💻 computer science

High-level spatial Dubins airplane-based reference smoothing with low-level geometric tracking for quadrotor control

본 논문은 오프라인 또는 온라인 리세딩 호라이즌(receding horizon) 계획을 통해 장애물 윤곽 추종과 같은 효율적이고 제약된 경로 추종을 가능하게 하기 위해, 상위 단계의 공간 덥ins(Dubins) 비행기 기반 참조 평활화 단계와 하위 단계의 기하학적 추적 제어기를 결합한 계층적 쿼드로터 제어 방법을 제시한다.

원저자: Mogens Plessen

게시일 2026-07-14

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Mogens Plessen

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

당신은 아주 작은 4개의 로터가 달린 비행 로봇(쿼드로터)이 미로를 통과하며 질주하도록 가르치려 한다고 상상해 보십시오. 문제는, 당신이 준 지도가 90도 각도의 급격한 회전과 점들 사이의 넓은 간격이 있는, 거칠고 휘갈겨 쓴 낙서 같다는 점입니다. 만약 로봇에게 그 낙서를 그대로 따라가라고 명령한다면, 로봇은 벽에 부딪히거나 코너를 너무 급하게 돌다가 위험하게 깎아버릴 것입니다. 반대로 경로를 너무 매끄럽게 만들려고 하면, 원래 가야 할 곳에서 너무 멀리 벗어날 수도 있습니다.

이 논문은 이를 해결하기 위해 **전략적 계획가(Strategic Planner)**와 **조종사(Pilot)**라는 팀처럼 작동하는 영리한 2단계 "두뇌"를 제안합니다.

전략적 계획가: "더빈스 비행기(Dubins Airplane)"

먼저, 논문은 상위 수준의 계획가를 소개합니다. 실제 로봇의 모든 미세한 흔들림을 계산하려고 시도하는 대신(이는 수학적으로 무겁고 느립니다), 이 계획가는 **더빈스 비행기(Dubins airplane)**라고 불리는 단순화된 모델을 사용합니다.

실제 쿼드로터를 기울이고, 회전하고, 네 가지 방식으로 추력을 낼 수 있는 12개 부분으로 구성된 복잡한 기계라고 생각한다면, 더빈스 비행기는 그 기계의 카툰 버전과 같습니다. 이 모델은 오직 3차원 공간에서의 위치( $x, y, z$ )와 바라보는 방향(yaw)에만 관심을 가집니다. 목적지에 도달하기 위해 로터가 어떻게 회전하는지에 대한 복잡한 세부 사항은 무시합니다.

이 단순화된 모델을 사용하여, 계획가는 **선형 계획법(Linear Program, LP)**을 해결합니다. 이 LP는 매우 빠르고 작은 수학 퍼즐이라고 생각하면 됩니다. 목표는 이 거칠고 "각진" 낙서를, 원래의 경로를 밀착해서 따라가되 장애물(예: 왼쪽의 벽)의 올바른 쪽에 머무르는 매끄러운 곡선으로 바꾸는 것입니다.

마법 같은 기술: 저자들은 이 단순화된 모델을 사용함으로써, 조절할 수 있는 "노브(knobs)"가 거의 없이도 이 퍼즐을 풀 수 있다는 것을 발견했습니다. 다른 대부분의 방법은 경로를 제대로 만들기 위해 수십 개의 복잡한 설정값(하이퍼파라미터)을 만져야 합니다. 하지만 여기서는 수학이 자동으로 작업을 수행합니다.
결과: 시뮬레이션에서 이 단계는 경로에 점이 수백 개 있더라도 해결하는 데 0.02초 미만이 걸렸습니다.

조종사: "기하학적 추적기(Geometric Tracker)"

전략적 계획가가 매끄럽고 안전한 선을 그리면, 이제 조종사가 바통을 이어받습니다. 이것은 실제의 복잡한 로봇을 실제로 비행시키는 하위 수준의 제어기입니다.

논문은 표준적인 "계층형 PID(Cascaded PID)" 제어기(세 개의 단순한 제어 루프를 쌓아 올리는 흔하고 오래된 방식)를 사용하는 것에 대해 명시적으로 반대합니다. 테스트 결과, PID 제어기는 새로운 방식보다 약 두 배 더 부정확하여, 새로운 방식의 0.16 ~ 0.17 미터 오차에 비해 약 0.32 ~ 0.35 미터 정도 목표를 놓쳤습니다.

