Towards Reliable Aerial Ground Vehicle Collaboration: An Integrated Planning and Autonomy Framework for Field Deployment

기술 요약: 신뢰할 수 있는 공중-지상 차량 협업을 향하여

문제 정의
본 논문은 장기 임무(감시 및 점검 등) 수행 시 비행 지속 시간의 제한으로 인해 운용 범위와 기간이 제약되는 무인 항공기(UAV)의 운영 한계 문제를 다룹다. UAV를 무인 지상 차량(UGV)과 결합하여 이동식 충전 솔루션을 제공하는 것은 해결책이 될 수 있으나, 이는 복잡하고 밀접하게 결합된 협력적 경로 최적화 문제를 야기한다. 이 문제는 공간적으로 분산된 관심 영역(AOI)에 대한 UAV의 방문 순서, 도로 제약이 있는 UGV의 이동, 에너지 관리, 그리고 랑데부 스케줄링을 공동으로 최로화할 것을 요구한다. 핵심적인 과제는 이론적 계획과 실제 현장 실행 사이의 간극을 메우는 것이며, 특히 바람, 센싱 노이즈, 통신 지연과 같이 타이밍 편차를 유발하고 배터리 고갈을 초래할 수 있는 환경적 불확실성에 직면했을 때 더욱 그러하다.

방법론
저자들은 다음과 같은 네 가지 주요 구성 요소로 이루어진 통합 계획 및 자율 주행 프레임워크를 제안한다:

1. DRL 기반 미션 플래너: 핵심 계획 문제는 에너지 제약이 있는 협력적 경로 지정 작업으로 정식화된다. 저자들은 인코더-디코더 트랜스포머(Transformer) 구조를 기반으로 한 심층 강화 학습(DRL) 플래너를 채택하였다. 인코더는 멀티 헤드 셀프 어텐션(multi-head self-attention)을 사용하여 AOI와 도로 네트워크 지점(RNP) 간의 공간적 관계를 포착하며, 디코더는 UAV의 경로와 랑데부 결정을 자기회귀(autoregressively) 방식으로 생성한다. 정책은 총 미션 시간을 최소화하기 위해 그리디 베이스라인(greedy baseline)을 사용하는 REINFORCE 알고리즘을 사용하여 훈련된다.
2. 표준화된 미션 API: 플래너의 출력을 실행 가능한 명령으로 변환하기 위해, 2계층 YAML 기반 API가 도입되었다. 첫 번째 계층은 상태(환경, 에이전트 위치, AOI, RNP)를 정의하고, 두 번째 계층은 두 에이전트를 위한 경량화되고 동기화된 행동 시퀀스를 생성한다. 이 API는 동기화 식별자(ins_id)로 연결된 특정 프리미티브(예: takeoff_from_UGV, move_to_location, allow_land_on_UGV)를 사용하여 시간적 조율을 보장한다.
3. 분산 자율 스택: 이 프레임워크는 완전한 하드웨어-소프트웨어 파이프라인을 구현한다. UAV는 오프보드 제어 및 웨이포인트 가이드를 위해 PX4/MAVSDK 스택을 활용하며, UGV는 다중 센서 퓨전(GNSS, IMU, LiDAR)과 장애물 회피를 위한 계층형 코스트맵을 사용하는 ROS 2/Nav2 스택을 사용하여 내비게이션을 수행한다. 중앙 관리자는 UDP/TCP 통신 네트워크를 통해 텔레메트리 및 재계획 요청을 조정한다.
4. 랑데부 인식 재계획기(RARP): 실행의 불확실성을 처리하기 위해 경량 온라인 재계획기가 배치된다. RARP는 UAV의 남은 에너지 예산에 대해 실행 타임라인을 지속적으로 모니터링한다. 편차가 발생하면(예: 특정 동작이 예상 시간을 초과하는 경우), 재계획기는 롤백 탐색(rollback search)을 수행하여 UAV의 미래 행동 시퀀스를 단축하고 도로 네트워크 상의 새로운 실행 가능한 랑데부 지점을 식서한다. 실행 가능한 솔루션이 없는 경우, 안전 마진을 완화하거나 비상 착륙을 트리거한다.

