⚡ electrical engineering

Grey-Wolf-Optimized Obstacle-Aware Affine Formation Control for Quadrotor Swarms in Cluttered Three-Dimensional Space

본 논문은 복잡한 3D 환경에서 쿼드로터 군집의 대형 추적 정확도, 장애물 회피, 제어 노력 사이의 균형을 맞추기 위해 제어 이득과 영향 반경을 동적으로 조정하며 안정성과 충돌 회피를 보장하는, 회색늑대 최적화 기반의 장애물 인지 아핀 대형 제어 방법을 제안한다.

원저자: Mu Lan, Xiaoyue Deng

게시일 2026-08-28

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Mu Lan, Xiaoyue Deng

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

도시 위의 하늘과 험준한 지형 곳곳에서, 새로운 형태의 항공 기술이 모습을 드러내고 있습니다. 바로 소형 무인 드론들이 하나의 단위로서 협력하여 움직이는 군집 비행입니다. 정해진 경로를 따라 비행하는 단일 항공기와 달리, 이 그룹은 협동적인 팀으로서 움직여야 하며, 좁은 틈 사이를 통과하기 위해 모양을 바꾸거나, 넓은 영역을 커버하기 위해 확장하거나, 새로운 방향을 향하도록 회전해야 합니다. 핵심 과제는 장애물(나무, 건물 또는 다른 드론 등)을 피하면서도 이 대형을 온전히 유지하는 것입니다. 만약 그룹이 너무 경직되게 움직이면 복잡한 환경을 통과할 수 없고, 충돌을 피하기 위해 너무 격렬하게 반응하면 대형이 무너지고 맙니다. 연구자들은 오랫동안 이 요구 사항들 사이의 균형을 맞추어, 군집이 집단적 정체성을 잃지 않으면서도 위험 요소를 유연하게 흘려보낼 수 있는 제어 시스템을 만드는 방법을 모색해 왔습니다. 이 섬세한 균형을 위해서는 단순히 어디로 갈 것인가에 대한 계획뿐만 아니라, 모든 드론이 환경과 이웃 드론으로부터 안전을 보장받을 수 있도록 실시간으로 그룹의 모양과 속도를 조절하는 스마트한 방식이 필요합니다.

난징 과학기술대학교의 연구팀은 복잡한 3차원 공간을 비행하는 쿼드로터 드론 군집을 위한 이 문제를 해결할 새로운 방법을 개발했습니다. 그들의 접근 방식은 그룹의 이동을 위한 기하학적 전략과 시스템의 동작을 미세 조정하는 생물학적 알고리즘을 결합한 것입니다. 이 방법의 핵심은 '아핀 대형(affine formation)' 개념으로, 몇 대의 리더 드론이 그룹 전체의 움직임(예: 그룹 전체를 늘리거나, 줄이거나, 회전시키는 것)을 지시하면 나머지 드론들은 대형을 유지하기 위해 자신의 위치를 자동으로 계산합니다. 이를 통해 군집은 장애물을 만났을 때 흩어지는 대신, 마치 유연한 시트처럼 부드럽게 형태를 변형할 수 있습니다. 하지만 구형 장애물로 가득 찬 밀집된 환경에서 단순히 형태를 변형하는 것만으로는 안전을 보장하기에 충분하지 않습니다. 연구진은 개별 드론을 근처의 위험으로부터 밀어내는 국소적 인지 능력을 추가했지만, 여기서 어려운 문제에 직면했습니다. 즉, 이러한 밀어내는 힘을 얼마나 강하게 설정해야 하는지, 그리고 드론이 위험을 얼마나 멀리 내다보고 대비해야 하는가 하는 점이었습니다.

