Richard Minsoo Go

Posted on Nov 14

Calibration Engineering — Ch.01: Calibration Principles [KR]

#ai #algorithms #education #statera

STATERA Library · Series 07 · Volume 10 · Chapter 01 · KR
Source: https://github.com/Statera-Library/07_Vol_10_Calibration_Engineering/blob/main/Chapter_01_Calibration_Principles/Chapter_01_Calibration_Principles_KR.md

Volume 10 Calibration Engineering

Chapter 01. Calibration Principles

01.01. Error Model (Systematic/Random)

교정(Calibration)은 관측값(Observed Value)이 알려지지 않은 참값(True Value)과 어떻게 다른지를 설명하는 오차 모델(Error Model)에서 시작한다. 측정값(Measurement)은 참값에 센서(Sensor), 설치(Installation), 환경(Environment), 데이터 획득 시스템(Data Acquisition System), 처리 체인(Processing Chain)에서 발생하는 여러 오차 성분(Error Component)이 더해진 것으로 표현할 수 있다. 서로 다른 오차 메커니즘(Error Mechanism)은 서로 다른 교정 및 검증 전략(Calibration and Validation Strategy)을 필요로 하므로 이러한 성분을 구분하는 것이 중요하다.

유용한 기본 모델(Basic Model)은 측정 오차(Measurement Error)를 계통 오차(Systematic Error)와 랜덤 오차(Random Error)로 구분한다. 계통 오차는 측정값이 특정 방향으로 편향되는 반복 가능한 경향을 발생시키는 반면, 랜덤 오차는 기대값(Expected Value)을 중심으로 예측하기 어려운 변동을 발생시킨다. 따라서 측정량(Measured Quantity)은 개념적으로 참값(True Value)에 계통 오차, 랜덤 오차 및 모델링되지 않은 잔여 영향(Unmodeled Effects)을 더한 형태로 표현할 수 있다.

계통 오차(Systematic Error)는 일관성(Consistency) 또는 운용 조건(Operating Condition)에 대한 예측 가능한 의존성을 특징으로 한다. 센서는 고정 바이어스(Fixed Bias) 때문에 항상 기준값(Reference Value)보다 약간 높은 값을 출력할 수 있으며, 스케일 팩터 오차(Scale-Factor Error) 때문에 측정량이 증가할수록 편차가 커질 수도 있다. 이러한 영향은 구조적(Structured)이므로 기준 측정(Reference Measurement)을 통해 추정하고 교정 파라미터(Calibration Parameter)를 이용하여 보상할 수 있는 경우가 많다.

대표적인 계통적 영향(Systematic Effect)에는 영점 오프셋(Zero Offset), 스케일 팩터 오차(Scale-Factor Error), 축 정렬 오차(Axis Misalignment), 비선형성(Nonlinearity), 축간 결합(Cross-Axis Coupling), 시간 오프셋(Timing Offset), 설치 오차(Installation Error), 온도 의존 드리프트(Temperature-Dependent Drift)가 포함된다. 로봇 시스템(Robotic System)에서는 부정확한 기계 치수(Mechanical Dimension)나 좌표 변환(Coordinate Transformation)에서도 계통 오차가 발생할 수 있다. 이러한 오차는 반복 측정과 평균화(Averaging)를 통해 제거되지 않기 때문에 특히 중요하다.

랜덤 오차(Random Error)는 크기와 방향이 관측마다 변한다는 점에서 다르게 동작한다. 전자 잡음(Electronic Noise), 양자화 효과(Quantization Effect), 진동(Vibration), 전자기 간섭(Electromagnetic Interference), 열적 변동(Thermal Fluctuation), 확률적 센싱 과정(Stochastic Sensing Process)은 물리량(Physical Quantity)이 일정하게 유지되더라도 측정값의 변화를 발생시킬 수 있다. 따라서 랜덤 오차는 하나의 결정론적 보정값(Deterministic Correction Value)이 아니라 일반적으로 통계적(Statistical) 방법으로 표현된다.

정확도(Accuracy)와 정밀도(Precision)의 차이는 이러한 오차 모델에서 자연스럽게 도출된다. 센서가 매우 밀집된 측정값을 생성하여 높은 정밀도를 보이더라도 전체 측정값 집단이 계통 바이어스(Systematic Bias) 때문에 기준값에서 벗어나 있을 수 있다. 반대로 측정값의 중심은 올바른 값에 가깝지만 랜덤 잡음(Random Noise)으로 인해 넓게 분산될 수도 있다. 따라서 효과적인 교정은 바이어스(Bias)와 분산(Dispersion)을 모두 평가해야 한다.

반복 측정(Repeated Measurement)은 이러한 두 가지 거동을 분리하는 중요한 방법을 제공한다. 관측값이 신뢰할 수 있는 기준값(Trusted Reference)과 다른 특정 값을 중심으로 반복적으로 모인다면 그 차이는 계통 성분(Systematic Component)을 나타낸다. 관측값 사이의 변동은 랜덤 성분(Random Component)에 대한 정보를 제공한다. 따라서 평균(Mean), 분산(Variance), 표준편차(Standard Deviation), 잔차 분포(Residual Distribution)와 같은 통계량은 교정 공학(Calibration Engineering)의 기본적인 분석 도구이다.

교정(Calibration)의 주요 목적은 계통 오차와 관련된 파라미터(Parameter)를 식별하고 기준값과의 일치도를 향상시키는 보정(Correction)을 적용하는 것이다. 예를 들어 선형 센서 모델(Linear Sensor Model)은 오프셋(Offset)과 스케일 팩터(Scale Factor)를 사용하여 원시 측정값(Raw Measurement)을 보정값(Corrected Value)으로 변환할 수 있다. 보다 복잡한 센서는 비선형 함수(Nonlinear Function), 룩업 테이블(Lookup Table), 다차원 파라미터 모델(Multidimensional Parameter Model), 온도 의존 보상(Temperature-Dependent Compensation)을 필요로 할 수 있다.

랜덤 오차(Random Error)는 특정 순간의 정확한 오차값을 알 수 없기 때문에 일반적으로 결정론적 교정(Deterministic Calibration)을 통해 제거할 수 없다. 대신 필터링(Filtering), 평균화(Averaging), 센서 융합(Sensor Fusion), 개선된 전기 설계(Electrical Design), 향상된 차폐(Shielding), 제어된 샘플링(Controlled Sampling), 통계적 추정(Statistical Estimation)을 통해 그 영향을 감소시키거나 관리할 수 있다. 이후 남아 있는 랜덤 불확실성(Random Uncertainty)은 후속 알고리즘(Downstream Algorithm)이 교정된 측정값의 신뢰성을 이해할 수 있도록 정량화해야 한다.

계통 오차(Systematic Error)와 랜덤 오차(Random Error)가 항상 완전히 독립적인 것은 아니다. 온도(Temperature)는 교정 가능한 예측적 바이어스(Predictable Bias)를 발생시키는 동시에 단기적인 온도 변화로 해당 바이어스 주변의 랜덤 변동(Random Variation)을 발생시킬 수 있다. 기계적 진동(Mechanical Vibration) 역시 반복 가능한 주파수 의존 영향(Frequency-Dependent Effect)과 확률적 교란(Stochastic Disturbance)을 동시에 만들 수 있다. 따라서 실제 오차 모델은 관측 가능한 거동과 적용하려는 보상 방법(Compensation Method)에 따라 오차 성분을 구분한다.

