센서 데이터의 오차와 불확실성

로봇은 세상을 있는 그대로 보지 못한다

앞장에서 우리는 위치와 자세, 좌표계가 로봇의 공간 언어라는 것을 배웠다. 로봇은 "앞에 무언가 있다", "나는 오른쪽으로 30도 돌아섰다", "목표 지점은 내 기준으로 2미터 앞에 있다"처럼 세상을 숫자와 좌표로 바꾸어 이해한다.

그런데 여기서 중요한 문제가 하나 생긴다. 그 숫자가 항상 맞지는 않는다는 것이다.

사람도 마찬가지다. 밤길에서는 물체가 실제보다 멀어 보이기도 하고, 유리문을 열린 공간으로 착각하기도 한다. 엘리베이터가 멈췄는데도 몸이 살짝 흔들리는 느낌을 받을 때도 있다. 감각기관은 세상을 완벽하게 복사하지 않는다. 그저 제한된 조건에서 단서를 받아들이고, 뇌가 그것을 해석할 뿐이다.

로봇의 센서도 똑같다. 아니, 어떤 면에서는 사람보다 더 노골적으로 틀린다. 거리 센서는 같은 벽을 보고도 매번 조금씩 다른 값을 내놓는다. 카메라는 조명이 바뀌면 같은 물체를 전혀 다르게 본다. 바퀴 엔코더는 바퀴가 돈 횟수는 잘 세지만, 바퀴가 미끄러졌는지는 모를 수 있다. GPS는 하늘이 잘 보이는 곳에서는 꽤 쓸 만하지만, 빌딩 사이에서는 위치가 갑자기 도로 건너편으로 튀기도 한다.

그래서 로봇공학에서 센서 데이터는 "진실"이 아니다. 센서 데이터는 진실에 가까워지려는 단서다. 로봇은 세상을 정확히 아는 존재가 아니라, 계속 추정하는 시스템이다.

이 장의 핵심은 바로 여기에 있다. 좋은 로봇은 센서가 틀리지 않는다고 믿는 로봇이 아니다. 센서가 언제나 조금씩 틀릴 수 있음을 전제로 움직이는 로봇이다.

센서값은 왜 흔들리는가

이상적인 센서는 이렇게 작동할 것처럼 보인다. 물체가 1.000미터 앞에 있으면 센서는 정확히 1.000미터를 출력한다. 로봇이 90도 회전하면 IMU는 정확히 90도를 알려 준다. 바퀴가 10바퀴 돌면 로봇이 정확히 정해진 거리만큼 이동했다고 말해 준다.

하지만 현실은 다르다. 같은 거리를 여러 번 측정해도 0.98미터, 1.01미터, 1.00미터, 1.03미터처럼 값이 흔들린다. 센서가 고장 난 것이 아니다. 현실의 센서는 원래 그렇다.

센서값을 흔드는 대표적인 원인은 노이즈, 바이어스, 해상도 한계, 환경 조건이다.

노이즈는 측정값에 섞이는 작은 흔들림이다. 아무것도 움직이지 않았는데 거리값이 조금씩 변하거나, 정지해 있는 로봇의 IMU 값이 미세하게 떨리는 현상이 여기에 해당한다. 노이즈는 전기적 신호의 흔들림, 센서 내부 회로의 한계, 주변 진동, 온도 변화 등 여러 이유로 생긴다. 마치 조용한 방에서도 녹음기를 켜면 아주 작은 잡음이 들어가는 것과 비슷하다.

바이어스는 한쪽으로 치우친 오차다. 노이즈가 값 주변에서 이리저리 흔들리는 것이라면, 바이어스는 처음부터 기준점이 살짝 어긋난 상태라고 볼 수 있다. 예를 들어 실제 거리는 1미터인데 센서가 계속 1.05미터 근처를 출력한다면 이 센서에는 약 5센티미터의 바이어스가 있는 셈이다. 체중계가 항상 실제보다 1킬로그램 더 무겁게 나온다면, 그것도 바이어스다.