이 질문에 답하기 위해 연구팀은 회색늑대의 사회적 계층 구조와 사냥 행동에서 영감을 얻은 컴퓨터 프로그램으로 눈을 돌렸습니다. '회색늑대 최적화(Grey Wolf Optimizer)'라고 알려진 이 알고리즘은 드론 군집의 제어 시스템을 위한 수천 가지의 서로 다른 설정을 테스트하는 가상 코치 역할을 합니다. 이 알고리즘은 드론이 장애물로부터 얼마나 공격적으로 방향을 틀어야 하는지, 혹은 자신의 위치로 얼마나 빨리 복귀해야 하는지와 같은 매개변수들의 완벽한 조합을 찾아냅니다. 목표는 군집이 의도한 경로를 정확하게 추적하고, 장애물 및 다른 드론과의 충돌을 피하며, 불필요한 급회전을 하느라 에너지를 낭비하지 않는 균형점을 찾는 것이었습니다. 연구진은 8개의 구형 장애물이 배치된 복도 공간을 항행하는 8대의 드론 군집을 대상으로 광범위한 컴퓨터 시뮬레이션을 수행했습니다. 그들은 최적화된 시스템을 수동으로 설정값을 정한 방식 및 고정된 불변 전략을 사용하는 방식과 비교했습니다.

시뮬레이션 결과, 모든 항목에서 완벽한 해결책이 나타나기보다는 명확한 절충 관계(trade-off)가 드러났습니다. 회색늑대 최적화 시스템은 다른 방식들보다 훨씬 높은 정확도로 의도한 경로를 추적했으며, 평균 위치 오차를 약 0.22미터로 줄였습니다. 또한 비행 중 최대 편차를 0.6미터 미만으로 유지했는데, 이는 경로를 훨씬 더 많이 벗어났던 수동 설정 시스템에 비해 눈에 띄는 개선이었습니다. 결정적으로, 군집은 비행 내내 장애물 및 서로 간의 안전 거리를 유지했으며, 장애물로부터 0.18미터, 다른 드서로부터 0.81미터보다 가까워지지 않았습니다. 그러나 이러한 정밀도 향상에는 대가가 따랐습니다. 최적화된 군집은 수동으로 설정된 버전보다 기동하는 데 약간 더 많은 에너지를 사용했으며, 더 보수적인 수동 설정 시스템만큼 장애물로부터 큰 안전 여유를 확보하지는 못했습니다. 이 연구는 해당 알고리즘이 드론을 무적이나 무한히 효율적으로 만드는 것은 아니지만, 이전 방식들보다 더 높은 정밀도와 유연성을 가지고 움직일 수 있는 중간 지점을 성공적으로 찾아냈음을 시사합니다.

연구진은 자신들의 결과가 컴퓨터 시뮬레이션에 기반하고 있으며, 시스템의 안정성은 회피력이 작동하는 중에도 드론이 충돌하지 않을 것임을 보장하는 수학적 증명에 기초하고 있다고 강조합니다. 또한 이 알고리즘이 비행의 근본적인 규칙을 대체하는 것이 아니라, 안전한 범위 내에서 최적의 설정을 선택하는 것이라고 설명합니다. 움직임과 회피 사이의 복잡한 상호작용을 하나의 최적화 문제로 다룸으로써, 연구팀은 군집이 민첩하면서도 안전할 수 있음을 입증했습니다. 이 연구는 미래의 자율 비행에 있어, 그룹의 형태를 적응시키고 환경에 대한 반응을 실시간으로 조정하는 능력이 개별 드론의 속도만큼이나 중요해질 것임을 보여줍니다. 이러한 접근 방식은 환경이 예측 불가능하고 오차의 여지가 적은 실제 상황에서 드론 군집을 운용하기 위한 유망한 경로를 제시합니다.

