Distributed UAV Formation Control Robust to Relative Pose Measurement Noise

이 논문은 그래프 강성 이론 기반의 UAV 군집 제어 알고리즘에 센서 잡음 분포를 고려한 수정 기법을 도입하여, 잡음으로 인한 진동과 편향을 억제하고 실제 환경에서의 안정적인 밀집 형성 제어를 가능하게 하는 방법을 제안합니다.

핵심

🚁 핵심 이야기: "눈이 안 좋은 친구들과 줄 맞추기"

상상해 보세요. 여러분과 친구 3 명이 서로의 손을 잡거나 어깨를 맞대고 정확한 모양 (예: 정사각형) 을 유지하며 걷고 있다고 칩시다. 이때 중요한 건 **"서로가 얼마나 떨어져 있는지, 어느 방향을 보고 있는지"**를 정확히 아는 것입니다.

하지만 우리 친구들은 안경을 쓰지 않았거나, 안개가 끼어 있어 시야가 흐릿합니다. (이게 바로 드론의 '센서 노이즈'입니다.)

1. 기존 방식의 문제점: "너무 예민한 반응"

기존 드론들은 흐릿한 시야로 친구의 위치를 볼 때마다 **"아! 저 친구가 조금 왼쪽으로 밀렸네! 당장 오른쪽으로 가자!"**라고 반응했습니다.

• 결과: 친구의 실제 위치는 그대로인데, 안개 때문에 '왼쪽으로 갔다'고 착각하는 순간, 드론은 급하게 움직입니다.
• 현상: 드론들은 불필요하게 떨리고 (진동), 제자리에서 좌우로 왔다 갔다 하며 (오실레이션) 에너지를 낭비합니다. 심지어는 서로의 위치를 잃어버려 떼가 흩어지기도 합니다.

2. 이 논문이 제안하는 해결책: "조금만 기다려보자 (Restraining)"

이 연구팀은 드론들에게 새로운 지시를 내립니다.

"친구의 위치가 흐릿하게 보인다면, 무조건 움직이기 전에 '그게 진짜일까, 아니면 안개 때문일까?'를 계산해 보자."

이 기술을 **'리스트레이닝 (Restraining, 억제/조절)'**이라고 부릅니다.

• 비유: 친구가 아주 멀리서 "나 여기 있어!"라고 외쳐도, 안개가 너무 짙어서 위치가 불확실하면 **"일단 가만히 있어. 움직이다가 오히려 더 멀어질 수도 있어."**라고 스스로를 억제합니다.
• 원리: 센서 오차 (안개) 가 클 때는 드론이 움직이지 않는 **'안전 구역 (Dead Zone)'**을 만듭니다. 오차가 작을 때만 ("아, 진짜로 친구가 움직였구나") 천천히 움직입니다.

🌟 이 방법의 놀라운 효과

1. 떨림이 사라집니다: 드론이 불필요하게 급하게 움직이지 않아서, 카메라가 친구를 더 잘 볼 수 있게 됩니다. (카메라가 흔들리면 친구를 못 찾거든요.)
2. 더 멀리서도 줄을 맞춥니다: 기존 방식은 거리가 멀어지고 센서 오차가 커지면 줄이 흩어졌지만, 이 방법을 쓰면 센서가 덜 정확해도 드론들이 떼를 유지하며 날아갈 수 있습니다.
3. 에너지 절약: 불필요한 급가속과 급감속을 하지 않아 배터리가 더 오래 갑니다.

📊 실제 실험 결과

연구팀은 실제 야외에서 3 대의 드론을 날려보았습니다.

• 기존 방식: 드론들이 제자리에서 심하게 떨리고, 원하는 모양을 유지하지 못해 흩어졌습니다.
• 새로운 방식 (이 논문): 드론들이 매우 부드럽게 움직이며, 거리가 멀고 센서 오차가 큰 상황에서도 완벽한 모양을 유지했습니다.

💡 한 줄 요약

"센서가 흐릿할 때 무조건 반응하지 말고, '그게 진짜 오차일까?'를 계산해서 불필요한 움직임을 억제하면, 드론 떼가 훨씬 더 안정적이고 멀리서도 함께 날아갈 수 있다!"

이 기술은 드론뿐만 아니라, 자율주행 자동차나 로봇 군집이 서로 협력할 때 센서 오차로 인한 혼란을 해결하는 데에도 큰 도움이 될 것입니다.

기술 요약

이 논문은 노이즈가 포함된 상대적 포지션 (Relative Pose) 측정 데이터를 사용하여 자율 UAV(무인 항공기) 팀의 **분산형 군집 제어 (Distributed Formation Control)**를 견고하게 만드는 새로운 기법을 제안합니다.

주요 내용은 다음과 같습니다.

1. 문제 제기 (Problem)

• 배경: UAV 군집이 밀집된 형태 (Tight Formation) 로 비행하기 위해서는 외부 인프라 (RTK-GNSS, 모션 캡처 등) 없이도 onboard 센서를 통해 이웃 UAV 와의 상대적 위치와 자세를 파악해야 합니다.
• 핵심 문제: 실제 onboard 센서 (예: UVDAR 와 같은 비전 기반 시스템) 는 측정 오차 (Noise) 를 포함합니다. 기존에 그래프 강성 (Graph Rigidity) 이론에 기반한 군집 제어 알고리즘은 이상적인 (노이즈가 없는) 측정을 가정합니다.
• 부작용: 실제 노이즈가 있는 데이터를 그대로 제어기에 입력하면, UAV 들은 원하는 형상을 유지하려다 불필요하게 진동 (Oscillation) 하거나 드리프트 (Drift) 가 발생합니다. 이는 카메라 시야각 이탈, 추적 손실, 그리고 제어 루프의 불안정성을 초래하여 실제 환경에서의 적용을 어렵게 만듭니다.

