Decentralized Multi-Robot Obstacle Detection and Tracking in a Maritime Scenario

1. 문제 정의 (Problem Statement)

• 배경: 해상 감시, 수색 구조, 점검 등을 위해 무인 항공기 (UAV) 와 무인 수상선 (Aquabot) 으로 구성된 자율 로봇 팀의 활용이 증가하고 있습니다.
• 도전 과제:
  • 시각적 왜곡: 수면의 반사, 파도, 낮은 질감 (low texture) 으로 인해 비전 기반 감지가 어렵습니다.
  • 통신 제약: 긴 거리와 간헐적인 가시선 (Line-of-Sight) 으로 인해 대역폭이 제한된 환경에서 로봇 간 협조가 어렵습니다.
  • 중앙 집중식 시스템의 한계: 대역폭 의존도가 높고, 상관관계가 있는 추정치를 융합할 때 일관성 (consistency) 이 깨져 과도하게 확신한 (overconfident) 오차 공분산을 생성할 위험이 있습니다.
• 목표: 부유 컨테이너를 탐지하고 추적하기 위해 UAV 와 자율 수상선이 협력하는 분산형 (Decentralized) 프레임워크를 개발하여, 제한된 통신 대역폭 하에서도 정확한 상태 추정과 확장 가능한 조정을 실현하는 것입니다.

2. 방법론 (Methodology)

제안된 시스템은 ROS(Robot Operating System) 기반의 분산형 파이프라인으로 구성되며, 주요 구성 요소는 다음과 같습니다.

A. 시스템 아키텍처 및 로컬라이제이션

• 구성: 여러 대의 UAV 와 하나의 자율 수상선 (Aquabot) 이 공유 세계 좌표계에서 작동합니다.
• 로컬라이제이션: 각 로봇은 GPS 와 IMU 센서 퓨전을 기반으로 한 **EKF(확장 칼만 필터)**를 사용하여 3D 위치, 속도, 가속도를 추정합니다.

B. 탐지 및 3D 관측 (Detection & 3D Perception)

• YOLOv8-RGBDis: 기존 YOLOv8 에 스테레오 불일치도 (Stereo Disparity) 맵을 RGB 이미지와 결합하여 4 채널 입력으로 사용합니다. 이는 해상 환경의 반사 및 낮은 대비 문제를 해결하기 위해 고안되었습니다.
• 3D 좌표 변환: 검출된 2D 바운딩 박스와 불일치도 값을 핀홀 스테레오 모델을 통해 메트릭 (metric) 3D 좌표로 변환합니다.

C. 다중 객체 추적 (Multi-Object Tracking)

• 로컬 추적: 각 UAV 는 대상별 상수 속도 (Constant-Velocity) EKF를 실행합니다.
• 데이터 연관: **마할라노비스 게이팅 (Mahalanobis Gating)**을 사용하여 관측값과 예측 상태를 매칭하며, 불일치하는 검출은 새로운 트랙으로 초기화하거나 기존 트랙을 제거합니다.
• 통신: 로봇 간에는 전체 상태가 아닌 **압축된 트랙 요약 (위치 및 공분산)**만 교환합니다.

D. 분산형 융합 (Decentralized Fusion)

• 공분산 교차점 (Covariance Intersection, CI): 로봇 간 공유된 사전 지식이나 중복 관측으로 인한 **알려지지 않은 상관관계 (Unknown Cross-correlations)**를 처리하기 위해 CI 알고리즘을 사용합니다.
• 효과: 상관관계를 정확히 알지 못해도 추정치의 일관성을 유지하며, 과도한 확신을 방지하는 보수적 (Conservative) 융합을 수행합니다.