해상도 한계는 센서가 세상을 얼마나 잘게 나누어 볼 수 있는지의 문제다. 어떤 거리 센서가 1센티미터 단위로만 값을 낼 수 있다면, 100.2센티미터와 100.8센티미터를 똑같이 100센티미터 또는 101센티미터처럼 표현할 수밖에 없다. 카메라도 마찬가지다. 픽셀보다 더 작은 변화는 직접적으로 볼 수 없다. 엔코더도 한 바퀴를 몇 단계로 나누어 세느냐에 따라 정밀도가 달라진다.

환경 조건은 센서가 놓인 현실 세계가 매번 다르다는 데서 생긴다. 카메라는 빛에 민감하다. 같은 컵도 햇빛 아래, 형광등 아래, 어두운 방 안에서 완전히 다르게 보일 수 있다. LiDAR는 대체로 정확한 거리 정보를 주지만, 유리나 거울처럼 빛을 이상하게 반사하는 표면에서는 엉뚱한 값을 낼 수 있다. 초음파 센서는 부드러운 천이나 비스듬한 표면에서 반사파를 제대로 받지 못할 수 있다.

센서가 틀리는 이유는 하나가 아니다. 그리고 대부분의 경우, 여러 원인이 동시에 섞인다. 그래서 로봇공학에서는 "이 센서는 정확한가?"보다 "이 센서는 어떤 조건에서, 어느 정도로, 어떤 방식으로 틀리는가?"를 묻는 편이 훨씬 중요하다.

노이즈와 바이어스는 성격이 다르다

센서 오차를 이해할 때 가장 먼저 구분해야 하는 두 가지가 노이즈와 바이어스다. 둘 다 측정값을 틀리게 만들지만, 로봇이 다루는 방식은 다르다.

탁자 위에 로봇을 가만히 세워 두고 앞 벽까지의 거리를 측정한다고 해 보자. 실제 거리는 2미터다. 그런데 센서값이 1.98, 2.01, 2.00, 2.03, 1.99미터처럼 조금씩 흔들린다면 이는 주로 노이즈다. 이 경우 여러 번 측정해서 평균을 내면 꽤 그럴듯한 값에 가까워질 수 있다. 값이 위아래로 흔들리기 때문에, 충분히 많이 보면 흔들림이 어느 정도 상쇄된다.

반면 센서값이 계속 2.10미터 근처에서 나온다면 이야기가 달라진다. 아무리 평균을 내도 2미터가 아니라 2.10미터에 가까워진다. 이때는 센서가 한쪽으로 치우쳐 있는 것이다. 이것이 바이어스다. 바이어스는 단순히 여러 번 재는 것만으로는 해결되지 않는다. 기준값을 맞추는 보정, 즉 캘리브레이션이 필요하다.

예를 들어 로봇팔의 관절 각도 센서가 처음부터 2도 어긋나 있다면, 로봇팔은 자신이 생각한 위치와 실제 위치가 계속 조금씩 다르게 된다. 작은 각도 차이처럼 보여도 팔 끝에서는 몇 센티미터 차이로 커질 수 있다. 물체를 집으려 했는데 손끝이 옆을 스치거나, 조립하려는 부품이 구멍에 들어가지 않는 문제가 생긴다.

노이즈는 흔들림이고, 바이어스는 치우침이다. 흔들림은 필터로 줄일 수 있고, 치우침은 보정해야 한다. 이 차이를 구분하지 못하면 로봇은 엉뚱한 방식으로 문제를 해결하려 든다. 평균을 많이 냈는데도 값이 계속 틀리다면, 문제는 노이즈가 아니라 바이어스일 가능성이 높다.

해상도와 정밀도라는 현실적인 한계

센서는 세상을 무한히 자세히 볼 수 없다. 모든 센서는 어떤 단위로 세상을 쪼개어 측정한다. 이때 얼마나 작은 차이까지 구분할 수 있는지를 해상도라고 한다.

