Learning-based quadrotor tracking control using Recursive Gaussian Processes

드론을 비행하는 것은 정교한 균형 잡기이며, 물리 법칙과 그 법칙을 제어하려는 소프트웨어 사이의 끊임없는 협상입니다. 네 개의 회전하는 로터를 가진 소형 항공기인 쿼드 로터의 경우, 주변의 공기가 결코 완벽하게 정지해 있지 않기 때문에 정밀한 경로를 유지하는 것이 어렵습니다. 돌풍, 로터 자체가 만들어내는 복잡한 공기의 소용돌이, 그리고 기체의 미세한 제작 결함 등이 모두 결합하여 드론을 경로에서 벗어나게 만듭니다. 전통적인 비행 제어기는 드론이 어떻게 움직여야 하는지를 예측하기 위해 수학적 모델에 의존하지만, 이러한 모델은 결코 완벽할 수 없습니다. 실제 세상이 수학과 달라질 때, 드론은 비틀거리며 추적 성능이 느려지거나 흔들리게 됩니다. 수년 동안 엔지니어들은 컴퓨터가 실수를 통해 학습하도록 가르쳐 머신러닝을 사용하여 모델의 공백을 메우는 방식으로 이를 해결하려 노력해 왔습니다. 그러나 이러한 스마트 시스템들은 역사적으로 드론 자체의 컴퓨터에서 실행하기에는 너무 무거웠고, 이로 인해 연구자들은 시뮬레이션이나 지상에서만 테스트할 수밖에 없었습니다.

밀라노 폴리테크니코(Politecnico di Milano)의 연구팀은 이제 그 간극을 메워, 실제 드론이 비행 중에 스스로 비행 경로를 학습하고 수정할 수 있는 시스템을 만들어냈습니다. 그들은 표준 비행 제어기와 '재귀적 가우시안 프로세스(Recursive Gaussian Process)'라고 불리는 학습 알고리즘을 결합한 방법을 개발했습니다. 이 학습 알고리즘을 매우 효율적인 메모리 시스템이라고 생각하면 쉽습니다. 이는 단순히 마주치는 모든 데이터를 저장하여 작은 컴퓨터를 빠르게 과부하시키는 것이 아니라, 가장 중요한 정보만을 선별하여 압축된 요약본을 유지합니다. 이를 통해 드론은 거대한 데이터베이스를 처리하기 위해 멈출 필요 없이, 바람과 기체 특유의 결함에 대한 이해를 실시간으로 업데이트할 수 있습니다. 연구진은 ANT-X Lab 드론이라는 실제 쿼드 로터를 사용하여 실내 경기장에서 일련의 복잡하고 물결치는 경로를 비행하며 이 시스템을 테스트했습니다. 결과는 명확했습니다. 드론이 비행 중에 스스로의 오류를 학습하게 함으로써, 이 시스템은 학습 기능이 없는 동일한 드론과 비교했을 때 추적 오차를 38%에서 75%까지 줄였습니다.

연구진이 해결한 핵심 과제는 학습에 드는 계산 비용이었습니다. 가우시안 프로세스를 사용하는 표준 머신러닝 모델은 미지의 행동을 예측하는 데 매우 강력하지만, 대개 새로운 데이터가 들어올 때마다 컴퓨터가 처음부터 모든 것을 다시 계산해야 합니다. 고속으로 비행하는 드론에게 이는 너무 느립니다. 연구진은 '재귀적' 접근 방식을 사용하여 이 문제를 해결했습니다. 시스템이 매번 새로운 관측을 새로운 시작으로 취급하는 대신, 마치 사람이 새로운 도시를 걸으며 전체 지도를 매 걸음마다 새로 그리는 것이 아니라 머릿속의 지도를 점진적으로 정교하게 다듬는 것처럼 내부 모델을 점진적으로 업데이트합니다. 이를 더욱 빠르게 만들기 위해, 그들은 드론의 움직임이 나타날 가능성이 있는 범위를 커버하는 고정된 참조점, 즉 '기저 벡터(basis vectors)'를 미리 선정했습니다. 그런 다음 학습 알고리즘은 모든 비행 순간을 기억하려고 노력하는 대신, 이 고정된 지점들과 관련된 값들만을 조정합니다. 이 기술은 계산 부하를 충분히 줄여주어, 별도의 강력한 지상 스테이션이 사고(thinking)를 담당해야 했던 이전의 시도들과 달리 드론의 온보드 컴퓨터에서 전체 시스템을 직접 실행할 수 있게 했습니다.

