Hybrid Software Controller for Precise Position and Trajectory Control of Quadcopters

당신이 서투르고 네 발 달린 로봇 강아지에게 강한 바람이 부는 가운데 직선으로 걷는 법을 가르치려 한다고 상상해 보세요. 만약 당신이 그저 강아지에게 "앞으로 가"라고만 말한다면, 강아지는 넘어지거나, 제자리에서 뱅글뱅글 돌거나, 혹은 갇혀버릴 수도 있습니다. 왜냐하면 강아지는 바람에 어떻게 적응해야 하는지, 혹은 자신의 비틀거리는 다리를 어떻게 조절해야 하는지 모르기 때문입니다. 이것이 바로 우리가 사진을 찍거나 물건을 배달하는 멋진 드론, 즉 무인 항공기(UAV) 또는 쿼드콥터의 세계입니다. 이들은 본래 불안정하기 때문에 제어하기가 까다롭습니다. 밀면 흔들리고, 바람이 불면 밀려나 버립니다.

이 드론들을 안정적으로 유지하기 위해, 엔지니어들은 보통 PID 제어기라고 불리는 시스템을 사용합니다. PID 제어기를 아주 엄격하고 원칙을 따르는 코치라고 생각해보세요. 코치는 드론이 현재 어디에 있는지와 원래 있어야 할 위치를 끊임없이 비교합니다. 만약 드론이 경로를 벗어나면, 코치는 "왼쪽으로 움직여!" 또는 "위로 올라가!"라고 소리칩니다. 코치에게는 세 가지 규칙이 있습니다. 현재의 실수에 반응하고(비례, Proportional), 과거의 실수를 기억하여 지속적인 오류를 해결하며(적분, Integral), 미래의 실수를 예측하여 미리 방지하는 것(미분, Derivative)입니다. 하지만 이 코치에게는 결함이 하나 있습니다. 바로 다소 경직되어 있다는 점입니다. 바람이 너무 강하면, 드론의 모터는 최대 속도에 도달하게 되는데(마치 러너가 벽에 부딪히는 것처럼), 이때 코치는 모터가 더 이상 낼 수 없는 상태임에도 불구하고 계속해서 "더 빨리 가!"라고 소리칩니다. 이는 드론이 목표치를 지나쳐 흔들리게 만드는 '윈드업(wind-up)' 현상을 일으킵니다. 이를 해결하기 위해 엔지니어들은 모터가 한계에 도달했을 때 코치가 계속 소리 지르는 것을 막는 '안전 브레이크(anti-windup)'를 추가했습니다. 하지만 이 안전 브레이크가 있어도, 코치는 여전히 새로운 까다로운 상황에 맞춰 스스로 배우거나 적응하지는 못합니다.

여기서 새로운 아이디어가 등장합니다. 만약 코치에게 학습할 수 있는 두뇌를 준다면 어떨까요? 이것이 바로 인공 신경망(ANN)과 심층 신경망(DNN)이 등장하는 지점입니다. 이것들을 코치 옆에 앉아 있는 학생이라고 상상해 보세요. 학생은 바람과 드론의 흔들림을 관찰하고, 실수로부터 배우며, 코치가 소리치기도 전에 목표값에 미세한 수정 사항을 속삭여 줍니다. Amity University의 Mayank Sharma와 동료들이 작성한 "정밀한 위치 및 궤적 제어를 위한 쿼드콥터용 하이브리드 소프트웨어 컨트롤러"라는 제목의 이 논문은 정확히 이 내용을 탐구합니다. 연구진은 PID라는 엄격한 코치와 학습하는 학생(신경망)을 결합하는 것이 혼자 일하는 코치보다 드론을 더 매끄럽고 정확하게 날게 할 수 있는지 확인하기 위해 시뮬레이션을 구축했습니다.

실험: 바람 속에서 드론에게 춤을 가르치기

연구진은 아이디어를 테스트하기 위해 가상의 3D 세계를 설정했습니다. 그들은 무게가 1.0kg이고 최대 추력이 20N인 디지털 쿼드콥터를 만들었습니다. 현실감을 높이기 위해, 단순히 잔잔한 방에서 드론을 날린 것이 아니라, 0.5초마다(주파수 0.5Hz) 방향이 변하는 파동 패턴으로 0.3N의 힘을 가진 바람을 몰아쳤습니다. 목표는 단순했습니다. 드론을 앞쪽으로 2.0m, 옆으로 2.0m, 위로 1.5m 지점으로 이동시킨 뒤, 흔들림 없이 그 자리에 머물게 하는 것이었습니다.

