기술 요약: MinNav – 활동적인 초소형 비행 로봇을 위한 미니멀리스트 내비게이션

문제 정의

본 논문은 구조화되지 않은 "야생(wild)" 환경(정적 장애물, 동적 장애물(예: 떨어지는 잎, 움직이는 나뭇가지), 알 수 없는 모양의 틈새가 혼재된 환경)에서 초소형 비행 로봇(특히 쿼드로터)의 자율 주행 문제를 다룹니다.

핵심 제약 조건은 다음과 같습니다:

1. 센서 제한: 로봇은 고수준 인지를 위해 전방 단일 카메라(monocular camera)에만 의존합니다. 하향 센서(광학 흐름, 레이저 고도계, IMU)는 저수준 자세 및 고도 제어로 제한됩니다.
2. 연산 제약: 모든 인지 및 의사 결정은 임베디드 하드웨어(예: Jetson Orin Nano)를 사용하여 로봇 내부에서 수행되어야 하므로, 무거운 3D 재구성이나 클라우드 프로세싱이 불가능합니다.
3. 사전 지식 부재: 시스템은 장면의 기하학적 구조, 장애물의 순서, 틈의 크기나 모양, 또는 동적 객체의 위치에 대한 사전 정보를 가지고 있지 않습니다.
4. 동적 복잡성: 시스템은 정적 장애물과 동적 장애물을 구분해야 하며, 명시적인 3D 운동 모델링 없이 실시간으로 동적 위협에 반응해야 합니다.

기존의 깊이 기반 방식은 센서 무게, 전력 소비, 또는 능동형 센서를 방해하는 환경 조건(예: 직사광선, 먼지)으로 인해 실패하는 경우가 많습니다. 반대로, 기존의 구조가 없는(structureless, 광학 흐름 기반) 방식은 FOE(Focus of Expansion) 근처의 "데드 스팟(dead spot)", 회전 흐름 간섭, 그리고 장면의 사전 지식 없이 동적 장애물을 구분하는 데 어려움을 겪는 경우가 많습니다.

방법론

제안된 솔루션인 MinNav는 광학 흐름(optical flow), 흐름 불확실성(flow uncertainty), 그리고 능동적 인지(active perception, 탐색적 움직임)를 결합하여 3D 장면을 재구성하지 않고 항법을 수행하는 통합 내비게이션 스택입니다.

1. 인지: 광학 흐름 및 불확실성

MinNav는 미터법 기반의 깊이를 추정하는 대신, 경량화된 다중 스케일 피라미드 신경망을 사용하여 다음을 예측합니다:

• 광학 흐름 ($\dot{p}$): 픽셀의 겉보기 움직임.
• 불확실성 ($\Upsilon$): 흐름 예측에 대한 신뢰도 측정치.

장면 모티프 분류(Scene Motif Classification):
시스템은 흐름과 불확실성 단서를 바탕으로 환경을 세 가지 주요 모티프로 분류합니다:

• 정적 장애물 및 미지의 틈: 낮은 광학 흐름 크기(자유 공간을 나타냄)가 높은 흐름에 의해 둘러싸인 영역으로 식별됩니다. 시스템은 틈 사이를 통과하기 위해 가장 큰 저흐름 윤곽선(low flow contour)을 목표로 삼습니다.
• 동적 장애물: 높은 광학 흐름 크기와 높은 불확실성의 조합으로 식별됩니다. 높은 불확실성은 독립적인 객체 운동으로 인한 폐쇄(occlusion) 및 급격한 장면 변화에서 발생합니다. 이를 통해 시스템은 근접성 때문에 높은 흐름을 보이는 정적 장애물과 동적 위협을 구분할 수 있습니다.

네트워크 아키텍처:

• 증분 흐름을 예측하는 5단계(coarse-to-fine)의 완전 합성곱 신경망(fully convolutional network).
• FlyingChairs2로 학습되고 FlyingThings3D로 미세 조정됨.
• 효율성: 2.8M 파라미터를 가지며, Jetson Orin Nano에서 640x480 해상도로 약 68ms의 추론 시간 내에 실행 가능함.

2. 제어: 능동적 인지 전략

광학 흐름의 한계(특히 FOE 근처의 낮은 흐름 크기 및 회전 흐름 간섭)를 극려하기 위해, MinNav는 꿀벌의 "엿보기(peering)" 행동에서 영감을 받은 능동 제어 정책을 채택합니다. 제어 루프는 세 가지 반복 단계로 구성됩니다:

1. 대각선 탐색적 움직임: 로봇은 X-Y 평면에서 작은 개방 루프(open-loop) 대각선 움직임을 수행합니다. 이는 FOE를 이미지 중심에서 벗어나게 하고 시차(parallax)를 도입하여, 미터법 깊이에 의존하지 않고도 장면 구조를 추론할 수 있는 충분한 흐름 데이터를 생성합니다.
2. 자유 공간 정렬: 탐색 중에 수집된 흐름 데이터를 기반으로, 로봇은 가장 큰 저흐름 영역(자유 공간)의 중심을 계산하고 이에 맞춰 속도 명령을 실행합니다.
3. 글로벌 목표 정렬: 로봇은 글로벌 목표 방향(Z축)을 향해 헤딩을 정렬하고 전진합니다.

