복잡한 해양 환경에서 무인수상정 시각 기반 객체 추적 성능 평가

초록

본 논문은 동적 파도, 저시정도, 급격한 스케일 변화를 겪는 해양 환경에서 무인수상정(USV)의 실시간 시각 기반 객체 추적을 위한 프레임워크를 제안한다. 최신 딥러닝 트래커 7종(Siamese, Transformer 기반 등)을 시뮬레이션·실제 데이터셋에 벤치마크하고, 추적 결과와 결합된 PID, SMC, LQR 등 세 종류의 제어기를 비교 평가한다. 실험 결과, Transformer 기반 SeqTrack이 악천후·먼지 폭풍 등 열악한 조건에서 가장 높은 추적 정확도와 안정성을 보였으며, LQR 제어기가 가장 부드럽고 견고한 선회·속도 제어를 제공한다.

상세 분석

본 연구는 해양 로보틱스 분야에서 시각 기반 추적과 저레벨 제어의 통합을 체계적으로 검증한 점이 가장 큰 강점이다. 첫째, 저자들은 기존 해양 트래킹 연구가 레이더·센서 융합에 의존하거나, 정적 카메라 기반 검출‑필터링 파이프라인에 머무는 한계를 정확히 지적하고, 동적 카메라(USV 탑재) 환경에서 딥러닝 트래커의 적용 가능성을 탐색한다. 이를 위해 Siamese 네트워크 기반의 SiamFC, SiamRPN++, Transformer 기반 SeqTrack, 그리고 최신 CNN 기반 트래커 등 7개의 최신 모델을 선정했으며, 각각을 동일한 하드웨어(엔비디아 Jetson 시리즈)와 동일한 프레임 레이트(30 fps) 조건에서 실행해 실시간 성능을 측정했다.

둘째, 데이터셋 구축이 매우 정교하다. 시뮬레이션 단계에서는 Unity‑Marine‑Sim을 활용해 파도, 조명 변화, 물보라, 반사 등 물리적 요인을 파라미터화했으며, 실제 해상 실험에서는 다양한 기상 조건(맑음, 흐림, 먼지 폭풍)과 목표선박의 속도·크기 변화를 포함한 12시간 분량 영상을 수집했다. 이러한 데이터는 기존 공개 해양 트래킹 데이터셋(OceanTrack 등)의 부족한 다양성을 보완하고, 트래커의 일반화 능력을 평가하는 데 핵심적인 역할을 한다.

셋째, 제어기와 트래커의 상호작용을 정량화한 방법론이 독창적이다. 저자들은 픽셀 오차(e_pixel)와 거리 오차(e_d)를 각각 Q_pixel, Q_distance 가중치 행렬로 스칼라화하고, 제어 입력(좌·우 스러스터 힘)에 대한 비용 R을 포함한 LQR 비용 함수 J를 정의했다. 이를 통해 각 트래커가 제공하는 위치 추정 정확도가 제어 성능에 미치는 영향을 직접 비교할 수 있었다. 실험 결과, SeqTrack은 평균 픽셀 오차 4.2 px, 거리 오차 0.18 m를 기록했으며, LQR과 결합했을 때 요동 없는 선회와 목표 거리 유지가 가능했다. 반면, 전통적인 Kalman‑Filter 기반 트래커는 급격한 카메라 흔들림 시 추적 손실이 빈번했으며, PID 제어와 결합했을 때 진동이 크게 증가했다.

넷째, 시스템 한계와 향후 과제에 대한 논의도 충실하다. 현재 프레임워크는 2D 이미지 기반 픽셀 오차에만 의존하고 있어, 3D 깊이 정보 활용이 제한적이며, 조류·풍향에 의한 외부 힘을 모델링하지 않았다. 또한, 트래커 학습에 사용된 데이터가 특정 지역(아라비아해) 중심이므로, 다른 해역(북극·열대)에서의 일반화 검증이 필요하다. 이러한 점들을 보완하기 위해 멀티모달 센서 융합(레이다·초음파·수중 음파)과 강화학습 기반 제어 정책을 도입하는 것이 향후 연구 방향으로 제시된다.

전반적으로, 본 논문은 최신 딥러닝 트래커와 전통적인 제어 이론을 결합해 해양 로봇의 실시간 목표 추적 문제를 해결하려는 시도이며, 실험 설계·데이터 구축·성능 평가가 체계적이고 재현 가능하도록 공개 코드와 영상까지 제공한다는 점에서 학술적·산업적 가치가 높다.