💻 computer science

Accurate Trajectory Tracking with Model Predictive Contouring Control for Bird-Scale Flapping-Wing MAVs

본 논문은 조류 크기의 날개짓 비행 무인항공기(MAV)의 정확한 자율 궤적 추적을 달성하기 위해 정교하고 미분 가능한 공력 모델을 활용하는 실시간 모델 예측 컨투어링 제어 프레임워크를 제시하며, 사전 정의된 속도 프로파일의 필요성을 제거함으로써 기존 방식 대비 추적 오차를 8.5배 개선하였음을 입증한다.

원저자: Charbel Toumieh, Jack Zeng, Niel Mistry, Dario Floreano

게시일 2026-08-10

📖 5 분 읽기🧠 심층 분석

CC BY 4.0

원저자: Charbel Toumieh, Jack Zeng, Niel Mistry, Dario Floreano

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

프로펠러가 윙윙거리며 소음을 내는 드론 대신, 새처럼 날개를 퍼덕이는 조용하고 우아한 기계들이 하늘을 가득 채운 세상을 상상해 보십시오. 이것은 날개짓 비행(flapping-wing flight)의 꿈이며, 우리 환경과 더 안전하고, 조용하며, 자연스럽게 상호작용할 것을 약속하는 로봇 공학 분야입니다. 이미 곤충 크기의 아주 작은 로봇들은 이 기술을 숙달했지만, 새 크기로 규모를 키우는 것은 독특한 난제를 안겨줍니다. 정지 비행(hovering)을 하거나 전진 없이도 이륙할 수 있는 곤충과 달리, 새 크기의 비행체는 돛단배와 같습니다. 즉, 양력을 생성하기 위해 전진 속도가 필요하며, 회전, 상승, 또는 하강 능력이 서로 밀접하게 묶여 있습니다. 속도를 높이면 더 잘 회전하게 되고, 더 세게 날갯짓을 하면 상승하지만 동시에 속도도 빨라집니다. 이러한 "결합(coupling)" 현상은 제어를 매우 까ç럽게 만듭니다. 기존의 제어기들은 마치 운전자가 서로 대화하지 않는 세 개의 서로 다른 손으로 조향, 브레이크, 가속을 각각 조절하려는 것처럼, 고도, 속도, 방향을 별개로 해결하려고 시도합니다. 이는 특히 새가 복잡하고 구불구불한 경로를 따라가야 할 때, 흔들리고 부정확한 비행으로 이어지는 경우가 많습니다.

이 논문은 이 새 크기의 로봇들에게 정밀하게 비행하는 법을 가르치는 새로운 방법을 소개합니다. 연구진은 모델 예측 경로 추적 제어(Model Predictive Contouring Control, MPCC)라는 스마트한 제어 시스템을 개발했습니다. 이것은 단순히 특정 시간에 새가 어디에 있어야 하는지를 알려주는 것이 아니라, 기차가 선로를 따라가는 것처럼 새가 경로를 따라가도록 안내하며, 새가 스스로 속도를 결정할 수 있게 해주는 GPS라고 생각하면 됩니다. 경직된 스케줄을 따르는 대신, 새는 끊임없이 앞을 내다보며 자신의 날갯짓과 회전이 미래의 위치에 어떤 영향을 미칠지 계산하고, 경로를 유지하기 위해 실시간으로 조정합니다. 이를 구현하기 위해, 연구진은 복잡한 유체 역학에 매몰되지 않으면서도 속도, 회전, 상승 사이의 까다로운 연결 고리를 이해하는 단순하면서도 정확한 "두뇌", 즉 수학적 모델을 만들었습니다. 이를 실제 상용 조류 드론인 XFly에 적용했을 때 결과는 놀라웠습니다. 로봇은 초당 최대 3미터의 속도로 원형 및 3D 레이싱 트랙을 따라 비행할 수 있었으며, 원하는 경로에서 불과 6.5~9cm 이내의 오차를 유지했습니다. 이는 이전 방식보다 8.5배 개선된 수치로, 적절한 "사고 방식"만 있다면 새 크기의 드론도 마침내 실제 새처럼 매끄럽게 비행할 수 있음을 증명했습니다.

