Unsupervised LiDAR-Based Multi-UAV Detection and Tracking Under Extreme Sparsity

이 논문은 라벨링된 학습 데이터 없이 비반복식 솔리드스테이트 LiDAR 의 극도로 희소한 측정 환경에서도 UAV 를 탐지하고 추적할 수 있는 비지도 파이프라인을 제안하며, 확률적 데이터 연관 기법을 통해 다중 UAV 간 근접 시 식별 전환을 크게 줄인다는 것을 입증합니다.

핵심

🌟 핵심 문제: "안개 낀 밤, 먼 곳에서 나방 한 마리 찾기"

일반적인 드론 탐지 시스템은 마치 조명 좋은 운동장에서 축구공을 찾는 것과 같습니다. 공이 크고, 주변에 많은 점 (데이터) 이 모여 있어서 쉽게 찾을 수 있죠.

하지만 이 연구가 다루는 상황은 다릅니다.

• 상황: 어두운 밤, 안개가 자욱한 데서 **작은 나방 (드론)**을 찾아야 합니다.
• 도구: 우리는 **비정기적으로 빛을 쏘는 레이저 (LiDAR)**를 사용합니다.
• 문제: 나방이 너무 작고 멀리 있어서, 레이저가 나방을 스칠 때마다 1~2 개의 점 (반사된 빛) 만 돌아옵니다. 마치 안개 낀 밤에 먼 곳에서 나방을 보려고 할 때, "아, 저기 뭐가 스쳐 갔나?" 하는 느낌 정도죠.

기존의 기술들은 "적어도 1020 개의 점이 모여야 물체로 인정해"라고 말하며, 이렇게 적은 점 (12 개) 은 그냥 '잡음'으로 무시해버립니다. 그래서 드론을 놓치거나, 두 드론이 가까이 왔을 때 "누가 누구지?"라고 헷갈려서 실수합니다.

---

🛠️ 해결책 1: 탐지기 (Detect) - "한 번에 보지 말고, 시간을 두고 확인하자"

연구진은 **"점 1~2 개만 봐도 괜찮아, 하지만 시간이 지나도 그 자리에 있다면 진짜야!"**라는 새로운 방식을 개발했습니다.

1. 적응형 클러스터링 (Range-adaptive DBSCAN):
   • 비유: 멀리 있는 나방은 작게 보이고, 가까운 나방은 크게 보입니다. 기존 방식은 "모든 나방을 같은 크기로 봐야 한다"고 고집했지만, 이 연구는 "거리가 멀면 더 넓은 시야로, 가까우면 좁게" 보는 안경을 썼습니다.
2. 3 단계 시간 검증 (Temporal Consistency):
   • 비유: 갑자기 스쳐 지나가는 나방 (잡음) 과 계속 날아다니는 나방 (진짜 드론) 을 구별합니다.
   • 1 단계 (형상 확인): "너 드론 크기랑 비슷해?"
   • 2 단계 (이동 확인): "너 갑자기 100m 를 점프하지는 않았지? 물리 법칙에 맞아야 해."
   • 3 단계 (시간 확인): "방금 전에도 저기 있었잖아? 계속 그 근처에 있다면 진짜 드론이야."
   • 이 과정을 거치면, 1~2 개의 점만 있어도 "아, 저게 드론이구나!"라고 확신할 수 있게 됩니다.

결과: 이 방법을 쓰니 드론을 찾을 확률이 7 배나 늘었고, 위치 오차도 63cm 이내로 매우 정확해졌습니다.

---

🛠️ 해결책 2: 추적기 (Track) - "두 드론이 서로 스칠 때, 누가 누구인지 기억하는 법"

두 드론이 서로 가까이 지나가거나 교차할 때, 어떤 드론이 어떤 드론인지 헷갈리는 '신분 도난' 문제가 발생합니다.

• 기존 방식 (헝가리안 할당):
  • 비유: 두 사람이 스쳐 지나갈 때, "저 사람이 내 친구야!"라고 100% 확신하고 한 명만 선택합니다. 하지만 두 사람이 너무 비슷하면 실수로 친구를 다른 사람으로 착각할 수 있습니다.
• 새로운 방식 (JPDA - 확률적 데이터 연동):
  • 비유: "아, 저 친구일 수도 있고, 저 사람일 수도 있겠네. 확률적으로 두 사람 모두를 친구일 가능성이 있다고 생각하자."라고 접근합니다.
  • 두 드론이 가까이 있을 때, "A 드론이 60% 확률로 저쪽으로 갔고, B 드론이 40% 확률로 저쪽으로 갔다"라고 모든 가능성을 고려해서 업데이트합니다.

결과:

• 두 드론이 서로 스칠 때, 신분 도난 (Identity Switch) 이 64%나 줄었습니다.
• 위치를 찾는 정확도는 거의 떨어지지 않았는데, "누가 누구인지"를 기억하는 능력은 훨씬 좋아졌습니다.

---

🧪 검증 방법: "현실과 시뮬레이션의 두 마리 토끼 잡기"

이 연구의 가장 멋진 점은 검증 방법입니다.