디지털 카메라를 생각해 보자. 카메라는 세상을 픽셀이라는 작은 칸들의 배열로 저장한다. 픽셀 수가 많을수록 더 세밀한 이미지를 얻을 수 있지만, 아무리 좋은 카메라도 픽셀보다 작은 정보를 완벽하게 담을 수는 없다. 거리 센서, 엔코더, 힘 센서도 모두 비슷한 한계를 가진다.

엔코더 예시가 특히 직관적이다. 엔코더는 바퀴나 모터 축이 얼마나 회전했는지 세는 센서다. 만약 한 바퀴를 20단계로만 나누어 센다면, 로봇은 18도 단위로만 회전을 알 수 있다. 그 사이에서 일어난 작은 움직임은 정확히 알 수 없다. 반대로 한 바퀴를 1000단계로 나누어 센다면 훨씬 세밀한 움직임을 알 수 있다.

하지만 해상도가 높다고 모든 문제가 해결되는 것은 아니다. 해상도가 좋아도 노이즈가 크면 값은 여전히 흔들린다. 고해상도 카메라라도 어두운 곳에서는 이미지가 거칠어지고, 고정밀 IMU라도 시간이 지나면 작은 오차가 쌓인다. 그래서 로봇 센서를 고를 때는 단순히 "스펙이 높다"만 보지 않는다. 실제 로봇이 움직일 환경에서 필요한 정확도, 반응 속도, 노이즈 특성, 가격, 무게, 전력 소비를 함께 봐야 한다.

입문 단계에서 기억해야 할 것은 간단하다. 센서는 세상을 있는 그대로 복사하는 장치가 아니라, 제한된 해상도와 성능 안에서 세상을 숫자로 요약하는 장치다. 요약에는 언제나 손실이 따른다.

환경은 센서의 성격을 바꾼다

센서 데이터의 어려움은 센서 자체에서만 오지 않는다. 로봇이 놓이는 환경도 큰 영향을 준다.

카메라는 대표적으로 환경을 많이 탄다. 밝은 낮에 잘 보이던 차선이 밤에는 희미해지고, 역광에서는 물체의 윤곽이 사라질 수 있다. 흰색 물체가 노란 조명 아래에서는 누렇게 보이고, 그림자가 물체처럼 보이기도 한다. 사람에게는 "그림자일 뿐"이라고 쉽게 느껴지는 장면도, 로봇에게는 픽셀 밝기가 갑자기 바뀐 실제 변화로 보일 수 있다.

GPS는 하늘이 열린 공간에서는 비교적 안정적이지만, 도심의 높은 건물 사이에서는 값이 튀기 쉽다. 위성 신호가 건물 벽에 반사되어 돌아오면, GPS 수신기는 신호가 더 먼 길을 지나온 것으로 착각할 수 있다. 그러면 로봇이나 차량은 실제 위치와 다른 곳에 있다고 판단할 수 있다. 지도 앱에서 내 위치 점이 갑자기 옆 골목이나 건물 안으로 이동해 본 경험이 있다면, 이미 이런 현상을 체험한 것이다.

LiDAR는 빛을 쏘고 돌아오는 시간을 이용해 거리를 측정한다. 많은 상황에서 강력하지만, 유리문이나 반짝이는 금속, 검은색 흡수성 표면 앞에서는 까다로운 문제가 생길 수 있다. 초음파 센서는 소리를 이용하므로 표면의 각도와 재질에 영향을 받는다. IMU는 로봇의 가속도와 회전을 빠르게 감지하지만, 진동이 심한 기체나 울퉁불퉁한 바닥 위에서는 측정값이 거칠어진다.

센서와 환경의 관계는 마치 사람과 날씨의 관계 같다. 같은 사람이라도 맑은 날, 안개 낀 날, 폭우가 오는 날에 볼 수 있는 범위가 달라진다. 로봇도 마찬가지다. 좋은 로봇 시스템은 센서를 잘 고르는 것에서 끝나지 않는다. 그 센서가 어떤 환경에서 강하고, 어떤 환경에서 약한지 알고 있어야 한다.