로봇 교정(Robotic Calibration)은 오차가 여러 좌표계(Coordinate Frame)와 처리 단계(Processing Stage)를 통해 전파되기 때문에 더욱 복잡해진다. 관성 측정 장치(IMU)의 각도 바이어스(Angular Bias)는 누적되어 자세 오차(Orientation Error)로 이어질 수 있으며, 카메라(Camera)나 라이다(LiDAR)의 작은 장착 각도 오차(Mounting-Angle Error)는 먼 거리에서 훨씬 큰 공간적 변위(Spatial Displacement)를 발생시킬 수 있다. 또한 로봇이 이동할 때 타임스탬프 오프셋(Timestamp Offset)이 기하학적 오차(Geometric Error)처럼 나타날 수 있으므로 교정은 전체 센싱 및 운동 시스템(Sensing and Motion System)을 고려해야 한다.

다중 센서(Multiple Sensors)에서는 계통 오차가 동일한 환경에 대한 관측 사이에서 일관된 불일치(Consistent Disagreement)를 발생시킬 수 있다. 카메라(Camera), 라이다(LiDAR), 레이더(Radar), 관성 측정 장치(IMU), 위성항법시스템 수신기(GNSS Receiver)가 개별적으로 정밀한 측정값을 제공하더라도 외부 파라미터(Extrinsic Parameter), 시간 정렬(Temporal Alignment), 스케일(Scale)의 오차로 인해 결합된 환경 표현(Environment Representation)이 잘못될 수 있다. 따라서 다중 센서 교정(Multi-Sensor Calibration)은 개별 센서 오차 모델과 센서 사이의 관계 모델을 모두 필요로 한다.

오차 모델(Error Model)은 또한 교정 파라미터(Calibration Parameter)와 잔류 오차(Residual Error)를 구분해야 한다. 교정 파라미터는 식별하고 보정할 수 있는 영향을 나타내는 반면, 잔류 오차는 보정을 적용한 이후에도 남아 있는 오차를 의미한다. 평균 잔차(Average Residual)가 작다고 해서 반드시 교정이 성공한 것은 아니므로 잔차 분석(Residual Analysis)이 중요하다. 잔차에 구조적인 패턴이 존재하면 누락된 비선형성(Nonlinearity), 온도 의존성(Temperature Dependency), 교차 결합(Cross-Coupling), 설치 영향(Installation Effect)이 존재할 가능성을 나타낼 수 있다.

따라서 교정 품질(Calibration Quality)은 하나의 오차값만으로 평가하기보다 기준 정확도(Reference Accuracy), 반복성(Repeatability), 잔차 통계(Residual Statistics), 운용 범위(Operating Range), 환경 조건(Environmental Condition), 측정 불확실성(Measurement Uncertainty)을 함께 사용하여 평가해야 한다. 정지된 실험실 조건(Stationary Laboratory Condition)에서 수행한 교정은 진동, 열 사이클(Thermal Cycling), 페이로드 변화(Payload Variation), 고속 운동(High-Speed Motion) 상황에서의 거동을 충분히 나타내지 못할 수 있다. 따라서 오차 모델은 의도된 전체 운용 영역(Operational Envelope)에서 유효해야 한다.

자율 로봇(Autonomous Robot)과 피지컬 AI 시스템(Physical AI System)에서 교정된 측정값은 궁극적으로 인지(Perception), 위치추정(Localization), 지도 작성(Mapping), 경로 및 행동 계획(Planning), 제어(Control)에 영향을 준다. 계통 오차는 로봇 내부의 물리 세계 표현(Physical World Representation)을 일정한 방향으로 왜곡할 수 있으며, 랜덤 오차는 개별 관측의 신뢰도(Confidence)를 감소시킨다. 따라서 잘 정의된 계통-랜덤 오차 모델(Systematic-Random Error Model)은 불확실성 분석(Uncertainty Analysis), 센서 교정(Sensor Calibration), 다중 센서 정렬(Multi-Sensor Alignment), 검증(Validation), 자동 교정 모니터링(Automated Calibration Monitoring)의 기반을 형성한다.

01.02. Intrinsic vs Extrinsic Parameters

내부 파라미터(Intrinsic Parameters)와 외부 파라미터(Extrinsic Parameters)는 교정(Calibration)의 근본적으로 서로 다른 두 측면을 설명한다. 내부 파라미터는 센서나 장치의 내부 측정 특성(Internal Measurement Behavior)을 나타내는 반면, 외부 파라미터는 외부 좌표계(External Coordinate Frame)에 대한 센서의 기하학적 관계(Geometric Relationship)를 나타낸다. 이 두 파라미터 종류를 명확히 구분하면 센서 모델링(Sensor Modeling), 좌표 변환(Coordinate Transformation), 다중 센서 통합(Multi-Sensor Integration)을 체계적으로 수행할 수 있다.

내부 파라미터(Intrinsic Parameters)는 내부 센싱 모델(Internal Sensing Model)에 속하며 물리량(Physical Quantity)이 측정 관측값(Measured Observation)으로 어떻게 변환되는지를 결정한다. 일반적으로 스케일(Scale), 오프셋(Offset), 광학 기하(Optical Geometry), 축 감도(Axis Sensitivity), 왜곡(Distortion) 또는 기타 센서 고유 특성(Sensor-Specific Property)과 관련된다. 따라서 내부 파라미터의 정확한 정의는 특정 센서가 사용하는 측정 원리(Measurement Principle)와 수학적 모델(Mathematical Model)에 따라 달라진다.

카메라(Camera)의 경우 내부 파라미터는 카메라 좌표계(Camera Frame)에서 표현된 3차원 좌표와 영상 평면(Image Plane)의 위치 사이 관계를 설명한다. 대표적인 파라미터에는 초점거리(Focal Length), 주점 좌표(Principal Point Coordinates), 픽셀 스케일링(Pixel Scaling), 필요한 경우 스큐(Skew), 렌즈 왜곡 계수(Lens Distortion Coefficients)가 포함된다. 이러한 값들은 입력되는 기하학적 정보가 카메라의 2차원 영상 표현(Two-Dimensional Image Representation)으로 어떻게 투영되는지를 결정한다.

카메라 내부 교정(Camera Intrinsic Calibration)은 일반적으로 초점거리와 주점 항을 포함하는 내부 행렬(Intrinsic Matrix)을 사용하여 표현한다. 실제 렌즈는 이상적인 핀홀 투영(Ideal Pinhole Projection)에서 벗어나므로 렌즈 왜곡(Lens Distortion)은 일반적으로 별도로 모델링한다. 방사 왜곡(Radial Distortion)과 접선 왜곡(Tangential Distortion) 파라미터를 사용하면 측정된 픽셀 좌표를 보정하여 결과 영상의 기하 구조가 가정된 수학적 카메라 모델에 더욱 가깝도록 만들 수 있다.

다른 센서는 서로 다른 내부 파라미터 집합(Intrinsic Parameter Set)을 가진다. 관성 측정 장치(IMU)는 가속도계(Accelerometer)와 자이로스코프(Gyroscope)의 바이어스(Bias), 스케일 팩터 보정(Scale-Factor Correction), 축 비직교성(Axis Non-Orthogonality), 축간 결합(Cross-Axis Coupling) 파라미터를 필요로 할 수 있다. 라이다(LiDAR)는 거리 바이어스(Range Bias), 각도 오프셋(Angular Offset), 채널별 보정(Channel-Dependent Correction), 강도 특성(Intensity Characteristic)을 다룰 수 있으며, 레이더(Radar)는 거리, 각도, 도플러(Doppler), 안테나 관련 측정 파라미터를 포함할 수 있다.

