Adaptive Relative Pose Estimation Framework with Dual Noise Tuning for Safe Approaching Maneuvers

논문 요약: 미협조 표적 (Uncooperative Target) 을 위한 이중 잡음 튜닝 적응형 상대 자세 추정 프레임워크

1. 문제 정의 (Problem Statement)

• 배경: ESA 의 ENVISAT 와 같은 방치된 위성을 표적으로 하는 능동 우주쓰레기 제거 (ADR) 및 궤도 서비스 임무는 미협조 표적 (Uncooperative Target) 의 상대 자세 (Relative Pose) 를 정확하고 강건하게 추정해야 합니다.
• 도전 과제:
  • 시각적 불확실성: 우주 환경의 조명 변화, 부분적/완전한 가림 (Occlusion), 센서 노이즈, 자이로抖动 (Jitter) 등으로 인해 CNN 기반의 특징점 (코너) 탐지 결과가 불확실하고 간헐적입니다.
  • 동적 불확실성: 궤도 이클립스 (Eclipse, 일식) 기간 동안 측정값이 끊기거나, 모델링되지 않은 동역학 (Maneuvers) 이 발생할 경우 기존 필터의 성능이 급격히 저하됩니다.
  • 기존 방법의 한계: 기존 칼만 필터 (KF, UKF) 는 고정된 잡음 공분산 행렬 ($Q, R$) 을 가정합니다. 이는 실제 우주 환경의 가변적인 조건을 반영하지 못해, 과도한 보수적 (Over-conservative) 또는 과도한 자신감 있는 (Over-confident) 추정을 초래하여 필터 발산이나 신뢰도 저하를 유발합니다.

2. 방법론 (Methodology)

이 논문은 컴퓨터 비전 (CNN) 과 적응형 비선형 필터링 (UKF) 을 통합한 완전한 파이프라인을 제안합니다.

• 시스템 아키텍처:

  • 센서: 추적기 (Chaser) 위성의 카메라와 LiDAR 를 사용합니다.
  • 비전 처리: ENVISAT 모델의 코너를 탐지하기 위해 경량화된 CNN 인 TinyCornerNET을 사용합니다. 2D 픽셀 좌표를 카메라 모델링을 통해 3D 측정값으로 변환합니다.
  • 필터링: 비선형 상대 동역학을 처리하기 위해 **무향 칼만 필터 (Unscented Kalman Filter, UKF)**를 사용합니다. 상태 벡터는 상대 위치, 속도, MRPs(회전), 각속도로 구성됩니다.

• 핵심 기술: 이중 적응형 잡음 튜닝 (Dual Adaptive Noise Tuning)
  기존 필터의 고정 잡음 모델을 실시간으로 조정하는 두 가지 전략을 도입했습니다.

  1. 측정 잡음 공분산 ($R$) 의 적응형 튜닝 (MTF 전략):
     • CNN 의 탐지 불확실성 (가림, 조명 변화 등) 에 따라 실시간으로 $R$을 조정합니다.
     • 혁신 (Innovation) 분석: 측정 오차 (Residual) 의 일관성을 모니터링하여, 예측된 공분산과 실제 오차 간의 불일치를 감지합니다.
     • Multiple Tuning Factor (MTF): 혁신 공분산의 대각 성분을 기반으로 $R$을 보정하여, 노이즈가 큰 측정값은 신뢰도를 낮추고 신뢰할 수 있는 측정값은 가중치를 높입니다.
  2. 프로세스 잡음 공분산 ($Q$) 의 적응형 튜닝 (RTS 기반 전략):
     • 이클립스 기간이나 측정 손실 시 모델 불일치를 보상하기 위해 $Q$를 동적으로 조정합니다.
     • Rauch-Tung-Striebel (RTS) 스무딩 아이디어 활용: 과거 상태와 전파된 시그마 포인트 (Sigma Points) 간의 교차 공분산 (Cross-covariance) 을 계산하여, 모델 오차가 발생하는 방향과 크기를 실시간으로 추정합니다.
     • 이를 통해 측정값이 없을 때 (예: 이클립스) 필터가 상태 불확실성을 적절히 증가시켜 발산을 방지합니다.

