Shepherding UAV Swarm with Action Prediction Based on Movement Constraints

1. 연구 배경 및 문제 정의 (Problem)

• 연구 주제: 소형 무인 항공기 (UAV) 군집을 소수의 '목축기 (Sheepdog)' 에이전트가 목표 지점으로 유도하는 목축 (Shepherding) 제어 문제.
• 기존 연구의 한계:
  • 기존 연구들은 에이전트를 단순한 질점 (Point mass) 으로 모델링하거나, 속도 및 가속도에 대한 물리적 제약 (Motion Constraints) 을 고려하지 않음.
  • 실시간 relative position 에 기반한 단순 상호작용 벡터만 사용하여 제어 법칙을 설계함.
  • 실제 드론과 같은 로봇에 적용 시, 최대 속도/가속도 한계와 같은 물리적 제약을 고려하지 않으면 구현이 어렵거나 비효율적임.
• 본 연구의 목적: 실제 드론의 운동 제약 조건 (속도/가속도 상한선) 을 명시적으로 고려하고, 목축기 에이전트가 군집의 미래 행동을 예측 (Prediction) 하여 최적의 제어 입력을 결정하는 새로운 제어 프레임워크 제안.

2. 제안된 방법론 (Methodology)

본 연구는 동적 창 접근법 (Dynamic Window Approach, DWA) 에서 영감을 받아, 운동 제약 하에서 행동 예측을 기반으로 하는 3 차원 유도 제어 법칙을 제안합니다.

가. 자율 에이전트 (양) 모델링

• Boids 모델 기반: 응집 (Cohesion), 분리 (Separation), 정렬 (Alignment), 회피 (Evasion) 의 4 가지 상호작용 규칙을 따름.
• 제약 조건 반영: 각 에이전트는 최대 수평/수직 속도와 가속도 한계를 가짐.
• 안전성 강화: 충돌 방지를 위해 에이전트 반경을 안전 반경 ($r_{safe}$) 으로 확장 (Inflation) 하고, 거리가 0 에 가까워질 때 발산하지 않도록 거리 보정 함수를 적용.
• 정렬 (Alignment) 의 개선: 기존 Boids 모델의 정렬 항이 군집이 멈춰야 할 때에도 관성으로 인해 불필요한 이동을 유발할 수 있음을 지적. 이를 해결하기 위해 '가상의 정지 상태 이웃'을 포함하여, 목축기의 개입이 약해질 때 군집 속도가 자연스럽게 감쇠되도록 설계.

나. 목축기 (Sheepdog) 에이전트 제어 전략

목축기 에이전트는 DBSCAN 클러스터링과 DWA 기반 예측 제어를 결합합니다.

1. 목표 군집 선정 (클러스터링):

   • 관측된 자율 에이전트들을 DBSCAN 으로 클러스터링.
   • 수집 모드 (Collection Mode): 여러 클러스터가 멀리 떨어져 있을 때, 가장 큰 클러스터를 주 클러스터로, 가장 먼 클러스터를 타겟으로 설정하여 주 클러스터로 모으는 전략 수행.
   • 유도 모드 (Guidance Mode): 단일 클러스터이거나 목표 지점 방향으로만 분산되어 있을 때, 군집 전체를 목표 지점으로 유도.

2. 행동 예측 및 선택 (DWA 프레임워크):

   • 후보 생성: 목축기의 운동 제약 (속도, 가속도, 방향) 을 만족하는 유한한 수의 운동 후보 (Motion Candidates) 를 생성.
   • 단기 예측: 내부 모델 (Autonomous Agent Model) 을 사용하여 각 후보 운동에 대해 예측 시간 구간 ($T_{pred}$) 동안의 군집 진화를 시뮬레이션.
   • 평가 함수 최적화: 다음 기준들을 기반으로 평가 점수 ($J$) 를 계산하고 최적의 운동을 선택.
     • 속도 평가 ($c_{vel}$): 목표 지점 방향의 군집 평균 속도 성분을 최대화.
     • 위치 평가 ($c_{pos}$): 군집에 대한 목축기의 상대적 위치 (가까울 때는 뒤에서 밀고, 멀 때는 접근) 최적화.
     • 관측 유지 평가 ($c_{obs}$): 목축기가 군집을 잃지 않도록 최소 거리 유지.
     • 분할 방지 평가 ($c_{split}$): 군집 내부로 진입하여 군집이 갈라지는 (Split) 것을 방지.
     • 안전 평가 ($c_{clear}, c_{alt}$): 충돌 위험 및 고도 제약 위반 여부 평가.

3. 주요 기여 (Key Contributions)

1. 운동 제약 조건 명시적 고려: 실제 드론의 물리적 한계 (속도/가속도 상한) 를 제어 모델에 통합하여 실제 적용 가능성을 높임.
2. 예측 기반 제어 (Predictive Control): 단순한 현재 상태 반응이 아닌, DWA 를 차용한 '후보 생성 - 예측 - 평가' 사이클을 통해 미래 군집 행동을 예측하고 최적의 행동을 선택함.
3. 안정적인 군집 모델링: 관성으로 인한 불필요한 이동을 방지하고, 목축기 개입이 약해질 때 군집이 자연스럽게 정지할 수 있도록 개선된 정렬 (Alignment) 항을 도입.
4. 동적 클러스터링 전략: 분리된 군집을 먼저 수집 (Collection) 한 후 유도 (Guidance) 하는 2 단계 전략을 통해 복잡한 초기 조건에서도 효과적으로 작동하도록 설계.

4. 실험 결과 (Results)

• 시뮬레이션 환경: MATLAB 2025b 사용, 14 개의 자율 에이전트와 1 개의 목축기 에이전트, 목표 지점 $[0, -100, 40]^T$ [m].
• 결과:
  • 초기에 흩어져 있던 여러 클러스터가 목축기에 의해 성공적으로 수집 (Merge) 됨.
  • 수집된 군집은 목표 지점으로 효율적으로 유도됨.
  • 약 150 초 내에 모든 에이전트가 목표 지점에 도달하여 유도 작업 완료.
  • 충돌 없이 안전 거리를 유지하며 이동함을 확인.

5. 의의 및 결론 (Significance)

• 실제 적용성: 단순한 이론적 모델을 넘어, 실제 드론 군집 제어 시스템에 적용 가능한 운동 제약 조건을 고려한 실용적인 제어 알고리즘을 제시.
• 확장성: 통신 부하를 목축기 에이전트에게 집중시키고, 자율 에이전트는 로컬 정보만 기반으로 행동하게 함으로써 시스템의 확장성과 견고성 (Robustness) 을 확보.
• 향후 과제: 제안된 평가 함수의 최적화 및 실제 드론 군집을 이용한 실증 실험이 필요함.

이 논문은 기존의 단순한 상호작용 기반 목축 제어에서 한 단계 발전하여, 예측 제어 (Predictive Control) 와 물리적 제약 조건을 통합함으로써 UAV 군집 제어의 효율성과 안전성을 크게 향상시켰다는 점에서 의의가 있습니다.