🤖 machine learning

HUNT: High-Speed UAV Navigation and Tracking in Unstructured Environments via Instantaneous Relative Frames

이 논문은 고속 UAV가 전역 위치 추정 없이 오직 즉각적인 온보드 관측값만을 사용하여 비정형 환경을 자율적으로 항행하고 타겟 추적으로 매끄럽게 전환할 수 있게 하는 실시간 프레임워크인 HUNT를 제시한다.

원저자: Alessandro Saviolo, Jeffrey Mao, Giuseppe Loianno

게시일 2026-06-01

📖 3 분 읽기☕ 가벼운 읽기

원저자: Alessandro Saviolo, Jeffrey Mao, Giuseppe Loianno

원본 논문은 CC0 1.0 (http://creativecommons.org/publicdomain/zero/1.0/)에 따라 공공 도메인에 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

지도가 필요 없고, GPS 신호도 필요 없으며, 심지어 지구상에서 자신이 정확히 어디에 있는지조차 알 필요가 없는 구조용 드론을 상상해 보십시오. 이것이 바로 이 논문에서 설명하는 새로운 시스템인 HUNT의 핵심 아이디어입니다.

HUNT를 세상을 보는 매우 구체적이고 초집중적인 방식을 가진 드론이라고 생각해보십시오. 숲 전체의 정신적 지도를 만들려고 노력하는 대신(나무가 시야를 가리거나 GPS가 끊길 때 매우 어려운 일입니다), 이 드론은 오직 지금 당장 눈에 보이는 것에만 관심을 가집니다.

작동 원리를 쉬운 개념으로 나누어 설명하면 다음과 같습니다.

1. 두 가지 "모드" 운영 방식

드론은 두 가지 주요 비행 방식을 가지고 있으며, 이 사이를 매끄럽게 전환합니다.

모드 A: "배회(Loitering)" 탐색 (타겟이 보이지 않을 때)
안개가 자욱한 빽빽한 숲속에서 길을 잃은 등산객을 찾으며 걷고 있다고 상상해 보십시오. 당신이 지도상 정확히 어디에 있는지는 모르지만, 지형을 넓게 커버하기 위해 계속 앞으로 나아가야 한다는 것은 알고 있습니다.
- HUNT의 방식: 드론은 일정한 고도와 방향을 유지하며 고속으로 전진합니다. 드론은 온보드 센서를 사용하여 자신이 얼마나 빠르게 이동하고 있는지, 얼마나 높은 위치에 있는지를 파악합니다. 만약 사람일지도 모르는 흐릿한 형체를 발견하면, 드론은 그 형체를 향해 코(기수)를 살짝 돌리지만, 계속해서 앞으로 나아갑니다. "내가 어디에 있는가?"를 파악하기 위해 멈추지 않습니다. 그저 장애물 사이를 안전하게 계속 이동할 뿐입니다.
- 안전망: 설령 드론이 정확한 위치를 파악하지 못해 경로가 이탈(drift)하더라도 추락하지 않습니다. 드론은 '제어 장벽 함수(Control Barrier Functions)'라고 불리는 "안전 버블" 시스템에 의존합니다. 이는 마치 보이지 않는 힘의 장처럼 작동하여, 나무나 바위가 너무 가까워지면 즉각적으로 드론을 멀리 밀어냅니다.
모드 B: "추적(Tracking)" 추격 (타겟을 발견했을 때)
이제 길을 잃은 등산객을 발견했다고 가정해 봅시다. 갑자기 당신의 초점이 완전히 바뀝니다. 주변의 숲에 대한 걱정은 접어두고, 오로지 그 사람을 시야에 계속 담아두는 데 100% 집중합니다.
- HUNT의 방식: 드론이 타겟(자동차나 사람 등)을 확실히 포착하는 순간, 드론은 즉시 "기준 좌표계(frame of reference)"를 변경합니다. "나는 북쪽으로 이동 중이다"라고 생각하는 대신, "나는 저 특정 물체로부터 5미터 뒤에 위치한다"라고 생각하기 시작합니다.
- 마법 같은 점: 드론이 타겟에 스스로를 고정하기 때문에, 드론의 내부 지도가 틀렸거나 GPS가 끊겼더라도 상관없습니다. 타겟을 볼 수 있는 한, 타겟이 빠르게 움직이거나 지면이 울퉁불퉁하더라도 완벽하게 추격할 수 있습니다.