문제점: 흔들리는 새

핸들바, 페달, 브레이크가 하나의 엉킨 줄로 모두 연결된 자전거를 타는 모습을 상상해 보십시오. 언덕을 오르기 위해 페달을 빨리 밟으면 핸들이 갑자기 왼쪽으로 홱 돌아갑니다. 회전을 시도하면 속도가 줄어들고 높이가 낮아집니다. 이것이 바로 새 크기의 날개짓 드론에서 일어나는 현상입니다. 이들은 단 몇 가지 제어 요소, 즉 얼마나 세게 날갯짓을 하는지와 꼬리(러더)를 얼마나 돌리는지에 의해 지배됩니다. 하지만 이 제어 요소들은 독립적으로 작동하지 않습니다. 날갯짓을 세게 하면 속도가 빨라짐과 동시에 상승하게 됩니다. 또한, 빠르게 회전하려면 안정성을 유지하기 위한 더 많은 속도가 필요합니다.

기존의 제어 방식은 각 작업을 별개로 처리함으로써 이 문제를 해결하려 했습니다. 하나의 컴퓨터 루프는 높이를 일정하게 유지하려 했고, 다른 하나는 속도를 일정하게 유지하려 했으며, 세 번째는 방향을 일정하게 유지하려 했습니다. 하지만 새의 물리 법칙이 매우 얽혀 있기 때문에, 한 가지 문제를 해결하면 다른 문제가 악화되는 경우가 많았습니다. 이는 마치 젠가 블록을 한 번에 하나씩만 만져서 균형을 잡으려는 것과 같아서, 복잡한 기동 중에는 전체가 흔들리다 추락하게 됩니다. 더욱이, 이러한 오래된 시스템은 매 초마다 새가 얼마나 빨리 날아야 하는지를 알려주는 미리 계획된 스케줄을 필요로 했습니다. 만약 새가 지치거나(배터리 소모) 돌풍을 맞게 되면 적응할 수 없었고, 전체 계획은 무너졌습니다.

해결책: "경로 추적" 두뇌

저자들은 새의 자연스러운 물리 법칙과 싸우는 대신, 그 법칙을 활용하기로 했습니다. 그들은 **모델 예측 경로 추적 제어(MPCC)**라는 개념을 기반으로 한 새로운 제어 시스템을 구축했습니다.

MPCC를 이해하기 위해, 구불구불한 트랙 위의 레이스 카 드라이버를 상상해 보십시오. 전통적인 제어기는 "10초에는 가속 페달을 밟고, 11초에는 왼쪽으로 꺾어라"라고 암기된 대본을 따르는 드라이버와 같습니다. 만약 차가 요철을 만나 속도가 줄어들더라도, 드라이버는 아직 올바른 위치에 도달하지 못했음에도 불구하고 여전히 11초라는 시간에 맞춰 왼쪽으로 꺾으려고 할 것입니다.

MPCC 방식은 다릅니다. 이 방식은 드라이버에게 "트랙의 흰색 선을 따라가라"고 말합니다. 다음 커브에 언제 도착하는지는 중요하지 않으며, 오직 선에 얼마나 가까이 있는지만을 따집니다. 시스템은 끊임없이 "지금 약간 회전하면 다음 초에 어디에 있을까? 날갯짓을 좀 더 세게 하면 너무 높이 올라갈까?"라고 질문합니다. 이 시스템은 경로를 유지하기 위한 날갯짓과 회전의 완벽한 균형을 찾기 위해 이 문제를 초당 수백 번씩 반복해서 해결합니다. 이를 통해 새는 충돌을 유발할 수 있는 경직된 속도를 강요받는 대신, 트랙의 곡선에 맞춰 자연스럽게 속도를 높이거나 줄일 수 있습니다.