외부 파라미터(Extrinsic Parameters)는 센서가 다른 좌표계(Coordinate Frame)에 대해 어디에 위치하며 어떤 방향으로 정렬되어 있는지를 설명한다. 일반적으로 병진(Translation)과 회전(Rotation)으로 구성된다. 병진은 좌표계 원점(Coordinate-Frame Origin) 사이의 변위를 나타내고, 회전은 좌표계 사이의 상대적인 방향(Relative Orientation)을 나타낸다. 이 두 값은 하나의 좌표계에서 얻은 관측값을 다른 좌표계로 표현하기 위해 필요한 강체 변환(Rigid-Body Transformation)을 정의한다.

회전(Rotation)은 응용 분야에 따라 회전 행렬(Rotation Matrix), 오일러 각(Euler Angles), 축-각 표현(Axis-Angle Representation), 쿼터니언(Quaternion) 등을 사용하여 표현할 수 있다. 병진(Translation)은 일반적으로 3차원 벡터(Three-Dimensional Vector)로 표현한다. 회전과 병진은 동차 변환 행렬(Homogeneous Transformation Matrix)로 결합할 수도 있으며, 이를 통해 로봇의 인지(Perception), 위치추정(Localization), 지도 작성(Mapping), 제어(Control) 시스템 전체에서 좌표 변환을 일관되게 수행할 수 있다.

이러한 차이는 이동 로봇(Mobile Robot)에 장착된 카메라를 생각하면 쉽게 이해할 수 있다. 카메라의 초점거리(Focal Length)를 변경하면 카메라의 내부 투영 모델(Internal Projection Model)이 변하므로 내부 파라미터가 변경된다. 반면 동일한 카메라를 전방으로 10센티미터 이동시키면 카메라 자체의 내부 특성이 변하지 않더라도 로봇 바디 좌표계(Robot Body Frame)에 대한 물리적 관계가 달라지므로 외부 파라미터가 변경된다.

내부 파라미터 오차(Intrinsic Parameter Error)와 외부 파라미터 오차(Extrinsic Parameter Error)는 관측되는 영향도 서로 다르다. 잘못된 카메라 내부 파라미터는 영상 전체에 기하학적 왜곡(Geometric Distortion)을 발생시키거나 픽셀 위치에 따라 달라지는 투영 오차(Projection Error)를 만들 수 있다. 반면 잘못된 외부 파라미터는 관측값을 다른 좌표계로 변환할 때 기하학적으로 이동하거나 회전된 형태의 오차를 발생시킨다. 따라서 잔류 오차(Residual Error)의 공간적 구조를 분석하면 어떤 종류의 파라미터가 잘못되었는지 판단하는 데 도움이 된다.

외부 교정(Extrinsic Calibration)은 여러 센서를 포함하는 로봇에서 특히 중요하다. 카메라(Camera), 라이다(LiDAR), 레이더(Radar), 관성 측정 장치(IMU), 위성항법시스템 수신기(GNSS Receiver)는 각각 자체적인 로컬 좌표계(Local Coordinate Frame)에서 동작할 수 있다. 이들의 관측값을 결합하려면 각 센서 좌표계와 공통 바디 좌표계(Body Frame), 차량 좌표계(Vehicle Frame), 세계 좌표계(World Frame) 사이의 변환 관계를 알아야 한다. 정확한 외부 파라미터는 동일한 물리적 객체를 나타내는 측정값들이 기하학적으로 일치하도록 한다.

따라서 다중 센서 시스템(Multi-Sensor System)은 센서별 내부 교정(Sensor-Specific Intrinsic Calibration)과 센서 간 외부 교정(Inter-Sensor Extrinsic Calibration)을 모두 포함한다. 카메라 픽셀은 먼저 카메라 내부 파라미터를 사용하여 보정할 수 있으며, 라이다 측정값 역시 자체 내부 모델을 통해 보정된다. 이후 외부 변환(Extrinsic Transformation)을 적용하여 두 센서의 보정된 측정값을 공통 좌표계(Shared Coordinate Frame)에서 표현하고 서로 비교하거나 융합할 수 있다.

내부 파라미터와 외부 파라미터는 추정(Estimation) 과정에서 서로 영향을 줄 수도 있다. 카메라 초점거리가 잘못되어 있으면 최적화 알고리즘(Optimization Algorithm)이 추정된 센서 자세(Sensor Pose)를 변경하여 오차를 부분적으로 보상할 수 있다. 반대로 잘못된 센서 자세가 내부 측정 파라미터의 문제처럼 나타날 수도 있다. 따라서 교정 절차는 서로 다른 영향을 식별할 수 있도록 충분한 관측값, 기하학적 다양성(Geometric Diversity), 기준 품질(Reference Quality), 파라미터 제약(Parameter Constraint)을 제공해야 한다.

파라미터 관측 가능성(Parameter Observability)은 교정에서 핵심적인 문제이다. 교정 실험(Calibration Experiment)이 특정 파라미터에 민감한 측정값을 생성하지 않는다면 해당 파라미터를 신뢰성 있게 추정할 수 없다. 제한된 타깃 방향(Target Orientation), 불충분한 움직임(Motion), 좁은 시야각(Field of View), 불량한 특징 분포(Feature Distribution), 반복적인 기하 구조(Repetitive Geometry)는 내부 변수와 외부 변수 사이의 모호성(Ambiguity)을 발생시킬 수 있다. 따라서 교정 데이터는 관련된 기하학적 자유도(Geometric Degrees of Freedom)를 충분히 활성화할 수 있도록 구성해야 한다.

교정 파라미터(Calibration Parameter)는 물리적 안정성(Physical Stability)의 영향도 받는다. 내부 파라미터는 온도(Temperature), 노화(Aging), 기계적 응력(Mechanical Stress), 초점 조정(Focus Adjustment), 부품 교체(Component Replacement), 센서 설정(Sensor Configuration)에 따라 변할 수 있다. 외부 파라미터는 진동(Vibration), 충격(Impact), 브래킷 변형(Bracket Deformation), 정비(Maintenance), 페이로드 하중(Payload Loading), 기계적 분해(Mechanical Disassembly)로 인해 변할 수 있다. 따라서 특정 운용 기간 동안 일정하다고 간주한 파라미터라도 이후에는 재교정(Recalibration)이 필요할 수 있다.

검증(Validation)은 내부 교정과 외부 교정을 각각 평가하는 동시에 두 교정을 결합한 상태에서도 평가해야 한다. 내부 교정 검증(Intrinsic Validation)은 재투영(Reprojection), 측정 선형성(Measurement Linearity), 왜곡 잔차(Distortion Residual), 센서별 기준 오차(Sensor-Specific Reference Error)를 평가할 수 있다. 외부 교정 검증(Extrinsic Validation)은 좌표계 사이의 정렬(Alignment), 센서 간 기하학적 일관성(Geometric Consistency), 변환 잔차(Transformation Residual)를 평가할 수 있다. 개별적으로 허용 가능한 파라미터도 결합되었을 때 허용할 수 없는 오차를 발생시킬 수 있으므로 종단간 검증(End-to-End Validation)도 필요하다.

