VIO/LIO 입문 — IMU와 카메라 또는 LiDAR를 결합하여 자체 위치 파악하기

Visual-SLAM과 LiDAR-SLAM 모두 단독으로는 모든 환경에서 제대로 작동하지 않습니다. 카메라는 어두운 곳이나 빠른 움직임이 있는 환경에서 어려움을 겪고, LiDAR는 특징이 부족한 환경에서 성능이 저하되며 가격도 더 비쌉니다. 이러한 약점을 극복하는 핵심은 가속도와 각속도를 고주파로 측정하는 IMU(관성 측정 장치)입니다. 카메라 또는 LiDAR와 IMU를 결합한 VIO(Visual-Inertial Odometry)와 LIO(LiDAR-Inertial Odometry)는 오늘날 많은 자율 이동 로봇, 드론, AR/VR 기기에서 사실상 표준 구성으로 자리 잡았습니다. 이 글에서는 IMU만으로는 위치 추정이 불가능한 원리부터 시작하여 센서 융합의 개념, 필터 기반 및 최적화 기반 추정 방식, 그리고 ROVIO, OKVIS, VINS-Mono, OpenVINS, LIO-SAM, FAST-LIO2와 같은 주요 알고리즘들을 살펴봅니다.

IMU/INS 예시

LiDAR 예시

이미지: Xsens MTi-G (Kallap85, CC BY-SA 4.0) / Livox Mid-40, Horizon 및 Tele-15 (Dllu, CC BY-SA 4.0), Wikimedia Commons. 대표적인 입력 센서 예시이며, 필수적인 VIO/LIO 하드웨어 구성은 아닙니다.

0. 이 글에서 다루는 내용

• IMU가 측정하는 것과 IMU만으로는 시간 경과에 따른 위치 정보를 지속적으로 복원할 수 없는 이유
• 카메라와 LiDAR의 각각의 한계점과 IMU를 함께 사용할 때 효과적인 이유
• VIO와 LIO의 명칭 및 차이점
• 필터 기반(EKF/MSCKF) 설계 방식과 최적화 기반(팩터 그래프) 설계 방식의 차이점
• ROVIO, OKVIS, VINS-Mono, VINS-Fusion, OpenVINS(VIO)와 LIO-SAM, FAST-LIO, FAST-LIO2(LIO)의 각각의 기능
• 실제 사용 사례에 따른 VIO와 LIO 선택 방법

1. IMU, VIO, LIO에 대한 간략한 설명

각각 한 문장으로 설명: IMU(관성 측정 장치) IMU(관성 측정 장치)는 가속도계와 자이로스코프를 결합하여 외부 기준점에 의존하지 않고 자체 가속도와 각속도를 고주파로 측정하는 센서입니다. VIO(Visual-Inertial Odometry)는 이 IMU를 카메라와 결합하여 자체 위치와 방향을 추정하는 기술이며, LIO(LiDAR-Inertial Odometry)는 IMU를 LiDAR와 결합하여 동일한 작업을 수행합니다.

IMU는 고주파(일반적으로 수백 Hz에서 약 1kHz까지)로 "현재 얼마나 강하게 가속하고 얼마나 빠르게 회전하는지"를 알려주지만, 위치라는 적분값은 시간이 지남에 따라 빠르게 오차가 발생합니다(3절에서 자세히 살펴보겠습니다). 카메라나 LiDAR는 주변 환경을 참조하여 상대적인 위치 정보를 제공할 수 있지만, 저주파(수십 Hz)에서만 가능하며, 어두운 환경, 특징이 부족한 장면, 빠른 움직임과 같은 특정 상황에서는 완전히 기능을 상실합니다. VIO와 LIO의 핵심 아이디어는 "고주파이지만 드리프트가 발생하는 IMU"와 "환경에 따라 고장 모드가 발생하는 저주파 카메라/LiDAR"를 결합하여 서로의 약점을 보완하는 것입니다.

2. IMU는 실제로 무엇을 측정하는가?

IMU 내부에는 크게 두 종류의 센서가 있습니다.

