STERN: 자율 수중 근접 작전을 위한 동시 궤적 추정 및 상대 항법 기술 요약

이 논문은 자율 수중 차량 (AUV) 의 수중 도킹 및 근접 작전 (Proximity Operations, prox-ops) 의 난제를 해결하기 위해 제안된 STERN(Simultaneous Trajectory Estimation and Relative Navigation) 프레임워크에 대해 다룹니다. 저자들은 우주선 근접 작전 개념을 차용하여 수중 환경을 일반화하고, **팩터 그래프 (Factor Graph)**를 기반으로 한 유연한 상태 추정 모델을 제시합니다.

1. 문제 정의 (Problem Definition)

• 배경: AUV 는 수중 임무 (탐사, 점검, 데이터 수집 등) 에 필수적이지만, 에너지 제한과 통신의 어려움으로 인해 자율성과 내구성에 한계가 있습니다. 이를 극복하기 위해 AUV 가 모선 (Mothership) 이나 충전 스테이션과 만나거나 도킹하는 '근접 작전'이 중요해지고 있습니다.
• 핵심 문제: 기존 연구들은 대부분 정적 (Static) 인 표적이나 특정 센서 구성에 국한된 경우가 많아, **동적으로 움직이는 표적 (예: 항해 중인 모선)**을 상대 항법하는 일반적인 문제 해결에 한계가 있었습니다.
• 목표: 센서 구성이나 에이전트의 동적 제약과 무관하게, 추격자 (Chaser, AUV) 와 표적 (Target, 모선) 의 상태를 동시에 추정할 수 있는 범용적인 프레임워크를 구축하는 것입니다. 특히, 장거리 음향 (Acoustic) 데이터만을 사용하여 움직이는 표적을 추적하는 시나리오를 중점적으로 다룹니다.

2. 방법론 (Methodology)

2.1 근접 작전 단계의 일반화

저자들은 우주 임무에서 사용되는 '근접 작전 (prox-ops)' 개념을 수중 환경에 적용하여 4 가지 단계를 정의했습니다:

1. 원격 단계 (Remote Phase): 표적과의 통신/측정이 없는 대기 단계.
2. 장거리 단계 (Long-distance Phase): 음향 신호 (USBL 등) 를 통해 대략적인 거리와 방위를 측정하는 단계.
3. 종단 단계 (Terminal Phase): 고해상도 센서 (카메라 등) 를 사용하여 정밀하게 접근하는 단계.
4. 공동 단계 (Joint Phase): 도킹, 데이터 전송, 회수 등 실제 상호작용이 이루어지는 단계.

2.2 STERN 프레임워크 및 팩터 그래프 모델링

이 연구의 핵심은 팩터 그래프를 사용하여 위 모든 시나리오를 통합적으로 모델링하는 것입니다.

• 그래프 구조:
  • 변수 노드 (Variable Nodes): 추격자 (AUV) 의 궤적과 표적 (모선) 의 궤적 (위치, 속도, 헤딩 등) 을 나타냅니다.
  • 팩터 노드 (Factor Nodes): 센서 측정값 (USBL, IMU, DVL, 압력 센서) 과 운동 모델 (Motion Model) 을 기반으로 변수들을 제약합니다.
• 동적 표적 처리: 정적 표적은 단일 변수 노드로 표현되지만, 동적 표적은 시간 경과에 따른 상태 변화 (위치, 속도, 헤딩) 를 모델링하기 위해 **변수 노드 체인 (Chain)**과 운동 모델 팩터를 사용하여 표적의 움직임을 명시적으로 추론합니다.
• 측정 데이터:
  • USBL (Ultra-Short Baseline): 표적 모선이 AUV 의 위치를 측정하여 음향 통신으로 다시 AUV 에게 전달하는 '릴레이 (Relayed)' 방식 사용.
  • 관성 항법 (INS): IMU, DVL, 압력 센서 데이터를 원시 데이터 (Raw data) 로 직접 팩터 그래프에 통합하여 오차 누적 (Drift) 을 보정.

2.3 구현 및 최적화

• 소프트웨어: ROS(Robot Operating System) 와 GTSAM(Georgia Tech Smoothing and Mapping) 라이브러리를 기반으로 구현.
• 해석기: iSAM2(Incremental Smoothing and Mapping) 알고리즘을 사용하여 실시간으로 그래프를 최적화하고 상태 (MAP estimate) 를 추정합니다.
• 전처리: USBL 데이터의 이상치 (Outlier) 를 제거하기 위해 RANSAC 기반의 필터링을 적용합니다.