핵심 비결: 단순하지만 똑똑한 모델

컴퓨터가 실시간으로 이 문제를 해결하려면 새의 움직임을 설명하는 모델이 필요합니다. 하지만 실제 날개짓의 물리 법칙은 소용돌이치는 공기와 유체 역학을 포함하여 매우 복잡하며, 이를 계산하는 데는 몇 시간이 걸릴 수도 있습니다. 연구진은 실시간으로 실행될 만큼 단순하면서도, 새의 까다로운 행동을 포착할 수 있을 만큼 정확한 모델이 필요했습니다.

그들은 **9가지 상태 모델(nine-state model)**을 만들었습니다. 이것을 새의 세계를 보여주는 단순화된 지도라고 생각하십시오. 모든 미세한 공기 분자를 추적하는 대신, 새의 위치, 전진 속도, 상승 속도, 회전 속도, 그리고 그 속도들이 변화하는 속도 등 9가지 핵심 요소를 추적합니다. 결정적으로, 이 모델은 회전이 높이 손실을 일으키고 날갯짓이 속도를 높인다는 "결합(couplings)" 관계를 포함하고 있습니다. 매끄러운 수학적 함수를 사용함으로써, 연구진은 이 모델을 컴퓨터가 빠르게 계산할 수 있도록 만들어 초당 100번(100 Hz) 실행되도록 했습니다.

테스트 주행: XFly 레이싱

아이디어가 효과가 있는지 증명하기 위해, 팀은 날개 길이 38cm, 무게 약 12g의 상용 조류 드론인 XFly를 사용하여 테스트를 진행했습니다. 그들은 카메라를 이용한 모션 캡처 룸을 설치하여 밀리미터 단위의 정밀도로 새의 위치를 추적했습니다.

그들은 두 가지 유형의 테스트로 새에게 도전 과제를 주었습니다.

원형 트랙: 반지름 1.5미터의 단순한 루프.
레이스 트랙: 게이트, 루프, 고도 변화가 있는 복잡한 3D 코스로, 새의 경주를 닮은 형태.

결과는 인상적이었습니다. 원형 트랙에서 새로운 MPCC 시스템은 새를 완벽한 경로로부터 평균 6.5센티미터 이내로 유지했습니다. 동일한 새와 하드웨어를 사용했던 이전의 최선 방식은 평균 오차가 55센티미터였습니다. 이는 8.5배의 개선입니다. 더 어려운 3D 레이싱 트랙에서도, 새가 초당 최대 3미터의 속도로 비행하는 동안에도 오차는 9센티미터 미만을 유지했습니다.

이것이 중요한 이유

연구진은 또한 새로운 두뇌의 어떤 부분이 가장 중요한지 알아보기 위해 "만약에(what-if)" 실험을 수행했습니다. 그들은 속도가 회전에 미치는 영향이나, 회전이 높이 손실을 일으키는 부분을 제거해 보았습니다. 두 경우 모두 새는 불안정해졌고 추락했습니다. 이는 새의 자연스러운 "결합"을 이해하는 것이 단순히 있으면 좋은 기능이 아니라, 안정적인 비행을 위해 필수적이라는 것을 입증했습니다.

현재 시스템은 복잡한 계산을 위해 노트북을 필요로 하므로(새 자체에 싣기에는 너무 무겁습니다), 이 실험의 성공은 새 크기의 드론이 마침내 헬리콥터나 프로펠러 드론의 영역이었던 정밀하고 자율적인 비행을 달キ할 수 있음을 보여줍니다. 이 기계들에게 단순히 대본을 따르는 것이 아니라 "경로에 대해 생각하는 법"을 가르침으로써, 저자들은 날개짓 로봇이 자신들이 모방하는 새들처럼 우리 세상에서 우아하고 안전하게 항해할 수 있는 미래를 향한 큰 발걸음을 내디뎠습니다.