가속도계는 센서 좌표계에서 특정 힘을 측정합니다. 이상적으로는 \mathbf{f}_b=R_{wb}^{T}(\mathbf{a}_w-\mathbf{g}_w) 와 같이 표현되며, 여기서 R_{wb}는 센서 좌표를 세계 좌표계로 회전시키고, \mathbf{a}_w는 세계 좌표계 가속도, \mathbf{g}_w은 중력 가속도입니다. 정지 상태에서는 약 1g, 이상적인 자유 낙하 상태에서는 거의 0g의 값을 측정합니다. 적분 전에는 바이어스를 보정하고, 세계 좌표계로 회전시키고, 중력을 더해야 합니다. 좌표 및 바이어스 정의는 OpenVINS IMU 모델을 참조하십시오.

자이로스코프는 센서 자체의 회전 속도, 즉 각속도를 측정합니다. 세 축을 동시에 측정함으로써 롤, 피치, 요우를 중심으로 한 회전 속도를 얻을 수 있습니다.

이 두 종류의 센서를 결합함으로써 IMU는 외부 기준점(지도에 표시된 특징점, 무선 신호 등)에 전혀 의존하지 않고 센서 자체의 내부 상태만을 이용하여 6자유도(3축 병진 + 3축 회전) 운동 정보를 고주파로 출력할 수 있습니다. 이러한 "외부 기준점이 전혀 없는" 특성은 IMU의 가장 큰 장점이자 가장 큰 단점이기도 합니다. 장점은 완전한 어둠 속이나 유리벽으로 둘러싸인 방 안에서도 변함없이 작동하는 견고성입니다. 단점은 3절에서 살펴볼 누적 오차입니다.

또한 IMU의 출력에는 항상 바이어스와 노이즈가 포함됩니다. 바이어스는 센서 자체에 내재된 오프셋 오차입니다. 실제 값이 0일 때에도 출력값이 0이 아닌 경우가 있으며, 온도 변화와 같은 요인으로 인해 시간이 지남에 따라 서서히 변동합니다(바이어스 불안정성). 노이즈는 매 측정마다 새롭게 추가되는 무작위 변동입니다. 저렴한 MEMS(마이크로 전기 기계 시스템) IMU는 바이어스와 노이즈가 큰 경향이 있으며, 이것이 다음에 설명할 드리프트의 주요 원인입니다.

3. IMU만으로 위치 찾기 (적분 및 드리프트)

IMU 출력에서 위치를 복구하려면 가속도를 두 번 적분해야 합니다. 속도는 가속도의 적분이고, 위치는 속도의 적분입니다.

여기서 p_0은 초기 위치, v_0은 초기 속도, a(s)는 시간 s에서의 가속도입니다. 공식 자체는 간단하지만, 실제로 사용되는 가속도 a(s)에는 항상 2절에서 논의된 바이어스 b가 포함됩니다. 바이어스를 포함하는 가속도 a(s) + b를 이중 적분하면 다음과 같은 형태의 바이어스 기반 오차항이 생성됩니다.

이 오차항은 경과 시간의 제곱에 비례하여 발산합니다. 여기에 자이로스코프 바이어스가 더해지면 방향 추정치가 점차 왜곡되고, 이 방향 오차는 가속도가 적분되는 방향을 오염시켜 전체 위치 오차가 O(t^2)에서 O(t^3) 정도로 증가하는 경향이 있습니다. 이처럼 시간이 지남에 따라 오차가 무한히 누적되는 현상을 드리프트라고 합니다.

구체적인 수치를 통해 직관을 얻어 보겠습니다. 저가형 MEMS IMU의 가속도계 바이어스가 대략 0.01\,\mathrm{m/s^2}이라고 가정해 봅시다. 10초 후, 결과적인 위치 오차는 약 \frac{1}{2} \times 0.01 \times 10^2 = 0.5\,\mathrm{m}입니다. 1분 후에는 이 값이 18\,\mathrm{m}로 계산됩니다. IMU만으로는 매우 짧은 시간 스케일(수초에서 수십 초) 동안의 위치 추정만 신뢰할 수 있으며, 이것이 IMU만으로는 자체 위치 추정 시스템으로 사용할 수 없는 근본적인 이유입니다. 다시 말해, IMU는 "단기적인 고주파 변화"에는 강하지만 "장기적인 절대 위치"에는 약합니다. 이는 카메라나 LiDAR의 강점과 약점 프로필과 정반대입니다.

