받은 쿼터니언이 정확한 단위 쿼터니언이 아닐 수 있다. 입력 검증과 정규화가 필요하다.

2.5 추정 알고리즘의 갱신

칼만 필터 등 추정 알고리즘의 갱신 단계에서 쿼터니언이 변화하면 단위성이 손상될 수 있다. 갱신 후 정규화가 필요하다.

3. 재정규화의 기본 방법

3.1 직접 정규화

가장 단순한 방법은 노름으로 나누는 것이다.

\mathbf{q} \leftarrow \frac{\mathbf{q}}{\lVert\mathbf{q}\rVert}

여기서 \lVert\mathbf{q}\rVert = \sqrt{q_w^2 + q_x^2 + q_y^2 + q_z^2}이다. 이 방법은 정확하지만 제곱근 연산이 비용이 든다.

3.2 차 근사 정규화

작은 단위성 편차에 대해서는 1차 테일러 전개를 사용한 근사 정규화가 효율적이다.

\lVert\mathbf{q}\rVert^2 = 1 + \epsilon, \quad \epsilon \ll 1

이 경우 다음의 근사가 사용된다.

\frac{1}{\lVert\mathbf{q}\rVert} \approx 1 - \frac{\epsilon}{2} = \frac{3 - \lVert\mathbf{q}\rVert^2}{2}

따라서 다음과 같이 갱신한다.

\mathbf{q} \leftarrow \mathbf{q}\frac{3 - \lVert\mathbf{q}\rVert^2}{2}

이 방법은 제곱근 연산을 회피하면서도 작은 편차에 대해 정확하다.

3.3 더 높은 차수의 근사

더 높은 정확도가 필요하면 2차 또는 3차 테일러 전개를 사용할 수 있다.

\frac{1}{\sqrt{1 + \epsilon}} \approx 1 - \frac{\epsilon}{2} + \frac{3\epsilon^2}{8} - \ldots

다만 일반적으로 1차 근사로 충분하다.

4. 재정규화의 시점

4.1 매 연산 후

가장 안전한 방법은 매 쿼터니언 연산 후 정규화하는 것이다. 그러나 이는 비용이 든다.

4.2 일정 주기마다

성능을 고려하여 일정 횟수의 연산마다 정규화를 수행한다. 예를 들어 100번의 곱셈마다 한 번 정규화하는 식이다.

4.3 임계값 기반

쿼터니언의 노름이 일정 임계값을 벗어날 때만 정규화한다.

float n2 = q.w*q.w + q.x*q.x + q.y*q.y + q.z*q.z;
if (fabs(n2 - 1.0f) > 1e-4f) {
    normalize(q);
}

이 방법은 필요할 때만 정규화하므로 효율적이다.

4.4 시뮬레이션 단계마다

시뮬레이션이나 제어 루프의 매 단계 끝에서 정규화를 수행하는 것이 일반적이다. 이는 명확한 시점에 단위성을 보장한다.

5. 적분 알고리즘에서의 단위성 유지

5.1 명시적 적분 방법

오일러 적분이나 룽게-쿠타 적분은 쿼터니언의 단위성을 유지하지 않는다. 적분 후 정규화가 필요하다.

q_new = q_old + dq * dt;
normalize(q_new);

5.2 지수 사상 기반 적분

회전 벡터의 지수 사상을 사용한 적분은 본질적으로 단위성을 유지한다.

\mathbf{q}_{k+1} = \mathbf{q}_k \otimes \exp\!\left(\frac{1}{2}\boldsymbol{\omega}\Delta t\right)

여기서 \exp(\cdot)은 회전 벡터에서 단위 쿼터니언으로의 사상이다. 이 방법은 단위 쿼터니언끼리의 곱이므로 결과도 단위 쿼터니언에 매우 가깝다.

5.3 Lie 군 적분기

Lie 군의 구조를 고려하는 적분기는 단위성을 자연스럽게 유지한다. Crouch-Grossman 방법, Runge-Kutta-Munthe-Kaas 방법 등이 있다.

6. 정규화의 수치적 안정성

6.1 노름 처리

매우 작은 노름의 쿼터니언은 정규화할 수 없다. 이러한 경우 항등 쿼터니언이나 다른 기본값을 반환한다.

float n = norm(q);
if (n < 1e-10f) {
    return Quaternion::Identity();
}
return q / n;

6.2 음수 처리

쿼터니언의 모든 성분이 음수일 수 있다. 정규화는 부호를 보존한다. 부호 처리는 별도의 단계이다.

6.3 극소 편차

극소한 단위성 편차는 무시해도 된다. 임계값 설정으로 불필요한 정규화를 회피한다.

7. 효율적인 구현

7.1 역제곱근의 활용

1/sqrt(n2)를 계산할 때 빠른 역제곱근 알고리즘이 사용될 수 있다.

float inv_sqrt(float x) {
    return 1.0f / sqrtf(x);
}

현대 CPU에서는 하드웨어 지원 명령이 있어 이러한 최적화가 자동으로 이루어진다.

7.2 SIMD 활용

SIMD 명령어를 사용하여 여러 쿼터니언을 동시에 정규화할 수 있다.

7.3 인라이닝

정규화 함수는 작으므로 인라이닝하면 함수 호출 오버헤드가 제거된다.

8. 정규화와 보존 법칙

8.1 회전 보존

정규화는 쿼터니언이 표현하는 회전을 보존한다. 단위 노름으로 정규화된 쿼터니언은 같은 회전을 표현한다.

8.2 부호 보존

정규화는 부호를 변경하지 않는다. 부호 일관성은 별도의 처리가 필요하다.

