Lightweight 3D LiDAR-Based UAV Tracking: An Adaptive Extended Kalman Filtering Approach

이 논문은 소형 UAV 의 엄격한 탑재량 제약을 고려하여 Livox Mid-360 LiDAR 와 적응형 확장 칼만 필터 (AEKF) 를 결합해, 희소하고 노이즈가 많은 포인트 클라우드 데이터에서도 GPS 가 없는 환경에서 견고한 UAV 추적을 가능하게 하는 경량화 시스템을 제안하고 실험을 통해 검증했습니다.

핵심

이 논문은 **"작은 드론이 다른 드론을 눈이 아닌 '레이저 눈'으로 따라다니는 똑똑한 방법"**에 대한 이야기입니다.

기존에는 드론이 서로를 찾을 때 카메라를 많이 썼는데, 이는 어둡거나 비가 오면 시야가 가려져서 못 찾습니다. 그래서 이 연구팀은 **3D 라이다 (LiDAR)**라는 장비를 썼습니다. 라이다는 레이저를 쏴서 사물의 모양을 3D 로 만들어내는 장비인데, 빛이 없어도 잘 작동합니다.

하지만 문제는 라이다가 드론처럼 작고 반사율이 낮은 물체를 쫓을 때 데이터가 너무 희박하고 (sparse) 불규칙하다는 점입니다. 마치 안개 낀 날에 먼저리를 보며 길을 찾는 것과 비슷하죠.

이 논문은 이 문제를 해결하기 위해 **"적응형 칼만 필터 (Adaptive EKF)"**라는 지능적인 알고리즘을 개발했습니다. 이를 쉽게 설명해 드릴게요.

---

🚁 핵심 비유: "현실 감각이 뛰어난 운전 기사"

이 시스템을 운전 기사로 상상해 보세요.

1. 기존의 운전 기사 (일반 칼만 필터):

   • 이 기사는 "앞차가 1 초에 10m 씩 움직일 거야"라고 고정된 규칙만 믿고 운전합니다.
   • 갑자기 앞차가 급정거하거나, 안개 때문에 앞이 안 보이면 (데이터가 끊기면), 기사는 "아직도 10m 씩 가겠지?"라고 생각하며 계속 직진합니다.
   • 결과? **큰 사고 (추적 실패)**가 납니다.

2. 이 논문의 운전 기사 (적응형 필터):

   • 이 기사는 상황을 실시간으로 파악합니다.
   • 상황 1 (데이터가 잘 들어올 때): "아, 레이저 데이터가 선명하네? 믿고 따라가자."
   • 상황 2 (데이터가 흐릿하거나 끊길 때): "어? 앞이 안 보이네? 아니면 앞차가 갑자기 꺾었나? 내가 지금의 '불확실성'을 높여서 조심스럽게 예측해야겠다."
   • 이 기사는 **자신의 신뢰도 (노이즈)**를 상황에 따라 스스로 조절합니다. 데이터가 나쁘면 "내가 좀 더 유연하게 생각해야지"라고 판단하고, 데이터가 좋으면 "확실히 따라가자"라고 합니다.

🛠️ 이 시스템이 어떻게 작동하나요? (3 단계 스토리)

1. 눈이 나쁜 라이다를 보정하기 (데이터 정제)
라이다가 쏘는 레이저는 드론을 비추면 점 몇 개만 찍힙니다. 마치 점묘화처럼요.

• 방법: 불필요한 잡음 (나뭇잎, 새 등) 을 걷어내고, 남은 점들을 DBSCAN이라는 알고리즘으로 묶어서 "아, 이게 드론이구나"라고 찾아냅니다.
• 비유: 안개 낀 날, 흐릿하게 보이는 형체 중 '사람'만 골라내서 집중하는 것 같습니다.

2. 상황에 맞춰 뇌를 바꾸기 (적응형 필터링)
이게 이 논문의 핵심입니다.

• 혁신 (Innovation) 과 잔차 (Residual) 분석: 예측한 위치와 실제 측정된 위치가 얼마나 다른지 계속 비교합니다.
• 적응: 만약 예측과 실제가 많이 다르다면 (드론이 급하게 꺾었거나, 데이터가 안 좋은 경우), 필터는 **"내 예측 모델이 지금 상황엔 맞지 않아, 더 유연하게 움직여야 해!"**라고 스스로 조정합니다.
• 비유: 운전할 때 도로가 미끄러우면 브레이크를 더 일찍 밟고, 도로가 평탄하면 평소대로 운전하는 것처럼 상황에 맞춰 '신뢰도'를 조절합니다.

3. 잠시 사라져도 다시 찾기 (복구 메커니즘)
드론이 나무 뒤에 숨거나 라이다가 잠시 신호를 잃으면 어떻게 될까요?

• 방법: 데이터가 끊겨도 필터는 "아, 지금 데이터가 없는 거지, 드론이 사라진 건 아니야"라고 생각하며 이전 운동 패턴을 바탕으로 잠시 예측을 계속합니다.
• 비유: 친구가 잠시 시야에서 사라져도, "아, 저기서 잠시 멈췄겠지"라고 생각하며 기다렸다가 다시 보이면 바로 따라가는 것과 같습니다.