대신, 그들은 **기하학적 추적 제어기(Geometric Tracking Controller)**를 사용합니다. 이 조종사는 로봇의 전체 12개 물리적 요소를 이해하기 때문에 특별합니다. 단순히 "좌/우"나 "상/하"만을 보는 것이 아니라, 표준적인 각도를 사용할 때 발생하는 수학적 이상 현상(특이점)에 혼동되지 않고 3차원 공간에서의 로봇의 방향을 이해합니다. 결정적으로, 이 조종사는 **피드포워드 항(feedforward terms)**에 크게 의존합니다. 즉, 계획가가 만든 매끄러운 경로를 미리 내다보고, 경로를 완벽하게 따라가기 위해 정확히 얼마만큼의 추력이 필요한지 미리 계산합니다.

두 가지 비행 방식: "일회성 지도" vs "실시간 GPS"

논문은 이 시스템을 방법 M1과 방법 M2라고 부르는 두 가지 시나리오에서 테스트합니다.

방법 M1 (일회성 지도):
장애물이 움직이지 않는 조용한 농장 위를 비행한다고 상상해 보십시오. 엔진을 켜기도 전에 오프라인 상태에서 매끄러운 경로를 한 번 그려둡니다. 그런 다음, 미리 계산된 선을 따라 미션 전체를 비행합니다.

성능: 시뮬레이션에서 이는 매우 훌륭하게 작동했습니다. 300개의 점이 있는 경로에 대해, 로봇은 평균적으로 단 0.16 미터만 목표에서 벗어났습니다.

방법 M2 (실시간 GPS):
이제 장애물이 움직이거나 경로가 변할 수 있는 역동적인 도시를 비행한다고 상상해 보십시오. 여기서는 전략적 계획가가 단 하나의 지도만 그리는 것이 아니라, 로봇이 자신의 위치를 업데이트할 때마다(매 0.05초마다) 경로의 작은 구간을 다시 그립니다. 로봇은 약 20미터(또는 때로는 10미터) 앞을 내다보며 그 즉시 경로를 매끄럽게 만듭니다.

트레이드오프(Trade-off): 논문은 더 긴 앞보기 거리(20m)가 짧은 거리(10m)보다 더 나은 결과를 냈지만, 계산 시간은 약간 더 오래 걸렸다(0.008초 vs 0.003초)는 것을 발견했습니다.
특이점: 계획가가 짧은 거리만 내다볼 경우, 로봇은 종종 끝 지점에 도달할 때 "오버슈트(overshoot)"가 발생하거나 코너에서 혼란을 겪는데, 이는 아직 결승선을 보지 못했기 때문입니다. 저자들은 해결책을 제시합니다: 매 틱(tick)마다 지도를 다시 그리지 말고, 매 두 번째 틱마다 다시 그리면서 기존의 계획을 앞으로 밀어내는 방식을 사용하십시오. 이렇게 하면 정확도를 크게 잃지 않으면서도 계산 능력을 아낄 수 있습니다.

이 논문이 "아니오"라고 말하는 것들

이 방법이 무엇을 하지 않는지 아는 것이 중요합니다:

복잡한 스플라인 피팅(Spline Fitting) 거부: 이 논문은 복잡한 B-스플라인이나 베지에 곡선(Bezier curves)을 사용하여 경로를 매끄럽게 만드는 것에 반대하며, 이것들이 종종 원래의 "각진" 참조 경로를 유지하지 못하거나 너무 많은 조절 노브를 필요로 한다고 지적합니다.
전체 물리 모델 기반 계획 거부: 그들은 전체 12상태 쿼드로터 모델을 사용하여 매끄러운 경로 문제를 해결하려고 시도하는 것을 명시적으로 배제합니다. 그들은 그것이 초기화하기 너무 어렵고 계산 비용이 많이 든다고 말합니다. 그들은 계획에는 단순화된 더빈스 모델을 사용하고, 실제 비행에만 전체 모델을 사용합니다.
"마법 같은" 튜닝 거부: 그들은 서로 다른 단위의 복잡한 행렬들을 튜닝하기 위해 시간을 보낼 필요가 있다는 아이디어를 거부합니다. 그들의 방법은 다양한 시나리오에서도 재튜닝 없이 작동하는 최소한의 튜닝 행렬(단 4개의 대각 행렬)을 사용합니다.

핵심 요약

저자들은 단순화된 계획가와 스마트한 전체 물리 모델 조종사로 역할을 나누는 것이 효과적임을 컴퓨터 시뮬레이션(실제 비행 테스트가 아닌)을 통해 보여주었습니다. 이를 통해 쿼드로터가 매우 적은 계산 능력과 거의 없는 수동 튜닝만으로도, 거칠고 장애물이 많은 경로를 매끄럽고 정확하게 따라갈 수 있게 합니다.

테스트에서 로봇은 경로 길이에 따라 약 25~45초 만에 목적지(예: 50m, 50m, 10m 지점의 호버링)에 도달했으며, 경로의 왼쪽 "위험 구역"을 피하면서 원하는 선에 놀라울 정도로 가깝게 유지되었습니다. 이는 효율적이고 견고하며, 현재는 시뮬레이션 속에 있지만 실제 세계를 향해 준비된 시스템입니다.