지연은 빠른 로봇에게 더 위험하다

센서값이 조금 틀리는 것도 문제지만, 늦게 도착하는 것도 큰 문제다. 이를 지연이라고 한다. 센서 지연은 센서가 현실을 측정하고 그 결과를 로봇의 컴퓨터가 사용할 수 있게 되기까지 걸리는 시간이다. 통신 지연은 센서, 제어기, 모터 드라이버, 네트워크 사이에서 데이터가 오가며 생기는 시간 차이다.

느린 로봇에서는 0.1초가 크게 느껴지지 않을 수 있다. 하지만 빠르게 움직이는 로봇에서는 0.1초가 아주 크다. 초당 1미터로 움직이는 로봇은 0.1초 동안 10센티미터를 이동한다. 초당 10미터로 나는 드론이나 주행체라면 0.1초 동안 1미터를 이동한다. 로봇이 "지금 앞에 장애물이 있다"고 판단했을 때, 그 정보가 사실은 0.1초 전의 세계라면 이미 상황은 바뀌어 있을 수 있다.

이 문제는 카메라 기반 로봇에서 자주 드러난다. 카메라는 이미지를 찍고, 이미지를 메모리에 옮기고, 인공지능 모델로 물체를 인식하고, 결과를 제어 시스템에 넘긴다. 이 과정이 느리면 로봇은 과거의 화면을 보고 현재의 행동을 결정하게 된다. 사람으로 비유하면, 몇 박자 늦게 보이는 영상을 보면서 공을 피하려는 것과 같다.

로봇팔에서도 지연은 중요하다. 컨베이어 벨트 위의 물체를 집는 로봇팔이 있다고 하자. 카메라가 물체 위치를 인식했지만 처리와 통신에 시간이 걸리는 동안 물체는 이미 앞으로 이동한다. 로봇팔이 처음 계산한 위치로 손을 뻗으면, 물체는 이미 그 자리에 없다. 그래서 실제 시스템에서는 "측정된 위치"뿐 아니라 "측정된 시각"이 매우 중요하다. 언제 본 데이터인지 알아야 현재 위치를 추정할 수 있기 때문이다.

지연을 완전히 없애기는 어렵다. 대신 로봇은 지연을 고려해 설계된다. 센서 데이터에는 시간표를 붙이고, 제어 주기를 빠르게 맞추며, 필요하다면 물체가 지금 어디 있을지 예측한다. 빠른 로봇일수록 정확한 센서만큼이나 빠른 센서, 그리고 시간 관리가 중요하다.

실제 로봇에서 자주 만나는 오류들

이론에서 말하는 오차는 조금 추상적으로 느껴질 수 있다. 하지만 실제 로봇을 만들거나 다뤄 보면 오차는 매우 구체적인 모습으로 나타난다.

첫 번째로 흔한 것은 엔코더 누적 오차다. 바퀴 로봇은 엔코더를 이용해 바퀴가 얼마나 돌았는지 측정하고, 이를 바탕으로 자신이 얼마나 이동했는지 계산한다. 이를 오도메트리라고 한다. 문제는 바퀴가 돈 만큼 로봇이 항상 정확히 이동하지는 않는다는 것이다. 바닥이 미끄럽거나, 카펫처럼 푹신하거나, 바퀴 지름이 설정값과 조금 다르거나, 한쪽 바퀴에 더 큰 하중이 걸리면 실제 이동 거리와 계산된 이동 거리가 달라진다.

더 큰 문제는 이 오차가 쌓인다는 점이다. 처음에는 1센티미터 차이에 불과해도, 계속 이동하다 보면 10센티미터, 50센티미터, 1미터 차이가 될 수 있다. 로봇은 자신이 복도 중앙에 있다고 믿지만 실제로는 벽 쪽으로 가까워져 있을 수 있다. 엔코더만 믿고 오랫동안 움직이는 로봇이 결국 지도와 맞지 않는 위치에 도착하는 이유가 여기에 있다.