기술 요약: 쿼드로터 군집을 위한 회색늑대 최적화 기반 장애물 인지 아핀 형성 제어

문제 정의
아핀 형성 제어(Affine formation control)는 무인 항공기(UAV) 군집이 아핀 불변성을 유지하면서도 평행 이동, 회전, 스케일링, 전단(shearing)을 포함한 복잡한 기동을 수행할 수 있게 하는 효율적인 메커니즘을 제공한다. 그러나 이 제어 전략을 장애물이 많은 3차원 환경에 적용하는 것은 상당한 과제이다. 기존의 방식들은 종종 인공 퍼텐셜 필드(artificial potential fields)나 장벽 함수(barrier functions)를 위해 수동으로 선택된 장애물 회피 파라미터(이득 및 영향 반경 등)에 의존한다. 이러한 수동 선택은 빈번하게 트레이드오프 딜레마를 야기한다. 즉, 보수적인 파라미터는 안전을 보장하지만 과도한 형성 변형, 에너지 소모가 큰 우회 경로, 낮은 추적 정확도를 초래하는 반면, 공격적인 파라미터는 추적 성능을 향상시키지만 불안정한 과도 상태와 충돌 위험을 높인다. 본 논문은 복잡한 3차원 공간에서 형성 추적 정확도, 장애물 이격 거리, 기체 간 안전, 그리고 제어 노력을 균형 있게 조절하기 위해 이러한 결합된 파라미터들을 체계적으로 튜닝하는 방법의 필요성을 다룬다.

방법론
제안된 프레임워크는 네 가지 핵심 구성 요소를 통합한다:

아핀 형성 생성: 4개의 아핀 독립적인 리더(leader)가 전역 아핀 운동(평행 이동, 회전, 스케일링, 전단)을 정의하는 리더-팔로워 구조가 채택된다. 나머지 팔로워 에이전트들은 아핀 좌표를 사용하여 원하는 궤적을 재구성하며, 이를 통해 형상이 전역적으로 적응할 수 있도록 한다.
장애물 인지 변형: 복잡한 환경을 처리하기 위해, 명목 아핀 참조(nominal affine reference)는 매끄러운 장애물 인지 변형으로 증강된다. 여기에는 다음이 포함된다:
- 전역 변형: 장애물 근접성에 따라 형성 중심점에 이방성 스케일링(anisotropic scaling) 및 횡방향/수직 방향 변형 항이 적용되어, 국부적 회피가 수행되기 전에 형상을 압축하거나 확장하려는 전역적 경향을 생성한다.
- 국부 반발: 장애물 회피 및 UAV 간 충돌 방지를 위해 제어 법칙에 장벽 기반의 반발 항이 추가된다. 이 항들은 특정 영향 반경 내에서 에이전트가 장애물이나 서로에게 접근할 때 반발력을 생성하는 안전 함수를 활용한다.
회색늑대 최적화(GWO) 파라미터 튜닝: 메타휴리스틱인 회색늑대 최적화 알고리즘이 제어기의 핵심 파라미터인 추적 이득( $k_p, k_v$ $k_{p}, k_{v}$ ), 장애물 및 UAV 간 반발 이득( $k_o, k_c$ $k_{o}, k_{c}$ ), 그리고 각각의 영향 반경( $\rho_o, \rho_c$ $ρ_{o}, ρ_{c}$ )을 자동으로 튜닝하는 데 사용된다. GWO는 다음 요소들에 가중치를 둔 복합 성능 지표( $J$ $J$ )를 최소화한다:
- 최종 및 최대 RMS 형성 추적 오차.
- 평균 제어 에너지.
- 장애물 이격 거리 및 UAV 간 거리 제약 위반에 대한 페널티.
- 최소 이격 거리 극대화를 위한 보상(단, 최적화는 복합적인 균형을 우선시함).
안정성 분석: 본 논문은 최적화 과정과 별개로 이론적 보장을 확립한다.
- 명목 안정성: 강성(stiffness) 및 댐핑(damping) 이득이 양수일 때, 명목 아핀 추적 시스템(회피 항이 없는 상태)이 점근적으로 안정함을 증명한다.
- 섭동 하의 유계성: 회피 항은 유계 입력(bounded inputs)으로 취급된다. 입력-상태 안정성(ISS) 논증을 사용하여, 저자들은 에이전트가 영향 영역을 벗어나면 명목 수렴을 회복하면서도, 장애물 상호작용 중에는 폐루프 추적 오차가 유계 상태를 유지함을 입증한다.