4. 카메라와 LiDAR에도 약점이 있습니다

IMU만으로는 위치를 복구할 수 없는 경우, 카메라(참고: "Visual-SLAM Primer") 또는 LiDAR(참고: "LiDAR-SLAM Technology Trends")를 사용하는 것이 당연한 생각일 수 있습니다. 하지만 카메라와 LiDAR는 각각 고유한 약점을 가지고 있습니다.

카메라의 약점은 저조도 환경에서의 이미지 품질 저하(직접 방식이 의존하는 특징점 또는 밝기 기울기를 계산할 수 없게 됨), 질감이 부족한 환경(흰색 벽이나 단색 바닥에서는 대응점이 전혀 생성되지 않음), 그리고 빠른 움직임 시 발생하는 모션 블러(노출 시간 동안 이미지가 번져 특징점 설명자가 불안정해짐)입니다. 이 모든 문제의 근본적인 원인은 동일합니다. 바로 카메라가 충분한 시각 신호를 받지 못한다는 것입니다.

LiDAR의 약점은 지형 특징이 부족한 환경(긴 터널이나 넓은 평지에서 ICP/NDT와 같은 포인트 클라우드 정합 방법은 단일 해로 수렴하지 못하는데, 이를 기하학적 퇴화라고 합니다)과 센서 가격입니다. LiDAR는 레이저를 직접 방출하여 거리를 측정하므로 어둠이나 역광에 강하지만, 환경의 기하학적 특징이 드문 곳에서는 카메라와 마찬가지로 제대로 작동하지 못합니다.

3절에서 살펴본 바와 같이 IMU의 약점은 시간이 지남에 따라 누적되는 무한 드리프트와 자체적으로 절대 위치를 복구할 수 있는 방법이 전혀 없다는 점입니다.

중요한 점은 이 세 가지 센서가 제대로 작동하지 못하는 상황이 거의 겹치지 않는다는 것입니다. IMU는 카메라가 어려움을 겪는 어둠 속에서도 흔들림 없이 작동하며, 카메라나 LiDAR가 특징을 잃는 순간에도 고주파 모션 정보를 지속적으로 제공합니다. 카메라와 LiDAR 관측값은 주변 환경의 기하학적 정보를 이용하여 드리프트를 제한합니다. 하지만 알려진 지도, GNSS, 루프 클로저와 같은 제약 조건 없이는 장기적인 절대 위치 정확도를 보장하지 않습니다. 이러한 상호 보완성은 다음 절에서 논의할 센서 융합의 출발점입니다.

5. 센서 융합의 개념

센서 융합은 여러 센서의 서로 다른 오차 특성과 강점을 결합하여 단일 센서만으로는 얻을 수 없는 더 정확하고, 고주파이며, 견고한 위치 추정값을 얻는 프레임워크입니다(융합에 대한 일반적인 개념은 "센서 융합 입문"을 참조하십시오). VIO와 LIO가 공유하는 기본 구조는 예측-업데이트 루프로 구성할 수 있습니다.

Diagram 1 · Use the button to switch views

Diagram 2 · Use the button to switch views

그림 1 — IMU(고속)는 전파(적분)를 통해 상태를 계속 예측합니다. 관찰 결과는 다음과 같습니다. 카메라/LiDAR(저속)를 이용한 특징점/포인트 매칭을 통해 업데이트 단계에서 예측값을 보정합니다. 이 보정 과정에서 추정된 IMU 바이어스는 다음 전파 단계로 피드백되어 드리프트 누적을 지속적으로 억제합니다.

이 루프에는 두 가지 핵심 요소가 있습니다. 첫째, IMU 기반 전파는 높은 주파수로 지속적으로 실행되며, 카메라/LiDAR 관측값이 없는 순간(어두운 환경, 낮은 텍스처, 특징이 부족한 공간, 빠른 움직임)에도 자세 예측을 멈추지 않습니다. 둘째, 카메라/LiDAR 관측값이 도착했을 때만 실행되는 업데이트 단계는 IMU 자체만으로는 무한정 누적될 수 있는 드리프트를 줄이고, 동시에 IMU 자체 바이어스 추정값을 업데이트하여 전파 단계로 피드백합니다. "높은 주파수로 지속적으로 실행되는 예측"과 "관측값에 의해 제한된 방향의 오류를 줄이는 보정"의 조합은 VIO와 LIO가 공유하는 설계 철학입니다.