두 번째는 GPS 튐 현상이다. 야외 로봇이나 자율주행 시스템에서 GPS는 매우 유용한 센서다. 하지만 GPS 값은 언제나 매끄럽게 이어지지 않는다. 특히 빌딩 숲, 터널 입구, 나무가 많은 길, 고가도로 아래에서는 위치가 갑자기 튀거나 신뢰도가 떨어질 수 있다. 로봇이 GPS 하나만 믿는다면, 자신이 차선 바깥으로 순간이동했다고 착각할 수도 있다. 실제 위치가 바뀐 것이 아니라 측정값이 튄 것인데, 이를 구분하지 못하면 불필요하게 급조향하거나 경로를 잘못 수정할 수 있다.

세 번째는 카메라 조명 변화다. 카메라는 많은 정보를 담지만, 빛에 매우 민감하다. 로봇이 실내에서 창가 쪽으로 이동하면 갑자기 화면이 밝아지고, 어두운 복도로 들어가면 노이즈가 늘어난다. 흰 벽 앞의 흰 물체는 잘 구분되지 않고, 반짝이는 표면은 실제 모양과 다르게 보일 수 있다. 인공지능 모델이 낮에 잘 인식하던 물체를 밤에는 놓치는 일도 흔하다. 카메라 데이터는 풍부하지만, 그 풍부함만큼 변덕스럽다.

이 밖에도 IMU의 드리프트, LiDAR의 반사 오류, 힘/토크 센서의 영점 변화, 무선 통신 패킷 손실처럼 현실의 로봇은 수많은 작은 문제를 만난다. 하나하나는 사소해 보이지만, 이들이 동시에 생기면 로봇의 판단은 쉽게 흔들린다.

로봇은 확실한 값보다 믿음의 정도를 다룬다

센서가 완벽하지 않다면 로봇은 어떻게 움직일까? 답은 "확률적으로 생각한다"에 가깝다.

여기서 확률이라고 해서 어려운 수식을 떠올릴 필요는 없다. 직관은 단순하다. 로봇은 "내 위치는 정확히 여기다"라고 말하기보다 "내 위치는 아마 이 근처일 가능성이 높다"라고 생각한다. 장애물에 대해서도 "정확히 이 점에 벽이 있다"가 아니라 "이 영역에는 벽이 있을 가능성이 높고, 저 영역은 비어 있을 가능성이 높다"라고 판단한다.

사람도 비슷하게 행동한다. 어두운 방에서 손전등을 비추며 걷는다고 해 보자. 방금 본 의자는 확실히 기억하지만, 시야 가장자리에서 살짝 본 물체는 덜 확신한다. 몇 초 전에 본 빈 공간도 누군가 물건을 놓았을 수 있으니 100퍼센트 확신하지는 않는다. 우리는 의식하지 않아도 정보의 신뢰도를 다르게 취급한다.

로봇에게도 이런 신뢰도의 개념이 필요하다. 센서값 하나만 보고 즉시 결론을 내리면 위험하다. 대신 로봇은 여러 번의 측정, 여러 종류의 센서, 과거의 움직임 정보를 함께 사용해 현재 상태를 추정한다. 상태란 로봇이 판단에 필요로 하는 중요한 정보다. 위치, 속도, 자세, 관절 각도, 주변 장애물의 위치 등이 상태가 될 수 있다.

불확실성은 "모른다"는 뜻이 아니라 "얼마나 믿을 수 있는지 함께 안다"는 뜻에 가깝다. 초보자는 로봇이 정확한 좌표 하나를 알아야 한다고 생각하기 쉽다. 하지만 실제 로봇 시스템은 좌표와 함께 그 좌표의 불확실성까지 다루려 한다. 이것이 센서 데이터를 상태 추정으로 바꾸는 출발점이다.