기술 요약: 조류 규모 날개 치는 MAV를 위한 모델 예측 컨투어링 제어 기반의 정밀 궤적 추적

문제 정의
조류 규모의 날개 치는 무인 항공기(MAV, 또는 오니솝터)는 회전익 드론보다 더 조용하고 안전한 운용을 제공하지만, 조류 규모에서의 정밀한 자율 제어를 달eling하는 것은 여전히 큰 과제로 남아 있습니다. 곤충 규모의 오니솝터가 전진 운동과 독립적으로 양력을 생성할 수 있는 것과 달리, 조류 규모의 비행체는 주로 전진 비행 중에 양력을 생성하므로 양력, 대기 속도, 그리고 선회 능력 사이에 긴밀한 결합(coupling)이 발생합니다. 이러한 역학은 단 몇 개의 제어 입력(날개 치기 강도 및 러더 편향)에 의해 지배됩니다.

기존의 제어 전략은 두 가지 주요 한계점에 직면해 있습니다:

계층적 제어기(Cascaded Controllers): 전통적인 방식은 고도, 속도, 헤딩을 계층적 PID 루프를 사용하여 독립적으로 취급합니다. 이러한 반응형 시스템은 한 변수를 수정하는 것(예: 선회)이 다른 변수(예: 고도 저하 유발)를 어떻게 교란하는지 예측하지 못하므로, 복잡한 기동 중에 지속적인 추적 오차를 초래합니다.
시간 매개변수화 추적(Time-Parameterized Tracking): 대부분의 계획 방법은 미리 정의된 속도 프로필을 가정합니다. 오니솝터의 경우, 실행 가능한 속도는 결합된 상승 및 선회 반경 제약에 의해 결정됩니다. 결과적으로, 배터리 소모나 외란으로 인해 계획된 속도에서 벗어나면 경로 상의 오차가 발생하며, 이는 고도 및 헤딩 편차로 이어지는 연쇄적인 문제를 일으킵니다.

방법론
저자들은 사전 정의된 타이밍의 필요성을 제거하고 온라인상에서 진행(progress)을 최적화하면서 호 길이 매개변수화(arc-length-parameterized)된 궤적을 추적하는 모델 예측 컨투어링 제어(MPCC) 프레임워크를 제안합니다. 이 접근 방식의 핵심은 새로운 역학 모델과 최적화 정식화에 기초합니다.

9상태 역학 모델: 실시간 비선형 최적화를 가능하게 하기 위해, 저자들은 계산 비용이 많이 드는 비정상 유동 CFD에 의존하지 않고도 지배적인 공력 결합을 포착하는 컴팩트하고 연속 미분 가능한 9상태 모델을 개발했습니다. 상태 벡터는 위치( $p_x, p_y, p_z$ ), 헤딩( $\psi$ ), 수평 대기 속도( $v$ ), 수직 속도( $v_z$ ), 수직 가속도( $a_z$ ), 그리고 헤딩 변화율 및 가속도( $\dot{\psi}, \ddot{\psi}$ )를 포함합니다.
- 수평 역학: 날개 치기 강도에 의존하는 추력 항과 항력 항을 사용하여 모델링되었으며, 미분 가능성을 보장하기 위해 종단 속도 제약을 위한 매끄러운 대리 함수(surrogate)를 활용했습니다.
- 수직 역학: 날개 치기 강도에 기반한 목표 수직 속도와 선회로 인한 고도 저하를 나타내는 임계 결합 항( $k_{\psi z} \dot{\psi}^2$ )을 포함합니다. 또한, 모터 토크 저하를 고려하여 배터리 충전 상태에 따라 수평 비행 날개 치기 명령( $u_{level}$ )을 온라인으로 조정합니다.
- 헤딩 역학: 선회 중 관성 지연을 포착하기 위해 3차 체인(third-order chain)으로 모델링되었으며, 러더 명령은 러더 편향과 수평 대기 속도 모두에 의존합니다.
MPCC 정식화: 컨트롤러는 다음을 최소화하기 위해 100 Hz(Knitro 솔버 사용)에서 비선형 프로그램을 해결합니다:
- 컨투어링 오차(Contouring Error): 세 차원 모두에서 횡방향 편차에 페널티를 부여합니다.
- 지연 오차(Lag Error): 경로 상의 편차에 페널티를 부여합니다.
- 진행 항(Progress Term): 추적 오차를 줄이기 위해 속도를 줄이는 대신 전방 진행을 장려합니다.
- 제어 정규화(Control Regularization): 과도한 러더 노력과 참조 궤적의 상승각에 기반한 피드포워드 날개 치기 목표로부터의 편차에 페널티를 부여합니다.
- 제약 조건: 액추에이터 한계, 최소 대기 속도 및 오일러 적분을 통한 9상태 역학을 강제합니다.
궤적 표현: 참조 궤적은 5차 베지에 곡선(quintic Bézier curves)으로 생성되며, MPCC 요구 사항을 충족하기 위해 호 길이 매개변수화된 $C^2$ 연속 스플라인으로 변환됩니다.