주요 기여
본 논문은 다음과 같은 구체적인 기여를 주장한다:

• DRL 협력 경로 지정: UAV 방문 순서와 UGV 랑데부 위치를 공동 최적화하여 미션 시간을 최소화하는 데 있어 기존의 계층적 휴리스틱보다 성능이 뛰어난 DRL 기반 플래너를 제시하였다.
• 표준화된 API: 이기종 플랫폼(UAV 및 UGV) 간에 계획 출력을 실행 가능한 동작으로 원활하게 변환할 수 있게 하는 YAML 기반 미션 API를 제공한다.
• 통합 자율 스택: 신뢰할 수 있는 현장 배포를 지원하는 플랫폼 특화 자율 스택(UAV를 위한 PX4/MAVSDK, UGV를 위한 ROS 2/Nav2)을 포괄적으로 구현하였다.
• 온라인 재계획: 환경적 교란 상황에서도 안전성과 실행 가능성을 보장하며 에너지 마진 위반을 줄이는 경량 랑데부 인식 재계획기(RARP)를 제공한다.
• 현장 검증: 50m × 50m 환경에서의 광범한 실외 검증을 통해, 위험 탐지를 위한 시각-언어 모델(VLM)을 활용한 수색 및 구조 시나리오를 포함하여 역동적인 작업에서의 견고한 협력 내비게이션과 적응성을 입증하였다.

결과
시뮬레이션 및 실외 현장 시험 모두에서 수행된 실험 결과는 프레임워크의 효능을 입증한다:

• 계획 성능: DRL 정책은 휴리스틱 베이스라인을 일관되게 능가하였다. 훈련 문제 규모(최대 45개 AOI)에서 샘플링 기반 DRL 변형은 휴리스틱의 13~16%와 비교하여 2.3% 미만의 최적성 격차(optimality gap)를 달いました. 또한 이 정책은 더 큰 규모의 미경험 시나리오(최대 75개 AOI)에도 잘 일반화되었다.
• 재계획 효능: 바람, GPS 노이즈, 속도 감소가 포함된 시뮬레이션 실험에서 RARP 모듈은 에너지 마진 위반율을 재계획이 없을 때의 83.33%에서 20.00%로 낮추었다. 계획된 시간과 실행된 시간 사이의 평균 편차율은 14.3%에서 1.43%로 감소하였다.
• 현장 배포: 실외 실험을 통해 시스템이 협력 소티(sorties)를 실행하고, UAV와 UGV 간의 동기화를 유지하며, 에너지 안전 마진을 준수할 수 있음을 확인하였다. 시스템은 미션 도중 새로운 AOI가 삽입되는 것과 같은 동적인 미션 업데이트를 성공적으로 처리하였으며, VLM이 항공 이미지로부터 시뮬레이션된 위험 요소(연기, 마네킹)를 식별하는 수색 및 구조 시나리오를 성공적으로 수행하였다.

의의 및 주장
본 논문은 이 연구를 이론적 최적화와 실제적이고 신뢰할 수 있는 현장 배포 사이의 가교로 포지셔닝한다. 저자들은 기존 연구들이 알고리즘적 조정이나 고립된 서브시스템을 다루어 온 반면, 견고하고 리스크를 인식하는 작업 계획과 실시간 하드웨어 실행을 통합한 프레임워크는 거의 없다고 주장한다. 고품질의 글로벌 계획, 표준화된 인터페이싱, 그리고 반응형 온라인 안전 계층(RARP)을 결적으로 결합함으로써, 제안된 프레임워크는 역동적인 실제 환경에서 신뢰할 수 있는 공중-지상 협업을 가능하게 한다. VLM이 통합된 수색 및 구조 임무의 성공적인 시연은 복잡하고 의미론적 인식이 필요한 자율 운영에 대한 시스템의 잠재력을 더욱 강조한다. 저자들은 이 엔드 투 엔드 파이프라인이 향다의 자율 공중-지상 협업을 위한 실질적인 토대를 제공한다고 결론짓지만, 다중 로봇 확장성 및 GPS가 차단된 환경에서의 운용에 관한 제한 사항을 향후 연구 과제로 인정하였다.