AgiPIX: 실내 항공 검사 및 자율성을 위한 시뮬레이션과 현실의 연결

1. 문제 정의 (Problem)

• 배경: 원자력 발전소, 창고, 터널 등 밀폐된 실내 환경에서의 중요 자산 (Critical Asset) 검사는 자율 항공 로봇의 핵심 응용 분야입니다.
• 현황 및 한계:
  • 기존 상업용 드론 (DJI, Skydio 등) 은 야외에 최적화되어 있으며, 실내에서는 GPS 부재, 제한된 공간, 낮은 조명, 장애물과의 근접 비행 필요성 등으로 인해 작동이 어렵습니다.
  • 연구용 오픈 플랫폼은 존재하지만, 대부분 컴퓨팅 성능 (GPU) 이 부족하거나, 센서 확장성이 떨어지며, 시뮬레이션과 실제 하드웨어 간의 전환 (Sim-to-Real) 이 어렵습니다.
  • 특히 3D LiDAR 와 고성능 GPU 를 동시에 탑재한 소형 오픈 플랫폼이 부재하여, 실시간 학습 기반 검사 및 정밀 매핑 연구의 재현성 (Reproducibility) 이 낮습니다.

2. 방법론 (Methodology)

AgiPIX 는 하드웨어, 소프트웨어, 시뮬레이션, 사용자 인터페이스가 통합된 공동 설계 (Co-design) 플랫폼입니다.

• AgiREAL (하드웨어):

  • 구조: 438mm 의 대각선 모터 간격과 372mm 의 최대 폭을 가진 컴팩트한 탄소 섬유 프레임. 충돌 보호 구조를 갖추고 있어 좁은 공간과 구조물 근처에서 안전하게 비행 가능.
  • 센서: Livox MID-360 3D LiDAR 와 Pixhawk IMU 를 **하드웨어 동기화 (PPS 신호)**하여 정밀한 LiDAR-관성 주행 (LIO) 상태 추정을 가능하게 함.
  • 컴퓨팅: NVIDIA Jetson Orin NX (Super) 탑재로 온보드 GPU 가속 컴퓨팅 제공 (157 TOPS).
  • 구동: T-Motor 모터 및 3.5:1 의 추중비 (Thrust-to-Weight Ratio) 를 확보하여 민첩한 비행 지원.

• AgiAUTO (소프트웨어 스택):

  • 아키텍처: 컨테이너화 (Docker) 된 ROS 2 기반 모듈형 자율성 스택.
  • 기능:
    • 지각: Adaptive-LIO 기반의 GPS 부재 환경 상태 추정 및 매핑.
    • 계획 및 제어: ViGO 로컬 플래너와 온-매니폴드 MPC(모델 예측 제어) 를 결합하여 장애물이 많은 환경에서의 민첩한 궤적 생성 및 추종.
    • 학습 기반 내비게이션: 시뮬레이션에서 학습된 정책 (FAINT 모델 등) 을 재학습 없이 실제 드론에 적용 가능 (Zero-shot transfer).

• AgiSIM (디지털 트윈):

  • 엔진: NVIDIA Isaac Sim 기반의 포토리얼리스틱 (Photorealistic) 디지털 트윈.
  • 동기화: PX4 SITL(Software-in-the-Loop) 과 Isaac Sim 을 연동하여, 실제 비행과 동일한 ROS 2 토픽 및 센서 데이터를 생성. 하드웨어와 동일한 컨테이너 이미지를 사용하여 시뮬레이션과 현실 간의 설정 불일치를 최소화.

• AgiUI (사용자 인터페이스):

  • 기능: 저대역폭 MQTT 채널을 통한 미션 제어, 실시간 상태 모니터링, 3D 매핑 뷰, 방사선 지도 시각화 등 제공.
  • HRI: 조종자의 인지 부하 (Cognitive Load) 를 모니터링하여 자율성 수준을 조절하는 인간 - 로봇 상호작용 기능 포함.

3. 주요 기여 (Key Contributions)

1. AgiREAL: 실내 검사를 위한 오픈 소스 컴팩트 하드웨어 플랫폼 (하드웨어 동기화 3D LiDAR 탑재).
2. AgiAUTO: 컨테이너화된 ROS 2 기반 모듈형 자율성 소프트웨어 스택.
3. AgiSIM: Isaac Sim 기반의 포토리얼리스틱 디지털 트윈 및 재현 가능한 시뮬레이션 환경.
4. AgiUI: 미션 제어 및 모니터링을 위한 경량 사용자 인터페이스.
5. 재현성 및 Sim-to-Real: 하드웨어, 소프트웨어, 시뮬레이션 자산을 모두 오픈 소스로 공개하여 연구의 재현성을 높이고, 컨테이너화를 통해 시뮬레이션과 실제 비행 간의 원활한 전환을 실현.

4. 실험 결과 (Results)

• 궤적 추종 (Trajectory Tracking):
  • 레미스케이트 (Lemniscate) 와 상하 나선 (Up-Down Spiral) 경로에서 평가.
  • AgiSIM: 평균 제곱근 오차 (RMSE) 0.0368m ~ 0.0637m.
  • AgiREAL (실제): RMSE 0.1049m ~ 0.1404m.
  • 시뮬레이션과 실제 간의 오차 (Sim-to-Real gap) 가 있음에도 불구하고, 6m/s 의 고속 비행에서도 안정적인 추종 성능을 보임.
• 매핑 및 탐사:
  • ENRICH 2025 (오스트리아 AKW Zwentendorf 원전) 에서 대규모 실내 매핑 작업 수행.
  • 탐사된 영역에 대한 IoU(Intersection over Union) 0.96 달성.
  • 통신 장애 전까지 계획된 비행 거리의 72% 를 성공적으로 수행.
• 학습 기반 내비게이션:
  • 시뮬레이션에서 학습된 FAINT 모델을 실제 드론에 재학습 없이 적용.
  • Jetson Orin NX 에서 120ms 의 추론 지연으로 성공적인 목표 도달 및 경로 추종 확인.
• 시스템 자원 활용도:
  • Jetson Orin NX 에서 CPU 41%, GPU 37% 만 사용. 나머지 59% (CPU), 63% (GPU) 는 여유 자원으로, 실시간 운영 및 향후 확장성에 충분한 마진 확보.

5. 의의 및 의의 (Significance)

• 연구 장벽 해소: 고가의 폐쇄형 시스템에 의존하던 실내 항공 로봇 연구를 위한 오픈, 컴팩트, 고성능 플랫폼을 제공하여 연구 진입 장벽을 낮춤.
• 재현성 확보: 하드웨어, 소프트웨어, 시뮬레이션의 통합된 오픈 소스 공개는 전 세계 연구자들이 동일한 조건에서 알고리즘을 검증하고 비교할 수 있게 함.
• 실용적 검증: 원자력 발전소와 같은 극한 환경 (ENRICH 2025) 에서의 실제 검증을 통해 플랫폼의 견고성과 실용성을 입증.
• 미래 지향성: 학습 기반 내비게이션의 Zero-shot 전이 가능성과 모듈형 아키텍처를 통해 AI 기반 자율 비행 연구의 새로운 표준을 제시.

이 논문은 실내 항공 로봇 기술의 발전에 있어 하드웨어 - 소프트웨어 - 시뮬레이션의 통합적 접근이 얼마나 중요한지를 보여주며, 향후 복잡한 실내 환경에서의 자율 검사 임무를 위한 표준 플랫폼으로 자리매김할 것으로 기대됩니다.