Learning Underwater Active Perception in Simulation

논문 제목: 시뮬레이션 기반의 수중 능동적 지각 (Active Perception) 학습

저자: Alexandre Cardaillac, Donald G. Dansereau (시드니 대학교)

1. 문제 정의 (Problem)

수중 자산의 자율 점검 (Inspection) 시 수중 환경의 조건, 특히 **탁도 (Turbidity)**와 **후방 산란 (Backscattering)**은 로봇의 시각적 인지와 작업 성패에 결정적인 영향을 미칩니다.

• 기존 한계: 기존 연구들은 탁도에 적응하거나 후방 산란을 보정하는 방법을 제시했으나, 카메라와 조명 장치의 독립적인 이동이 가능해야 하는 등 엄격한 기구학적 제약이 있거나, 단순히 목표물과의 거리를 최소화하는 데 그쳐 시각적 커버리지 (Coverage) 가 낮아지는 문제가 있었습니다.
• 시뮬레이션의 부재: 물리적으로 정확한 수중 이미지 생성을 위한 렌더링 도구의 부족으로, 합성 데이터를 통한 모델 학습의 신뢰성이 떨어졌습니다. 기존 렌더링 엔진 (Blender 등) 은 수중 광학 특성을 단순화하여 실제와 다른 대비 (Contrast) 와 산란 효과를 보여줍니다.
• 필요성: 수중 환경은 시간, 장소, 날씨에 따라 가시도가 급변하므로, 운영 중 실시간으로 수중 광학 특성을 추정하고 이를 기반으로 로봇의 이동 거리와 조명 강도를 최적화하는 능동적 지각 프레임워크가 필요합니다.

2. 방법론 (Methodology)

제안된 접근법은 물리 기반 시뮬레이션, 현장 보정 (Calibration), 실시간 학습 모델의 세 가지 핵심 구성 요소로 이루어집니다.

가. 수중 이미지 시뮬레이션 개선 (Underwater Imagery Simulation)

• Blender 엔진 수정: 기존 Blender 의 Cycles 렌더링 백엔드를 수정하여 수중 광학 물리를 더 정확하게 구현했습니다.
  • 산란 위상 함수 (Phase Function) 교체: 기존에 사용되던 Henyey-Greenstein (HG) 함수를 해양학계에서 표준으로 인정받는 Fournier-Forand (FF) 함수로 교체했습니다. 이는 전방 및 후방 산란 각도에 따른 빛의 분포를 Petzold 측정 데이터와 일치하도록 정확히 모델링합니다.
  • 광원 및 흡수 모델: 파장 기반의 흡수 및 산란 계수를 광대역 (Wideband) 계수로 변환하여 다양한 수질 (Jerlov 수질 유형 10 가지 포함) 을 시뮬레이션할 수 있도록 했습니다.
  • 노이즈 모델링: 센서 노이즈 (열 노이즈 및 포아송 노이즈) 를 물리 기반 모델로 추가하여 현실성을 높였습니다.

나. 수중 수층 특성 추정 보정 루틴 (Water Column Property Estimation)

• 2 단계 보정 절차: 임무 시작 시 로봇이 수행하는 보정 과정을 통해 국소적인 수층 특성을 추정합니다.
  1. 깊이에 따른 조명 감쇠 추정: 수면을 향해 카메라를 향하게 하여 깊이에 따른 자연광의 감쇠를 측정합니다.
  2. 거리 및 조명에 따른 대비 변화 측정: 목표물과의 거리를 변화시키며 조명 (On/Off) 을 조절하여 대비 (Contrast) 의 변화를 측정합니다.
• 데이터 활용: 이를 통해 수심별 색상 감쇠 계수 ($K_z$) 와 거리별 대비 변화 프로파일 ($K_c$) 을 생성하여, 이후 실시간 운영 시의 기준 데이터로 사용합니다.