동적 장애물 회피:
별도의 고순위 스레드가 동적 장애물(높은 흐름 + 높은 불확실성)을 모니터링합니다. 탐지 시, 인터럽트가 발생하여 지연 시간을 최소ize하기 위해 즉각적인 가속 기반 회피 기동을 트리거하며, 경로 최적화보다 충돌 회피를 우선시합니다.

주요 기여

1. 통합 프레임워크: 장면의 사전 지식 없이 단일 구조가 없는(structureless) 정식화를 사용하여 정적 장애물, 동적 장애물, 미지의 모양의 틈을 동시에 처리하는 최초의 솔루션입니다.
2. 경량 네트워크: 임베디드 초소형 비행 로봇에 최적화된 새로운 다중 스케일 광학 흐름 및 불확실성 네트워크입니다.
3. 능동 제어 정책: 탐색적 움직임을 목표 지향적 항법과 통합하여 광학 흐름의 한계(FOE 데드 스팟)를 효과적으로 완화하고 견고한 장면 이해를 가능하게 하는 정식화입니다.
4. 실세계 검증: 무작위화된 장애물 순서와 동적 위협이 포함된 복잡한 실제 시나리오에서 커스텀 쿼드로터(Corgi210)를 통해 성공적으로 입증되었습니다.

실험 결과

저자들은 실세계 및 시뮬레이션 환경 모두에서 MinNav를 평가했습니다.

실세계 실험

• 설정: 정적 판지 장애물, 동적 흔들리는 물체(우유통, 상자), 폼코어 틈새가 있는 그물망 시설 내 4가지 무작위 시나리오.
• 성능: 70%의 성공률(80회 시도 중 56회)을 달랐습니다.
• 실패 분석: 대부분의 실패는 동적 장애물을 피할 때 발생했으며, 이는 전방향 감지의 부재(측면 그물 충돌)와 파이프라인의 지연 시간(~100ms) 때문인 것으로 분석되었습니다.

시뮬레이션 실험

• 비교: MinNav를 깊이 기반 방식(MorphEyes, MiDAS) 및 다른 광학 흐름 베이스라인(RAFT)과 비교했습니다.
• 성공률: 시뮬레이션에서 탐색을 포함한 MinNav는 82%의 성공률을 기록하여, RAFT(84%) 및 MiDAS-v3.1(88%)과 대등한 수준을 보였으나, 동적 장애물에 어려움을 겪은 MiDAS-v2.1S(38%)를 크게 앞질렀습니다.
• 효율성: MinNav는 추론 시간 측면에서 RAFT(615.3ms)보다 9배 빠른 68.2ms를 기록했으며, 훨씬 적은 FLOPs(27.14 G vs 211.01 G)와 파라미터(2.8M vs 5.2M)를 요구합니다.
• 경로 길이: 깊이 기반 방식이 가장 짧은 경로를 생성하지만, MinNav의 경로 길이 증가량은 막대한 계산 비용 절감을 고려할 때 관리 가능한 수준입니다.

의의 및 주장

본 논문은 MinNav가 초소형 비행 로봇을 위한 미니멀리스트 자율성을 향한 중요한 진전이라고 주장합니다. 주요 의의는 다음과 같습니다:

• 소형 플랫폼에서의 실현 가능성: 무거운 3D 센서나 거대한 연산 장치 없이도, 효율적인 광학 흐름과 능동적 인지를 통해 복잡한 구조화되지 않은 동적 환경에서의 항법이 가능하다는 것을 입증했습니다.
• 동적 환경에 대한 견고성: 단일 모노큘러 흐름 불확실성만을 사용하여 동적 장애물을 구분하고 반응하는 능력(기존의 구조가 없는 접근 방식에서 흔히 결여된 기능)을 성공적으로 보여주었습니다.
• 보완적 역할: 저자들은 MinNav를 반드시 깊이 기반 시스템을 대체하는 것이 아니라, 깊이 센서가 실패하거나 사용할 수 없는 경우를 위한 매우 효율적이고 저전력인 대안 또는 견고한 "백업" 시스템으로 포지셔닝합니다.

이 연구는 로봇의 능동적 특성(더 잘 보기 위해 움직이는 것)을 활용함으로써, 단일 카메라 비전의 내재적 모호성을 극overcome 할 수 있으며, 이를 통해 곤충 크기의 로봇을 야생에 대규모로 배치하는 꿈을 현실에 더 가깝게 가져다줄 수 있음을 시사합니다.