자율 로봇(Autonomous Robot)과 피지컬 AI 시스템(Physical AI System)에서 내부 파라미터(Intrinsic Parameters)는 개별 센서가 물리적 관측값을 얼마나 정확하게 표현하는지를 결정하며, 외부 파라미터(Extrinsic Parameters)는 이러한 관측값이 로봇의 공유 공간 표현(Shared Spatial Representation) 안에서 얼마나 정확한 위치와 방향으로 배치되는지를 결정한다. 이 두 파라미터의 결합된 교정은 신뢰할 수 있는 인지(Perception), 위치추정(Localization), 지도 작성(Mapping), 센서 융합(Sensor Fusion), 계획(Planning), 제어(Control)를 지원하며, 내부-외부 파라미터의 구분은 교정 공학(Calibration Engineering) 전반의 기본 개념을 형성한다.

01.03. Coordinate Frame Transformation

좌표계 변환(Coordinate Frame Transformation)은 동일한 물리적 점(Physical Point), 방향(Direction), 자세(Pose), 운동(Motion)을 서로 다른 좌표계(Coordinate System)에서 표현하기 위한 수학적 기반(Mathematical Foundation)을 제공한다. 로봇은 일반적으로 본체(Body), 센서(Sensor), 액추에이터(Actuator), 매니퓰레이터(Manipulator), 환경(Environment)에 연관된 여러 좌표계(Frame)를 가진다. 교정(Calibration)은 이러한 좌표계 사이의 기하학적 관계(Geometric Relationship)를 결정하여 독립적으로 생성된 측정값을 하나의 일관된 공간 표현(Spatial Representation)에서 해석할 수 있도록 한다.

좌표계(Coordinate Frame)는 원점(Origin)과 방향이 정의된 축(Oriented Axes)의 집합으로 구성된다. 하나의 좌표계에서 좌표로 표현된 3차원 점(Three-Dimensional Point)은 물리적 위치가 변하지 않았더라도 다른 좌표계에서 표현하면 일반적으로 서로 다른 수치 좌표를 갖는다. 따라서 좌표 변환(Coordinate Transformation)은 실제 물체나 위치 자체를 변경하는 것이 아니라 해당 물리량의 수학적 표현(Mathematical Representation)을 변경하는 과정이다.

로봇 시스템(Robotic System)은 일반적으로 세계 좌표계(World Frame), 지도 좌표계(Map Frame), 오도메트리 좌표계(Odometry Frame), 차량 좌표계(Vehicle Frame), 바디 좌표계(Body Frame), 센서 좌표계(Sensor Frame), 조인트 좌표계(Joint Frame), 툴 좌표계(Tool Frame)를 정의한다. 이동 로봇(Mobile Robot)은 섀시에 고정된 바디 좌표계를 사용할 수 있으며, 카메라(Camera), 라이다(LiDAR), 레이더(Radar), 관성 측정 장치(IMU)는 각각 자체 센서 좌표계를 가진다. 매니퓰레이터는 베이스(Base), 링크(Link), 조인트(Joint), 플랜지(Flange), 엔드 이펙터(End Effector)를 위한 좌표계를 추가로 사용한다. 교정은 독립적으로 정의된 이러한 좌표계를 연결하는 변환 관계를 설정한다.

기본적인 강체 변환(Rigid-Body Transformation)은 회전(Rotation)과 병진(Translation)으로 구성된다. 회전은 두 좌표계 사이의 상대적인 방향(Relative Orientation)을 나타내고, 병진은 두 좌표계 원점 사이의 변위(Displacement)를 나타낸다. 센서 좌표계 S에서 점이 주어진 경우 바디 좌표계 B에서의 좌표는 개념적으로 p_B = R_BS p_S + t_BS로 구할 수 있으며, 여기서 R_BS는 회전을 나타내고 t_BS는 병진을 나타낸다.

3차원 회전 행렬(Rotation Matrix)은 행과 열이 직교 조건(Orthogonality Constraint)을 만족하는 3 × 3 행렬이다. 유효한 회전은 거리(Distance)와 각도(Angle)를 보존하며 행렬식(Determinant)이 +1이다. 회전 행렬은 특이점(Singularity)을 발생시키지 않고 벡터(Vector)를 직접 변환할 수 있기 때문에 특히 유용하지만, 9개의 행렬 요소 중 실제로 독립적인 회전 자유도(Rotational Degrees of Freedom)는 3개뿐이다.

회전 관계(Rotational Relationship)는 오일러 각(Euler Angles), 롤-피치-요 각(Roll-Pitch-Yaw Angles), 축-각 표현(Axis-Angle Representation), 쿼터니언(Quaternion)을 사용하여 표현할 수도 있다. 오일러 각 표현은 직관적이지만 회전 순서(Rotation Order)에 따라 결과가 달라지고 짐벌 락(Gimbal Lock)과 같은 특이점이 발생할 수 있다. 쿼터니언은 보간(Interpolation)과 반복적인 자세 계산에 간결하고 수치적으로 편리하지만 물리적인 회전각보다 직관적으로 이해하기 어렵다.

회전(Rotation)과 병진(Translation)은 일반적으로 4 × 4 동차 변환 행렬(Homogeneous Transformation Matrix)로 결합된다. 좌측 상단의 3 × 3 블록(Block)은 회전을 포함하고 우측 상단 벡터(Vector)는 병진을 포함하며, 마지막 행은 동차 좌표(Homogeneous Coordinates)를 사용한 아핀 연산(Affine Operation)을 가능하게 한다. 이러한 표현을 사용하면 하나의 행렬 곱셈(Matrix Multiplication)을 통해 회전과 병진을 함께 처리할 수 있어 연속적인 좌표 변환을 크게 단순화할 수 있다.

변환 방향(Transformation Direction)은 주의 깊게 정의해야 한다. 좌표계 A의 좌표를 좌표계 B로 변환하는 변환은 B에서 A로 변환하는 변환과 수치적으로 동일하지 않다. 역방향 관계는 역 강체 변환(Inverse Rigid Transformation)을 통해 구한다. 이때 회전은 원래 회전 행렬의 전치(Transpose), 즉 역행렬(Inverse)이 되며, 병진 역시 단순히 부호만 바꾸는 것이 아니라 회전 관계에 맞게 적절하게 변환해야 한다.

변환 합성(Transformation Composition)을 사용하면 직접 연결되지 않은 좌표계 사이의 관계를 구할 수 있다. 카메라에서 바디까지의 변환(Camera-to-Body Transformation)과 바디에서 세계 좌표계까지의 변환(Body-to-World Transformation)을 알고 있다면 올바른 순서로 두 변환을 합성하여 카메라에서 세계 좌표계까지의 변환(Camera-to-World Transformation)을 얻을 수 있다. 행렬 곱셈은 교환 법칙(Commutativity)이 성립하지 않으므로 변환 순서를 바꾸면 일반적으로 물리적으로 다른 잘못된 결과가 생성된다.