주요 기여

컴팩트한 역학 모델: 지배적인 공력 결합(특히 속도 의존적 선회 및 선회-고도 결합)을 포착하면서도 실시간 최적화에 충분히 저차원인, 연속 미분 가능한 9상태 모델을 개발했습니다.
조류 규모 비행에 대한 최초의 MPCC 적용: 사전 지정된 속도 프로필의 필요성을 제거하고 플랫폼 간의 결합 문제를 온라인으로 해결하는, 조류 규모 날개 치는 비행에 MPCC를 최초로 적용했습니다.
실험적 검증: XFly 오니솝터(상용 플랫폼)를 통해 원형 및 3D 레이싱 궤적에서의 정밀한 추적을 성공적으로 입증했습니다.
절제 연구(Ablation Study): 특정 모델링 구성 요소의 기여도를 분리하는 정량적 분석을 수행하여, 속도 의존적 선회 모델과 선회-고도 결합이 안정성과 정확도에 필수적임을 증证明했습니다.

결과
본 방법론은 실내 모션 캡처 환경에서 XFly 오니톱터(날개 길이 38 cm, 질량 약 12 g)를 통해 검증되었습니다.

원형 궤적: 컨트롤러는 최대 3 m/s의 속도에서 평균 횡방향 오차 6.5 cm를 달로했습니다. 이는 동일한 플랫폼에 대한 기존 최첨단 방식[18] 대비 8.5배 향상된 성능입니다.
3D 레이싱 궤적: 고도 변화(0.3 m ~ 1.25 m)가 있는 복잡한 3차원 레이싱 궤적을 성공적으로 추적하였으며, 평균 편차를 6.5 ~ 9 cm 사이로 유지했습니다.
연산: 솔버는 10 ms 제어 주기(100 Hz) 내에서 일관되게 작동하였으며, 실행 시간은 제한 시간보다 훨씬 낮았습니다. 다만, 메모리 및 프로세싱 제약으로 인해 현재는 외부 컴퓨터(offboard computer)가 필요합니다.
절제 연구 결과: 선회 모델의 속도 의존성이나 선회-고도 결합을 제거하면 정확도가 크게 저하되었습니다( $p < 10^{-3}$ ). 수직 또는 헤딩 역학을 2차 모델로 축소할 경우 비행 불안정 및 추락이 발생하여, 고차 모델링의 필요성을 확인했습니다.

의의
본 논문은 이 연구가 조류 규모의 날개 치는 드론의 고차 자율성(예: 장애물 회피 및 다중 차량 협업)에 필요한 궤적 추적 정밀도를 확립한다고 주장합니다. 고유한 결합 역학을 존중하는 고급 예측 제어를 통해 이러한 비행체가 회전익 플랫폼에 필적하는 추적 성능을 달할 수 있음을 입증함으로써, 본 연구는 조류 규모 오니톱터가 다른 항공 플랫폼에서 오랫동안 입증된 자율적 행동을 실현하는 데 한 걸음 더 다가가게 합니다. 저자들은 다음 단계가 단일 및 다중 차량을 위한 온라인 모션 플래닝으로 이 프레임워크를 확장하는 것이라고 언급했습니다.