그들은 드론의 세 가지 서로 다른 "두뇌"를 테스트했습니다:

1. 클래식 코치: 모터 제한을 처리하기 위한 안전 브레이크(anti-windup)가 장착된 표준 PID 제어기입니다.
2. 코치 + 학생 (ANN): PID 제어기에 단순한 인공 신경망(ANN)을 결동한 것입니다. 이 학생은 오류를 빠르게 포착하여 목표값에 수정을 제안하도록 설계된, 단 두 개의 뉴런 층을 가진 '얕은' 두뇌를 가졌습니다.
3. 코치 + 딥 싱커 (DNN): PID 제어기에 심층 신경망(DNN)을 결합한 것입니다. 이 학생은 노이즈를 무시하고 복잡하고 무질서한 상황을 더 잘 다룰 수 있는 특수 필터를 포함하여, 4개의 뉴로 층을 가진 훨씬 '깊은' 두를 가졌습니다.

결과: 딥 싱커(Deep Thinker)의 승리

20초간의 비행 시뮬레이션 동안 관찰된 결과는 명확한 이야기를 들려주었습니다. 두 "코치 + 학생" 팀 모두 클래식 코치 단독 모델보다 훨씬 뛰어났으며, 이는 학습 레이어를 추가하는 것이 드론이 바람을 다루는 데 도움이 된다는 것을 증명했습니다. 하지만 두 학생의 성격은 매우 달랐습니다.

**ANN(단순한 학생)**은 빠르지만 다소 무모했습니다. 바람에 빠르게 반응하여 약 2초 만에 드론을 목표 지점에 도달하게 했습니다. 하지만 너무 의욕이 앞섰습니다. 경로를 수정하려고 할 때 때때로 드론을 너무 강하게 밀어붙여, 목표치를 지나쳐(overshoot) 안착하기 전까지 약간 흔들리게 만들었습니다. 마치 너무 빨리 출발했다가 결승선에서 비틀거리는 단거리 선수와 같았습니다. 드론의 움직임은 다소 거칠었고, 경로를 유지하기 위해 더 많은 "제어 노력(control effort)"이 필요했습니다.

반면, **DNN(깊은 생각을 하는 학생)**은 시작 단계에서 다소 신중했습니다. 드론을 움직이는 데 시간이 조금 더 걸렸지만, 일단 움직이기 시작하자 믿을 수 없을 정도로 매끄러웠습니다. 목표치를 지나치는 일이 적었으며, 거의 흔들림 없이 목표 위치에 안착했습니다. 시뮬레이션 결과, 첫 5초가 지난 후 DNN은 ANN보다 드론을 완벽한 경로에 훨씬 더 가깝게 유지했습니다. 실제로, 평균적인 거리 차이를 측정하는 방식인 최종 "제곱평균제곱근(RMS)" 오차를 보면, DNN은 약 0.03m였던 반면 ANN은 0.05m였습니다.

드론의 움직임 방식에서도 차이가 분명했습니다. ANN은 특히 회전 운동(roll 및 pitch)에서 드론의 모터를 더 힘들고 불규칙하게 작동하게 만들었습니다. 그러나 DNN은 모터 명령을 부드럽고 일정하게 유지했습니다. 이는 브레이크를 밟고 핸들을 급격히 꺾는 운전자와, 교통 흐로 사이를 부드럽게 미끄러져 가는 운전자의 차이와 같습니다.

결론

이 연구는 단순한 학습 네트워크(ANN)가 초기 비행 속도를 높일 수는 있지만, 더 깊고 복잡한 학습 네트워크(DNN)가 특히 바람이 불 때 비행을 더 매끄럽고 정확하게 유지하는 데 유리하다는 것을 시사합니다. DNN이 관찰되는 오류를 바탕으로 실시간으로 목표 경로를 부드럽게 조정하게 함으로써, 드론은 바람에 맞서 싸우기 위해 덜 고군분투해도 됩니다.

저자들은 신뢰할 수 있는 전통적인 PID 제어기와 현대적인 학습 기반 신경망을 혼합하는 이 "하이브리드" 접근 방식이 드론을 더 똑똑하게 만드는 강력한 방법이라고 결론지었습니다. 이는 클래식 시스템의 안정성을 유지하면서도, 실제 세계의 혼돈에 적응할 수 있는 능력을 더해줍니다. 이러한 결과는 20초의 비행 시간을 가진 컴퓨터 시뮬레이션에서 발견되었지만, 이는 미래의 드론이 서투른 로봇의 비틀거림이 아닌, 무용수의 우아함으로 폭풍우 치는 하늘을 항해할 수 있음을 시사합니다.