스케일 적응형 이중 탐지기로 강화된 자율 착륙 시스템

초록

**
본 논문은 고도에 따라 급격히 변하는 헬리패드 크기에 대응하기 위해 두 개의 YOLOv8 전문가 모델을 별도 학습하고, 기하학적 게이팅으로 최적 모델을 실시간 선택하는 프레임워크를 제안한다. CARLA‑GUAM 시뮬레이션 환경에서 단일 모델 대비 탐지 안정성, 착륙 정밀도, 진동 감소를 크게 향상시켰다.

**

상세 분석

**
이 연구는 자율 항공기(AAV)의 착륙 단계에서 가장 큰 난제 중 하나인 ‘스케일 변동’ 문제를 명확히 정의하고, 기존 단일 탐지기 방식이 고고도에서의 작은 헬리패드와 저고도에서의 큰 헬리패드 사이에서 성능 저하를 겪는 원인을 분석한다. 저자들은 이를 해결하기 위해 두 개의 전문가(Expert) 모델을 도입한다. 첫 번째 전문가(멀리‑범위)는 고고도에서 저해상도, 작은 헬리패드를 인식하도록 832×832 해상도로 확대된 이미지와 작은 객체 중심의 데이터셋으로 학습한다. 두 번째 전문가(가까이‑범위)는 저고도에서 고해상도, 큰 헬리패드에 최적화되도록 512×512 해상도와 큰 객체 중심의 데이터셋으로 학습한다. 두 모델은 동일한 YOLOv8 구조와 동일한 하이퍼파라미터(배치 16, 100 epoch, SGD)를 사용해 독립적으로 훈련함으로써 스케일 특화된 특징 추출이 가능하도록 설계되었다.

핵심 라우팅 메커니즘은 ‘기하학적 게이팅’이다. 각 프레임에서 두 전문가가 출력한 바운딩 박스의 중심을 카메라 광축(이미지 중앙)과의 거리로 측정하고, 거리가 가장 짧은 박스를 선택한다. 이 방식은 확률적 confidence 기반 선택이 아닌, 물리적 시점과의 정렬 정도를 직접 활용함으로써 스케일 전이 구간에서 발생하는 confidence 불일치를 회피한다. 또한 선택된 박스에 짧은 시간‑평활 필터(예: 3‑frame 이동 평균)를 적용해 프레임 간 jitter를 감소시킨다.

시뮬레이션 환경은 CARLA의 포토리얼리즘 렌더링과 NASA GUAM 비행역학 엔진을 연동한 폐쇄‑루프 시스템으로, 고도, 접근 경로, 날씨 변수를 자유롭게 조절할 수 있다. 실험은 10개의 무작위 착륙 시나리오에서 단일 YOLOv8 모델, 기존 Fusion 방식, 제안된 이중‑전문가 프레임워크를 비교하였다. 결과는 다음과 같다. (1) 탐지 성공률이 고고도에서 92%→98%로 상승, (2) 바운딩 박스 jitter RMS가 4.3px→1.2px로 감소, (3) 최종 착륙 위치 오차가 평균 0.45 m→0.18 m로 크게 개선되었다. 특히, 고고도‑저고도 전이 구간에서 단일 모델이 보이는 ‘검출 손실’이 거의 사라졌다.

이 논문의 주요 기여는 (i) 스케일‑전용 데이터셋 분할 및 전문가 모델 학습 프로세스, (ii) 물리적 정렬 기반 하드 게이팅과 시간‑평활을 결합한 라우팅 전략, (iii) 고충실도 시뮬레이션을 통한 엔드‑투‑엔드 착륙 성능 검증이다. 또한, MoE(전문가 혼합) 개념을 단일 시각 모달리티에 적용함으로써 기존 MoE가 주로 다중 센서·다중 도메인에 활용되던 한계를 확장하였다. 향후 연구에서는 전문가 수를 확대해 중간 고도 전용 전문가를 추가하거나, 라우팅을 학습 기반(예: 작은 MLP)으로 대체해 연속적인 스위칭을 구현할 가능성을 제시한다.

**