2. 방법론 (Methodology)

저자들은 **"Restraining (제어/억제)"**이라는 새로운 기법을 제안했습니다. 이는 기존 그래디언트 하강법 (Gradient Descent) 기반의 형상 강제 제어 (FEC) 명령을 해석 가능한 요소로 분해하고, 센서 노이즈의 통계적 분포를 활용하여 각 요소를 개별적으로 수정하는 방식입니다.

• 핵심 아이디어:
  • 측정된 오차가 노이즈에 의한 것인지, 실제 위치 오차인지 통계적으로 판단합니다.
  • 과도한 오버슈트 (Overshoot) 방지: UAV 가 목표 형상에 매우 가까울 때, 측정 오차 (노이즈) 가 실제 오차보다 클 확률이 높습니다. 이때 무작정 제어 명령을 내리면 오히려 목표 위치를 지나쳐 반대편으로 넘어가는 (Overshoot) 현상이 발생합니다.
  • 확률적 정지 영역 (Probabilistic Dead Zone): 목표 상태에 가까워질수록, 오버슈트할 확률 ($\ell$) 이 허용 기준 (예: 0.3) 을 넘지 않도록 제어 입력을 제한하거나 아예 0 으로 만듭니다. 즉, "통계적으로 신뢰할 수 없는 작은 오차에는 반응하지 않음"을 원칙으로 합니다.
• 구현 단계:
  1. 1D 시스템 분석: 단순한 1 차원 시스템에서 비례 제어 (Proportional Control) 와 노이즈의 관계를 분석하고, 오버슈트 확률을 기반으로 한 제한된 설정점 (Restrained Setpoint) 을 유도합니다.
  2. R3 x S1 로 확장: 실제 UAV 의 3 차원 위치 ($p$) 와 1 차원 방위각 ($\psi$) 으로 확장합니다.
  3. 항목별 보정: FEC 명령을 구성하는 4 가지 항 ($\tau_{p1}, \tau_{p2}, \tau_{\psi1}, \tau_{\psi2}$) 에 대해 각각의 노이즈 분포 (공분산 행렬 $C_{ij}$ 및 분산 $\sigma^2_{\psi ij}$) 를 고려하여 보정된 설정점을 계산합니다.
  4. 클램핑 (Clamping): 계산된 보정된 명령을 원래 측정값과 비교하여, 통계적으로 신뢰할 수 없는 영역에서는 제어 입력을 0 으로 제한합니다.

3. 주요 기여 (Key Contributions)

1. 새로운 제어 기법 제안: onboard 센서의 노이즈 분포를 제어 법칙에 직접 통합하여, 오버슈트 확률을 제한하는 'Restraining' 기법 개발.
2. 이론적 분석: 제안된 기법의 성능을 시스템 파라미터와 노이즈 조건에 따라 예측할 수 있는 이론적 분석 제공 (수렴 시간, 안정 상태의 분산 등).
3. 실제 환경 검증: 시뮬레이션뿐만 아니라, 실제 3 대의 UAV 를 이용한 야외 비행 실험을 통해 기법의 유효성을 입증.
4. 오픈 소스 공개: 제안된 기법의 구현 코드를 공개하여 재현성 및 후속 연구를 지원.

4. 실험 결과 (Results)

• 시뮬레이션: 다양한 UAV 수 (2 대, 3 대, 6 대) 와 관측 그래프 구성, 다양한 노이즈 레벨 및 샘플링 주파수에서 테스트.
  • 제안된 기법 ($\ell < 0.5$) 은 기존 비례 제어 ($\ell = 0.5$) 에 비해 안정 상태에서의 위치 편차 (Standard Deviation) 와 속도 변화 ($\Delta v$) 를 크게 감소시켰습니다.
  • 특히 샘플링 주파수가 낮거나 노이즈가 큰 환경에서도 수렴을 보장할 수 있었습니다.
• 실제 비행 실험 (Real-world Experiments):
  • UVDAR 센서 사용: 자외선 (UV) LED 마커와 카메라를 이용한 상대적 위치 측정 시스템 적용.
  • 성능 향상:
    • 진동 감소: UAV 의 불필요한 기울기 (Tilting) 와 가속도 변화가 크게 감소 (예: 각속도 49.8% 감소, 가속도 44.4% 감소). 이는 비전 센서의 추적 성능을 향상시킵니다.
    • 수렴성 개선: 노이즈가 심한 대형 형상 (Large Formations) 에서 기존 방법은 형상 유지에 실패하거나 연결이 끊어졌으나, 제안된 방법은 안정적인 형상 유지를 가능하게 했습니다.
    • 연속성: 형상 변경 시에도 매끄러운 전환이 가능했습니다.

5. 의의 및 결론 (Significance)

이 논문은 이론적으로 완벽하지만 실제 센서 노이즈에 취약했던 기존 분산형 UAV 군집 제어 알고리즘의 한계를 극복했습니다. "Restraining" 기법은 센서의 통계적 특성을 제어 로직에 직접 반영함으로써, 추가적인 하드웨어 없이 소프트웨어적 개선만으로 UAV 군집이 노이즈가 있는 환경에서도 안정적이고 정밀하게 비행할 수 있게 합니다. 이는 외부 인프라가 없는 복잡한 환경 (야외, 지하 등) 에서 UAV 군집 임무를 수행하는 데 있어 실용적인 해결책을 제시한다는 점에서 의미가 큽니다.