본 논문은 로봇 시스템의 실시간 상태 추정을 위해 Multi-Fidelity Residual Physics-informed Neural Process (MFR-PINP) 기반의 새로운 데이터 기반 추정 방식을 제안합니다. 특히, MFR-PINP를 활용하여 단순 저정밀도 예측과 복잡 고정밀도 지면 진실 간의 잔차를 학습함으로써 정확한 운동학적 모델 선택의 문제(model-mismatch issue)를 해결합니다. 또한, 분할 컨포멀(Split Conformal, SC) 예측 프레임워크를 통해 물리적 구현에서 발생하는 모델 불확실성에 대한 강력한 불확실성 보장을 제공합니다. 하이브리드 온라인 학습 환경에서 MFR-PINP 기반 추정기의 구현 세부 사항을 제시하고, 칼만 필터(Unscented Kalman Filter, Deep Kalman Filter)의 최신 변형과 비교하여 실시간 추정 작업에서 MFR-PINP 모델의 성능을 검증합니다.