• 현실 (Real-world): 실제 드론을 날려서 레이저로 잡았습니다. (정확한 위치는 GPS 로 확인)
• 시뮬레이션 (Simulation): 컴퓨터 안에서 드론을 날려서, 드론이 서로 1m 이내로 아주 가까이 붙었을 때 누가 누구인지 정확히 알 수 있는 데이터를 만들었습니다. (실제 GPS 는 2m 이내에서는 서로의 위치를 구분하기 어렵기 때문입니다.)

이 두 가지 환경을 합쳐서, "실제 상황에서도 잘 작동하고, 서로 가까이 붙었을 때도 혼동하지 않는다"는 것을 증명했습니다.

---

💡 요약: 이 연구가 왜 중요한가요?

1. 적은 데이터로도 가능: 드론이 아주 멀리 있거나 작아서 레이저 점 1~2 개만 돌아와도, 시간을 두고 확인하는 지혜로 드론을 찾아냅니다.
2. 혼란 속에서도 정체성 유지: 드론들이 서로 뒤엉켜도, 확률적으로 모든 가능성을 고려하는 방식으로 "누가 누구인지"를 잃지 않습니다.
3. 실용성: 이 기술은 군대, 구조 활동, 혹은 드론들이 떼지어 날아다니는 (Swarm) 미래 사회에서 충돌을 막고 안전하게 비행하게 해주는 핵심 기술이 될 것입니다.

한 줄 요약:

"안개 낀 밤에 1~2 개의 점만 봐도 드론을 찾아내고, 서로 뒤엉켜도 누가 누구인지 잊지 않게 해주는 똑똑한 레이저 시스템!"

기술 요약

1. 문제 정의 (Problem Definition)

• 배경: 소형 무인항공기 (UAV) 의 민간 및 보안 분야 활용 증가로 인해, 항공기 탑재형 인식 시스템 (Onboard Perception) 을 통한 표적 탐지 및 일관된 궤적 유지가 필수적입니다.
• 핵심 과제: 고체형 (Solid-state) LiDAR 의 비반복적 (Non-repetitive) 스캐닝 방식 (로제트 패턴) 은 특정 거리 (1025m) 에서 소형 쿼드콥터가 스캔당 **단 12 개의 반사점 (Return)** 만 생성하게 만듭니다.
• 기존 방법의 한계:
  • 기존 자동차용 3D 탐지 알고리즘 (PointNet, VoxelNet 등) 은 수십~수백 개의 점을 가정하므로, 극도로 희소한 (Extreme Sparsity) 데이터에서는 성능이 급격히 저하됩니다.
  • 고정된 파라미터를 사용하는 DBSCAN 클러스터링은 점 수가 부족할 때 표적을 놓치거나 분해합니다.
  • 결정론적 (Deterministic) 인 데이터 연관 (Hungarian Assignment) 은 두 UAV 가 서로 가까이 접근하거나 교차할 때 식별 오류 (Identity Switch) 를 유발하기 쉽습니다.
• 목표: 라벨링된 학습 데이터 없이 작동하는 비지도 (Unsupervised) 파이프라인을 개발하여, 극도로 희소한 LiDAR 데이터에서도 UAV 를 탐지하고 다중 표적 추적을 정확하게 수행하는 것입니다.

2. 방법론 (Methodology)

시스템은 탐지 (Detection) 와 추적 (Tracking) 두 단계로 구성되며, 각각의 모듈이 희소성 (Sparsity) 에 맞춰 설계되었습니다.

A. 비지도 LiDAR 기반 UAV 탐지 (Unsupervised Detection)

• 전처리: 센서 기준 좌표계 (Local Frame) 에서 ROI(관심 영역) 필터링 및 보행자/지면 노이즈 제거 후, 볼록 다운샘플링 (Voxel Downsampling) 을 수행합니다.
• 거리 적응형 DBSCAN (Range-Adaptive DBSCAN):
  • 거리가 멀어질수록 점 밀도가 감소하는 특성을 반영하여, 거리 ($r$) 에 따라 이웃 반지름 ($\varepsilon$) 을 동적으로 조정합니다.
  • $\varepsilon(r) = \varepsilon_0 + \alpha \cdot \max(r - r_{ref}, 0)$
• 3 단계 시간적 일관성 검증 (Three-Stage Temporal Consistency Check):
  1. 기하학적 제약: 점의 개수와 공간적 범위가 UAV 의 물리적 크기와 일치하는지 확인.
  2. 공간 점프 필터링: 물리적으로 불가능한 급격한 이동 (Hovering 제외) 을 제거.
  3. 시간적 일관성: 최근 $K$ 프레임 중 $M$개 이상에서 공간적/시간적 근접성을 만족해야만 유효한 클러스터로 인정 (단일 점이라도 시간적 연속성이 있으면 탐지 가능).
• 중심점 추정: 3 개 이상의 점이 있으면 Median 을, 1~2 개이면 평균을 사용하여 아웃라이어를 억제합니다.