이러한 개념은 자연스럽게 변환 체인(Transformation Chain) 또는 좌표계 트리(Frame Tree)를 형성한다. 로봇에는 카메라-바디-오도메트리-지도(Camera-to-Body-to-Odometry-to-Map) 또는 라이다-바디-세계(LiDAR-to-Body-to-World)와 같은 경로가 존재할 수 있다. 가능한 모든 좌표계 쌍을 독립적으로 교정하는 대신 일관된 부모-자식 관계(Parent-Child Relationship)를 설정하고 필요할 때 이를 합성할 수 있다. 이는 중복 파라미터(Redundant Parameter)를 줄이고 시스템 전체의 기하학적 일관성(Geometric Consistency)을 유지하는 데 도움이 된다.

좌표 변환은 점(Point), 방향 벡터(Direction Vector), 물리량(Physical Quantity)에 따라 서로 다르게 적용된다. 병진(Translation)은 점의 좌표에는 영향을 주지만 순수한 방향 벡터에는 영향을 주지 않는다. 각속도(Angular Velocity)와 선형 가속도(Linear Acceleration)는 적절한 회전 변환을 필요로 하며, 힘(Force), 토크(Torque), 공분산 행렬(Covariance Matrix) 및 기타 물리량은 각각 특화된 변환 규칙(Transformation Rule)을 필요로 할 수 있다. 따라서 정확한 좌표계 의미(Frame Semantics)는 수치적인 변환값만큼 중요하다.

교정 오차(Calibration Error)는 좌표 변환 오차(Transformation Error)로 직접 나타난다. 병진 오차(Translation Error)는 변환된 측정값을 이동시키며, 회전 오차(Rotational Error)는 일반적으로 센서에서 멀어질수록 증가하는 위치 변위를 발생시킨다. 예를 들어 작은 라이다 요 정렬 오차(LiDAR Yaw Misalignment)는 로봇 근처에서는 미미하게 보일 수 있지만 장거리에서는 상당한 횡방향 불일치(Lateral Disagreement)를 발생시킬 수 있다. 이러한 특성 때문에 장거리 인지 센서(Long-Range Perception Sensor)에서는 각도 교정 정확도(Angular Calibration Accuracy)가 매우 중요하다.

다중 센서 시스템(Multi-Sensor System)은 좌표 변환에 크게 의존한다. 카메라 관측값은 영상 및 카메라 좌표계(Image and Camera Frame), 라이다 포인트는 라이다 좌표계(LiDAR Frame), 레이더 검출값은 레이더 좌표계(Radar Frame), 관성 측정값은 관성 측정 장치 좌표계(IMU Frame)에서 생성될 수 있다. 외부 교정(Extrinsic Calibration)은 이러한 관측값을 기하학적으로 비교하거나 연관(Association), 위치추정(Localization), 센서 융합(Sensor Fusion)을 수행하기 전에 공통 바디 좌표계(Common Body Frame) 또는 세계 좌표계(World Frame)로 변환하는 데 필요한 관계를 결정한다.

움직이는 시스템(Moving System)에서는 좌표계와 함께 시간(Time)도 고려해야 한다. 특정 타임스탬프(Timestamp)에서 유효한 변환은 다른 타임스탬프에서의 로봇 자세를 더 이상 정확하게 나타내지 못할 수 있다. 센서 측정값이 비동기적(Asynchronous)으로 획득되는 경우 기하학적으로 정확한 변환을 잘못된 시간에 적용하면 겉보기 공간 정렬 오차(Apparent Spatial Misalignment)가 발생할 수 있다. 따라서 정확한 타임스탬프 정렬(Timestamp Alignment)과 자세 보간(Pose Interpolation)은 변환 정확도와 밀접하게 연결된다.

변환 불확실성(Transformation Uncertainty)은 무시하지 않고 좌표 변환 체인을 따라 전파되어야 한다. 센서 장착 위치(Sensor Mounting Position), 방향(Orientation), 차량 자세(Vehicle Pose), 기준 측정값(Reference Measurement)의 불확실성은 최종 변환 결과에 영향을 미친다. 긴 변환 체인에서는 불확실성이 누적될 수 있으며, 회전 불확실성(Rotational Uncertainty)은 거리가 증가할수록 커지는 위치 불확실성(Position Uncertainty)을 발생시킬 수 있다. 따라서 교정 공학(Calibration Engineering)은 변환 파라미터뿐만 아니라 해당 파라미터에 대한 신뢰도(Confidence)도 함께 평가한다.

검증(Validation)은 변환 방향(Transformation Direction), 회전 규약(Rotation Convention), 축 정의(Axis Definition), 단위(Unit), 합성 순서(Composition Order), 타임스탬프 일관성(Timestamp Consistency), 기하학적 잔차(Geometric Residual)를 확인해야 한다. 알려진 타깃(Known Target), 중첩된 센서 관측(Overlapping Sensor Observation), 기준 궤적(Reference Trajectory), 물리적 랜드마크(Physical Landmark)를 이용하여 변환된 측정값이 예상대로 일치하는지 시험할 수 있다. 수학적으로 유효한 변환 행렬이라도 좌표계 규약(Frame Convention)이나 물리적 해석(Physical Interpretation)이 잘못되었다면 충분하지 않다.

자율 로봇(Autonomous Robot)과 피지컬 AI 시스템(Physical AI System)에서 좌표계 변환(Coordinate Frame Transformation)은 교정된 센서(Calibrated Sensor)를 통합된 물리 세계 표현(Unified Representation of the Physical World)에 연결한다. 신뢰할 수 있는 변환은 인지(Perception), 위치추정(Localization), 지도 작성(Mapping), 센서 융합(Sensor Fusion), 계획(Planning), 제어(Control) 모듈이 공간 정보를 일관되게 교환하도록 한다. 따라서 좌표계 변환은 단순한 수학적 연산이 아니라 교정 파라미터(Calibration Parameter)를 로봇 수준의 물리 지능(Robot-Level Physical Intelligence)에 연결하는 핵심 인터페이스(Fundamental Interface)이다.

01.04. Calibration Uncertainty Analysis

교정 불확실성 분석(Calibration Uncertainty Analysis)은 교정된 파라미터(Calibrated Parameter) 또는 보정된 측정값(Corrected Measurement)이 실제 물리량(Physical Quantity)을 얼마나 신뢰성 있게 나타낼 수 있는지를 결정한다. 교정은 완벽하게 알려진 값을 만들어내는 과정이 아니며, 모든 기준값(Reference), 관측값(Observation), 모델(Model), 피팅 절차(Fitting Procedure), 환경 조건(Environmental Condition)은 일정한 불확실성을 발생시킨다. 따라서 목적은 교정 파라미터를 추정하는 것뿐만 아니라 그 추정값의 신뢰성과 예상 변동 범위를 정량화하는 것이다.

측정 오차(Measurement Error)와 측정 불확실성(Measurement Uncertainty)은 서로 관련되어 있지만 서로 다른 개념이다. 오차(Error)는 측정값과 참값(True Value) 사이의 차이를 나타내는 반면, 불확실성(Uncertainty)은 정확한 참값을 알 수 없는 상황에서 측정값과 관련된 범위와 신뢰도(Confidence)를 나타낸다. 교정을 통해 식별 가능한 계통 오차(Systematic Error)를 줄일 수 있지만 기준값, 랜덤 잡음(Random Noise), 모델 가정(Model Assumption), 교정 파라미터 자체가 완벽하게 알려져 있지 않기 때문에 불확실성은 여전히 남는다.