📊 실험 결과: 얼마나 잘하나요?

연구팀은 실제 하늘에서 DJI F550 드론 두 대를 날려 실험했습니다. 하나는 라이다를 달고 쫓고, 다른 하나는 도망치는 역할을 했습니다.

• 기존 방식 (고정 필터): 드론이 급하게 꺾거나 멀리 가면 50 미터나 빗나가버렸습니다. (차라리 길을 잃은 것 같음)
• 입자 필터 (Particle Filter): 나쁘지 않았지만, 위치가 자꾸 떨리는 (Jitter) 현상이 있었습니다.
• 이 논문의 방식 (적응형 필터): 가장 정확했습니다. 오차 범위가 2.8 미터로 가장 작았고, 드론이 급하게 꺾어도 매우 부드럽고 정확하게 따라갔습니다.

💡 결론

이 논문은 **"작은 드론도 무거운 장비 없이, 라이다라는 '레이저 눈'만으로도 다른 드론을 GPS 가 없는 곳 (실내, 숲, 도시) 에서도 정확하게 쫓을 수 있다"**는 것을 증명했습니다.

마치 상황을 잘 읽고, 실수를 인정하며, 유연하게 대처하는 현명한 운전 기사를 만든 것과 같습니다. 앞으로 드론 떼 (Swarm) 가 함께 비행하거나, 구조 활동, 감시 임무 등에서 매우 유용하게 쓰일 기술입니다.

기술 요약

1. 연구 배경 및 문제 정의 (Problem)

• 배경: 드론 군집 (Swarm) 조정, 자율 추격, 공역 관리 등 다양한 시나리오에서 소형 UAV(무인항공기) 의 정확한 상대 위치 추정 및 추적이 필수적입니다. 특히 GPS 가 차단된 환경 (실내, 도시 캐니언, 밀집된 수목 등) 에서는 절대 위치 정보가 신뢰할 수 없으므로, 탑재된 센서를 이용한 상대 추적이 핵심입니다.
• 기존 방법의 한계:
  • 비전 기반 (Vision-based): YOLO 등 딥러닝 모델은 최적 조건에서 잘 작동하지만, 저조도, 안개, 악천후 등 환경 변화에 취약합니다. 또한 소형 UAV 에 탑재하기에는 계산 자원이 많이 소모됩니다.
  • 기존 LiDAR 기반: LiDAR 는 조명 조건에 무관한 3D 정보를 제공하지만, 소형 UAV 는 반사 면적이 작아 포인트 클라우드가 희소 (Sparse) 하고 노이즈가 많습니다.
  • 센서 및 알고리즘 제약: 기존 시스템은 무겁고 전력 소모가 큰 센서를 사용하거나, 고정된 노이즈 공분산 행렬을 가진 칼만 필터를 사용하여, 비반복적 스캐닝 (Non-repetitive scanning) 을 하는 최신 소형 LiDAR(예: Livox Mid-360) 의 불규칙한 데이터 특성을 효과적으로 처리하지 못합니다.

2. 제안 방법론 (Methodology)

이 논문은 소형 UAV 에 탑재 가능한 경량화된 LiDAR 기반 추적 시스템을 제안하며, **적응형 확장 칼만 필터 (Adaptive Extended Kalman Filter, AEKF)**를 핵심으로 합니다.

A. LiDAR 데이터 처리 및 객체 탐지

• 전처리: Livox Mid-360 의 비반복적 스캐닝 패턴에서 생성된 원시 포인트 클라우드를 처리합니다.
  • Voxel Grid 필터링: 포인트 수를 줄이면서 공간 구조를 보존합니다.
  • ROI (관심 영역) 필터링: 불필요한 배경 데이터를 제거하고 특정 거리/고도 범위 내의 점만 유지합니다.
  • DBSCAN 클러스터링: 희소한 LiDAR 반환값에 최적화된 파라미터 (반경 $\epsilon=0.5m$, 최소 점 개수 3 개) 로 드론 후보 군집을 추출합니다.

B. 적응형 칼만 필터링 (Adaptive Kalman Filtering)

기존 칼만 필터의 고정된 노이즈 파라미터 문제를 해결하기 위해, 실시간 측정 신뢰도에 기반하여 노이즈 공분산 행렬을 동적으로 조정합니다.

• 상태 벡터: 위치 ($p$), 속도 ($v$), 가속도 ($a$) 를 포함하는 9 차원 벡터를 사용하여 UAV 의 동적 비행 (가속/감속) 을 모델링합니다 (Constant Acceleration Model).
• 프로세스 노이즈 ($Q_k$) 적응: 혁신 (Innovation, $d_k = z_k - H\hat{x}^-_k$) 의 크기를 기반으로 $Q_k$를 업데이트합니다. 혁신이 크면 모델이 급격한 운동 변화를 따라가지 못함을 의미하므로 $Q_k$를 증가시켜 필터의 응답성을 높입니다.
• 측정 노이즈 ($R_k$) 적응: 잔차 (Residual, $\varepsilon_k = z_k - H\hat{x}^+_k$) 를 기반으로 $R_k$를 업데이트합니다. 잔차가 크면 측정값의 신뢰도가 낮음을 의미하므로 $R_k$를 증가시켜 필터가 노이즈가 많은 측정값을 덜 신뢰하도록 합니다.

