무인항공기 기반 해양 수색 시스템 발룬 만 실험 결과

초록

본 논문은 실시간 부표 데이터와 CFD 기반 대리 흐름 모델을 결합한 흐름 재구성, 입자 기반 확률 탐색, 그리고 YOLOv8 기반 시각 인식을 통합한 무인항공기(UAV) 수색 시스템을 발룬 만에서 현장 시험한 결과를 제시한다. 흐름 모델은 입자 군집 최적화(PSO)로 경계 조건을 조정해 실시간에 근접한 속도장을 생성하고, 드리프터 궤적을 이용해 모델 오차를 지속적으로 평가한다. 탐색은 확률 밀도 m(x,t)를 에르고딕 HEDAC 제어로 커버리지를 최적화하며, 검출기 mAP 0.723, 정밀도 0.861, 재현율 0.68을 달성하였다. 실험은 복합 해양 환경에서도 목표 물체를 안정적으로 탐지함을 증명한다.

상세 분석

이 연구는 해양 수색·구조(SAR) 작업에 필요한 네 가지 핵심 기술을 하나의 프레임워크로 결합한 점에서 의미가 크다. 첫째, 흐름 재구성 단계에서는 2차원 비압축성 Navier‑Stokes 방정식을 기반으로 한 두 개의 CFD 시뮬레이션(‘bounded flow’와 ‘open flow’)을 융합해 해안과 개방 해역의 흐름 특성을 동시에 포착한다. 경계 조건은 입구·출구 압력과 접선 속도를 제어 변수로 두고, 입자 군집 최적화(Particle Swarm Optimization, PSO)를 이용해 실시간 부표 측정값과 최소 제곱 오차를 최소화한다. 10분 간격의 ‘quasi‑steady’ 업데이트는 해양 흐름이 비교적 느리게 변한다는 가정을 활용해 계산량을 크게 줄이면서도 동적 변화를 추적한다.

둘째, 드리프터 이동 평가에서는 재구성된 흐름장에 기반해 가상 궤적을 적분하고, 실제 부표 위치와의 평균 거리 S(t)를 오차 지표로 사용한다. 이 피드백 루프는 흐름 모델의 정확성을 지속적으로 검증하고, 필요 시 경계 조건을 재조정하도록 설계돼 실시간 적응성을 확보한다.

셋째, 목표 탐지는 YOLOv8 기반 객체 검출기를 활용한다. 실험용 데이터셋(522장, 60‑100 m 고도)으로 100 epoch 학습 후 mAP 0.723, 정밀도 0.861, 재현율 0.68을 달성했으며, 특히 재현율이 확률 탐색 프레임워크의 ‘감지 함수’ Γ에 직접 매핑돼 탐색 효율에 큰 영향을 미친다.

넷째, 확률 탐색 제어는 목표 미탐지 확률 밀도 m(x,t)를 advection‑diffusion‑detection 방정식으로 모델링하고, HEDAC(Heat Equation Driven Area Coverage) 에르고딕 제어를 통해 UAV들의 비행 경로를 최적화한다. 각 UAV는 카메라 시야(FOV) 내에서 m(x,t)를 곱셈적으로 감소시키는 방식으로 업데이트되며, 다중 UAV 협업을 위한 분산 제어 구조가 적용돼 통신 제한 상황에서도 안정적인 커버리지를 제공한다.

현장 시험 결과는 흐름 모델의 평균 속도 오차가 0.12 m/s 이하, 드리프터 위치 오차가 5 m 내외로 유지됐으며, UAV가 3대 운용될 때 30 분 이내에 목표 물체(플라스틱 부표)를 92 % 탐지 성공률로 식별했다. 복합 환경(조류, 바람, 파도)에서도 시스템이 실시간으로 흐름을 재구성하고 탐색 경로를 수정함으로써 전통적인 수동 수색 대비 탐색 효율을 2배 이상 향상시킨 점이 주목할 만하다. 다만, 2차원 흐름 모델의 한계와 부표 배치에 따른 샘플링 편향, 그리고 UAV 배터리 제약이 향후 개선 과제로 남는다.