숲속 무인항공기 자율 비행을 위한 다중과제 회귀 학습

초록

본 논문은 GPS와 같은 외부 센서에 의존하지 않고, 단일 RGB 영상만으로 무인항공기(UAV)의 3차원 위치(NED)와 자세(쿼터니언)를 동시에 예측하는 다중과제 회귀 기반 네트워크(MTRL)를 제안한다. 가벼운 CNN 구조와 공유 특징 추출기를 이용해 포지션과 회전 두 가지 과제를 동시에 학습하며, AirSim 시뮬레이터 환경에서 수집한 8만 장 이상의 데이터로 훈련·검증하였다. 제안 방법은 기존 PoseNet·LSTM 기반 모델들에 비해 탐색 경로 다양성, 일반화 능력, 비행 거리 및 신뢰성 측면에서 우수한 성능을 보였으며, 소프트웨어‑인‑더‑루프(SITL) 제어 루프에 직접 연동되어 실제 UAV에 적용 가능한 실시간 제어 명령을 생성한다.

상세 분석

본 연구는 무인항공기의 자율 비행을 위해 “다중과제 회귀(Multi‑Task Regression)”라는 접근법을 채택한 점이 가장 큰 특징이다. 기존의 대부분 연구는 이미지‑to‑pose 변환을 단일 과제로 다루거나, 깊이 추정·장애물 회피를 위한 별도 모듈을 구성한다. 그러나 복잡한 숲속 환경에서는 고도 변화와 회전이 동시에 요구되므로, 위치와 자세를 별도로 예측하면 연산량이 증가하고 실시간 제어에 부적합할 수 있다. 논문은 이를 해결하기 위해 하나의 CNN 기반 특징 추출기 뒤에 두 개의 병렬 서브네트워크를 두어, 공유된 시각적 특징을 동시에 두 과제에 활용한다.

네트워크 구조는 3개의 컨볼루션‑풀링 블록(16, 32, 64 채널)과 전결합 층(500, 20)을 포함하며, 위치 서브넷에는 0.5의 드롭아웃, 회전 서브넷에는 0.25의 드롭아웃을 적용해 과적합을 방지한다. 최종 출력은 NED 좌표 3개와 쿼터니언 4개, 총 7개의 연속값이며, 손실 함수는 위치와 회전 오류의 유클리드 거리 차이를 가중치 0.1로 스케일링해 동시에 최소화한다. 이러한 설계는 파라미터 수를 최소화하면서도 6자유도(6‑DoF) 제어에 필요한 정보를 충분히 제공한다.

제어 시스템 통합 부분에서도 실용성을 강조한다. 예측된 쿼터니언은 AirSim의 Rate Control Loop(RCL)에 직접 입력되어 목표 각속도를 생성하고, PID 기반 Attitude Control Loop(ACL)에서 실제 모터 PWM 신호로 변환된다. 즉, 네트워크 출력이 곧바로 저레벨 제어 명령으로 매핑되므로, 외부 위치 추정 모듈이나 GPS 보정 없이도 실시간 비행이 가능하다.

실험은 AirSim의 레드우드 숲, 눈덮인 산악, 풍력발전소 등 세 가지 복합 환경에서 수행되었으며, 기존 PoseNet(단일 이미지‑to‑pose), LSTM‑based 방법(이미지 쌍 입력)과 비교하였다. 평가 지표는 경로 반복성, 미지 환경 일반화, 비행 행동(비행·정착 비율), 총 이동 거리, 신뢰성(충돌·이탈 비율) 등 5가지로 구성하였다. 결과는 MTRL이 경로 다양성에서 27% 향상, 미지 환경에서 15% 높은 성공률, 평균 비행 거리는 기존 대비 22% 증가, 충돌율은 0.8% 이하로 가장 낮은 수치를 기록했다.

하지만 몇 가지 한계점도 존재한다. 첫째, 모든 실험이 시뮬레이션 기반이므로 실제 조류·바람·조명 변화에 대한 견고성 검증이 부족하다. 둘째, 데이터 수집이 한 종류의 시뮬레이터(AirSim)와 특정 환경(레드우드 숲) 중심이어서, 다른 센서(열·라이다)와 결합했을 때의 확장성이 미확인이다. 셋째, 네트워크가 저해상도(224×224) 이미지만을 사용하기 때문에, 고해상도 이미지에서 얻을 수 있는 미세 장애물 정보가 손실될 가능성이 있다. 마지막으로, 쿼터니언 정규화와 드리프트 보정에 대한 별도 메커니즘이 없으므로 장시간 비행 시 누적 오차가 발생할 수 있다.

전반적으로, 본 논문은 “경량·다중과제·엔드‑투‑엔드”라는 설계 철학을 통해 GPS‑불가능 환경에서 UAV의 6‑DoF 제어를 가능하게 만든 점이 혁신적이다. 향후 실제 하드웨어 실험과 멀티‑센서 융합을 통해 실용성을 검증한다면, 재난 구역 탐색·산불 감시·밀림 조사 등 다양한 현장 적용이 기대된다.