⚡ electrical engineering

Towards safe and optimal flight: Viability Kernel MPC for Fully Actuated Multirotor

본 논문은 데이터 기반 방법론과 동적으로 계산된 경계 상자(bounding box)를 활용하여 철저한 오프라인 분석 없이도 장애물 회피를 수행함으로써, 비정형 환경에서 완전 구동 멀티로터의 안전하고 실시간적인 항행을 보장하는 생존 커널 모델 예측 제어(Viability Kernel Model Predictive Control) 프레임워크를 제안한다.

원저자: Massimiliano Bertoni, Alberto Piccina, Gianni Lunardi, Elias Fontanari, Andrea Del Prete, Angelo Cenedese, Giulia Michieletto

게시일 2026-08-27

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Massimiliano Bertoni, Alberto Piccina, Gianni Lunardi, Elias Fontanari, Andrea Del Prete, Angelo Cenedese, Giulia Michieletto

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

단순히 탁 트인 하늘을 나는 것이 아니라, 기둥, 파이프, 움직이는 기계 사이를 헤치며 복잡한 창고 속을 누비는 드론을 상상해 보십시오. 단 한 번의 충돌 없이 말입니다. 수년 동안 자율 비행 로봇의 꿈은 하나의 단순하고도 무서운 현실에 의해 가로막혀 왔습니다. 만약 드론을 구동하는 컴퓨터가 장애물의 위치에 대해 단 한 번이라도 잘못된 추측을 한다면, 기계는 통제력을 잃고 무언가와 충돌할 수 있다는 사실입니다. 현재의 안전 시스템은 종-종 너무 늦게 반응합니다. 드론이 이미 위험한 경로를 선택한 후에야 충돌을 확인하곤 합니다. 빈 들판에서의 단순한 감시를 넘어 복잡한 공간에서의 정교한 작업으로 나아가기 위해, 엔지니어들은 다음에 무슨 일이 일어나든 상관없이, 드론이 매 순간 안전하게 멈추거나 회전할 수 있는 방법을 보장할 수 있는 방법을 찾아내야 했습니다.

이것이 바로 이탈리아 대학 연구진이 복잡한 환경을 통과하는 완전 제어형 멀티로터 드론을 안내하는 새로운 방법을 개발하며 해결하고자 했던 과제입니다. 공기를 아래로 밀어내어 위로 올라가거나 옆으로 이동하기 위해 기울어질 수만 있는 일반적인 드론과 달리, 이 고급 기체들은 공기를 모든 방향으로 밀어낼 수 있어 옆으로 이동하거나 회전하고, 정지 비행(hover)을 할 때도 동일한 정밀도를 유지할 수 있습니다. 연구진의 돌파구는 두 가지 강력한 개념, 즉 "여기서 안전을 유지할 방법이 있는가?"를 묻는 '가용성(viability)'이라는 수학적 개념과 드론의 다음 움직임을 계획하는 예측 제어 시스템을 결합한 데 있습니다. 이 시스템은 단순히 다음 장애물을 피하려고 노력하는 대신, 경로가 갑자기 막히더라도 드론이 항상 안전하게 완전히 멈추거나 미리 계획된 비상 착륙을 수행할 수 있는 위치에 있는지 끊임없이 확인합니다.

이 방법의 핵심은 드론의 물리적 복잡성을 다루는 영리한 기술에 있습니다. 붐비는 방 안에서 드론이 갈 수 있는 모든 가능한 미래 경로를 계산하는 것은 컴퓨터가 실시간으로 수행하기에는 너무 느립니다. 이를 해결하기 위해 연구진은 데이터 기반 접근 방식을 사용했습니다. 그들은 먼저 수천 번의 시뮬레이션을 오프라인으로 실행하여 드론의 '안전 구역'—즉, 기체가 항상 안전하게 멈출 수 있는 특정 위치와 속도의 집합—을 지도화했습니다. 그런 다음 인공지능, 구체적으로는 신경망(neural network)에게 이 안전 구역을 즉각적으로 인식하도록 학습시켰습니다. 이 신경망을 숙련된 조종사라고 생각해보십시오. 이 조종사는 드론의 현재 속도와 위치를 힐끗 보는 것만으로도 복잡한 계산을 수행할 필요 없이, "네, 우리는 여전히 안전한 지점에 있습니다" 또는 "아니요, 우리는 안전 경계에 너무 가까워지고 있습니다"라고 즉시 판단할 수 있습니다.