2. 이것이 왜 중요한가?

오늘날 대부분의 드론은 GPS와 종이 지도가 필요한 운전자와 같습니다. GPS 신호가 끊기거나(깊은 숲이나 무너진 건물 등에서) 지도가 잘못되어 있으면, 드론은 혼란에 빠져 경로를 이탈하거나 충돌하게 됩니다.

HUNT는 지도가 필요 없는 레이스 카 드라이버와 같습니다. 그들은 오직 앞차와 자신의 타이어 바로 앞의 도로만을 바라봅니다.

GPS 불필요: 위성 신호가 닿지 않는 곳에서도 작동합니다.
사전 제작된 지도 불필요: 한 번도 가본 적 없는 낯설고 복잡한 숲속으로도 비행할 수 있습니다.
고속 비행: 기존의 정밀 매핑 기반 드론으로는 불가능한 속도(최대 약 13m/s, 즉 시속 약 29마일)로 장애물을 피하며 비행할 수 있습니다.

3. "매끄러운 전환"

HUNT의 가장 멋진 점은 발견의 순간을 처리하는 방식입니다.

"아마도" 단계: 드론이 무언가를 보긴 했지만 100% 확신할 수 없을 때, 드론은 당황하지 않습니다. 그저 전진하는 관성을 유지하면서 "아마도" 그 물체 쪽으로 코를 살짝 돌릴 뿐입니다.
"확신" 단계: 컴퓨터가 확신(신뢰 임계값 충족)을 갖게 되면, 즉시 "추적 모드"로 전환됩니다. 타겟을 록온(lock-on)하고 추격을 시작합니다.
"놓침" 단계: 타겟이 나무 뒤로 사라지면, 즉시 "배회 모드"로 돌아가 다시 탐색을 시작하며, 타겟이 다시 나타나는 즉시 다시 록온할 준비를 합니다.

4. 실제 환경 테스트

연구진은 단순히 컴퓨터 시뮬레이션에서만 테스트한 것이 아닙니다. 실제 드론을 다음 환경에서 비행시켰습니다.

빽빽한 숲: GPS 신호가 약하고 나무가 도처에 널려 있는 곳.
도시 컨테이너 야적장: 금속 컨테이너가 신호를 차단하고 혼란스러운 반사를 일으키는 곳.
수색 및 구조 시나리오: 이 구역들을 성공적으로 통과하며, 정지된 자동차와 (사람을 대신한) 움직이는 마네킹을 찾아내고 충돌이나 경로 이탈 없이 끝까지 추격하는 데 성공했습니다.

요약

HUNT는 거시적인 그림(지구상에서 내가 어디에 있는가?)을 무시하고, 즉각적인 그림(내 바로 앞에 무엇이 있는가?)에만 집중함으로써, 복잡하고 미지의 장소에서 빠르고 안전하게 비행할 수 있게 해주는 시스템입니다. 이는 탐색을 위한 "탐색 모드"와 추격을 위한 "추적 모드"를 결합하여, 지도나 GPS 신호 없이도 두 모드 사이를 즉각적으로 전환하며 작동합니다.

기술 요약: HUNT (비정형 환경에서의 고속 UAV 항법 및 추적을 위한 즉각적 상대 좌표계 기반 기술)

1. 문제 정의

수색 및 구조(SAR) 작전에는 무인 항공기(UAV)가 두 가지 별개이면서도 결정적인 과업을 수행할 데 필요하다: 즉, 미지의 비정형 환경을 고속으로 횡단하여 피해자를 찾는 것과, 대상이 식별되면 이를 안정적으로 추적하는 것이다. 현재의 자율 주행 솔루션은 GPS를 사용할 수 없고 시각적 특징이 희소하거나 동적인 열악한 센싱 조건(예: 울창한 숲, 도심 협곡, 붕괴된 건물)에서 심각한 한계에 직면해 있다.

글로벌 내비게이션의 한계: GPS, 시각 관성 오도메트리(VIO) 또는 SLAM에 의존하는 기존 방식은 이러한 환경에서 급격히 성능이 저하된다. 이들은 지속적인 랜드마크와 루프 클로저(loop closure)에 의존하기 때문에 고속 주행 시 드리프트(drift)와 불안정한 동작을 초래한다.
상대 내비게이션의 한계: 최근의 객체 중심 방식들은 탐지된 객체에 제어를 고정함으로써 대상을 성공적으로 추적한다. 그러나 이러한 방식은 대상이 처음부터 가시권에 있어야 하며 지속적으로 관측 가능함을 가정한다. 즉, 대상이 시야에 없는 상황에서 미지의 지형을 안전하게 횡단할 수 있는 메커니즘이 부족하다.