드론이 안전하고 효과적으로 학습할 수 있도록, 팀은 특정 워크플로우를 설계했습니다. 학습이 시작되기 전, 드론은 호버링하며 안정화됩니다. 그 후 4초간의 '웜업(warm-up)' 기간을 두어, 시스템이 즉시 비행 경로를 수정하려고 시도하는 대신 초기 데이터를 수집하고 내부 설정을 조정할 수 있도록 합니다. 이는 드론이 노이즈나 갑작스럽고 이례적인 움직임에 과잉 반응하는 것을 방지합니다. 시스템이 준비되면, 드론은 가야 할 곳과 실제로 간 곳 사이의 차이를 '듣기' 시작합니다. 바람이나 공기 역학적 항력에 의해 발생하는 이 차이가 바로 학습 알고리즘이 예측하고 상쇄하려는 대상입니다. 연구진은 원시 센서 데이터를 매끄럽게 만들기 위해 특수한 필터링 기술을 사용하였는데, 이는 드론이 무작위적인 센서 글리치(glitch)가 아닌 실제 공기의 패턴으로부터 학습하도록 보장하기 위함입니다. 이러한 세심한 준비 덕분에 학습 시스템은 센서의 노이즈가 아닌 비행의 진정한 물리 법칙에 집중할 수 있었습니다.

실험은 다양한 사인형(sinusoidal), 즉 파동 형태의 경로를 따라 드론을 비행시키는 방식으로 진행되었습니다. 어떤 경로는 동일한 패턴을 반복했고, 어떤 경로는 형태나 속도가 계속 변하여 시스템이 본 적 없는 새로운 상황에 얼마나 잘 적응하는지를 테스트했습니다. 테스트 중에 드론은 직선을 따라 앞뒤로 움직이는 등 다양한 속도와 진폭을 가진 경로를 따라 비행하도록 요청받았습니다. 실험 결과, 학습 기반 제어기가 표준 제어기보다 성능이 월등히 높다는 것이 입증되었습니다. 중간 속도로 일정하고 반복적인 파동 패턴을 비행할 때, 학습 시스템은 평균 오차를 표준 제어기의 17.3cm에서 단 4.5cm로 줄였습니다. 속도와 방향이 계속 변하는 휘두르는 동작(sweeping motion)과 같이 경로가 끊임없이 변하는 상황에서도 학습 시스템은 오차를 거의 40% 가까이 줄였습니다. 개선 효과는 드론이 학습 단계에서 경험했던 조건 범위 내에서 비행할 때 가장 두드러졌지만, 새로운 변화가 있는 조건에서도 여전히 상당한 이점을 제공했습니다.

이 연구의 가장 중요한 측면 중 하나는 학습 기반 제어가 단순히 컴퓨터 시뮬레이션뿐만 아니라 실제 하드웨어에서도 안전하고 효과적으로 수행될 수 있음을 증명했다는 점입니다. 연구진은 시스템이 수학적으로 모델링하기 어려운 미묘한 공기 역학적 효과를 포함하여, 실제 환경의 복잡성을 처리할 수 있음을 보여주었습니다. 알고리즘을 온보드에서 성공적으로 실행함으로써, 그들은 소형 드론의 계산적 한계가 더 이상 고급 학습 기법을 사용하는 데 있어 높은 장벽이 아님을 입증했습니다. 또한 연구는 학습 시스템을 튜닝하는 방식의 중요성을 강조했습니다. 연구진은 칼만 필터(Kalman filter)의 작동 방식에서 영감을 얻은 기술을 사용하여 시스템의 내부 파라미터를 조정하는 새로운 방법을 개발했으며, 이를 통해 시스템이 이전 방식보다 훨씬 더 효과적으로 학습을 위한 최적의 설정을 찾을 수 있도록 했습니다. 이 튜닝은 학습 과정에서 드론이 너무 민감해지거나 불안정해지지 않도록 하는 데 결정적이었습니다.

이 프로젝트의 성공은 드론이 예측 불가능한 환경에서 더 자율적이고 능숙하게 복잡한 과업을 수행할 수 있는 미래를 시사합니다. 만약 배송 드론이 인간의 개입 없이 갑작스러운 돌풍이나 공기 밀도의 변화에 적응하는 법을 배울 수 있다면, 그것은 훨씬 더 신뢰할 수 있는 도구가 될 것입니다. 연구진의 작업은 고전 제어 이론과 현대의 효율적인 학습 알고리즘을 결합함으로써, 스마트하면서도 견고한 비행 시스템을 만드는 것이 가능하다는 구체적인 경로를 제시했습니다. 핵심은 단순히 학습 그 자체에 있었던 것이 아니라, 그 학습이 실시간으로 일어날 수 있을 만큼 빠르게 만드는 엔지니어링에 있었습니다. 계산 요구 사항을 낮추고 학습 과정을 집중시킴으로써, 연구팀은 이론적인 개념을 실질적인 현실로 바꾸어 놓았으며, 작은 드론도 비행하면서 더 잘 나는 법을 배울 수 있다는 것을 입증했습니다.