Decentralized Coordination and Acoustic Source Localization in Autonomous Drone Swarms

창고나 동굴, 혹은 하늘이 가려진 밀집된 도시 협곡 내부를 비행하는 드론을 상상해 보십시오. 이러한 장소에서는 보통 항공기를 안내하는 위성 신호가 차단되거나, 방해받거나, 혹은 아예 존재하지 않습니다. 이러한 신호 없이는 드론이 자신이 어디에 있는지 알 수 없습니다. 살아남기 위해 드론은 자신의 눈과 균형 감각에 의존해야 합니다. 드론은 카메라를 사용하여 세상이 자신을 지나쳐 움직이는 모습을 관찰하고, 아주 작은 모션 센서를 사용하여 자신이 어떻게 기울어지고 가속하는지를 느낍니다. 이 두 가지 정보의 흐름을 결합함으로써, 드론은 자신의 경로에 대한 정신적 지도를 구축하려고 노력합니다. 이는 카메라가 흐릿함이나 어둠에 의해 혼란을 겪을 수 있고, 모션 센서가 시간이 지남에 따라 서서히 경로를 벗어날 수 있기 때문에 매우 어려운 작업입니다. 엔지니어들의 과제는 단순히 드론을 움직이게 하는 것이 아니라, 받은 데이터가 무질서하거나 오해의 소지가 있더라도 드론의 내부 계산인 "내가 어디에 있는가"가 정직하게 유지되도록 보장하는 것입니다.

한 연구팀이 이러한 종류의 자율 주행 드론을 구동하는 수학적 엔진을 심도 있게 조사했습니다. 그들은 새로운 비행 기체를 만들거나 하늘에서 테스트를 수행한 것이 아니라, 대신 드론의 두뇌를 실행하는 소프트웨어 코드에 대해 엄격한 감사를 수행했습니다. 그들의 목표는 드론의 항법 뒤에 숨겨진 수학이 건전한지, 그리고 시스템에 스스로에게 거짓말하는 것을 방지하기 위한 내장된 안전장치가 있는지 검증하는 것이었습니다. 그들은 소프트웨어가 정교하지만 특정 취약점을 포함하고 있다는 것을 발견했습니다. 즉, 시야의 기하학적 구조가 너무 약해서 확신할 수 없는 상황임에도 불구하고, 시스템이 마치 위치에 대한 완벽한 그림을 가진 것처럼 착각하도록 속을 수 있다는 것입니다.

연구진은 카메라 이미지와 모션 데이터를 융합하는 시각-관성 오도메트리(visual-inertial odometry)라고 불리는 방법에 집중했습니다. 이 시스템에서 드론은 벽의 모서리와 같은 지표(landmark)의 스냅샷을 찍고, 여러 프레임에 걸쳐 이를 추적합니다. 그런 다음 지표의 위치 변화를 이용하여 드론이 얼마나 이동했는지 계산합니다. 소프트웨어는 새로운 측정값이 신뢰할 수 있는지 결정하기 위해 복잡한 규칙 세트를 사용합니다. 연구진은 현재의 규칙들이 지표가 이미지에 얼마나 잘 들어맞는지에 너무 크게 의존한다는 것을 발견했습니다. 만약 드론의 카메라가 예측과 완벽하게 일치하는 특징을 포착한다면, 시스템은 이를 진실로 받아들입니다. 그러나 연구팀은 컴퓨터 시뮬레이션을 통해 완벽한 이미지 일치가 올바른 거리를 보장하지 않는다는 것을 보여주었습니다.

이를 설명하기 위해, 연구진은 드론이 세 개의 약간 다른 각도에서 하나의 점을 바라보는 수천 번의 시뮬레이션 비행을 실행했습니다. 그들은 카메라를 매우 가깝게 배치하여 좁은 시야를 만들었습니다. 이 시뮬레이션에서 소프트웨어는 이미지 오차가 매우 작았기 때문에 측정값을 수용했지만, 계산된 거리는 실제와 1미터 이상 차이가 나는 경우가 많았습니다. 드론은 자신이 정확히 어디에 있는지 알고 있다고 생각했지만, 시야의 각도가 좁았기 때문에 물체가 가까이 있는지 먼지에 대해 판단할 수 없었습니다. 이는 한쪽 눈을 감고 머리를 거의 돌리지 않은 채 산을 바라보며 거리를 가늠하려는 것과 같습니다. 이미지는 선명하지만, 깊이감은 추측일 뿐입니다. 연구진은 시스템이 시야의 형태 자체를 무시했기 때문에 그 확신이 잘못되었다는 것을 발견했습니다.

이를 해결하기 위해, 저자들은 데이터를 신뢰하기 전에 기하학적 구조를 확인하는 새로운 방법을 제 제안했습니다. 그들은 카메라 시야의 "퍼짐(spread)"을 측정하는 진단 도구를 도입했습니다. 만약 카메라들이 너무 유사한 각도로 점을 바라보고 있다면, 이미지가 완벽해 보이더라도 시스템은 해당 측정값을 거부해야 합니다. 이는 드론이 3차원 공간에서 자신의 위치를 이해하는 데 실제로 도움이 되는 정보만을 수용하도록 보장합니다. 또한 연구는 소프트웨어가 자체적인 내부 수학을 어떻게 처리하는지 조사했습니다. 그들은 코드가 불확실성 추정치를 업데이트하는 견고한 방법을 사용하는지 확인했으며, 이를 통해 계산이 잘못될 경우 시스템이 기억을 조용히 오염시키는 것이 아니라, 업데이트를 중단하고 이전의 안전한 상태를 유지하도록 함을 확인했습니다. 그들은 이러한 동작을 "페일 클로즈(fail-closed)"라고 부릅니다.

또한 이 논문은 무엇이 증명되었고 무엇이 증명되지 않았는지를 명확히 하고 있습니다. 연구진은 컴퓨터 시뮬레이션에서 작동하는 소프트웨어와 실제로 안전하게 비행할 수 있는 드론 사이의 차이를 매우 주의 깊게 구분했습니다. 그들은 소프트웨어가 컴퓨터상에서 일관성과 반복성에 대한 엄격한 테스트를 통과했음을 보여주었으며, 이는 동일한 데이터가 주어졌을 때 예측 가능한 방식으로 행동함을 의미합니다. 그러나 그들은 물리적인 비행 테스트가 수행되지 않았음을 명시적으로 밝혔습니다. 이 소프트웨어는 실제 모터의 진동, 무선 신호의 지연, 또는 실제 환경의 혼돈을 처리할 수 있는지 아직 입증되지 않았습니다. 이 연구는 안전하고 수학적으로 정직한 시스템을 위한 청사진 역할을 하지만, 시스템이 하늘을 날 준비가 되었다는 주장까지는 나아가지 않습니다.

궁극적으로, 이 작업은 자율 기계에 대한 신뢰를 구축하는 것에 관한 것입니다. 연구진은 드로가 진정으로 자율적이 되기 위해서는 경로를 계산할 뿐만 아니라 자신의 지식의 한계를 이해해야 한다는 점을 입증했습니다. 선명한 이미지만으로는 충분하지 않다는 것을 증명하고 시야의 품질을 측정하는 방법을 보여줌으로써, 그들은 위성 없이도 안전하게 항해할 수 있는 드론을 만들기 위한 결정적인 단계를 제공했습니다. 이 연구 결과는 차세대 드로가 단순히 보이는 것을 보는 것이 아니라, 그것을 어떻게 보느냐를 파악함으로써 자신들의 확신이 항상 주변의 현실과 일치하도록 만들어야 함을 시사합니다.