수중 AUV, 향상된 깊이·운동 예측으로 표적 추적 (2026)

8개의 추진기를 갖춘 자율 수중 이동체(AUV)가 스테레오 깊이 정보와 표적의 외형, 과거 운동 데이터를 결합해 물고기 모양 표적을 더욱 안정적으로 추적할 수 있게 됐다. 이 시스템은 추정된 정보를 예측 기반의 제약조건 인지 명령으로 변환하며, 표적과 수중 환경이 변하는 동안에도 시야를 유지할 수 있도록 요 회전과 병진 운동을 분리해 제어한다.

연구진은 무엇을 만들었나?

연구진은 AUV가 카메라로 본 장면을 이동 명령으로 바꾸는 완전한 수중 비주얼 서보잉 시스템을 구축했다. 이 이동체에는 전방을 향한 스테레오 카메라가 장착되어 있으며, 카메라는 서로 조금씩 다른 두 영상을 촬영한다. 소프트웨어는 두 영상의 시차를 분석해 장면의 깊이를 추정한다.

핵심 인식 모듈은 추적 대상에 특화되어 있다. 장면의 모든 픽셀에서 얻은 잡음 섞인 깊이 추정치를 그대로 사용하는 대신, 추적 대상 주변에서 다음 세 가지 정보를 결합한다.

색상 단서: 배경에서 표적을 분리하는 데 도움을 준다.
시차 단서: 보이는 표면이 카메라에서 얼마나 떨어져 있는지 나타낸다.
시간적 단서: 이전 프레임의 정보를 활용해 표적 마스크를 안정화한다.

이렇게 얻은 표적의 깊이와 영상 내 위치는 서로 분리해 필터링한다. 수중 표적이 회전하거나 형태가 변하거나 겉보기 크기를 바꿀 때 영상 속 움직임과 거리 변화는 서로 다르게 나타나므로, 이러한 구분이 중요하다.

시스템은 8추진기 AUV에서 실행된다. 수평 추진기 4개는 평면 이동과 요 회전을 담당하고, 수직 추진기 4개는 상하 운동, 롤, 피치를 제어한다. 호스트 컴퓨터는 ROS 2를 통해 인식, 상태 추정, 상위 제어를 수행하며, 탑재 제어기는 이 명령을 추진기 작동 명령으로 변환한다.

수중 추적 시스템은 어떤 결과를 냈나?

평가는 영상 재생, 시뮬레이션, 실제 수조에서의 폐루프 실험으로 진행됐다. 실제 환경의 인식 실험에는 총 12개 영상이 사용됐다. 이 가운데 4개는 대체로 정적인 교란 조건이었고, 나머지 8개는 표적과 이동체의 움직임, 자세 변화, 표적의 요 회전이 포함된 동적 조건이었다.

모든 방법에는 동일하게 보정된 스테레오 영상, 검출 경계 상자, 시차 지도가 입력됐다. 지표는 각 영상별로 계산한 뒤 12개 시퀀스 전체의 중앙값으로 요약했다. 이 방식은 유난히 쉽거나 어려운 특정 녹화 하나가 비교 결과에 미치는 영향을 줄여 준다.

보고된 결과에 따르면, 표적에 특화된 색상-시차-시간 융합은 장면 전체의 스테레오 추정치에만 의존하는 것보다 활용 가능한 표적 깊이 측정값을 더 많이 만들어 냈다. 영상 평면상의 관측값과 깊이 관측값을 따로 필터링한 것도 추정 상대 상태의 안정성을 높였다.

제어 단계에서도 표적의 움직임이 바뀌는 상황에서 시스템은 효과적으로 작동했다. 적응형 모델 융합은 표적이 어떻게 움직일지에 대한 하나의 가정만 고수하지 않고, 일정 속도 예측과 정지 예측을 결합했다. 수조 실험을 통해 8추진기 AUV에서 인식부터 추진기 작동까지 이어지는 전체 폐루프가 검증됐다.