문제 정의

본 논문은 쿼드로터가 "에지(edgy)" 형태의 참조 경로—즉, 웨이포인트 간 간격이 넓고 급격한 헤딩 변화(예: 90도 회전)가 있는 희소한 웨이포인트 집합으로 정의됨—를 추적하면서 동시에 측면 제약 조건(예: 경로의 한쪽 면에 있는 장애물 회피)을 만족하도록 제어하는 과제를 다룹니다.

저자들은 기존 문헌에서 다음과 같은 격차를 식별했습니다:

복잡하고 고차원적인 비선형 모델 예측 제어(NMPC)를 요구하며, 이는 하이퍼파라미터 튜닝이 어렵고 예측 호라이즌이 짧다는 단점이 있습니다.
스플라인 기반 평활화(예: B-spline, Bezier curve)를 사용하지만, 이는 희소한 웨이포인트를 밀접하게 추적하지 못하거나 특정 응용 분야에 적합하지 않을 수 있습니다.
저수준 제어기가 에지 형태의 참조를 직접 추적하는 방식에 의존하며, 이는 "코너 커팅(corner-cutting)" 현상과 측면 안전 제약 위반을 초래할 수 있습니다.

본 연구의 목표는 계획 단계에서 추적 단계로의 복잡도를 계층적으로 감소시키고, 제어점뿐만 아니라 전체 경로에 걸쳐 궤적 형성(trajectory shaping) 능력을 유지하며, 하이퍼파라미터의 수를 최소화하는 방법을 개발하는 것입니다.

방법론

제안된 솔루션은 고수준 참조 평활화와 저수준 기하학적 추적을 결합한 2계층 접근 방식입니다.

1. 고수준 참조 평활화 (HLRS)

이 단계는 초기 에지 웨이포인트로부터 매끄럽고 실행 가능한 참조 궤적을 생성합니다.

모델: 위치 $(x, y, z)$ 와 요 각도(yaw angle) $\psi$ 를 갖는 4개 상태의 Dubins airplane 모델을 활용합니다. 이 모델은 차원 축소와 $z$ 역학의 디커플링을 가능하게 합니다.
최적화: 공간 모델링 접근 방식을 사용하여 **선형 계획법(LP)**으로 문제를 정식화합니다. 목적 함수는 제약 조건 하에서 측면 오차를 최소화하는 것입니다:
- 측면 제약 (예: 장애물 회피를 위해 경로의 오른쪽에 머무르기).
- 롤 각도 제한 ( $\phi_{min} \leq \phi_k \leq \phi_{max}$ ).
- LP는 소규모입니다. 10m 호라이즌에 1m 간격을 적용할 경우 약 21개의 최적화 변수만을 포함합니다.
필터링: 저수준 제어기에 필요한 대수적 매끄러움을 보장하기 위해 LP 출력에 사비츠키-골레이(Savitzky-Golay) 또는 지수 이동 평균(EMA) 필터링 후처리 단계가 적용됩니다.
속도 프로파일링: 다음 요소들을 기반으로 속도 프로파일이 할당됩니다:
- 순항 속도(Cruise velocity).
- Dubins 모델에서 유도된 롤 각도 기반 속도 상한( $v_{roll}^{max}$ ).
- 쿼드로터가 목표 위치에서 멈출 수 있도록 뉴턴의 제2법칙으로부터 유도된 제동 프로파일( $v_{brake}^{max}$ ).
- 최종 참조 속도는 $v_{ref}(s) = \min(v_{cruise}, v_{roll}^{max}, v_{brake}^{max})$ 입니다. 이를 통해 비균일한 공간 보간이 가능해지며, 이는 저수준 제어기의 피드포워드 항에 매우 중요합니다.

2. 저수준 참조 추적

이 단계는 전체 쿼드로터 역학을 사용하여 평활화된 참조를 실행합니다.

모델: 전체 12상태 쿼드로터 모델(위치, 속도, 오일러 각, 각속도)이 사용됩니다.
제어기: [14]에 기반한 **기하학적 추적 제어기(geometric tracking controller)**가 채택되었습니다. 이 제어기는 오일러 각과 관련된 특이점 및 쿼터니언의 모호성을 피합니다.
구현: 제어기는 참조 궤적의 위치, 속도, 가속도 및 요(yaw)로부터 유도된 피드포워드 항에 크게 의존합니다. 고수준 단계에서 생성된 비균일한 공간 그리드는 이러한 미분값을 정확하게 추출하는 데 결정적입니다.
튜닝: 제어기는 네 개의 대각 튜닝 행렬( $K_p, K_v, K_R, K_\Omega$ )을 사용합니다. 논문에서는 이들이 광범위한 미세 조정 없이 자릿수(10의 거듭제곱)를 기준으로 선택되었음을 명시합니다.