6. VIO (Visual-Inertial Odometry)

**VIO (Visual-Inertial Odometry, VIO)는 카메라가 이 프레임워크 내에서 업데이트 측 센서 역할을 하는 구성입니다. IMU의 고주파 예측과 카메라의 특징점 관측값을 결합함으로써, 단안 시각 오도메트리(4절에서 언급했듯이 단안 이미지만으로는 실제 거리 측정값을 복원할 수 없음)의 문제점인 스케일 모호성을 IMU의 가속도 정보를 이용하여 해결할 수 있습니다. 또한 카메라가 어려움을 겪는 빠른 움직임 상황에서도 IMU는 지속적으로 고주파로 방향 변화 정보를 제공하여 추적 실패 가능성을 크게 줄여줍니다.

VIO는 카메라와 IMU의 연결 방식에 따라 느슨하게 결합된(Loosely-Coupled) 구성과 긴밀하게 결합된(Tightly-Coupled) 구성으로 나뉩니다. 느슨하게 결합된 시스템은 카메라 측 자세 추정치와 IMU 측 자세 추정치를 독립적으로 계산한 후 두 결과를 융합합니다. 구현은 간단하지만, IMU 측에서 카메라의 내부 오차 구조를 활용할 수 없기 때문에 한계가 있습니다. 카메라 측 추정(특징 관측의 불확실성 정도에 따라)은 정밀도가 떨어집니다. 긴밀하게 결합된 시스템은 IMU의 원시 데이터와 이미지의 특징 관측값을 처음부터 하나의 공동 추정 상태 문제로 처리합니다. 구현은 더 복잡하지만 두 센서의 모든 정보를 활용하여 더 높은 정밀도를 얻을 수 있습니다. 8장, 9장, 10장에서 다루는 대표적인 최신 VIO 구현(OKVIS, VINS-Mono, OpenVINS 등)은 모두 긴밀한 결합 방식을 채택하고 있습니다.

7. LIO (LiDAR-관성 주행 거리 측정)

LIO(LiDAR-관성 주행 거리 측정)는 LiDAR가 업데이트 측 역할을 하는 동일한 프레임워크입니다. LiDAR 포인트 클라우드는 환경의 기하학적 형상을 직접적이고 높은 정밀도로 캡처하지만, 한 번의 스캔에 수십에서 수백 밀리초가 소요되며, 이 시간 동안 센서 자체가 움직이면 결과 포인트 클라우드가 왜곡됩니다(모션 왜곡). IMU의 고주파 방향 정보를 활용하면 이러한 왜곡을 해결할 수 있습니다. 반면에, 스캔 중 발생하는 움직임을 보정하여 왜곡 없는 포인트 클라우드를 재구성할 수 있습니다.

섹션 6의 VIO와 마찬가지로, LIO가 어려움을 겪는 기하학적으로 복잡한 환경(긴 터널, 넓은 평지)에서 IMU의 지속적인 단기 자세 예측은 포인트 클라우드 정합(ICP/NDT와 같은 방법)의 발산 가능성을 크게 줄여줍니다. LIO 역시 실제로는 주로 긴밀 결합 시스템으로 구현됩니다. 섹션 10에서 다루는 LIO-SAM과 FAST-LIO/FAST-LIO2 모두 이러한 긴밀 결합 설계를 채택하고 있습니다.

8. 필터 기반(칼만 필터/확장 칼만 필터/MSCKF)

VIO와 LIO의 핵심인 예측과 관측의 융합은 크게 두 가지 설계 철학, 즉 필터 기반 또는 다음 섹션에서 다루는 최적화 기반 접근 방식 중 하나로 구현됩니다.

필터 기반 접근 방식의 기반은 프레임워크인 칼만 필터입니다. 선형 동역학을 가진 시스템에 대해 최적의 상태 추정치를 재귀적으로 도출하기 위해 예측과 관측 기반 업데이트를 번갈아 수행하는 알고리즘입니다. VIO/LIO와 같이 IMU 적분(포즈 합성)과 카메라 투영의 합성이 본질적으로 비선형적인 문제의 경우, 비선형 확장 알고리즘인 확장 칼만 필터(EKF)가 사용됩니다. EKF는 각 비선형 함수를 현재 추정치 주변에서 선형화(1차 테일러 전개)한 다음 일반 칼만 필터와 동일한 업데이트 방정식을 적용합니다.