핵심 과제는 글로벌 위치 추정 없이도 안전한 고속 횡단을 가능하게 하고, 취약한 글로벌 포즈 추정 방식으로 되돌아가지 않으면서 타겟 추적으로 매끄럽게 전환할 수 있는 통합 프레임워크를 구축하는 것이다.

2. 방법론

제안된 프레임워크인 HUNT는 횡단, 포착, 추적을 단일 즉각적 상대 정식화(instantaneous relative formulation) 내로 통합한다. 이 시스템은 매 제어 주기마다 직접 관측 가능한 온보드 양(자세, 고도, 순시 속도, 상대적 타겟 위치)으로부터 재구성된 상대 참조 프레임 $R_t$ 내에서 완전히 작동한다. 이를 통해 수평 이동이나 절대 요(yaw)와 같이 관측 불가능한 상태에 대한 의존성을 제거한다.

A. 운용 모드

HUNT는 통합된 인지-제어 파이프라인에 의해 관리되는 두 가지 모드로 작동한다.

로이터링 모드 (수색 - Loitering Mode):
- 컨텍스트: 높은 신뢰도로 탐지된 타겟이 없는 상태.
- 참조 프레임: $R_t$ 는 중력과 초기 헤딩에 고정되며, 시간이 지나도 고정된 상태를 유지한다.
- 상태 추정: 무향 칼만 필터(UKF)가 상대 위치, 속도 및 자세를 추정한다. 수평 위치는 직접적인 관측 부재로 인해 드리프트가 발생하지만, 참조 생성 방식이 현재의 상태 추정치를 기준으로 목표를 정의하므로 내비게이션은 견고하게 유지된다.
- 참조 생성: UAV는 고도, 전진 속도 및 헤딩을 조절한다. 헤딩은 초기 요(yaw)를 유지하지만, 모드 전환을 유발하지 않으면서 잠재적 타겟을 향해 조향할 수 있도록 낮은 신뢰도의 탐지 결과에 의해 약하게 편향될 수 있다.
- 내비게이션: UAV는 현재 추정치를 기반으로 참조 궤적을 정의함으로써 복잡한 지형을 횡단하며, 이를 통해 드리프트가 발생하더라도 제어 목적이 유효하게 유지되도록 한다.
트래킹 모드 (추적 - Tracking Mode):
- 컨텍스트: 높은 신뢰도로 타겟이 탐지된 상태.
- 참조 프레임: $R_t$ 는 매 주기마다 탐지된 타겟의 위치로 재고정된다. 이는 글로벌 드리프트와 관계없이 $R_t$ 내에서 타겟을 정지 상태로 유지한다.
- 상태 추정: UKF는 시각적 탐지와 스테레오 시차(stereo disparity)로부터 유도된 타겟 상대 변위를 사용하여 상태를 업데이트한다. 타겟의 움직임에 대한 가정을 피하기 위해 프로세스 모델에서 선형 가속도는 사용하지 않는다.
- 참조 생성: UAV는 안전 이격 거리( $d_{xy}$ )와 수직 오프셋( $d_z$ )을 유지하면서 바디 축을 타겟을 향해 정렬한다.

B. 제어 아키텍처

통합 제어기: 두 모드 모두 단일 비선형 모델 예측 제어(NMPC)에 의해 실행된다.
안전 제약 조건: 고차 제어 장벽 함수(CBF)가 NMPC에 직접 내장되어 있다. 장애물은 스테레오 깊이 이미지로부터 식별되며, 충돌 시간 휴리스틱이 가장 임박한 충돌 지점을 선택한다. CBF는 이차 분리 제약 조건을 강제하여 실시간으로 동적 실현 가능한 충돌 방지 궤적을 보장한다.
모드 전환: 추정기의 공분산 흔적( $tr(P_t)$ $t r (P_{t})$ )에 기반한 히스테리시스 정책이 전환을 관리한다.
- Loiter $\to$ Track: 불확실성이 임계값( $\tau_\uparrow$ ) 아래로 떨어질 때 발생한다.
- Track $\to$ Loiter: 불확실성이 더 높은 임계값( $\tau_\downarrow$ )을 초과할 때 발생한다.
- 로이터링 중에는 낮은 신뢰도의 탐지가 헤딩을 타겟 쪽으로 편향시켜, 신뢰도가 충분해졌을 때 매끄러운 전환을 용이하게 한다.