불확실성 분석(Uncertainty Analysis)은 최종 교정 결과에 영향을 미치는 관련 불확실성 원인(Uncertainty Source)을 식별하는 것에서 시작한다. 여기에는 센서 잡음(Sensor Noise), 기준 타깃 정확도(Reference-Target Accuracy), 측정 반복성(Measurement Repeatability), 장착 공차(Mounting Tolerance), 환경 변화(Environmental Variation), 타임스탬프 불확실성(Timestamp Uncertainty), 수치 최적화(Numerical Optimization), 파라미터 추정(Parameter Estimation), 수학적 모델의 한계(Mathematical Model Limitation)가 포함될 수 있다. 유용한 불확실성 예산(Uncertainty Budget)은 각 원인을 최종적으로 평가해야 하는 교정 정확도(Calibration Accuracy)와 명확하게 연결한다.

불확실성 성분(Uncertainty Component)은 일반적으로 평가 방법에 따라 분류된다. A형 평가(Type A Evaluation)는 반복 관측(Repeated Observation)으로부터 표본 분산(Sample Variance), 표준편차(Standard Deviation)와 같은 통계량을 사용하여 불확실성을 통계적으로 산출한다. B형 평가(Type B Evaluation)는 계측기 사양(Instrument Specification), 교정 성적서(Calibration Certificate), 기준 공차(Reference Tolerance), 제조사 데이터(Manufacturer Data), 이전 측정 결과, 분해능 한계(Resolution Limit), 측정 시스템에 대한 공학적 지식(Engineering Knowledge) 등의 정보를 이용한다.

표준 불확실성(Standard Uncertainty)은 하나의 불확실성 성분을 표준편차와 비교 가능한 형태로 표현한다. 여러 독립적인 성분이 결과에 영향을 미치는 경우 호환 가능한 단위와 민감도 항(Sensitivity Term)으로 표현한 후 제곱합의 제곱근(Root-Sum-Square) 관계를 이용하여 결합할 수 있다. 서로 상관된 성분(Correlated Component)은 공통 기준, 환경 또는 파라미터에서 발생하는 불확실성을 항상 통계적으로 독립된 것으로 처리할 수 없기 때문에 추가적인 공분산 항(Covariance Term)이 필요하다.

민감도 계수(Sensitivity Coefficient)는 각 입력 변수(Input Variable)의 변화에 대해 최종 교정량(Calibrated Quantity)이 얼마나 크게 반응하는지를 나타낸다. 하나의 파라미터가 조금만 변해도 출력이 크게 변화한다면 해당 파라미터의 불확실성이 특히 중요해진다. 이러한 접근법을 사용하면 거리(Distance), 각도(Angle), 온도(Temperature), 시간(Timing), 스케일 팩터(Scale Factor)처럼 서로 다른 물리량에서 발생한 불확실성을 교정 모델(Calibration Model)을 통해 공통 출력량으로 전파할 수 있다.

공분산(Covariance)은 여러 교정 파라미터를 동시에 추정하는 경우 더욱 완전한 불확실성 표현을 제공한다. 병진(Translation)과 회전(Rotation), 초점거리(Focal Length)와 카메라 자세(Camera Pose), 관성 측정 장치(IMU)의 스케일 팩터와 축 정렬(Axis Alignment)과 같은 파라미터는 최적화 과정에서 통계적으로 결합될 수 있다. 공분산 행렬(Covariance Matrix)은 개별 파라미터의 분산(Variance)과 파라미터 사이의 상관관계(Correlation)를 함께 표현하므로 각각의 파라미터 불확실성을 독립적으로 살펴보는 것만으로는 얻을 수 없는 정보를 제공한다.

불확실성 전파(Uncertainty Propagation)는 좌표 변환(Coordinate Transformation)에서 특히 중요하다. 병진 불확실성(Translation Uncertainty)은 위치 불확실성(Position Uncertainty)에 직접 영향을 미치며, 회전 불확실성(Rotational Uncertainty)은 거리가 증가할수록 커지는 위치 오차를 발생시킬 수 있다. 측정값이 센서-바디(Sensor-to-Body), 바디-오도메트리(Body-to-Odometry), 오도메트리-지도(Odometry-to-Map) 변환을 거치는 경우 각 단계의 불확실성이 최종 세계 좌표계 추정값(World-Frame Estimate)에 영향을 미칠 수 있다. 따라서 긴 변환 체인(Transformation Chain)은 체계적인 불확실성 전파를 필요로 한다.

선형 불확실성 전파(Linear Uncertainty Propagation)는 일반적으로 미분(Derivative) 또는 야코비안 행렬(Jacobian Matrix)을 사용하여 추정된 운용점(Operating Point) 주변에서 비선형 교정 모델(Nonlinear Calibration Model)을 근사한다. 이후 입력 공분산(Input Covariance)을 국부 민감도 모델(Local Sensitivity Model)을 통해 출력 공분산(Output Covariance)으로 변환할 수 있다. 이 방법은 계산 효율이 높으며 불확실성이 비교적 작고 교정된 해 주변의 관련 영역에서 시스템이 근사적으로 선형으로 동작할 때 유용하다.

강한 비선형성(Strong Nonlinearity), 비가우시안 분포(Non-Gaussian Distribution), 큰 자세 불확실성(Orientation Uncertainty), 제약된 파라미터(Constrained Parameter)가 존재하면 1차 근사(First-Order Approximation)가 충분하지 않을 수 있다. 몬테카를로 분석(Monte Carlo Analysis)은 가정된 분포에서 불확실한 입력을 반복적으로 샘플링하고 전체 교정 모델을 계산한 다음 결과 출력 분포를 분석하는 대안적인 방법을 제공한다. 이를 통해 단순한 공분산 전파로 표현하기 어려운 비대칭 신뢰 영역(Asymmetric Confidence Region), 비선형 상호작용(Nonlinear Interaction), 복합적인 영향을 확인할 수 있다.

교정 불확실성(Calibration Uncertainty)은 기준 시스템(Reference System)의 불확실성도 포함해야 한다. 교정 타깃(Calibration Target), 좌표 측정 장치(Coordinate Measuring Device), 기준 관성 측정 장치(Reference IMU), 모션 캡처 시스템(Motion-Capture System), 위성항법 기준(GNSS Reference), 정밀 지그(Precision Fixture)를 완벽하게 정확하다고 가정할 수는 없다. 기준 시스템의 불확실성이 요구되는 센서 교정 정확도와 비슷한 수준이라면 최종 불확실성 예산을 지배하고 신뢰성 있게 입증할 수 있는 교정 성능의 한계를 결정할 수 있다.

반복성(Repeatability)과 재현성(Reproducibility)은 교정 불확실성을 서로 다른 관점에서 평가한다. 반복성은 본질적으로 동일한 조건에서 측정을 반복했을 때 발생하는 변동을 평가한다. 재현성은 서로 다른 작업자(Operator), 지그(Fixture), 설치(Installation), 장치(Device), 환경 조건 또는 교정 세션(Calibration Session)으로 인해 발생하는 변화를 평가한다. 하나의 교정 방법이 특정 실험실 환경에서는 뛰어난 반복성을 보이더라도 생산 또는 현장 조건에서 재현할 경우 훨씬 큰 불확실성을 나타낼 수 있다.

