초소형 UAV 자율비행: 알고리즘·아키텍처·제약의 최신 동향

초록

본 리뷰는 50 g 미만, 100 mW 이하 전력으로 동작하는 nano‑UAV의 자율비행을 위해 설계된 센서·컴퓨팅·제어 체계를 종합적으로 정리한다. 클래식 기하학 기반 방법에서 양자화된 딥러닝·신경형 이벤트 카메라까지의 전이 과정을 분석하고, 현재의 기술적 한계와 향후 하이브리드 아키텍처 제안을 제시한다.

상세 분석

nano‑UAV는 무게 < 50 g, 전력 < 100 mW라는 극단적인 SWaP 제약 때문에 기존 UAV에 적용되는 고성능 GPU·LiDAR·VSLAM 스택을 그대로 이식할 수 없다. 따라서 연구는 두 축으로 수렴한다. 첫째, 초저전력 하드웨어 설계—STM32F4·Cortex‑M7 기반 MCU에서 시작해 GAP8·GAP9 같은 RISC‑V 다코어 PULP 아키텍처, 그리고 Navion·Shaheen ASIC 수준의 맞춤형 SoC까지 진화한다. 이들 플랫폼은 86 mW에서 300 mW 사이의 전력으로 20 ~ 300 GOPS의 처리량을 제공하며, SRAM < 1 MB, 외부 HyperRAM을 활용해 메모리 병목을 완화한다. 둘째, 알고리즘 경량화이다. 밀집 광류(dense optical flow)와 이벤트 기반 카메라를 이용한 비전 파이프라인은 프레임당 수천 연산만으로도 200 Hz 이상의 속도와 마이크로초 수준의 지연을 달성한다. 양자화된 CNN(예: Frontnet)과 TinyML 기법은 3 kMAC/프레임 수준으로 추론을 수행하고, SNN 기반 자세 제어는 정수 연산만으로 500 Hz 루프를 구현한다. 그러나 이러한 경량화는 정확도와 견고성에서 타협을 요구한다. 특히 저해상도·노이즈가 큰 TOF·광류 데이터만으로는 장시간 SLAM이나 동적 장애물 회피에 충분치 않으며, 시뮬레이션‑실제 간 차이(‘Sim‑to‑Real Gap’)가 크게 남아 있다. 저전력 전자기 환경(저전압·고주파)과 저 Reynolds 수(Re < 10⁴)에서 발생하는 비선형 풍동과 모터 진동은 기존 모델 기반 제어를 불안정하게 만든다. 따라서 현재는 ‘하이브리드’ 접근이 가장 유망하다. 경량 기하학 기반 상태 추정(예: EKF‑VIO)과 데이터‑드리븐 인식(양자화 DNN·SNN)을 결합하고, 스웜 인텔리전스를 통해 개별 UAV의 연산 부담을 분산한다. 이러한 설계는 전력 예산의 5‑15 %만을 사용하면서도 실시간 위치 추정·장애물 회피·경로 계획을 가능하게 한다. 그러나 장시간 비행(10 분 이상)과 복잡한 동적 환경에서의 견고한 학습 정책 전이, 그리고 ASIC 수준의 저전력 VIO 가속기 보급이 아직은 제한적이다. 향후 연구는 (1) 초저전력 이벤트 센서와 SNN 가속기의 공동 설계, (2) 양자화·프루닝 기법을 적용한 멀티‑태스크 TinyML 모델, (3) 물리‑기반 시뮬레이터와 실제 비행 간의 도메인 적응 기법을 통합한 강화학습 파이프라인을 중점적으로 다루어야 한다.