주요 기여

프레임워크 개발: 전역 형상 적응과 국부 안전 피드백을 결합하여, 복잡한 3차원 환경 내 쿼드로터 군집을 위한 장애물 인지 아핀 형성 제어 프레임워크를 개발하였다.
최적화 통합: 제어 이득과 영향 반경을 공동으로 최적화하기 위해 GWO를 도입하여, 수동 튜닝에서 벗어나 (정확도 vs 안전 vs 에너지) 사이의 경쟁하는 목적들을 균형 있게 조절하는 데이터 기반 접근 방식을 제시하였다.
이론적 엄밀성: 메타휴리스틱 최적화를 폐루프 안정성 증명으로부터 분리하여, GWO가 찾아낸 특정 해와 관계없이 허용 가능한 파라미터 구간 내에서 시스템이 안정적으로 유지됨을 보장하는 안정성 분석을 제공하였다.
종합적 평가: 8대의 쿼드로터와 8개의 구형 장애물이 포함된 파이썬 시뮬레이션을 통해, 제안된 방법과 수동 튜닝된 베이스라인(OAAF-BA), 고정 인공 퍼텐셜 필드 방법(Fixed-APF), 그리고 다양한 절제 연구(스케일링, 국부 반발 또는 UAV 간 장벽 제거)를 비교하였다.

결과
8대의 쿼드로터가 8개의 구형 장애물이 있는 통로를 통과하는 시뮬레이션 결과는 다음과 같다:

추적 정확도: GWO로 최적화된 방법(GWO-OAAF)은 모든 충돌 없는 방법들 중 가장 낮은 최종 RMS 형성 오차(0.2173 m)와 최대 RMS 오차(0.5845 m)를 달 기록하였으며, 수동으로 튜닝된 OAAF-BA 및 Fixed-APF 베이스라인보다 성능이 현저히 우수했다.
안전 및 이격 거리: 해당 방법은 양(+)의 장애물 이격 거리(최소 0.1803 m)와 UAV 간 분리 거리(최소 0.8102 m)를 유지하여 충돌 없는 운용을 확인하였다.
트레이드오프: 결과는 뚜렷한 트레이드오프를 보여주었다. GWO-OAAF는 두 베이스라인에 비해 추적 정확도를 개선했지만, 수동 튜닝된 OAAF-BA(0.0780 vs 0.0571)보다는 높은 제어 에너지를 소비했으나 Fixed-APF보다는 낮은 에너지 소비를 보였다. 또한, GWO-OAAF는 보수적인 OAAF-BA 및 Fixed-APF보다 더 작은 최소 장애물 이격 거리를 달성했다. 이는 최적화 알고리즘이 요구되는 임계치 이상의 안전 마진을 극대화하거나 에너지를 최소화하는 것보다 추적 정밀도를 우선시했음을 나타낸다.
절제 연구 통찰: 국부 장애물 반발을 제거하면 충돌이 발생하였고, 이방성 스케일링을 제거하면 좁은 통로에서의 유연성이 감소하였으며, UAV 간 장벽을 제거하면 내부 안전 거리가 감소하였다. 이는 제안된 모든 구성 요소의 필요성을 확인시켜 준다.

의의 및 주장
본 논문은 메타휴리스틱 최적화가 이론적 안정성을 해치지 않으면서도 항공 무인 시스템의 아핀 형성 제어 적응성을 효과적으로 향ค์할 수 있음을 입증하는 데 주요 의의가 있다고 주장한다. 저자들은 이러한 개선이 안정성 메커니즘의 근본적인 변화 때문이 아니라, 수동 튜닝으로는 달성하기 어려운 결합된 파라미터들의 우수한 선택 덕분임을 강조한다.

연구는 결론적으로 제안된 방법이 "정확도-이격-노력"의 실용적인 트레이드오프를 제공하며, 고정 형상 퍼텐셜 필드 방법보다 훨씬 나은 형성 추적과 낮은 에너지 소비를 달성하면서도 안전을 유지한다고 밝힌다. 저자들은 현재 작업이 이중 적분기 모델(double-integrator model)과 구형 장애물에 국한되어 있다는 점을 겸허히 언급하며, 향후 연구에서 고충실도 역학, 액추에이터 지연, 센서 노이즈 및 동적 장애물을 다루어야 한다고 제언한다.

유사한 논문