환경 조건(Environmental Condition)은 측정 가능한 파라미터 드리프트(Parameter Drift)와 추가적인 불확실성을 모두 발생시킬 수 있다. 온도(Temperature), 진동(Vibration), 습도(Humidity), 기계적 하중(Mechanical Loading), 전자기 간섭(Electromagnetic Interference), 부품 노화(Component Aging)는 센서의 동작이나 장착 기하 구조(Mounting Geometry)를 변화시킬 수 있다. 따라서 교정 불확실성은 모든 조건에서 일정하다고 가정하기보다 정의된 운용 영역(Operational Envelope)과 연계되어야 한다. 환경 민감도(Environmental Sensitivity)는 모델링하거나 보상하고, 범위를 설정하거나 불확실성 예산에 명시적으로 포함할 수 있다.

확장 불확실성(Expanded Uncertainty)은 일반적으로 지정된 신뢰 수준(Level of Confidence)을 갖는 추정 결과 주변의 구간을 표현하는 데 사용된다. 이는 정의된 통계적 가정(Statistical Assumption) 아래에서 적절한 포함 계수(Coverage Factor)를 사용하여 결합 표준 불확실성(Combined Standard Uncertainty)으로부터 계산된다. 따라서 보고되는 값에는 추정된 교정 파라미터뿐만 아니라 불확실성, 신뢰도 해석(Confidence Interpretation), 단위(Unit), 기준 조건(Reference Condition), 평가 과정에서 사용한 가정도 함께 포함되어야 한다.

가능한 경우 검증 데이터(Validation Data)는 교정 파라미터 추정에 사용된 관측 데이터와 분리해야 한다. 교정 데이터셋(Calibration Dataset)만을 평가하면 최적화가 이미 해당 측정값에 맞추어 피팅되어 있기 때문에 실제 운용 환경에서의 불확실성을 과소평가할 수 있다. 독립적인 타깃(Target), 궤적(Trajectory), 자세(Pose), 센서 관측(Sensor Observation), 운용 조건을 사용하면 추정된 파라미터와 관련 불확실성이 최초의 교정 실험을 벗어난 조건에서도 유효하다는 더욱 강한 근거를 제공할 수 있다.

다중 센서 시스템(Multi-Sensor System)에서는 불확실성이 개별 측정값을 센서 융합(Sensor Fusion)에 얼마나 강하게 반영해야 하는지를 결정한다. 카메라(Camera), 라이다(LiDAR), 레이더(Radar), 관성 측정 장치(IMU), 위성항법시스템 수신기(GNSS Receiver)는 서로 다른 공간적(Spatial), 시간적(Temporal), 환경적(Environmental) 불확실성을 가진 관측값을 제공할 수 있다. 이러한 불확실성을 표현하면 추정 알고리즘(Estimation Algorithm)이 측정값에 적절한 가중치를 부여하고, 일관되지 않은 관측을 제거하며, 위치추정(Localization), 지도 작성(Mapping), 인지(Perception), 상태 추정(State Estimation) 과정으로 신뢰도를 전파할 수 있다.

교정 불확실성 분석(Calibration Uncertainty Analysis)은 궁극적으로 교정을 하나의 최적 적합 파라미터(Best-Fit Parameter)를 구하는 문제에서 정량적인 신뢰도 문제(Quantitative Confidence Problem)로 확장한다. 자율 로봇(Autonomous Robot)과 피지컬 AI 시스템(Physical AI System)에서는 인지(Perception), 위치추정(Localization), 지도 작성(Mapping), 계획(Planning), 제어(Control)가 교정된 값뿐만 아니라 해당 값이 얼마나 신뢰할 수 있는지에 대한 정보에도 의존하기 때문에 이러한 구분이 중요하다. 따라서 완전한 교정 프로세스(Calibration Process)는 파라미터를 추정하고, 불확실성을 전파하며, 신뢰도를 검증하고, 운용 전체에 걸쳐 불확실성이 허용 가능한 수준으로 유지되는지를 모니터링해야 한다.

01.05. Calibration Traceability

교정 추적성(Calibration Traceability)은 교정 결과(Calibration Result)와 공인된 기준 표준(Recognized Reference Standards) 사이에 문서화되고 기술적으로 입증 가능한 연결 관계를 확립한다. 교정값(Calibrated Value)은 독립적인 보정 파라미터(Correction Parameter)로만 존재해서는 안 되며, 기준이 어떻게 설정되었는지, 어떤 장비와 절차가 사용되었는지, 어느 정도의 불확실성(Uncertainty)이 포함되었는지, 그리고 언제 교정이 수행되었는지를 보여주는 근거에 의해 뒷받침되어야 한다.

측정학적 추적성(Metrological Traceability)은 일반적으로 측정 결과(Measurement Result)가 문서화되고 단절되지 않은 교정 체인(Unbroken Chain of Calibrations)을 통해 기준(Reference)과 연결될 수 있는 특성을 의미한다. 이 체인의 각 연결 단계(Link)는 측정 불확실성(Measurement Uncertainty)에 영향을 준다. 따라서 목적은 단순히 계측기가 교정되었다고 명시하는 것이 아니라, 측정 결과가 연속적인 기준 체계를 통해 공인된 측정 기반(Accepted Measurement Basis)에 어떻게 연결되는지를 입증하는 것이다.

일반적인 추적성 체인(Traceability Chain)은 국제적 또는 국가적으로 공인된 측정 표준(Measurement Standards)에서 시작하여 공인되거나 관리되는 기준 시험실(Reference Laboratory), 작업 표준(Working Standard), 교정 장비(Calibration Equipment), 생산 지그(Production Fixture), 그리고 최종적으로 교정 대상 센서 또는 시스템으로 이어진다. 각 단계는 측정 정보를 다음 단계로 전달하면서 최종 결과의 전체 불확실성에 정량화된 영향을 추가한다.

추적성(Traceability)은 모든 기준이 유한한 정확도(Finite Accuracy)를 가지므로 측정 불확실성과 밀접하게 연결된다. 생산용 교정 지그(Production Calibration Fixture)는 더 높은 정확도를 가진 작업 표준을 이용하여 교정될 수 있으며, 이 작업 표준 자체도 시험실 기준(Laboratory Reference)과 비교된다. 이러한 연속적인 비교에서 발생하는 불확실성을 이해해야 최종 센서 교정 정확도를 기준 체인이 정당하게 뒷받침할 수 있는 수준 이상으로 주장하는 것을 방지할 수 있다.

교정 성적서(Calibration Certificate)는 이러한 체인에서 중요한 근거를 제공한다. 일반적으로 교정 대상 장비, 기준 표준(Reference Standards), 교정 날짜(Calibration Date), 측정 결과, 불확실성, 환경 조건(Environmental Conditions), 적용된 절차(Procedure), 관련 식별 정보(Identification Information)를 포함한다. 이를 통해 엔지니어는 특정 교정 작업이 수행되었을 당시 기준 장비가 유효한 상태였으며 해당 작업에 적합했는지를 판단할 수 있다.

따라서 추적성은 식별 관리(Identification Control)와 형상 관리(Configuration Control)에 크게 의존한다. 센서, 기준 계측기(Reference Instrument), 교정 타깃(Calibration Target), 지그(Fixture), 소프트웨어 버전(Software Version), 파라미터 파일(Parameter File), 교정 절차(Calibration Procedure)는 고유 식별자(Unique Identifier) 또는 관리되는 개정 정보(Controlled Revision Information)를 가져야 한다. 이러한 정보가 없다면 교정 결과를 재현하거나 현재 로봇에 저장된 파라미터가 어떤 기준 구성에서 생성되었는지 확인하기 어려울 수 있다.