E. 작업 할당 및 뷰포인트 선택 (Task Allocation & Viewpoint Selection)

• 정보 기반 할당 (Information-Driven Allocation): 최소 비용 흐름 (Min-Cost Flow, CMCF) 문제를 풀어 UAV 를 컨테이너에 할당합니다.
  • 비용 함수: 예상 불확실성 감소량 (정보 이득), 이동 거리, 안전 거리, 이전 할당 유지 (Stickiness) 등을 고려합니다.
• 호버링 뷰포인트 선택: 할당된 타겟 주변에 이산적인 링 (Ring) 형태의 후보 지점을 생성하고, 이동 거리 대비 **정보 이득 (D-optimality 기준)**이 최대가 되는 지점을 선택하여 UAV 가 호버링하도록 유도합니다.

3. 주요 기여 (Key Contributions)

1. 분산형 해상 탐지 및 추적 파이프라인: 스테레오 기반 3D 감지, EKF 추적, 그리고 공분산 교차점 (CI) 을 통한 보수적 융합을 통합한 새로운 프레임워크 제안.
2. 정보 기반 타겟 할당: 이동 노력과 안전 제약 조건을 고려하면서 예상 불확실성 감소를 우선시하는 동적 할당 알고리즘 개발.
3. 모드 전환 및 호버링 전략: 관측 가능성 (Observability) 과 추적 정확도를 향상시키기 위해 '감시 (Surveillance)' 모드와 '추적 (Tracking)' 모드 간의 전환 및 최적 호버링 지점 선택 전략 제시.

4. 실험 결과 (Results)

Gazebo 시뮬레이션 환경 (ROS 2, Ubuntu 24.04) 에서 3 대의 UAV 와 5 개의 부유 컨테이너를 대상으로 실험을 수행했습니다.

• 탐지 성능:
  • 제안된 YOLOv8-RGBDis 모델은 기존 YOLOv8 대비 mAP@0.5(0.995) 및 mAP@0.5:0.95(0.970) 에서 더 높은 정확도를 보였습니다. 특히 낮은 대비 환경에서도 더 잘 보정된 검출을 수행했습니다.
• 추적 성능:
  • IDF1(식별 일관성): 제안 방법은 1.000을 기록하여 기존 방법 (SORT: 0.390, AB3DMOT: 0.899) 보다 월등히 뛰어난 ID 일관성을 보였습니다.
  • 오류: 3D 위치 추정 오차 (MedErr) 는 약 3.3m 수준으로, SORT(12.7m) 보다 훨씬 정확하며 AB3DMOT(3.4m) 와 유사하거나 더 나은 성능을 보였습니다.
  • 불필요한 가설 제거: 마할라노비스 게이팅을 통해 약 38% (Path 1 기준) 의 짧은 수명 가설을 제거하여 트랙의 안정성을 확보했습니다.
• 융합 성능:
  • CI 기반 융합은 기존 FT-CI(Fault-Tolerant CI) 대비 MedErr(3.523m vs 3.542m) 와 RMSE(4.126m vs 4.679m) 에서 더 낮은 오차를 기록하며 정확도와 불확실성 간의 균형을 잘 맞췄습니다.
• 작업 할당:
  • 할당 알고리즘은 UAV 간 중복을 최소화하고 타겟을 효율적으로 분배하여, 호버링 지점 도달 후 위치 오차를 지속적으로 줄이고 불확실성을 수렴시켰습니다.

5. 의의 및 결론 (Significance & Conclusion)

• 기술적 의의: 해상 환경의 복잡한 시각적 조건 (반사, 파도) 과 제한된 통신 대역폭이라는 두 가지 주요 제약을 동시에 해결하는 실용적인 분산형 시스템을 제시했습니다.
• 실용성: 중앙 서버에 의존하지 않고 로봇 간 소량의 정보만 교환하여도 일관된 추정이 가능하므로, 실제 해상에서의 확장성 (Scalability) 과 견고성 (Robustness) 이 뛰어납니다.
• 향후 과제: 실제 해상 환경에서의 간헐적 연결성 문제와 해수면의 동적 변화 (Sea-surface dynamics) 를 고려한 실증 실험을 계획하고 있습니다.

이 논문은 자율 로봇 팀이 복잡한 해상 환경에서 신뢰할 수 있는 감시 및 추적 임무를 수행할 수 있는 강력한 방법론을 제공한다는 점에서 의미가 있습니다.