실험에서 연구 연구진은 기울어진 프로펠러를 장착하여 움직임을 완전히 제어할 수 있도록 설계된 독특한 6개 로터 드론인 α-Ted6R을 사용하여 이 시스템을 테스트했습니다. 연구진은 드론을 커다란 상자와 기둥 같은 정적 장애물이 가득한 시뮬레이션 환경에 배치하고 특정 목표 지점으로 항법하도록 했습니다. 드론이 비행하는 동안, 컴퓨터는 드론 주변에 가상의 '안전 박스'를 지속적으로 업데이트하며, 장애물 사이의 가용 공간에 맞춰 이 박스의 크기를 동적으로 줄였습니다. 매 단계마다 시스템은 드론의 예측된 미래 위치가 신경망에 의해 식별된 안전 구역 내에 머물러 있는지 확인했습니다. 만약 드론이 계획된 경로가 차단되어 안전한 정지가 불가능한 상황에 처하게 되면, 시스템에는 내장된 '안전 중단(safe abort)' 메커니즘이 작동합니다. 이는 즉시 사전 계산된 비상 기동을 트리거하여, 드론이 추락하는 대신 안전하게 멈추도록 유도합니다.

시뮬레이션 결과는 놀라웠습니다. 드론은 복잡한 공간을 성공적으로 통과하며 모든 장애물을 피하고 목표 지점에 도달했습니다. 심지어 드론의 경로가 가상의 벽에 닿는 안전 마진에 의해 일시적으로 차단되었을 때도, 시스템은 안정성을 잃지 않고 경로를 찾아내기 위해 속도와 방향을 조절했습니다. 계산 성능 또한 실제 사용이 가능할 정도로 빨랐으며, 시스템은 평균 약 1밀리초 만에 결정을 내렸는데, 이는 부드러운 비행에 필요한 시간 제한 내에 충분히 들어오는 수치입니다. 연구진은 이 '안전 보장'을 계획 과정에 직접 내재화함으로써, 이전의 방식으로는 제공할 수 없었던 신뢰도를 가지고 복잡하고 구조화되지 않은 환경에서 드론을 운용할 수 있음을 입증했습니다.

이 연구가 항공 로보틱스의 모든 문제를 해결했다고 주장하는 것은 아니며, 아직 움직이는 사람이나 이동하는 잔해가 있는 실제 환경에서 시스템이 작동함을 증명한 것도 아닙니다. 그러나 이 시뮬레이션은 강력한 개념 증명을 제공합니다. 이는 드론이 단순히 반응적인 것이 아니라, 근본적으로 설계 단계부터 안전하게 만드는 것이 가능하다는 것을 보여줍니다. 드론이 항상 안전한 미래가 존재하는 상태에 있도록 보장함으로써, 이 시스템은 자율 비행을 오랫동안 괴롭혀 온 '회복 불가능한 상태'에 대한 공포를 제거합니다. 저자들이 언급했듯이, 향-후 과제는 이러한 아이디어를 더 역동적인 환경에서 테스트하고 드론이 주변 환경을 인식하는 방식을 개선하는 것입니다. 하지만 여기서 쌓은 토대는 드론이 우리의 가장 붐비고 복잡한 공간에서 인간과 함께 일할 수 있는 미래를 암시합니다.