교정 주기(Calibration Interval) 역시 추적성의 중요한 부분이다. 기준 장비는 노화(Aging), 기계적 마모(Mechanical Wear), 온도 사이클링(Temperature Cycling), 전기적 변화(Electrical Change), 오염(Contamination), 반복적인 취급(Repeated Handling)으로 인해 드리프트(Drift)가 발생할 수 있다. 따라서 교정 상태(Calibration Status)는 유효기간(Validity Date) 또는 정의된 재교정 기준(Recalibration Criteria)을 포함해야 한다. 교정 유효기간이 만료된 장비가 교정 직후와 동일한 추적 가능한 정확도를 제공한다고 자동으로 가정해서는 안 된다.

적절한 교정 주기는 안정성(Stability), 사용 빈도(Usage Frequency), 환경 노출(Environmental Exposure), 요구 정확도(Required Accuracy), 과거 드리프트(Historical Drift), 운용 위험(Operational Risk)에 따라 달라진다. 매우 안정적인 시험실 기준은 비교적 오랫동안 허용 가능한 성능을 유지할 수 있지만, 진동이나 반복적인 기계 접촉에 노출되는 생산 지그는 더욱 빈번한 검증(Verification)이 필요할 수 있다. 과거 교정 데이터(Historical Calibration Data)를 활용하면 임의적인 일정이 아니라 근거 기반 교정 주기(Evidence-Based Interval)를 설정할 수 있다.

기준 계층(Reference Hierarchy)은 로봇 센서를 교정할 때 특히 중요하다. 카메라 교정 타깃(Camera Calibration Target)은 알려진 기하학적 치수(Geometric Dimension)에 의존할 수 있으며, 관성 측정 장치 교정 스테이션(IMU Calibration Station)은 기준 방향(Reference Orientation)과 운동(Motion)에 의존할 수 있다. 라이다 교정(LiDAR Calibration)은 정확하게 측량된 타깃 위치(Surveyed Target Position)에 의존할 수 있다. 위성항법시스템(GNSS), 레이더(Radar), 조향(Steering), 모터(Motor), 서보(Servo)의 교정 역시 목표 파라미터에 적합한 정확도와 추적성을 가진 기준을 필요로 한다.

현대의 교정은 순수한 물리적 측정 과정만으로 이루어지는 경우가 드물기 때문에 추적성은 소프트웨어(Software)도 포함해야 한다. 알고리즘(Algorithm)은 특징 추출(Feature Extraction), 좌표 변환(Coordinate Transformation), 최적화(Optimization), 보상(Compensation), 파라미터 추정(Parameter Estimation), 불확실성 계산(Uncertainty Calculation)을 수행한다. 물리적 장비가 동일하게 유지되더라도 소프트웨어 버전, 수치 라이브러리(Numerical Library), 모델 정의(Model Definition), 설정 파일(Configuration File), 최적화 설정(Optimization Setting)이 변경되면 교정 결과가 달라질 수 있다.

따라서 교정 데이터 관리(Calibration Data Management)는 물리적 장치와 해당 교정 기록(Calibration Record) 사이의 관계를 보존해야 한다. 유용한 기록에는 장치 일련번호(Device Serial Number), 교정 파라미터 집합(Calibration Parameter Set), 타임스탬프(Timestamp), 작업자 또는 자동 교정 스테이션(Automated Calibration Station), 기준 장비 식별자, 절차 개정 번호(Procedure Revision), 소프트웨어 버전, 환경 조건, 불확실성 정보, 검증 결과(Validation Result), 승인 상태(Approval Status)가 포함될 수 있다. 이를 통해 각 교정 장치에 대한 재현 가능한 이력(Reproducible History)을 구축할 수 있다.

로봇 생산(Robotics Production)에서 추적성을 확보하면 교정 결과를 개별 로봇과 센서 어셈블리(Sensor Assembly)에 연결할 수 있다. 카메라(Camera), 라이다(LiDAR), 관성 측정 장치(IMU), 모터(Motor), 조향 모듈(Steering Module), 기계적 브래킷(Mechanical Bracket)이 교체되었을 때 시스템은 기존 교정 파라미터가 여전히 유효한지를 판단할 수 있다. 형상 변경(Configuration Change)이 발생하면 오래된 파라미터가 하드웨어 변경 후에도 그대로 사용되는 것을 방지하고 재교정 요구(Recalibration Requirement)를 발생시킬 수 있다.

추적성은 제품 생산 이후 교정 문제가 발견되는 경우에도 매우 중요하다. 기준 지그(Reference Fixture)의 정렬이 잘못되었다는 사실이 나중에 발견되면 교정 기록을 통해 해당 지그를 사용한 로봇, 센서, 생산 배치(Batch), 교정 세션(Calibration Session)을 식별할 수 있다. 이후 엔지니어는 영향받은 대상 범위(Affected Population)를 정의하고 잠재적 오차(Potential Error)를 평가하여 재교정이나 현장 시정 조치(Field Corrective Action)가 필요한지를 판단할 수 있다.

자동 교정 시스템(Automated Calibration System)은 실행 과정에서 정보를 직접 기록함으로써 추적성을 강화할 수 있다. 교정 스테이션(Calibration Station)은 장치 식별자, 기준 상태(Reference Status), 원시 측정값(Raw Measurement), 추정 파라미터(Estimated Parameter), 잔류 오차(Residual Error), 불확실성 지표(Uncertainty Metric), 소프트웨어 버전, 합격/불합격 판정(Pass/Fail Decision)을 자동으로 저장할 수 있다. 자동 기록은 수동 입력에 대한 의존성을 줄이고 대규모 교정 이력을 감사(Audit), 비교, 분석하기 쉽게 만든다.

추적성은 생산 단계에서 종료되지 않고 현장 재교정(Field Recalibration)과 유지보수(Maintenance)까지 이어져야 한다. 장기간 운용되는 로봇은 센서 교체, 기계적 충격(Mechanical Impact), 브래킷 변형(Bracket Deformation), 온도 노출(Temperature Exposure), 소프트웨어 업데이트(Software Update), 부품 노화(Component Aging)를 경험할 수 있다. 각각의 재교정 이벤트(Recalibration Event)를 기록하면 수명주기 이력(Lifecycle History)을 구축할 수 있으며, 파라미터 드리프트(Parameter Drift)를 확인하고 점진적인 성능 저하(Gradual Degradation)와 갑작스러운 하드웨어 또는 설치 변경을 구분할 수 있다.

완전한 추적성 시스템(Traceability System)은 기준 표준(Reference Standards), 교정 장비(Calibration Equipment), 절차(Procedure), 소프트웨어(Software), 불확실성(Uncertainty), 교정 파라미터(Calibration Parameters), 검증 결과(Validation Results), 물리적 로봇(Physical Robot)을 전체 수명주기(Lifecycle)에 걸쳐 연결한다. 자율 로봇(Autonomous Robot)과 피지컬 AI 시스템(Physical AI System)에서 이러한 문서화된 체인은 센서와 액추에이터 파라미터가 단순히 수치적으로 타당한 값에 머무르지 않고, 재현 가능한 측정 근거(Reproducible Measurement Evidence), 관리된 기준(Controlled References), 책임 있는 교정 이력(Accountable Calibration History)에 의해 뒷받침되고 있음을 보장한다.

저자: Richard Minsoo Go

LinkedIn: Richard Minsoo Go

DEV Community