8.3 회전 합성과 정규화

두 단위 쿼터니언의 곱은 이론적으로 단위 쿼터니언이지만, 부동 소수점 오차로 인해 약간 벗어날 수 있다. 정규화 후 합성된 회전은 변하지 않는다.

9. 추정 알고리즘에서의 단위성

9.1 칼만 필터 갱신

표준 칼만 필터는 가산 갱신을 사용하므로 쿼터니언의 단위성을 유지하지 못한다.

\hat{\mathbf{q}}_{k+1} = \hat{\mathbf{q}}_{k+1|k} + \mathbf{K}_k\mathbf{e}_k

이 갱신 후 정규화가 필요하다.

\hat{\mathbf{q}}_{k+1} \leftarrow \frac{\hat{\mathbf{q}}_{k+1}}{\lVert\hat{\mathbf{q}}_{k+1}\rVert}

9.2 곱셈 갱신

곱셈 자세 오차를 사용하는 곱셈 확장 칼만 필터(MEKF)에서는 갱신이 곱셈으로 이루어져 단위성이 자연스럽게 보존된다.

\hat{\mathbf{q}}_{k+1} = \hat{\mathbf{q}}_{k+1|k} \otimes \delta\mathbf{q}

여기서 \delta\mathbf{q}는 단위 쿼터니언이다. 다만 수치 오차로 인해 정규화가 권장된다.

9.3 오차 상태 표현

오차 상태 칼만 필터(ESKF)에서는 오차가 작은 회전 벡터로 표현되며, 명목 상태는 곱셈으로 갱신된다. 이 구조는 단위성 보존에 유리하다.

10. 성능 비교

10.1 정규화 비용

정규화 연산의 상대적 비용은 다음과 같다.

1차 근사는 제곱근과 나눗셈을 회피하므로 빠르다.

10.2 정확도

직접 정규화는 부동 소수점의 한계 정확도를 제공한다. 1차 근사는 단위성 편차가 작을 때 정확하다.

11. 응용 사례

11.1 게임 엔진

게임 엔진에서는 매 프레임 다수의 쿼터니언 연산이 수행된다. 효율적인 정규화 전략이 핵심이다. Unity, Unreal Engine 등은 자체적인 정규화 방법을 사용한다.

11.2 비행 제어

드론과 같은 비행체의 자세 추정과 제어에서 쿼터니언의 단위성이 항상 유지되어야 한다. 매 제어 주기마다 정규화한다.

11.3 매니퓰레이터 제어

로봇 팔의 작업 공간 제어에서 자세 명령 쿼터니언과 추정 쿼터니언 모두 단위성이 유지되어야 한다.

11.4 시뮬레이터

물리 시뮬레이터에서 쿼터니언 적분 후 정규화는 표준 절차이다.

11.5 자세 추정

IMU 기반 자세 추정 알고리즘에서 매 측정 갱신 후 정규화한다.

12. 자코비안과 정규화

12.1 정규화의 미분

정규화 연산의 자코비안은 비최적화 방법에서 필요할 수 있다.

\frac{\partial}{\partial\mathbf{q}}\!\left(\frac{\mathbf{q}}{\lVert\mathbf{q}\rVert}\right) = \frac{1}{\lVert\mathbf{q}\rVert}\!\left(\mathbf{I} - \frac{\mathbf{q}\mathbf{q}^T}{\lVert\mathbf{q}\rVert^2}\right)

이 자코비안은 단위 쿼터니언 다양체의 접선 공간으로의 투영 연산자이다.

12.2 비선형 최적화에서의 처리

비선형 최적화에서는 단위 쿼터니언 다양체 위에서 최적화하기 위한 다양한 기법이 있다. 가장 일반적인 방법은 단위 노름 제약을 명시적으로 적용하거나, 지역 매개변수화를 사용하는 것이다.

13. 정규화의 자동화

13.1 클래스 설계

쿼터니언 클래스의 설계에서 단위성을 자동으로 보장하는 방법이 있다. 예를 들어 모든 연산 후 자동으로 정규화하거나, 특정 형식(예: UnitQuaternion 클래스)을 사용한다.

13.2 라이브러리 지원

Eigen, Sophus 등 주요 라이브러리는 정규화 메서드를 제공한다. 사용자가 명시적으로 호출해야 하지만, 일관된 인터페이스를 통해 단위성 관리가 용이하다.

14. 디버깅과 검증

14.1 단위성 검사

쿼터니언의 단위성을 정기적으로 검사한다.

assert(fabs(norm(q) - 1.0) < 1e-6);

14.2 로깅

쿼터니언 노름의 시계열 데이터를 로깅하여 단위성 손상의 시점과 원인을 추적한다.

14.3 시각화

쿼터니언 노름의 변화를 시각화하여 정규화 전략의 효과를 평가한다.

15. 참고 문헌

• Shoemake, K. (1985). “Animating rotation with quaternion curves.” ACM SIGGRAPH Computer Graphics, 19(3), 245–254.
• Diebel, J. (2006). “Representing attitude: Euler angles, unit quaternions, and rotation vectors.” Stanford University Technical Report.
• Hairer, E., Lubich, C., & Wanner, G. (2006). Geometric Numerical Integration: Structure-Preserving Algorithms for Ordinary Differential Equations. Springer.
• Trawny, N., & Roumeliotis, S. I. (2005). “Indirect Kalman Filter for 3D Attitude Estimation.” Technical Report, University of Minnesota.
• Kuipers, J. B. (1999). Quaternions and Rotation Sequences. Princeton University Press.

version: 1.0