상태 추정은 센서 데이터를 기반으로 로봇의 상태를 파악하는 과정입니다. 상태에는 위치, 방향, 속도, 그리고 경우에 따라 관절 각도나 배터리 잔량과 같은 내부 변수가 포함됩니다. 센서는 간접적이고 잡음이 섞인 방식으로 데이터를 측정합니다. 상태 추정은 이러한 측정값과 로봇의 움직임 모델을 결합하여 최적의 상태를 예측합니다.

칼만 필터는 고전적인 도구입니다. 동작 모델을 사용하여 다음 상태를 예측한 다음 센서 데이터를 사용하여 예측을 업데이트합니다. 결과는 예측값과 측정값의 가중 평균입니다. 가중치는 각 값의 불확실성에 따라 결정됩니다. 모델의 정확도가 높고 센서에 노이즈가 많으면 필터는 모델을 더 신뢰합니다. 센서의 정확도가 높으면 센서를 더 신뢰합니다.

상태 추정의 어려움

• 비선형 운동: 칼만 필터는 선형화가 필요합니다.
• 비가우시안 노이즈: 파티클 필터로 처리할 수 있습니다.
• 이상치: 잘못된 측정값은 추정치를 왜곡할 수 있습니다.
• 지연 시간: 측정 지연은 오류를 유발합니다.
• 관측 가능성: 일부 상태는 사용 가능한 센서로부터 추정할 수 없습니다.

로봇 공학에서 상태 추정은 모든 곳에 존재합니다. 드론은 자이로스코프와 가속도계 데이터를 통해 자세를 추정하고, 자동차는 GPS, IMU, 그리고 바퀴 속도 데이터를 통해 위치를 추정합니다. 로봇 팔은 엔코더를 통해 관절 각도를 추정합니다. 이러한 추정값은 컨트롤러에 전달되어 다음에 수행할 작업을 결정합니다. 잘못된 추정은 잘못된 결정으로 이어지지만, 정확한 추정은 눈에 띄지 않게 로봇을 작동시킵니다. 상태 추정은 완벽한 센서를 갖는 것이 아니라, 불완전한 센서에서 가장 유용한 정보를 추출하는 것입니다. 바로 이러한 이유로 상태 추정은 로봇 공학에서 가장 중요한 주제 중 하나입니다.