📄 other

Event-Triggered Virtual-Leader Formation Control for UAV Swarms Based on Artificial Potential Fields

본 논문은 복잡한 환경에서 견고한 대형 추적 및 장애물 회피를 유지하면서 통신 오버헤드를 줄이기 위해 인공 퍼텐셜 필드와 적응형 전략을 사용하는 UAV 군집을 위한 이벤트 트리거 가상 리더 대형 제어 방법을 제안한다.

원저자: Shuo Yang, Xinyi Li, Xu Yu, Panlong Wu

게시일 2026-07-24

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Shuo Yang, Xinyi Li, Xu Yu, Panlong Wu

원본 논문은 CC BY 4.0 (https://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

폭풍 속을 비행하는 새 떼를 상상해 보십시오. 그들은 무전기로 명령을 외치는 단 한 명의 선장이 없으며, 모두가 정확히 같은 순간에 날갯짓을 하는 것도 아닙니다. 대신 그들은 이웃과 바람에 반응하며, 좁은 틈을 빠져나가거나 매를 피하기 위해 형태를 바꿉니다. 이것이 바로 '군집 로보틱스(swarm robotics)'의 꿈입니다. 수십 대의 작고 저렴한 드론이 하나의 거대한 유기체처럼 협력하게 만드는 것입니다. 하지만 문제가 하나 있습니다. 만약 모든 드론이 자신의 위치와 속도를 끊임없이 모든 이에게 외친다면, 전파는 막히고 배터리는 빠르게 소모될 것입니다. 이는 마치 모든 사람이 동시에 소리를 지르는 록 콘서트장에서 대화를 시도하는 것과 같습니다. 과학자들은 드론이 덜 '듣도록' 만드는 방식으로 이 문제를 해결하려 오랫동안 노력해 왔지만, 까다로운 점은 언제 '들을지'를 아는 것입니다. 너무 드물게 들으면 나무에 충돌할 수 있고, 너무 자주 들으면 에너지를 낭비하게 됩니다. 이 논문은 그 최적의 지점을 파고들며 다음과 같이 질문합니다. 어떻게 하면 드론 군집이 완벽한 대형을 유지하며, 장애물을 피하고, 동시에 에너지를 절약할 수 있을까?

연구자인 양슈오(Shuo Yang)와 그의 팀은 '이벤트 트리거 가상 리더 대형 제어(Event-Triggered Virtual-Leader Formation Control)'라고 불리는 영리한 해결책을 제안합니다. 전통적인 드론 군집을 드럼 메이저가 매 초마다 지휘봉을 두드리며 모두에게 언제 발을 내디딜지 정확히 알려주는 행진하는 악단이라고 생각해 보십시오. 그것은 효과적이지만, 매우 지치고 경직된 방식입니다. 만약 악단이 좁은 골목에 부딪힌다면, 서로 엉키지 않고 대형을 쉽게 바꿀 수 없습니다. 팀의 새로운 아이디어는 물리적인 드럼 메이저를 '가상 리더(Virtual Leader)'로 대체합니다. 이는 앞서서 비행하며 속도와 방향을 설정하는 보이지 않는 유령입니다. 실제 드론들은 단순히 맹목적으로 따르는 것이 아니라, '인공 퍼텐셜 필드(Artificial Potential Field)'를 사용합니다. 이는 마치 보이지 않는 자기장과 같습니다. 드론이 장애물에 너무 가까워지면 필드가 밀어내고(척력), 대열에서 멀어지면 다시 끌어당깁니다(인력).

하지만 진짜 마법은 '이벤트 트리거(Event-Triggered)' 부분에 있습니다. 기존 방식에서 드론은 마치 메트로놈이 쉬지 않고 똑딱거리는 것처럼, 설령 직선의 빈 공간을 비행 중이라 할지라도 0.05초마다 비행 명령을 업데이트했습니다. 새로운 방식은 스마트 홈 보안 시스템과 더 비슷합니다. 드론은 장애물에 가까워지거나 대형이 좁은 틈을 통과해야 하는 상황처럼 중요한 일이 발생했을 때만 '깨어나서' 새로운 명령을 보냅니다. 경로가 확보되면 그들은 관성 비행을 하며 배터리를 아끼고 통신 채널을 조용하게 유지합니다.

이를 테스트하기 위해, 팀은 다섯 대의 드론이 장애물이 가득한 3D 세계를 항해하는 대규모 컴퓨터 시뮬레이션을 실행했습니다. 그들은 드론의 속도를 초속 10에서 40미터 사이로 설정했습니다. 결과는 인상적이었습니다. 군집이 좁은 통로를 만났을 때, 가상 리더는 속도를 줄였고, 드론들은 좁은 곳을 통과하기 위해 넓은 'V'자 형태에서 좁은 일렬 종대로 자동으로 전환되었습니다. 커다란 벽에 직면했을 때는 벽을 비껴 지나간 후 다시 V자 대형으로 복귀했습니다. 비행 내내 드론들은 장애물이나 서로에게 충돌하지 않고 성공적으로 피했으며, 이웃 드론과 최소 8미터의 안전 거리를 유지했습니다.