기술 요약: 완전 제어형 멀티로터를 위한 생존 가능성 커널(Viability Kernel) MPC

문제 정의
본 논문은 복잡하고 구조화되지 않은 환경에서 완전 제어형(fully actuated) 멀티로터의 항법 문제를 다루며, 안전성을 보장하고 성능을 최 최적화하는 것을 목표로 한다. 현재의 산업용 항공 로보틱스는 정적 장애물 및 인간과의 근접 상황과 같은 복잡한 시나리오에 대한 견고한 안전 보장이 부족하여, 주로 개활지 감시 작업에 국한되어 있다. 기존의 안전 접근 방식은 두 가지 주요 한계점을 가진다. 즉, 단기적인 충돌 회피만을 보장할 뿐 장기적인 시스템 생존 가능성(viability)을 보장하지 못하거나, 고차원 비선형 시스템에 적합하지 않은 계산 비용이 많이 드는 오프라인 도달 가능성(reachability) 분석에 의존한다는 점이다. 또한, 안전은 종종 제어 아키텍처의 본질적인 속성이 아닌 반응적인 제약 조건으로 취급된다.

방법론
저자들은 안전한 포즈 궤적을 생성하기 위해 **생존 이론(Viability Theory)**과 데이터 기반 방법을 결합한 모델 예측 제어(MPC) 프레임워크를 제안한다. 핵심 방법론은 세 가지 주요 구성 요소로 이루어진다:

VBOC를 통한 생존 가능성 커널 근사:
시스템은 생존 가능성 경계( $\hat{V}$ )의 보수적인 수치적 근사를 계산하기 위해 생존 가능성-경계 최적 제어(Viability-Boundary Optimal Control, VBOC) 방식을 활용한다. 생존 가능성 커널은 시스템이 상태 및 입력 제약 조건을 지속적으로 만족하면서 안전한 평형 상태로 유도될 수 있는 상태들의 집합으로 정의된다.

오프라인 계산: 유한한 호라이즌(horizon) 동안 최적 제어 문제(OCP)를 풀어 생존 가능성 커널의 경계를 식별한다. 이 OCP는 동역학적 제약, 입력 포화(로터 제한), 상태 제약 조건 하에서 특정 방향을 따르는 초기 트위스트 노름(twist norm)을 최대화한다.
신경망 인코딩: 실시간 평가를 가능하게 하기 위해, 계산된 생형 가능성 커널 경계는 신경망(NN)에 인코딩된다. 이 NN은 오일러 각, 트위스트 방향, 그리고 축 정렬 경계 상자(Axis-Aligned Bounding Box, AABB) 파라미터를 입력으로 받아 최대 생존 가능한 트위스트 노름을 출력한다. 이를 통해 운용 중 계산 효율적인 생존 가능성 검사가 가능하다.

동적 장애물 표현 (AABB):
모든 가능한 환경 구성에 대해 철저한 오프라인 분석을 수행할 필요가 없는 방식인, 동적으로 계산된 장애물 없는 축 정렬 경계 상자(AABB)를 통해 장애물 회피를 강제한다.

탐욕적 축소 알고리즘(Greedy shrinking algorithm): 멀티로터 주변의 충돌 없는 AABB( $B^*$ )를 계산하기 위해 사용된다. 이 알고리즘은 충돌이 발생하지 않을 때까지 면(face)을 이동시켜 가장 큰 가용 상자를 반복적으로 축소한다.
이 접근 방식은 모든 환경 구성에 대해 도달 가능성 집합을 미리 계산하지 않고도 형식적인 안전 보장을 제공한다.

안전 중단(Safe Abort) 기능이 포함된 종단 제약 MPC:
생존 가능성 커널 근사치는 **강한 종단 제약(hard terminal constraint)**으로서 MPC 공식에 내장된다.