여기서 \hat{x}_k^{-}는 전파에서 예측된 상태, z_k는 실제 관측값, h(\cdot)는 상태에서 관측값을 예측하는 관측 모델, K_k는 칼만 게인(예측과 관측값 중 어느 것을 더 신뢰하는지 결정하는 가중치)입니다. P_k^{-}는 공분산입니다. H_k은 예측 상태의 불확실성, P_k^{-}은 관측 모델을 선형화하는 야코비 행렬, R은 관측 노이즈의 공분산입니다. 직관적으로, 예측 불확실성 R이 관측 노이즈 K_k에 비해 클수록 칼만 이득 K_k이 커지고, 관측 z_k의 정보가 상태 보정에 더 강하게 반영됩니다.

EKF 기반 VIO를 단순하게 구현하려면 이미지의 모든 개별 특징점을 상태 벡터에 포함해야 하며, 특징점의 수가 증가함에 따라 계산 비용이 급격히 증가합니다. 2007년 Mourikis와 Roumeliotis가 제안한 MSCKF(다중 상태 제약 칼만 필터)는 바로 이 문제를 해결합니다. MSCKF는 필터의 상태에 특징점 자체를 포함하지 않고, 대신 여러 카메라 포즈(슬라이딩)를 유지합니다. 상태의 윈도우를 사용하고, 동일한 특징점이 여러 포즈에서 관측되었다는 기하학적 제약 조건만을 이용하여 상태를 업데이트합니다. 특징점을 상태에서 제외함으로써, 특징점 개수 증가에 따른 계산량 급증을 방지하면서도 여러 프레임에 걸친 관측값을 활용할 수 있습니다. 이는 현재 널리 사용되고 있는 효율적인 필터 기반 VIO 설계 방식입니다.

9. 최적화 기반 (번들 조정/팩터 그래프)

필터 기반 추정은 재귀적으로 업데이트되지만, MSCKF와 같은 방법은 복제된 과거 포즈를 일시적으로 유지할 수 있습니다. 최적화 기반 접근 방식은 슬라이딩 윈도우 또는 그래프에 걸쳐 상태와 관측값을 유지하고, 이들의 일관성을 위한 비선형 최적화를 수행합니다. 이는 Visual-SLAM의 번들 조정(Visual-SLAM 입문서 10절 참조)을 확장하여 IMU 정보까지 통합한 것으로 생각하면 이해하기 쉽습니다.

IMU 가속도와 각속도는 알려진 관측값이며, 최적화 대상이 아닙니다. 변수. 모든 IMU 타임스탬프에 상태를 추가하거나, 각 재선형화 시 모든 간격을 재적분하면 비용이 증가합니다. 2015년 Forster 등이 제안한 IMU 사전 적분(IMU Preintegration)(arXiv:1512.02363)은 키프레임 간의 측정값을 편향 보정 가능한 상대 운동 계수로 요약합니다. 상태에는 속도와 편향이 포함될 수 있으며, 일부 시스템에서는 랜드마크도 포함될 수 있습니다. 비용은 단순히 IMU 샘플링 속도에 의해 제어되는 것이 아니라 윈도우 설계 및 재선형화에 의해 제어됩니다.

결과적으로 얻은 IMU 사전 적분 계수는 카메라/LiDAR 관측값(재투영 오차 또는 스캔 매칭 오차)에서 파생된 계수와 함께 공통 계수 그래프에 배치되고, 전체는 최대 우도(또는 최대 사후 확률) 추정 문제로 함께 해결됩니다. 이것이 최적화 기반 접근 방식의 기본 형태입니다.

\mathcal{X}은 집합 자세, 속도, 편향 및 (필요한 경우) 지도 좌표를 추정합니다. r_{\mathrm{IMU}}은 사전 통합 계수의 잔차입니다. 필터 기반 추정은 순차적 업데이트와 제한된 이력을 통해 비용을 제어합니다. 최적화 기반 추정은 슬라이딩 윈도우를 재선형화할 수 있습니다. 정확도와 비용은 윈도우 길이, 초기화, 재선형화 일정, 모델 및 컴퓨팅 예산에 따라 달라지므로 어느 한쪽이 항상 우월한 것은 아닙니다.