B. 다중 객체 추적 (Multi-Object Tracking)

• 상태 추정: 상호작용 다중 모델 (IMM, Interacting Multiple Model) 필터를 사용하여 정지, 순항, 기동 등 다양한 운동 모드를 처리합니다.
• 데이터 연관 전략 비교:
  1. Hungarian Assignment (결정론적): Mahalanobis 거리와 속도 일관성을 기반으로 1:1 매칭을 수행. 효율적이지만 근접 상황에서 식별 오류가 누적됨.
  2. JPDA (Joint Probabilistic Data Association, 확률론적): 모든 가능한 연관 가설에 확률을 분배하여 업데이트. 근접 교차 시 식별 유지에 강인함.
• 평가 프로토콜:
  • 탐지 평가: 실사 비행 (Real-world) + RTK-GPS 정밀 지상 진실 (Ground Truth).
  • 추적 평가: 시뮬레이션 (MRS UAV System) + 식별 레이블이 명확한 지상 진실 (GNSS 는 2m 이내 거리에서 식별 불가).

3. 주요 기여 (Key Contributions)

1. 극도로 희소한 환경을 위한 비지도 탐지기 개발:
   • 학습 데이터 없이 작동하며, 거리 적응형 클러스터링과 3 단계 시간적 검증을 통해 스캔당 1~2 개의 점만으로도 UAV 를 탐지합니다.
   • 실사 데이터에서 정밀도 (Precision) 0.891, 재현율 (Recall) 0.804, RMSE 0.63m를 달성했습니다.
2. 희소 다중 UAV 추적에 대한 데이터 연관 비교 연구:
   • 결정론적 (Hungarian) 과 확률론적 (JPDA) 접근법을 IMM 필터와 결합하여 비교했습니다.
   • JPDA 가 식별 스위치 (Identity Switch) 를 64% (평균 4.4 회 → 1.6 회) 감소시켰으며, MOTA(다중 객체 추적 정확도) 손실은 0.003 에 불과함을 입증했습니다.
3. 이중 환경 (Two-Environment) 평가 프로토콜 제안:
   • 실사 환경에서의 탐지 성능 검증과 시뮬레이션 환경에서의 식별 기반 추적 평가를 결합하여, GNSS 만으로는 해결하기 어려운 근접 거리 (2m 미만) 의 다중 UAV 추적 문제를 체계적으로 평가할 수 있는 방법을 제시했습니다.

4. 실험 결과 (Results)

A. 탐지 성능 (Real-World Detection)

• 희소성 정량화: 스캔당 1~2 개의 점만 존재함을 확인. minPts 를 4 에서 1 로 낮추면 탐지율이 5.6% 에서 39.3% 로 7 배 증가했으나, 시간적 검증 (Config MR) 을 적용하면 **69.9%**까지 도달했습니다.
• 오류 분석: 기하학적 검증 없이 임계값만 완화한 경우 (Config B) 는 RMSE 가 2.30m 로 급증하여, 탐지율보다 측정 품질 (Quality) 이 추적 성능에 더 중요함을 보여줍니다.

B. 추적 성능 (Simulation Tracking)

• 시나리오별 분석:
  • 가려짐 (Occlusion) 및 교차 (Crossings): JPDA 가 Hungarian 보다 식별 오류를 현저히 줄였습니다. 특히 교차 시나리오 (Sc-II) 에서 JPDA 는 식별 스위치를 1012 회에서 57 회로 줄였습니다.
  • 분리된 상태 (Separated): 두 방법 모두 성능 차이가 없었습니다.
• 종합 결과:
  • JPDA 는 식별 스위치를 64% 감소시켰고, MOTA 는 0.573 에서 0.570 으로 미세하게만 감소했습니다.
  • 탐지 - 추적 커플링: 재현율 (Recall) 이 높은 탐지 설정이 JPDA 의 확률적 이점을 극대화하는 것을 확인했습니다.

5. 의의 및 결론 (Significance & Conclusion)

• 기술적 의의: 고체형 LiDAR 의 물리적 한계 (극도로 희소한 점군) 를 극복하기 위해, 단순한 파라미터 튜닝이 아닌 탐지기와 추적기의 공동 설계 (Co-design) 가 필수적임을 입증했습니다.
• 실용적 가치:
  • 시간적 일관성 검증은 단일 점 기반 탐지를 가능하게 하는 핵심 요소입니다.
  • JPDA는 UAV 들이 서로 가까이 접근하거나 교차하는 상황 (군집 비행, 협동 임무 등) 에서 식별 일관성을 유지하는 데 결정적인 역할을 합니다.
• 한계 및 향후 과제: 현재는 단일 표적 실사 데이터에 국한되었으며, 군집 (Swarm) 규모로 확장 시 JPDA 의 계산 복잡도 문제를 해결하기 위해 JIPDA(Join IMM JPDA) 등의 기법이 필요할 것으로 전망됩니다.

이 논문은 자율 UAV 군집이 GPS 가 열악하거나 UAV 간 거리가 매우 가까운 환경에서도 LiDAR 만으로 안정적으로 임무를 수행할 수 있는 기반 기술을 제시했다는 점에서 중요한 의미를 가집니다.