결정적으로, 시뮬레이션은 이 '온 데만드(on-demand, 필요할 때만)' 접근 방식이 드론의 제어 업데이트 횟수를 획기적으로 줄였다는 것을 보여주었습니다. 끊임없이 업데이트를 외치는 대신, 그들은 필요할 때만 말을 했습니다. 이 연구는 이 방식이 드론 군집이 배터리를 소모하거나 네트워크를 막지 않으면서도, 장애물을 피하며 타이트한 대형을 유지하는 동시에 매우 협조적이고 놀라운 효율성을 갖추게 해준다는 점을 시사합니다. 이 논문은 이 방식이 구형 장애물이 있는 3D 공간에서 아름답게 작동함을 확인했지만, 저자들은 이 디지털 유령들이 실제 금속 새들을 하늘에서 안내할 수 있는지 확인하기 위한 실제 하드웨어를 이용한 테스트가 다음 단계라고 언급했습니다.

기술 요약: 인공 퍼텐셜 필드 기반의 UAV 군집을 위한 이벤트 트리거 가상 리더 형성 제어

문제 정의
기존의 시간 트리거 방식(time-triggered) 형성 제어 기법은 무인 항공기(UAV) 군집 제어에 있어 두 가지 주요한 한계를 가집니다. 첫째, 불필요하게 중복된 제어 업데이트 명령과 통신 오버헤드를 발생시키며, 둘째, 고정된 기하학적 형상은 제약이 있거나 복잡한 환경에서 적응력이 떨어집니다. 가상 구조(virtual structure) 및 리더-팔로워(leader-follower) 접근 방식과 같은 기존 방법들은 종종 전역 정보에 과도하게 의존하거나 리더의 실패 및 오차 전파에 취약합니다. 인공 퍼텐셜 필드(APF) 방식은 실시간 계산 능력을 제공하지만, 전통적으로 국소 최솟값(local minima) 문제와 경로 진동 문제를 겪습니다. 또한, 가상 리더와 결합된 표준 APF 구현은 일반적으로 주기적인 시간 트리거 업데이트를 사용하므로, 안정적인 비행 상태(steady-state) 동안 불필요한 자원을 소비합니다.

방법론
본 논문은 가상 리더 전략과 개선된 인공 퍼텐셜 필드(APF) 방법을 통합한 이벤트 트리거 협력 형성 제어 프레임워크를 제안합니다. 이 접근 방식은 UAV를 위한 단순화된 3차원 점질량 운동학 모델(three-dimensional point-mass kinematic model)을 기반으로 구축되었습니다.

가상 리더 및 적응형 전략:
- 적응형 속도 조절: 가상 리더는 참조 궤적을 생성합니다. 장애물로 인해 추종 기체들이 궤적을 추적하는 데 어려움을 겪을 때 형상이 해체되는 것을 방지하기 위해 "대기 및 재구성(wait-and-reorganize)" 메커니즘이 구현됩니다. 가상 리더의 속도( $V_L$ )는 군집 중심점 추적 오차( $E_c$ )에 따라 동적으로 감소합니다. 만약 오차가 허용 가능한 임계값을 초과하면, 리더는 추종 기체들이 따라잡을 수 있도록 속도를 줄입니다.
- 동적 형성 전환: 시스템은 환경 인식 요소를 사용하여 형성 기하학 구조를 전환합니다. 구체적으로, 군집이 좁은 통로(전방 탐지 범위 및 통로 폭 기준에 의해 정의됨)를 감지하면, 넓게 퍼진 V자 형상에서 조밀한 일렬(single-file) 형태로 전환합니다. 1차 저역 통과 필터(first-order low-pass filter)는 급격한 제어 입력을 방지하기 위해 오프셋 벡터의 전환을 부드럽게 처리합니다.
개선된 인공 퍼텐셜 필드 (APF):
각 UAV의 제어 입력은 세 가지 퍼텐셜 필드 성분으로부터 합성되며, 이들은 모두 질량 정규화된 가상 힘(가속도)으로 해석됩니다:
- 형상 추적: PD(비례-미분) 퍼텐셜 필드는 UAV를 가상 리더에 대한 원하는 위치로 유인합니다.
- 장애물 회피: 반발 퍼텐셜 필드는 UAV가 정의된 영향 거리 내로 진입할 때 장애물(정적 또는 동적)로부터 멀어지는 가속도를 생성합니다.
- UAV 간 충돌 방지: 반발 퍼텐셜 필드는 군집 구성원들이 안전 거리에 접근할 때 서로 간의 충돌을 방지합니다.
환경 인식 이벤트 트리거 메커니즘:
주기적인 업데이트 대신, 시스템은 특정 조건이 충족될 때만 제어 명령을 업데이트합니다.
- 트리거 조건: 제어 유지 오차(현재의 이상적인 제어와 마지막으로 적용된 제어 사이의 차이)의 크기가 동적 임계값을 초 exceed할 때 업데이트가 트리거됩니다.
- 동적 임계값 설정: 트리거 임계값( $\delta_i$ )은 UAV와 장애물 사이의 근접도에 따라 적응적으로 조정됩니다. 장애물이 위험 거리( $d_{ET}$ ) 내에 감지되면, 안전을 위해 업데이트 빈도를 높이기 위해 임계값이 낮아집니다( $\delta_{danger}$ ). 개활지에서는 통신 및 계산 부하를 줄이기 위해 임계값이 높아집니다( $\delta_{base}$ ).

