통합 실험 아키텍처로 보는 정보 경로 계획

초록

본 논문은 정보 경로 계획(IPP) 알고리즘을 시뮬레이션, 소프트웨어‑인‑더‑루프(SITL), 실제 차량에 동일한 코드와 파이프라인으로 적용할 수 있도록 고수준 의사결정과 저수준 제어를 분리한 통합 실험 아키텍처를 제안한다. 구현체인 GuadalPlanner는 ROS2, MAVLink, MQTT 기반의 표준 인터페이스를 제공하며, 그래프 기반 2D 환경에서 다양한 차량 유형과 센서 페이로드를 교체 가능하게 만든다. 실험은 자율 수상 차량(ASV)에서의 수질 모니터링을 포함해 여러 IPP 전략을 검증함으로써 제안 아키텍처의 재현성 및 전이성을 입증한다.

상세 분석

GuadalPlanner가 제시하는 핵심 아이디어는 “고수준 의사결정 레이어와 저수준 실행 레이어의 완전한 분리”이다. 이를 위해 논문은 세 단계의 추상화 레벨을 정의한다. 첫 번째 레벨은 그래프 기반 환경에서 이상적인 차량 모델을 사용해 알고리즘을 빠르게 프로토타이핑하는 시뮬레이션 레벨이며, 여기서는 물리적 제약이 최소화되어 정보 획득 효율성 자체에 집중할 수 있다. 두 번째 레벨인 SITL은 ArduPilot의 내장 시뮬레이터와 MAVLink 통신을 활용해 실제 제어 루프와 센서 피드백을 그대로 재현한다. 이 단계에서는 제어 파라미터 튜닝, 통신 지연, 센서 노이즈 등이 실제와 동일하게 적용돼 알고리즘의 강인성을 검증한다. 세 번째 레벨은 물리적 차량에 동일한 ROS2 노드와 MQTT 브로커를 연결해 실제 환경에서 실행하는 단계이다. 여기서도 동일한 인터페이스 정의(플리트 인터페이스, 센서 인터페이스, 액추에이터 인터페이스)를 사용하므로 코드 수정 없이 바로 전이한다.

아키텍처 구현은 크게 네 가지 모듈로 나뉜다. ① Graph Environment Monitor는 2D 격자 혹은 비정형 그래프를 정의하고, 노드‑간 거리, 불확실성 지도 등을 제공한다. ② Planner Module은 사용자가 구현한 IPP 알고리즘(예: 탐욕적 불확실성 감소, 베이지안 최적화 기반 기대 개선, 서브모듈러 커버리지)과 동일한 API를 통해 환경 정보를 질의하고 목표 경로를 반환한다. ③ Fleet Interface는 ROS2 토픽/서비스와 MQTT 토픽을 매핑해 차량의 현재 위치, 속도, 배터리 상태 등을 실시간으로 전달하고, 플래너가 생성한 경로를 MAVLink 명령으로 변환한다. ④ Backend Adapter는 실제 차량(ArduPilot 기반 ASV) 혹은 SITL, 혹은 순수 시뮬레이터와 연결되는 어댑터 역할을 수행한다. 이 구조 덕분에 새로운 차량 플랫폼(예: UAV, UGV)이나 새로운 센서(예: 라이다, 화학 센서)를 추가할 때는 Backend Adapter와 센서 인터페이스만 구현하면 된다.

실험에서는 세 가지 IPP 전략을 동일한 환경에서 비교했다. 탐욕적 불확실성 감소는 현재 정보 엔트로피가 가장 높은 노드를 선택해 빠른 수집을 목표로 했으며, 베이지안 최적화 기반 기대 개선은 가우시안 프로세스 모델을 이용해 정보 이득을 예측해 최적의 다음 위치를 선택한다. 서브모듈러 커버리지 전략은 전체 영역을 균등하게 탐색하도록 설계돼, 특히 제한된 배터리 용량 상황에서 효율적인 커버리지를 제공한다. 각 전략은 그래프 기반 시뮬레이션, SITL, 실제 ASV에서 동일한 코드베이스로 실행됐으며, 수집된 정보량, 경로 길이, 임무 완료 시간, 에너지 소비 등의 메트릭이 일관되게 측정되었다. 결과는 고수준 의사결정 로직이 저수준 제어와 완전히 독립적으로 동작함을 증명했으며, 특히 SITL 단계에서 드러난 통신 지연과 센서 노이즈가 실제 배포 시 성능 저하를 최소화하도록 알고리즘을 사전에 조정할 수 있게 해준다.

또한, 다중 에이전트 시나리오를 지원하기 위해 MQTT 기반의 브로드캐스트/서브스크라이브 모델을 도입했다. 이는 저전력 온보드 컴퓨팅 환경에서도 효율적인 메시지 전달을 가능하게 하며, 여러 ASV가 협업해 넓은 수역을 동시에 모니터링하는 경우에도 플래너가 전역 정보를 공유하고 충돌을 회피하도록 설계할 수 있다.

전반적으로 GuadalPlanner는 기존 로봇 시뮬레이터(Gazebo, AirSim 등)가 제공하는 저수준 물리 엔진에 머무르지 않고, IPP 연구에 필요한 고수준 환경 모델링과 알고리즘-플랫폼 독립성을 동시에 제공한다는 점에서 차별화된다. 오픈소스 구현과 ROS2 기반 모듈화 덕분에 연구 커뮤니티가 손쉽게 재현하고 확장할 수 있는 기반을 제공한다는 점도 큰 장점이다.