🔗 Day 25: 센서 융합 (LiDAR + IMU) 실습

안녕하세요! ✨
앞서 Day 24에서는 EKF를 활용한 비선형 상태 추정 실습을 진행했습니다.
오늘은 자율주행차의 핵심 기술 중 하나인 LiDAR와 IMU 센서 융합을 실습해보겠습니다.

센서 융합 (LiDAR + IMU) 실습

---

🔍 LiDAR + IMU 융합의 필요성

• LiDAR: 고정밀 3D 위치/거리 측정 가능, 하지만 순간적인 움직임(고속 회전/가속)에 약함
• IMU: 가속도·각속도 정보를 빠르게 제공, 하지만 장기적으로 드리프트(누적 오차) 발생
  👉 따라서 두 센서를 융합하면:
• LiDAR → 위치 안정화
• IMU → 실시간 반응성 보완

---

⚙️ ROS2에서 센서 융합 흐름

1. LiDAR 노드 → /lidar_points 퍼블리시
2. IMU 노드 → /imu_data 퍼블리시
3. EKF Fusion 노드 → 두 데이터를 결합해 /fused_pose 퍼블리시

---

🧑‍💻 Python 예제 (ROS2 EKF 융합)

python

 

import rclpy
from rclpy.node import Node
from sensor_msgs.msg import Imu, PointCloud2
from geometry_msgs.msg import PoseWithCovarianceStamped

class FusionNode(Node):
    def __init__(self):
        super().__init__('fusion_node')
        self.sub_lidar = self.create_subscription(PointCloud2, '/lidar_points', self.lidar_callback, 10)
        self.sub_imu = self.create_subscription(Imu, '/imu_data', self.imu_callback, 10)
        self.pub_pose = self.create_publisher(PoseWithCovarianceStamped, '/fused_pose', 10)

        self.lidar_data = None
        self.imu_data = None

    def lidar_callback(self, msg):
        self.lidar_data = msg
        self.fuse_data()

    def imu_callback(self, msg):
        self.imu_data = msg
        self.fuse_data()

    def fuse_data(self):
        if self.lidar_data and self.imu_data:
            fused_pose = PoseWithCovarianceStamped()
            fused_pose.header.stamp = self.get_clock().now().to_msg()
            fused_pose.header.frame_id = "map"
            # 단순화된 예제: 실제로는 EKF 연산 필요
            fused_pose.pose.pose.position.x = 1.0
            fused_pose.pose.pose.position.y = 2.0
            self.pub_pose.publish(fused_pose)
            self.get_logger().info("Fused LiDAR + IMU data published!")

def main(args=None):
    rclpy.init(args=args)
    node = FusionNode()
    rclpy.spin(node)
    node.destroy_node()
    rclpy.shutdown()

if __name__ == '__main__':
    main()

 

👉 위 예시는 단순히 LiDAR + IMU 데이터를 받아 /fused_pose 토픽에 퍼블리시하는 구조입니다.

실제 구현에서는 EKF 알고리즘을 적용해 오차를 줄이고, LiDAR와 IMU 데이터를 보정합니다.

---

📊 RViz2에서 확인

• /lidar_points : LiDAR 점군
• /imu_data : IMU 자세/속도
• /fused_pose : 융합된 위치 추정 결과

👉 RViz2에서 세 가지 데이터를 동시에 확인하면, 센서 융합 효과를 직관적으로 이해할 수 있습니다.

---

🚘 자율주행 활용

• SLAM: 지도 작성 및 자기 위치 추정
• Navigation: GPS 불안정 구간(터널, 빌딩 숲)에서 안정적 주행
• 고속 주행 제어: IMU가 즉각적인 반응, LiDAR가 장기적 안정성 보완

---

📌 정리

• LiDAR → 위치 정확도 강점
• IMU → 순간 반응성 강점
• 두 센서를 EKF 기반으로 융합하면 정확하면서 안정적인 상태 추정 가능
• ROS2 환경에서 Python 노드로 손쉽게 구현 가능

반응형

 

---

🚀 다음 글 예고

다음 글에서는 [Day 26: Particle Filter 개념 학습] 을 다룹니다.
비선형·비가우시안 환경에서도 강력한 추정을 제공하는 Particle Filter 의 원리를 정리하겠습니다.

---

✅ 오늘 글이 도움이 되셨다면 좋아요와 공유 부탁드립니다.