Diagram 3 · Use the button to switch views

Diagram 4 · Use the button to switch views

i Keyframe i{+}1 High-rate IMU measurements (hundreds of Hz) Integrated together over the interval → a single relative-motion Factor

그림 2 — 키프레임 i와 i{+}1 사이에 도착하는 수많은 IMU 측정값(수백 Hz)은 사전 통합을 통해 미리 통합되어 팩터 그래프에서 단일 상대 운동 팩터로 처리됩니다. 이를 통해 최적화 변수의 개수는 IMU의 샘플링 속도와 무관하게 유지되며, 키프레임 개수에만 의존하게 됩니다.

10. 주요 알고리즘

VIO

ROVIO(Robust Visual Inertial Odometry)는 Bloesch 등이 IROS 2015에서 발표한 EKF 기반 VIO입니다. 특징점 디스크립터를 매칭하는 대신, 이미지 패치 밝기 정보를 EKF의 관측 모델에 직접 입력합니다. 이는 필터 기반 추정과 직접법을 결합한 대표적인 예시인 직접법 방식의 접근법입니다.

Leutenegger 등이 IJRR 2015에서 발표한 OKVIS(Open Keyframe-based Visual-Inertial SLAM)는 비선형 최적화를 기반으로 구축된 키프레임 기반 VIO입니다. IMU 사전 통합(9절 참조)과 번들 조정 방식의 재투영 오차 최소화를 결합하여 최적화 기반 VIO의 초기 주요 구현 사례 중 하나입니다.

홍콩과학기술대학교의 Qin, Li, Shen이 개발한 VINS-Mono는 단안 카메라용 VIO로, IMU 사전 통합(9절 참조)에 대한 비선형 최적화를 기반으로 하며, 전역 보정을 위한 루프 클로저를 추가하고, 각 구성 요소에 대해 느슨한 결합과 긴밀한 결합 방식을 전환할 수 있는 유연한 설계를 제공합니다. VINS-Fusion은 VINS-Mono를 확장하여 스테레오 카메라, GPS 등 다양한 센서 구성을 지원하며, 더욱 다양한 하드웨어 환경에서 실용성을 우선시하는 후속 버전입니다.

Geneva, Eckenhoff, Lee, Yang, Huang 및 공동 연구자들이 개발한 OpenVINS는 MSCKF 기반의 오픈 소스 VIO 연구 플랫폼입니다. MSCKF의 효율적인 필터 기반 설계(8절 참조)를 기반으로 구축되었으며, 연구 목적에 맞게 확장 및 검증이 용이하도록 설계된 구현체로 널리 사용되고 있습니다.

LIO

Shan, Englot, Meyers, Wang, Ratti, Rus 및 공동 연구자들이 IROS 2020에서 발표한 LIO-SAM(Tightly-coupled Lidar Inertial Odometry via Smoothing and Mapping)은 팩터 그래프(Factor Graph)를 기반으로 구축된 밀접 결합형 LIO입니다. 이 알고리즘은 IMU 사전 적분 팩터, LiDAR 스캔 매칭을 통한 오도메트리 팩터, GPS 팩터, 루프 클로저 팩터 등 여러 유형의 팩터를 동일한 팩터 그래프에 통합하며, 최적화 기반 설계 철학(9절 참조)을 LiDAR에 적용한 대표적인 사례입니다.

홍콩대학교 MARS 연구실의 Xu, Zhang 및 공동 연구자들이 개발한 FAST-LIO(Fast LiDAR-Inertial Odometry)는 밀접 결합형 반복 칼만 필터(Tightly-Coupled Iterated Kalman Filter)를 기반으로 구축된 고속 LIO입니다. 최적화 기반 LIO-SAM과 달리, 필터 기반인 LIO-SAM은 고속 LiDAR 포인트 클라우드를 직접 처리하도록 설계되었으며, 연산 능력이 제한적인 플랫폼에서도 실시간 작동을 우선시합니다. FAST-LIO2는 LIO-SAM의 후속 버전으로, 증분 최근접 이웃 검색 구조(iKD-Tree)를 사용하여 포인트 클라우드를 직접 관리함으로써 지도 재구축 비용을 획기적으로 절감하여 더욱 빠르고 정확한 고밀도 LIO를 구현합니다.