다. 실시간 지각 인식 모델 (Runtime Perception Model)

• MLP 기반 예측: 다층 퍼셉트론 (MLP) 을 사용하여 특정 거리와 조명 강도 설정에서의 이미지 대비를 예측합니다.
  • 입력 (20 개): 보정 데이터 (깊이 감쇠, 조명 ON/OFF 시 대비 변화), 현재 상태 (거리, 조명 강도, 수심, 이미지 평균 및 표준편차), 최적화할 파라미터 (거리 오프셋, 조명 오프셋).
  • 출력: 예측된 채널별 대비.
• 최적화 루프: 예측된 대비와 시각적 커버리지를 균형 있게 고려한 목적 함수 ($y = \lambda_c m_c + \lambda_d m_d$) 를 정의하고, Nelder-Mead 최적화 알고리즘을 통해 최적의 거리 오프셋과 조명 강도 오프셋을 실시간으로 도출합니다. 이를 통해 로봇은 목표물에 너무 가까워 후방 산란이 심해지거나, 너무 멀어 대비가 떨어지지 않는 최적의 거리를 유지합니다.

3. 주요 기여 (Key Contributions)

1. 물리 기반 수중 렌더링 엔진 업그레이드: Blender 에 해양학적으로 정확한 FF 위상 함수를 통합하여, 후방 산란과 대비를 현실적으로 시뮬레이션할 수 있는 환경을 조성했습니다.
2. 단안 카메라 기반 수층 특성 추정: 별도의 고가 센서 없이 카메라와 가변 조명을 이용해 수중 수층의 광학적 특성을 실시간으로 추정하는 보정 루틴을 제안했습니다.
3. 적응형 능동적 지각 프레임워크: 학습된 MLP 모델을 통해 다양한 수질 조건에서 이미지 품질 (대비) 과 시각적 커버리지를 동시에 극대화하는 실시간 주행 및 조명 제어를 가능하게 했습니다.

4. 실험 결과 (Results)

시뮬레이션 환경 (저탁도 및 고탁도 수역) 에서 제안된 방법을 기존 방법 (고정 거리 패턴, 그라디언트 기반 방법, NIQE 기반 방법) 과 비교 평가했습니다.

• 모델 정확도: 보정 데이터를 활용한 MLP 는 테스트 세트에서 평균 절대 오차 (MAE) 0.01 을 기록하여, 보정 데이터가 없는 모델 (MAE 0.05) 보다 훨씬 높은 정확도를 보였습니다.
• 특징 매칭 (Feature Matching): 제안된 방법은 저탁도 및 고탁도 환경 모두에서 다른 방법들보다 더 높은 인라이어 (Inlier) 비율과 안정적인 특징점 매칭 수를 보여주었습니다. 이는 SLAM 또는 매핑과 같은 하위 작업의 신뢰성을 높입니다.
• 시각적 커버리지: 고정 거리 패턴 (1m, 2m) 은 수질 변화에 따라 커버리지가 급격히 떨어지거나 품질이 저하되는 반면, 제안된 방법은 최적의 트레이드오프를 이루어 넓은 영역을 높은 품질로 촬영했습니다. 특히 고탁도 환경에서 2m 패턴이 실패한 반면 제안된 방법은 성공적으로 작업을 수행했습니다.

5. 의의 및 결론 (Significance)

• 자율성 향상: 수중 로봇이 복잡한 수중 환경에서도 인간의 개입 없이 고화질 데이터를 수집할 수 있는 자율성을 크게 향상시켰습니다.
• 임무 효율성: 불필요한 재방문이나 데이터 무효화를 방지하여 시간과 비용을 절감하며, 위험한 수중 환경에서의 안전성을 높입니다.
• 확장성: 시뮬레이션 기반 학습과 물리 기반 렌더링의 결합은 실제 현장 적용 전의 검증 비용을 획기적으로 줄여줍니다.

이 연구는 수중 로봇이 환경의 불확실성 (탁도, 조명 변화) 에 능동적으로 적응하여 고품질 시각 정보를 획득할 수 있는 새로운 패러다임을 제시합니다.