제약 조건: MPC 호라이즌 끝에서의 예측된 최종 상태( $x_N$ )는 반드시 생존 가능성 커널에 속해야 한다( $x_N \in \hat{V}$ ). 이는 모든 실행 가능한 솔루션이 안전한 평형 상태에 도달할 수 있는 상태를 포함하도록 보장한다.
안전 중단 메커니즘: 만약 MPC 문제가 실행 불가능해지면(예: 예상치 못한 장애물 또는 제약 발생), 시스템은 "안전 중단"을 트리거한다. 시스템은 마지막으로 실행 가능했던 제어 시퀀스를 적용하고, 이전에 계획된 생존 가능한 종단 상태에 도달할 때까지의 타임 스텝을 추적한다. 일단 해당 상태에 도달하면, 시스템이 안전하지 않은 상태로 진입하지 않도록 설계된 특정 OCP를 풀어 평형 상태로 도달하는 사전 정의된 중단 기동을 수행한다.

주요 기여
본 논문은 두 가지 주요 기여를 공식화한다:

복잡한 환경을 항행하는 완전 제어형 멀티로터를 위해, 프로펠러 포화 및 장애물 유도 제약을 동적 AABB를 통해 명시적으로 고려하여 생존 가능성 커널의 수치적 근사를 구현하였다.
이 근사치를 종단 제약 MPC 프레임워크에 통합함으로써, 제어 불가능 상황에서도 인증된 안전한 폴백(fallback) 상태를 보장하여 견고한 안전 중단 메커니즘을 가능하게 하였다.

결과
이 접근 방식은 정적 장애물이 있는 복잡한 환경을 항행하는 완전 제어형 $\alpha$ -Ted6R(6개의 프로펠러를 가진 기울어진 헥사로터)을 이용한 수치 시뮬레이션을 통해 검증되었다.

궤적 추적: 시스템은 목표가 초기 장애물 자유 영역 밖에 있었음에도 불구하고, 초기 상태에서 목표 포즈( $\xi_r = [2, 0, 5, 0, 0, 0]^\top$ )까지 성공적으로 장애물을 회피하며 항행하였다.
NN 정확도: 생존 가능성 커널에 대한 신경망의 예측은 오프라인 OCP의 해와 밀접하게 일치하였으며, 이는 생존 가능성 경계를 정확하게 인코딩하는 능력을 입증한다.
계산 성능: 본 방법은 평균 반복 시간 1.00 ms(최대 11.72 ms)로 실시간 실행 능력을 보여주었으며, 이는 20 ms 샘플링 주기에 비해 매우 낮은 수치이다. 이러한 효율성은 생존 가능성 커널의 NN 인코딩과 다루기 쉬운 탐욕적 AABB 알고리즘 덕분이다.
동적 적응: 시스템은 로봇이 이동함에 따라 AABB를 동적으로 업데이트하여 새로운 자유 공간을 발견하고 그에 따라 궤적을 조정하였다.

의의 및 주장
저자들은 본 연구를 **방법론적 개념 증명(proof of concept)**으로 규정한다. 이 연구의 의의는 모든 환경에 대한 전수적인 오프라인 도달 가능성 분석에 의존하지 않고도 복잡한 환경 내 완전 제어형 멀티로터에 대한 안전 보장을 제공한다는 점에 있다. 생존 이론을 신경망을 통해 제어 루프에 직접 내장함으로써, 본 프레임워크는 지속적인 실행 불가능 상황에서도 시스템이 항상 안전한 평형 상태로 가는 경로를 유지하도록 보장한다.

본 논문은 이 연구를 기초적인 연구로 겸허하게 제시한다. 저자들은 현재의 박스 기반 접근 방식(AABB)이 보수적임을 인정하며, 향후 연구에서 더 정확한 장애물 없는 영역 표현, 동적 장애물이 있는 환경으로의 확장, 그리고 고급 인지 또는 학습 기반 구성 요소의 통합을 탐구할 수 있음을 시사한다.

유사한 논문