3. 주요 기여

통합 즉각적 상대 정식화: HUNT는 글로벌 포즈에 대한 의존성을 제거하고, 단일 상대 정식화 하에 고속 횡단, 타겟 포착 및 추적을 통합한 최초의 프레임워크이다.
드리프트 탄력적 내비게이션: 목표를 글로벌 맵이 아닌 즉각적인 관측치에 고정함으로써, 수평 위치 추정치가 크게 드리프트되는 상황에서도 안전한 고속 비행을 유지한다.
매끄러운 모드 전환: 글로벌 상태 재초기화나 취약한 SLAM/VIO 방식으로의 회귀 없이도 수색(로이터링)과 추적 사이의 반응형 전환을 가능하게 한다.
실시간 안전성: NMPC 내에 CBF를 통합함으로써 미지의 비정형 환경에서 충돌 회피를 보장한다.

4. 실험 결과

본 프레임레이크는 다양한 환경(도심 컨테이너 구역, 반구조적 레이아웃, 밀집된 숲)에서 광범위한 야외 실험을 통해 검증되었다.

로이터링 성능:
- 도심 환경에서 UAV는 GPS 지면 진실(ground truth) 대비 헤딩 오차를 2° 이내로 제한하며 약 4.1 m/s의 일정한 전진 진행을 유지했다.
- 밀집된 숲(캐노피 아래)에서 UAV는 2.0 m/s의 속도로 장애물을 횡단하며 1.0 m 이상의 여유 간격을 유지했다. 이 조건에서의 GPS 로그는 2~6 m의 수평 오차를 보였으나, HUNT는 드리프트 없는 비행을 지속했다.
전체 SAR 미션:
- 도심 수색: UAV는 정지된 차량 잔해를 찾아냈으며, 위치 오차를 ±0.5 m 이내로 제한하며 로이터링에서 추적으로 전환했다.
- 도심 추격: UAV는 최대 11.4 m/s의 속도로 움직이는 타겟(ATV 위의 마네킹)을 추적하며 측면 오차를 1.2 m 코리더 내로 유지했다. 낮은 신뢰도의 탐지가 추적 전환 전 로이터링 헤딩을 타겟 쪽으로 성공적으로 편향시켰다.
- 숲 수색: UAV는 밀집된 나무 사이를 2.0 m/s로 횡단하여 마네킹을 추적하였으며, 심한 반사와 최대 25°의 헤딩 수정에도 불구하고 추적을 지속했다.
정량적 지표: 모든 미션에서 HUNT는 파라미터 재조정 없이 일관된 고속 성능(평균 속도 최대 8.85 m/s)과 민첩한 내비게이션(최대 가속도 31.11 m/s²)을 달 구현했다.

5. 의의 및 주장

본 논문은 HUNT가 글로벌 포즈나 맵핑 없이도 횡단과 추적이 모두 표현될 수 있음을 입증함으로써, SAR 작전을 위한 자율 주행의 근본적인 변화를 나타낸다고 주장한다.

열악한 센싱에 대한 견고성: 본 시스템은 드리프트, 특징 희소성 또는 폐쇄(occlusion)로 인해 전통적인 GPS, VIO 및 SLAM 방식이 실패하는 조건에서도 신뢰할 수 있는 자율 주행을 달성한다.
통합 역량: 이 프레임워크는 "수색"(미지 지형 횡단)과 "추적"(타겟 추종) 사이의 간극을 메우며, 이는 기존의 상대 내비게이션 프레임워크에서 결여되었던 능력이다.
안전성 및 민첩성: 제어 루프에 CBF를 내장함으로써, 비정형 환경에서 고속 주행 시 안전성과 동적 실현 가능성을 보장한다.

저자들은 현재 구현체가 로이터링을 위해 고정된 초기 헤딩을 사용하고 있으나, 향후 연구에서는 즉각적 상대 정식화를 유지하면서도 탐사 효율을 높이고 순환적 로이터링을 방지하기 위해 시맨틱 추론(예: 문/창문 인식) 또는 경량화된 단기 기억을 통합할 수 있다고 언급하였다.