필터링은 흔들리는 값을 차분하게 만든다

센서값이 흔들릴 때 가장 먼저 떠올릴 수 있는 방법은 필터링이다. 필터링은 필요한 신호는 남기고 불필요한 흔들림은 줄이는 과정이다. 커피 필터가 커피 가루를 걸러 내고 액체만 통과시키듯, 데이터 필터는 측정값 속의 잡음을 줄이려 한다.

가장 쉬운 예는 평균이다. 같은 거리를 여러 번 측정해 평균을 내면 우연히 높게 나온 값과 낮게 나온 값이 어느 정도 상쇄된다. 이동 평균은 최근 몇 개의 값만 평균 내는 방법이다. 예를 들어 최근 5개의 거리값을 평균 내어 현재 거리로 사용하면, 순간적으로 튄 값 하나에 덜 흔들린다.

하지만 필터링에는 대가가 있다. 너무 강하게 필터링하면 값이 부드러워지는 대신 반응이 느려진다. 실제로 장애물이 갑자기 가까워졌는데 필터가 과거 값을 오래 붙잡고 있으면, 로봇은 변화를 늦게 알아차린다. 그래서 필터는 "부드러움"과 "빠른 반응" 사이의 균형을 잡는 기술이다.

로봇공학에서 자주 등장하는 칼만 필터도 같은 직관에서 출발한다. 이름은 어렵지만 핵심 생각은 비교적 단순하다. 로봇은 먼저 자신의 움직임 모델로 현재 상태를 예측한다. "내가 이 속도로 이만큼 움직였으니 지금쯤 여기 있을 것이다"라고 예상하는 것이다. 그런 다음 센서 측정값이 들어오면 예측과 측정을 비교한다. 예측이 더 믿을 만한 상황에서는 예측을 더 따르고, 센서가 더 믿을 만한 상황에서는 센서값을 더 따른다.

즉 필터링은 센서값을 무조건 믿지도, 무조건 버리지도 않는다. 흔들리는 데이터와 로봇의 예측을 적절히 섞어 더 안정적인 추정값을 만드는 과정이다.

센서 융합은 서로의 약점을 메운다

하나의 센서가 완벽하지 않다면, 여러 센서를 함께 쓰면 어떨까? 이것이 센서 융합의 기본 생각이다. 센서 융합은 서로 다른 센서의 정보를 합쳐 하나의 더 믿을 만한 상태 추정을 만드는 과정이다.

바퀴 로봇을 예로 들어 보자. 엔코더는 짧은 시간 동안의 이동을 비교적 잘 알려 준다. 하지만 바퀴가 미끄러지면 누적 오차가 생긴다. IMU는 회전과 가속도의 빠른 변화를 잘 감지한다. 하지만 시간이 지나면 오차가 쌓이기 쉽다. GPS는 전역 위치를 알려 주지만, 도심에서는 튈 수 있고 업데이트 속도도 느릴 수 있다. LiDAR나 카메라는 주변 환경과 지도를 비교해 위치를 보정하는 데 도움을 준다.

각 센서는 장점과 약점이 다르다. 엔코더만 믿으면 장거리 이동에서 위치가 흐트러지고, GPS만 믿으면 순간적인 튐에 흔들리며, 카메라만 믿으면 조명 변화에 취약하다. 하지만 이들을 함께 사용하면 상황이 나아진다. 엔코더와 IMU로 짧은 시간의 움직임을 빠르게 추정하고, GPS나 LiDAR로 누적된 오차를 가끔씩 바로잡을 수 있다.

사람도 센서 융합을 한다. 우리는 눈으로 계단을 보고, 발바닥 감각으로 바닥을 느끼고, 귀로 주변 소리를 듣고, 몸의 균형 감각으로 기울어짐을 알아챈다. 어두운 곳에서는 눈의 신뢰도가 낮아지고 손과 발의 감각을 더 많이 사용한다. 시끄러운 곳에서는 소리보다 시각 정보에 더 의존한다. 로봇도 비슷하게 각 센서의 신뢰도를 상황에 따라 다르게 보아야 한다.