• LiDAR 보정 및 상태 확장:

  • LiDAR 깊이 데이터와 카메라 코너 위치 간의 체계적인 편차 (Bias) 를 해결하기 위해 상태 벡터에 LiDAR 깊이 편차 (Bias) 변수를 추가했습니다.
  • 이를 통해 LiDAR 포인트와 투영된 코너 간의 불일치를 보정하고 측정 모델의 강건성을 높였습니다.

3. 주요 기여 (Key Contributions)

1. 이중 적응형 프레임워크: 실시간으로 $Q$와 $R$을 모두 조정하는 최초의 통합 프레임워크를 제안했습니다. 이는 사전 지식 (이클립스 일정 등) 없이도 시스템 동역학과 측정 불확실성에 자동으로 대응합니다.
2. RTS 스무딩 영감을 받은 $Q$ 적응: 기존 방법론과 달리, 이터레이션 (Iterative) 이나 배치 처리 없이 실시간으로 시그마 포인트의 전파 특성을 이용해 $Q$를 업데이트합니다.
3. LiDAR-비전 융합 및 편차 보정: LiDAR 깊이 편차를 상태 변수로 추정하여, 비전 기반 측정과 LiDAR 측정 간의 체계적 오차를 제거했습니다.
4. 고충실도 시뮬레이션: Blender 환경에서 ENVISAT 모델을 기반으로 한 고충실도 시뮬레이션 (조명, 그림자, 가림 포함) 을 구축하여 데이터를 생성하고 검증했습니다.

4. 실험 결과 (Results)

• 시뮬레이션 환경: 100 회 이상의 몬테카를로 (Monte Carlo) 시뮬레이션을 수행하며, 정상 조건 (No-eclipse) 과 이클립스 조건 (Measurement outage) 을 비교했습니다.
• 성능 지표 (RMSE):
  • 제안된 Dual Adaptation (MTF + $Q_{adaptive}$) 방식은 고정 잡음 모델 (No Adaptation) 및 단일 적응 방식보다 모든 상태 변수 (위치, 속도, 자세, 각속도) 에서 최저의 RMSE를 기록했습니다.
  • 특히 이클립스 기간 동안 측정값이 끊긴 상황에서도 적응형 필터는 오차 한계를 유지하며 안정적인 추정을 수행했으나, 비적응형 필터는 오차가 급격히 증가하고 공분산이 실제 오차를 과소평가 (Over-confident) 하는 현상을 보였습니다.
• 필터 일관성 (SNEES):
  • Scaled Normalized Estimation Error Squared (SNEES) 분석 결과, 적응형 필터의 값이 1 에 근사하여 통계적으로 일관된 (Consistent) 추정을 수행함을 확인했습니다.
  • LiDAR 편차 보정을 추가한 경우, 특히 회전 상태 (Rotational states) 의 정확도와 일관성이 크게 향상되었습니다.
• 계산 효율성: 복잡한 베이지안 추론이나 배치 처리 없이 실시간으로 동작하며, 임베디드 온보드 (Onboard) 시스템에 적합합니다.

5. 의의 및 결론 (Significance & Conclusion)

• 안전한 근접 운용: 이 기술은 ENVISAT 과 같은 대형 방치 위성을 제거하거나 서비스하는 임무에서, 가시성이 낮거나 동적 환경이 급변하는 상황에서도 안전한 근접 운용 (Proximity Operations) 을 가능하게 합니다.
• Kessler 증후군 완화: 우주 쓰레기 제거 능력 향상을 통해 궤도 환경의 지속 가능성을 높이고 Kessler 증후군 (우주 쓰레기 연쇄 충돌) 위험을 줄이는 데 기여합니다.
• 향후 전망:
  • Iowa State University 에서 하드웨어 인 더 루프 (HIL) 실험을 위한 시설을 구축하여 실제 센서 데이터로 검증할 예정입니다.
  • 알려진 표적 (ENVISAT) 에서 알려지지 않은 미협조 물체로 확장하여 SLAM(동시 위치 추정 및 지도 작성) 기술로 발전시키고, 표적의 물리적 특성 (관성 모멘트 등) 을 추정하여 포획 계획에 활용하는 것을 목표로 합니다.

이 논문은 우주 환경의 불확실성을 극복하기 위해 데이터 기반의 적응형 잡음 모델링과 강력한 비선형 필터링을 결합함으로써, 차세대 자율 우주 임무의 핵심 기술인 상대 항법 (Relative Navigation) 의 신뢰성을 획기적으로 높였습니다.