3. 주요 기여 (Key Contributions)

1. 범용 프레임워크 제안: 우주선 근접 작전 개념을 수중 도킹에 적용하고, 이를 팩터 그래프로 모델링하여 다양한 시나리오 (정적/동적 표적, 다양한 센서 구성) 를 통합적으로 표현할 수 있는 STERN 프레임워크를 제시했습니다.
2. 동적 표적에 대한 일반화: 정적 표적뿐만 아니라, 동적으로 움직이는 모선을 상대 항법하는 문제를 해결하기 위한 구체적인 모델링 기법 (운동 모델 팩터, 속도/헤딩 변수 추정) 을 상세히 기술했습니다.
3. 실제 데이터 기반 검증: 시뮬레이션뿐만 아니라, 실제 AUV(LoLo) 와 모선을 이용한 **현장 실험 (Field Experiment)**을 수행하여 제안된 방법론의 유효성을 입증했습니다.
4. 실시간성 분석: 시스템의 계산 부하를 분석하여, 현재 하드웨어 환경에서도 실시간 (Real-time) 배포가 가능함을 보였습니다.

4. 실험 결과 (Results)

4.1 시뮬레이션 결과

• 노이즈 민감도 분석: 다양한 USBL 노이즈 수준과 운동 모델의 제약 강도 (Compliance) 를 변화시켜 테스트했습니다.
• 성능: 중간 정도의 운동 모델 제약 (Compliance level 2 이상) 에서 가장 일관된 성능을 보였습니다. 필터링 (Filtering) 방식은 고정된 창 (Fixed-lag) 이나 전체 평활화 (Full smoothing) 방식과 유사하거나 특정 조건에서 더 나은 성능을 보였으며, 오차의 일관성 (Standard Deviation) 이 낮았습니다.
• 결론: 운동 모델의 가정이 실제와 완벽히 일치하지 않아도 (예: 표적의 헤딩이 일정하지 않음), 팩터 그래프의 유연성을 통해 만족스러운 추정이 가능함이 확인되었습니다.

4.2 현장 실험 결과 (Field Experiments)

• 실험 환경: 스웨덴 Baggensfjärden 해역에서 AUV LoLo 와 서비스 보트 (모선) 를 이용해 7 번의 임무 (9 개의 데이터셋) 를 수행했습니다.
• 성능:
  • 위치 추정: 평활화 (Smoothing) 된 결과가 실시간 추정보다 정확도가 높았으며, 특히 초기 오차를 보정하는 데 효과적이었습니다.
  • 동적 제약 위반: 실제 모선은 일정 속도와 헤딩을 유지하지 않았으나 (가정 위반), 제안된 방법은 이를 유연하게 처리하여 표적의 궤적을 잘 추적했습니다.
  • 한계: 초기 헤딩 각도 추정 실패와 USBL 측정치의 큰 이상치 (Outlier) 가 때때로 오차를 유발했습니다. 또한, AUV 의 관성 항법 (Dead-reckoning) 오차가 심해 초기 상태 설정에 주의가 필요했습니다.
• 계산 효율성: 키프레임 (Keyframe) 당 평균 처리 시간은 약 8.7ms로, 0.5Hz 의 USBL 업데이트 주기에 비해 충분한 계산 여유 (Headroom) 가 있어 실시간 시스템 적용이 가능함을 확인했습니다.

5. 의의 및 결론 (Significance)

이 논문은 수중 로봇의 자율성을 높이는 데 있어 동적 표적에 대한 상대 항법이라는 중요한 기술적 격차를 메우는 데 기여했습니다.

• 유연성과 확장성: 팩터 그래프를 기반으로 하여, 새로운 센서나 운동 모델을 추가하는 것이 용이하며, 다양한 근접 작전 시나리오를 하나의 통합된 프레임워크로 다룰 수 있음을 보였습니다.
• 실용성: 단순한 이론적 모델을 넘어, 실제 AUV 플랫폼에 적용 가능한 소프트웨어 아키텍처와 실시간 처리 능력을 입증했습니다.
• 미래 전망: 향후 연구 방향으로는 동적 가정 (일정 속도/헤딩) 을 제거하고 가우시안 프로세스 등의 더 정교한 운동 모델을 적용하거나, 하이브리드 센싱 (음향 + 광학) 구간을 넘어선 완전한 6 자유도 (6-DOF) 추정으로 범위를 확장하는 것이 제시되었습니다.

요약하자면, STERN 프레임워크는 수중 환경에서의 복잡한 근접 작전을 체계적으로 모델링하고 해결할 수 있는 강력한 도구로서, AUV 의 자율 도킹 및 회수 기술 발전에 중요한 발걸음이 될 것입니다.