Vision-Based UAV Interception Using Dynamic Image-Based Visual Servoing, Multi-Objective Predictive Guidance, and Robust Soft Control Barrier Functions

하늘 위에서 카메라를 장착한 드론이 어려운 과제에 직면해 있습니다. 예측 불가능하게 움직이는 다른 드론을 포착해야 하는데, 이 과정에서 카메라의 시야는 이미지 처리 시간으로 인해 지연이 발생하며, 드론 자체에도 회전 능력의 한계가 있습니다. 이것이 바로 비주얼 서보잉(visual servoing)의 영역입니다. 이는 기계가 완벽하고 미리 계산된 세계의 지도에 의존하는 대신, 자신이 보는 것을 직접 사용하여 스스로를 조종하는 방법입니다. 목표물을 가로채려는 드론에게 이 작업은 카메라가 항공기에 단단히 고정되어 있다는 사실 때문에 더욱 복발적입니다. 만약 드론이 목표물을 잡기 위해 급격히 회전하면, 카메라가 너무 빠르게 흔들려 목표물이 시야에서 사라질 수 있기 때문입니다. 게다가 드론이 받는 이미지는 결코 완전히 신선하지 않습니다. 이미지는 항상 약간 오래된 것이며, 목표물은 드론이 예측할 수 없는 방식으로 속도나 방향을 바꿀 수도 있습니다. 이를 해결하려면 미래를 내다보고, 여러 옵션을 동시에 저울질하며, 속도, 안전성, 그리고 부드러움 사이의 균형을 맞추어 순식간에 결정을 내릴 수 있는 시스템이 필요합니다.

생산 및 기술 개선 제어 자동화 연구소(Control Automation in Production and Improvement of Technology Institute)의 연구진은 이 문제에 대한 새로운 접근 방식을 개발하여, 시각 데이터가 노이즈가 많고 지연되더라도 드론이 기동하는 목표물을 가로챌 수 있는 시스템을 만들어냈습니다. 목표물을 즉시 카메라 시야 중앙으로 강제로 밀어 넣으려 하는 대신(이는 종종 불규칙한 움직임을 유발하거나 목표물이 시야를 벗어나게 만듭니다), 그들의 방식은 예측 관측자(predictive observer)를 사용하여 잠시 후 목표물이 어디에 있을지 추측합니다. 그런 다음 시스템은 드론이 따라갈 수 있는 후보 궤적(candidate trajectories)이라 불리는 작은 경로 집합을 생성합니다. 각 경로는 몇 가지 목표에 대해 동시에 평가됩니다: 드론이 목표물에 얼마나 가까워질 것인지, 가로채는 데 시간이 얼마나 걸릴 것인지, 드로이 에너지를 얼마나 사용할 것인지, 그리고 카메라 프레임 안에서 목표물을 놓칠 위험이 있는지 등입니다.

최선의 경로를 선택하기 위해 연구진은 단순히 서류상으로 가장 좋아 보이는 단일 옵션을 선택한 것이 아닙니다. 대신, 그들은 '소프트-민 퓨전(Soft-min fusion)'이라 불리는 기술을 사용하여 옵션들을 하나의 부드럽고 연속적인 결정으로 혼합했습니다. 이는 시스템이 서로 다른 전략 사이를 갑작스럽게 전환할 때 발생하는 흔한 문제인, 드론이 이 전략과 저 전략 사이를 격하게 왔다 갔다 하는 현상을 방지합니다. 그 결과, 카메라 시야를 통해 움직이는 동적인 참조점이 생성되며, 이는 이미지상의 고정된 점이 아니라 예측된 가로채기 지점을 향해 드론을 안내합니다. 이를 통해 드론은 이미지 데이터의 지연을 보상하며 목표물의 다음 움직임을 예측함으로써, 목표물이 움직임에 따라 우아하게 경로를 조정할 수 있습니다.