3. 운용 모드 (M1 및 M2)

논문은 두 가지 변형 모델을 정의합니다:

방법 M1 (오프라인 계획): 고수준 평활화가 전체 경로에 대해 오프라인에서 한 번 수행됩니다. 생성된 매끄러운 참조가 온라인에서 추적됩니다. 이는 정적인 환경(예: 농업 지역 피복)에 적합합니다.
방법 M2 (온라인 재귀적 계획): 고수준 평활화가 제한된 공간 예측 호라이즌 $H$ 내에서 온라인에서 재귀적 호라이즌 방식으로 수행됩니다. 각 단계에서 현재 위치를 원래의 에지 경로에 연결하고, 이를 평활화한 후 추적합니다. 이는 동적인 환경이나 변경되는 웨이포인트에 적합합니다.

주요 기여

계층적 복잡도 감소: 본 방법은 계획을 위한 저차원 Dubins 모델과 추적을 위한 전체 모델을 분리하여, 전체 NMPC와 비교했을 때 계산 부하를 크게 줄였습니다.
공간 LP 정식화: 공간 모델링과 Dubins 구조를 활용함으로써, 계획 단계를 하이퍼파라미터가 없는 목적 함수(측면 오차 최소화)를 가진 소규모 선형 계획법으로 축소했습니다.
측면 제약 처리: 이 접근 방식은 궤적 전반에 걸쳐 측면 제약(예: 한쪽 방향의 장애물 회피)을 명시적으로 강제하여 코너 커팅을 방지합니다.
속도 프로파일 통합: 제동 및 롤 제한에 기반한 비균일 공간 그리드 생성은 저수준 제어기가 피드포워드 요구 사항에 부합하는 참조를 받을 수 있도록 보장합니다.

수치 결과

노트북(Intel Core i9)에서 M1 및 M2를 계층적 PID 제어기 및 다양한 평활화 필터와 비교하는 세 가지 수치 실험이 수행되었습니다.

성능: 제안된 기하학적 제어기는 계층적 PID 접근 방식보다 성능이 월등히 뛰어났습니다. 예시 1(M1)에서 기하학적 제어기는 (SG 필터 사용 시) 0.174 m의 RMSE를 달성한 반면, PID 제어기는 각각 0.324 m와 0.356 m의 RMSE를 기록했습니다.
필터링: 사비츠키-골레이(SG) 필터는 지수 이동 평균(EMA) 필터보다 약간 더 나은 정확도(RMSE 9% 낮음)를 제공했으나, EMA는 대수적으로 더 단순합니다.
M1 vs. M2:
- M1은 낮은 계산 비용(LP 풀 타임 ~0.007–0.017초)으로 넓은 호라이즌에 대해 일관된 추적을 제공했습니다.
- M2는 효과적인 온라인 계획을 입증했습니다. 더 큰 예측 호라이즌( $H=20$ m vs $10$m)은 추적 성능을 향상시켰으나(더 선제적인 기동 가능), 계산 시간도 증가시켰습니다(0.008s vs 0.003s).
- 오버슈트(Overshooting): M2는 제한된 호라이즌으로 인해 오버슈트 동작을 보였습니다. 저자들은 계산 부하를 줄이면서 안정성을 해치지 않는 완화 전략을 제안했습니다: 매 샘플링 시간마다 재계획하는 대신, 두 번째 샘플링 시간마다 재계획하고 그 사이에는 이전의 이동된 계획을 사용하는 방식입니다.

의의 및 주장

본 논문은 제안된 2단계 접근 방식이 다음과 같은 성과를 거두었다고 주장합니다:

낮은 계산 비용으로 넓은 계획 호라이즌에 대해 에지 형태의 참조 경로를 평활화함.
참조 추적 정확도 및 측면 궤적 형성 능력을 유지함.
하이퍼파라미터 수를 최소한으로 줄임 (LP 목적 함수는 하이퍼파라미터가 없으며, 제어기 튜닝은 크기 선택으로 제한됨).
복잡한 NMPC나 스플라인 기반 방식의 유효한 대안을 제공하며, 특히 엄격한 측면 제약이 필요한 응용 분야(예: 장애물 윤곽 추적)에 적합함.

저자들은 본 방법이 계획을 위해 Dubins 모델에 의존한다는 점(이는 전체 쿼드로터 역학의 근사치임)을 한계점으로 인정했습니다. 향후 연구에서는 전체 12상태 모델을 최적화 단계에 사용할 수 있으나, 이는 상당한 복잡성과 초기화 문제를 야기할 수 있다고 언급했습니다.