11. VIO vs. LIO 비교

VIO의 강점은 저렴한 센서 가격과 색상 및 패턴 인식을 통해 얻을 수 있는 높은 수준의 환경 이해도(객체 인식에 적합)입니다. LIO의 강점은 기하학적 정확도와 어둠 및 악천후에 대한 견고성입니다. 이것이 기본적인 역할 분담입니다.

12. 실제 적용 시 선택

VIO, LIO 또는 둘의 조합 중 어떤 것을 선택할지는 휴대 가능한 센서, 예산, 그리고 예상되는 작동 환경에 따라 달라집니다.

• 실내 서비스 로봇/로봇 청소기: 저렴한 가격이 우선이라면 VIO(또는 카메라와 IMU를 느슨하게 결합한 구성)가 유리한 경향이 있습니다. 정확도와 기하학적으로 정확한 지도가 우선이라면 LIO가 선택되는 경향이 있습니다. 복도와 벽이 많은 일반적인 실내 환경에서는 LiDAR의 가격 대비 정확도 향상을 정당화하기가 더 쉽습니다.

• 드론: 탑재량과 전력에 대한 제약이 엄격하기 때문에 경량 카메라와 IMU를 결합한 VIO(Visual-Inertial Odometry) 구성이 주를 이룹니다. 개방된 야외 공간에서는 GPS와의 페어링도 일반적입니다.

• AR/VR: 헤드셋에 내장된 카메라와 IMU를 사용하는 VIO가 사실상 표준입니다. LiDAR가 추가된 몇몇 고급 모델을 제외하면, 비용 및 무게 제약으로 인해 VIO가 기본적으로 우선적으로 선택됩니다.

• 자율 주행/실외 자율 이동 로봇: 악천후, 역광, 야간 주행 등에서 뛰어난 내구성이 요구되므로, LiDAR 기반 센서인 LIO가 VIO 및 GNSS와 함께 사용됩니다(참고: "센서 융합 입문").

• 기하학적으로 변형된 공간(터널, 긴 직선 복도 등): LiDAR 단독 또는 LIO 단독으로는 정합이 불안정해지기 쉬우므로, 변형된 공간을 보완하기 위해 VIO 또는 휠 오도메트리와 같은 별도의 정보 소스를 추가하는 것이 중요합니다.

기본적인 원칙은 다음과 같습니다. 예산과 센서 무게 제약이 없고 기하학적 정밀도가 최우선이라면 LIO를 선택하십시오. 비용과 경량화가 우선이고 색상/패턴 기반 환경 인식을 활용하려는 경우 VIO를 선택하십시오. 실제 제품 개발에서는 이 두 가지를 단독으로 선택하는 경우는 드물며, 상황에 따라 VIO, LIO, GNSS 및 휠 오도메트리를 적절히 조합하는 다중 센서 융합(참고: "센서 융합 입문")으로 발전하는 경향이 있습니다.

13. 요약

관성 측정 장치(IMU)는 고주파수의 완전한 자체 포함 모션 정보를 제공하지만, 적분을 통해 복구된 위치는 경과 시간의 제곱에서 세제곱에 비례하여 빠르게 오차가 발생합니다. 카메라(VIO) 또는 라이다(LIO)는 주기적으로 이러한 누적 오차를 보정하지만, 각각 고유한 약점을 가지고 있습니다. 카메라는 어두운 환경과 낮은 텍스처에 취약하고, 라이다는 기하학적으로 불규칙한 환경에 취약합니다. VIO와 LIO는 예측(고주파수 IMU 예측) - 업데이트(카메라/라이다 보정) 루프를 통해 이러한 상호 보완적인 약점을 극복합니다. 이 루프는 필터 기반(EKF/MSCKF) 또는 최적화 기반(IMU 사전 적분 + 팩터 그래프) 프레임워크에서 구현되어 단일 센서로는 달성할 수 없는 견고성과 정밀도를 제공합니다.