주요 기여
저자들은 다음과 같이 주요 기여를 요약합니다:

적응형 가상 리더 및 형성 전환: 속도 조절 법칙과 동적 전환 전략의 설계는 군집이 환경적 제약에 대응하여 비행 속도와 기하학적 구성(예: V자형에서 일렬 형태로)을 자율적으로 조정할 수 있게 하여, 밀집된 장애물 영역에서의 기동성을 향상시킵니다.
환경 인식 이벤트 트리거링: 장애물 거리에 따라 트리거 임계값을 적응적으로 조정하는 메커니즘을 제안했습니다. 이는 개활지에서의 중복 업데이트를 줄이는 동시에 위험 요소 근처에서는 신속한 제어 응답을 보장합니다.
체계적인 시뮬레이션 검증: 좁은 통로, 산재된 장애물, 그리고 대형 전방 장애물이 존재하는 복잡한 3D 공역에서 수치 시뮬레이션을 수행했습니다.

결과
구형 장애물이 있는 공간에서 5대의 UAV를 대상으로 32초간의 3차원 시뮬레이션을 수행했습니다. 결과는 다음과 같습니다:

궤적 및 형성: 군집은 모든 시나리오에서 연속적이고 실행 가능한 비행 경로를 성공적으로 유지했습니다. 형상은 좁은 통로를 통과하기 위해 V자형에서 일렬 형태로 성공적으로 수축되었으며, 개활지에서는 다시 V자형으로 확장되었습니다.
추적 및 안정성: 위치 및 속도 오차는 초기 과도기 이후 빠르게 수렴했습니다. 급격한 형성 변화나 강한 장애물 회피 시 오차 스파이크가 발생했으나, 오차가 발산하지는 않았습니다. 비행 속도는 제한된 범위인 [10, 40] m/s 내에 유지되었습니다.
안전성: 초기 과도기 이후 최소 UAV 간 거리는 안전 임계값 이상을 유지하였으며, 장애물과의 거리 또한 충돌 한계치 이상으로 유지되어 반발 퍼텐셜 필드의 효과를 검증했습니다.
자원 효율성: 이벤트 트리거 메커니즘은 전통적인 주기적 전략에 비해 제어 업데이트 빈도를 크게 감소시켰습니다. 트리거 이벤트는 임계 단계(형상 전환, 장애물 회피) 중에 집중되었고, 안정적인 순항 중에는 감소하는 것이 관찰되었습니다. 외곽에 위치한 UAV(더 큰 기동이 필요한 UAV)가 중앙의 UAV보다 더 자주 트리거되었습니다.

의의 및 주장
본 논문은 제안된 방법이 자원 절약(이벤트 트리거링을 통해)과 안전/적응성(동적 형성 전환 및 적응형 리더 속도를 통해) 사이의 트레이드오프를 해결하면서, 안정적인 형성 추적, 안전한 장애물 회피, 그리고 동적 형성 재구성을 달라는 성과를 달성한다고 주장합니다. 저자들은 본 연구를 자원 보존(이벤트 트리거링을 통한)과 안전/적응성(동적 형성 전환 및 적응형 리더 속도를 통한) 사이의 균형을 맞추는 솔루션으로 포지셔닝합니다.

저자들은 현재 연구의 한계를 명시적으로 밝히고 있습니다: 본 연구는 상위 수준의 협력 전략에 집중하며, 통신 지연, 패킷 손실, 액추에이터 포화 또는 저수준 물리 입력으로의 상세한 매핑을 명시적으로 모델링하지 않습니다. 따라서 엄격한 안정성 증명, 통신 불완전성 처리, 그리고 하드웨어 인 더 루프(hardware-in-the-loop) 또는 실제 비행 실험이 향후 과제로 필요하다고 주장합니다. 또한, 본 논문은 APF 고유의 국소 최민값 문제를 해결한다고 주장하지 않으며, 테스트된 3D 장애물 회피 시나리오 이외의 새로운 응용 분야를 제안하지도 않습니다.

유사한 논문