C. 데이터 연관 및 가림 (Occlusion) 처리

• 마할라노비스 거리 (Mahalanobis Distance) 검증: 측정값과 예측값의 거리를 계산하여 유효한 관측치만 필터에 통합합니다.
• 추적 복구 메커니즘: 일시적인 가림 (Occlusion) 또는 LiDAR 반환 손실 시, 필터는 운동 역학에 기반하여 상태를 예측합니다. 일정 시간 ($t_{occ}$) 동안 측정이 없으면 추적을 재개하거나 재초기화하여 연속성을 보장합니다.

3. 주요 기여 (Key Contributions)

1. 가변 데이터 품질을 위한 적응형 필터링: 비반복적 스캐닝 데이터의 고유한 변동성을 해결하기 위해 실시간 측정 신뢰도 평가 기반의 노이즈 파라미터 동적 조정 기법을 도입했습니다.
2. 불규칙 포인트 클라우드에서의 강건한 데이터 연관: 마할라노비스 거리 기반 검증 게이트를 통해 불균일한 포인트 클라우드의 불확실성을 관리하고, 복잡한 환경에서도 연속 추적을 보장합니다.
3. 간헐적 탐지 복구 메커니즘: 일시적인 가림이나 측정 손실 시 추적의 연속성을 유지하고, 가림 해제 후 원활하게 추적을 재개하는 전략을 제시했습니다.
4. 희소 데이터 최적화 클러스터링: 2 차 센서 없이도 정밀한 UAV 분할을 가능하게 하는 DBSCAN 클러스터링 알고리즘을 LiDAR 반환 특성에 맞게 최적화했습니다.

4. 실험 결과 (Experimental Results)

• 실험 설정: DJI F550 UAV(관측자) 에 Livox Mid-360 LiDAR 와 Jetson Nano 를 탑재하고, 다른 DJI F550(목표) 을 추적하는 실제 비행 실험을 수행했습니다. RTK-GPS 를 정밀 기준 (Ground Truth) 으로 사용했습니다.
• 비교 대상:
  1. 고정 노이즈를 가진 일반 CA-KF (Constant Acceleration Kalman Filter)
  2. 파티클 필터 (Particle Filter, 2000 개 파티클)
  3. 제안된 CAEKF (Adaptive CA-EKF)
• 성능 비교:
  • 정확도: 제안된 CAEKF 는 3D RMSE 2.8m를 기록하여, 파티클 필터 (5.5m) 보다 49.1%, 고정 CA-KF (13.0m) 보다 78.5% 향상된 정확도를 보였습니다. 특히 급격한 기동 시 고정 CA-KF 는 50m 이상의 큰 편차를 보이며 발산한 반면, CAEKF 는 RTK 기준 궤적을 매우 정확하게 추적했습니다.
  • 강건성: LiDAR 측정값이 끊기는 구간 (가림 또는 거리 초과) 에서 고정 CA-KF 는 예측만 의존하여 궤적이 급격히 이탈하는 반면, CAEKF 는 프로세스 노이즈를 동적으로 증가시켜 불확실성을 반영하고 발산을 방지했습니다.
  • 계산 효율성: Jetson Nano 에서 CAEKF 는 약 9.3Hz 의 업데이트 주기를 가지며, 파티클 필터 (0.99% CPU) 보다 CPU 부하 (106.5%) 는 높지만 4 코어 한계 내에서 실시간 처리가 가능했습니다. 메모리 사용량도 Jetson Nano 의 4GB 제한 내에서 충분히 효율적이었습니다.

5. 의의 및 결론 (Significance)

• GPS 차단 환경 대응: 외부 인프라나 다중 센서 어레이 없이도 소형 UAV 에 탑재 가능한 경량 LiDAR 만으로 GPS 가 없는 환경에서도 신뢰할 수 있는 상대 위치 추정이 가능합니다.
• 실시간 적응성: 센서 데이터의 품질 변화와 UAV 의 급격한 기동에 실시간으로 적응하는 필터링 기법은 기존 고정 파라미터 방식의 한계를 극복했습니다.
• 확장성: 이 프레임워크는 군집 비행, 자율 추격, 구조 활동 등 다양한 UAV 응용 분야에서 신뢰성 있는 항법 솔루션의 기초를 제공하며, 향후 다중 목표 추적 및 딥러닝 기반 감지와의 융합을 통해 발전 가능성이 큽니다.

이 논문은 소형 UAV 에 적합한 경량 LiDAR 센서의 특성을 효과적으로 활용하고, 적응형 필터링을 통해 기존 추적 알고리즘이 겪던 정확도와 강건성 문제를 해결했다는 점에서 의의가 있습니다.