좋은 센서 융합은 단순히 센서를 많이 붙이는 것이 아니다. 서로 다른 센서가 어떤 정보를 주는지, 어떤 조건에서 약해지는지, 데이터가 언제 측정되었는지, 좌표계가 어떻게 연결되는지 모두 고려해야 한다. 그래서 앞장에서 배운 좌표계 개념이 다시 중요해진다. 카메라가 본 물체, LiDAR가 본 벽, 로봇 몸체 기준의 속도, 지도 기준의 위치를 하나로 합치려면 이 모든 정보가 같은 공간 언어로 변환되어야 한다.

정확한 로봇보다 의심할 줄 아는 로봇

입문자가 로봇을 처음 배울 때 자주 하는 착각이 있다. 좋은 센서를 달면 로봇이 세상을 정확히 알 수 있을 것이라는 생각이다. 물론 좋은 센서는 중요하다. 하지만 로봇공학의 현실은 조금 다르다. 좋은 로봇은 센서가 정확하다고 가정하는 로봇이 아니라, 센서가 틀릴 수 있음을 알고도 안정적으로 행동하는 로봇이다.

로봇 청소기가 거실을 돌아다닐 때도 마찬가지다. 바퀴가 조금 미끄러졌을 수 있고, 벽 센서가 순간적으로 잘못 읽었을 수 있고, 먼지나 햇빛 때문에 센서값이 달라졌을 수 있다. 그래도 로봇은 멈춰 서서 "정확한 진실"을 기다릴 수 없다. 불완전한 정보 속에서 지금 가장 그럴듯한 판단을 내려야 한다.

자율주행차, 드론, 물류 로봇, 로봇팔 모두 이 문제를 공유한다. 센서 데이터는 늘 흔들리고, 지연되고, 때로는 튄다. 환경은 변하고, 바닥은 미끄럽고, 조명은 달라지고, 통신은 늦어진다. 이 모든 불확실성 속에서도 로봇은 움직여야 한다.

그래서 로봇공학은 "정확한 숫자 하나를 찾는 기술"이라기보다 "불확실한 단서들을 모아 충분히 믿을 만한 판단을 만드는 기술"에 가깝다. 센서, 좌표계, 필터링, 센서 융합, 위치 추정은 모두 이 목표를 향해 연결된다.

다음 장에서 다룰 자기 위치 추정은 바로 이 불확실성과 정면으로 만나는 주제다. 로봇은 바퀴가 돈 횟수, IMU의 흔들림, GPS 신호, 카메라와 LiDAR가 본 주변 환경을 이용해 자신이 어디 있는지 계속 추정한다. 그리고 그 추정은 한 번으로 끝나지 않는다. 로봇이 움직이는 한, 세상이 변하는 한, 추정은 계속된다.

핵심 정리

센서 데이터는 현실을 완벽하게 복사한 값이 아니다. 센서는 노이즈, 바이어스, 해상도 한계, 환경 조건의 영향을 받으며, 데이터가 로봇 시스템에 도착하기까지 지연도 생긴다. 특히 빠르게 움직이는 로봇에서는 작은 시간 지연도 큰 위치 차이로 이어질 수 있다.

실제 로봇에서는 엔코더 누적 오차, GPS 튐 현상, 카메라 조명 변화처럼 다양한 오류가 반복적으로 나타난다. 이 오류들은 센서가 나빠서만 생기는 것이 아니라, 현실 세계가 복잡하고 로봇의 측정 방식이 제한되어 있기 때문에 생긴다.

로봇은 세상을 정확히 아는 것이 아니라 계속 추정한다. 확률은 이 추정의 불확실성을 표현하는 언어이고, 필터링은 흔들리는 데이터를 차분하게 만드는 방법이며, 센서 융합은 서로 다른 센서의 장점을 모아 더 믿을 만한 상태를 만드는 전략이다. 이 관점을 이해하면 로봇이 왜 계속 보고, 비교하고, 보정하며 움직이는지 자연스럽게 보이기 시작한다.