이 시스템의 핵심적인 부분은 '제어 장벽 함수(control barrier function)'라는 개념에 기반한 안전 필터입니다. 간단히 말해, 이것은 드론이 목표물을 카메라 시야에서 사라지게 만드는 명령을 내리지 못하도록 막는 가드 역할을 합니다. 하지만 현실 세계의 조건은 무질서하고 드론의 엔진에는 물리적 한계가 있기 때문에, "절대 목표를 놓치지 마라"라는 엄격한 규칙은 때때로 수학적으로 풀 수 없는 문제를 만들 수 있습니다. 이러한 문제를 다루기 위해 연구진은 이 안전 규칙의 "소프트(soft)" 버전을 도입했습니다. 이는 시스템이 움직임을 유지하기 위해 꼭 필요한 경우라면 안전 제약 조건을 일시적으로 완화할 수 있게 해주면서도, 그렇게 함으로써 발생하는 손실을 시스템에 부과하는 방식입니다. 이는 상황이 매우 긴박할 때 드론이 완벽한 해답을 찾지 못해 멈춰버리는 대신, 계속해서 목표를 가로채도록 노력하게 만듭니다.

연구진은 바람, 노이즈, 목표물의 움직임이 다양한 100가지 시나리오를 포함한 일련의 컴퓨터 시뮬레이션에서 이 방법을 테스트했습니다. 그들은 이 새로운 시스템을 표준 비주얼 트래킹 및 다른 예측 접근 방식들을 포함한 기존의 여러 방법들과 비교했습니다. 결과는 그들의 방식이 매우 효과적임을 보여주었습니다. 시뮬레이션에서 드론은 가장 성능이 뛰어난 기준 모델(baseline method)의 성공률에 매우 근접한 90%의 확률로 목표물을 가로채는 데 성공했습니다. 더 중요한 것은, 이 새로운 시스템이 훨씬 적은 노력으로 이를 달성했다는 점입니다. 드론은 약 15% 적은 제어 에너지를 사용했는데, 이는 동일한 성과를 내기 위해 드론이 덜 힘들게 작동했음을 의미합니다. 또한 목표 이미지의 추적 오차를 거의 46% 줄여, 카메라 시야 내에서 목표물을 훨씬 더 안정적으로 유지했습니다. 가로채기가 성공했을 경우, 완료까지 걸리는 시간 또한 기준 모델에 비해 20% 이상 단축되었습니다.

하지만 연구는 미묘한 절충 관계(trade-off)도 밝혀냈습니다. 새로운 방식이 더 빠르고 효율적이긴 했지만, 성공률은 기준 모델보다 3%포인트 약간 낮았습니다. 이는 시스템이 속도와 부드러움을 우선시함으로써, 더 보수적인 접근 방식이 피했을 법한 위험을 가끔 감수했음을 시사합니다. 연구진은 가로채기 순간의 드론과 목표물 사이의 평균 거리가 두 방법 모두에서 2미터 남짓으로 거의 동일하다는 것을 발견했습니다. 이는 새로운 시스템이 더 민첩하고 드론의 모터에 부담을 덜 주기는 하지만, 기존 방식이 성공할 수 있었던 모든 시나리오에서 반드시 완벽한 포착을 보장하는 것은 아님을 나타냅니다.

이 연구는 이 접근 방식이 자율 주행 드론의 복잡한 '보고, 생각하고, 행동하는' 균형을 관리하는 강력한 방법임을 결ly 결론짓습니다. 예측 관측자, 다목적 의사 결정 과정, 그리고 유연한 안전 필터를 결합함으로써, 이 시스템은 실제 환경의 지연과 불확실성을 처리할 수 있습니다. 연구진은 시뮬레이션이 성공적이었지만, 계산 속도를 실시간 사용이 가능할 만큼 빠르게 유지하기 위해 근사치(approximations)에 의존하고 있다고 언급했습니다. 향후 연구는 이러한 아이디어들을 실제 하드웨어에 테스트하고, 더 복잡한 드론의 물리 모델을 적용했을 때 시스템이 어떻게 작동하는지 탐구하는 것을 목표로 합니다. 현재로서는, 이 발견들이 드론의 눈이 느리고 목표물이 교묘히 피하더라도 높은 정밀도와 효율성으로 움직이는 목표물을 유도하는 것이 가능하다는 것을 입증하고 있습니다.