제공된 결과 설명에는 정확한 오차 감소율, 추적 성공률, 지연 시간 수치가 포함되어 있지 않다. 따라서 수치에 기반한 정확도 비교를 단정적으로 제시하기는 어렵다. 이 연구의 가장 강력한 근거는 영상 재생, 시뮬레이션, 실제 추적 환경을 아우르는 시스템 수준의 검증이다.

깊이 추정기와 예측 제어기는 어떻게 작동하나?

이 시스템은 위치 기반 비주얼 서보잉, 즉 PBVS 설계를 따른다. 표적의 픽셀 위치만 제어하는 대신 카메라를 기준으로 한 표적의 3차원 위치를 추정한다. 이를 통해 제어기는 표적과의 거리를 직접 조절하고 카메라 시야 안에 표적을 유지할 수 있다.

인식 파이프라인은 스테레오 영상, 표적 검출 결과, 시차 지도를 입력으로 받는다. 융합 마스크는 영상에서 표적에 속할 가능성이 높은 부분을 식별한다. 색상 정보는 외형이 다른 배경 영역을 걸러 내고, 시차 정보는 서로 다른 거리에 있는 표면을 구분하며, 시간 정보는 표적 영역이 프레임마다 갑자기 뛰는 현상을 억제한다.

깊이는 장면 전체의 속성으로 처리하지 않고 표적 영역에서 추출한다. 추정된 수평·수직 영상 위치는 거리 정보와 분리해 필터링한다. 이렇게 하면 갑작스러운 깊이 이상치가 전체 상대 상태 추정을 불안정하게 만들 가능성을 줄일 수 있다.

제어기에는 2차 계획법 기반의 모델 예측 제어(MPC)가 적용됐다. MPC는 향후 제어 명령이 추적 오차에 어떤 영향을 미칠지 예측한 다음, 작동기 한계와 이동체 운동 범위 같은 제약조건을 지키면서 행동을 선택한다. 설계상 요 제어와 병진 제어는 분리된다. 요 제어는 표적이 카메라에 적절히 정렬되도록 하고, 병진 최적화기는 전후·좌우·상하 이동을 담당한다.

제어기는 표적 운동을 설명하는 두 가지 모델도 함께 유지한다.

일정 속도 모델: 표적이 일정하게 움직일 때 유용하다.
정지 모델: 표적이 멈췄거나 정지해 보일 때 유용하다.

각 예측 구간이 끝나면 시스템은 과거의 다단계 예측 오차를 바탕으로 두 모델을 비교한다. 최근 성능이 더 좋은 모델에 더 큰 가중치를 부여하고, 결합된 예측을 다음 제어 결정에 사용한다. 이를 통해 AUV는 수동으로 모드를 전환하지 않고도 상황에 맞춰 대응할 수 있다.

실험에는 ROS 2와 연결된 Unity 기반 수중 시뮬레이션이 사용됐다. 실제 실험에서는 보정된 카메라 파라미터를 적용했으며, 비교 대상 방법들에 동일한 알고리즘 설정을 사용했다.

이 연구가 실제 로봇공학에 중요한 이유는 무엇인가?

수중 로봇은 낮은 가시성, 불안정한 조명, 부유 입자, 반사, 형태나 방향을 바꾸는 표적이라는 어려움에 직면한다. 현재 영상의 오차에만 반응하는 제어기는 명령이 너무 늦게 전달되거나 표적을 지나쳐 버리거나, 관찰해야 할 대상에서 카메라를 멀어지게 만들 수 있다.

이 시스템은 두 가지 실용적인 방식으로 이러한 문제에 대응한다. 첫째, 표적 특화 깊이 추정은 장면의 모든 픽셀을 똑같이 신뢰하는 대신 중요한 대상에 스테레오 측정을 집중한다. 둘째, 적응형 예측은 고정된 운동 가정에 의존하지 않고 움직이는 표적과 일시적으로 정지한 표적을 모두 처리할 수 있게 한다.

이 접근법은 수중 검사, 양식장 모니터링, 해양 연구, 이동 물체와의 로봇 상호작용에 활용될 수 있다. 동일한 설계 원리는 수중 환경 밖에도 적용된다. 센서별 필터링, 명시적인 3차원 목표, 작동기 한계를 고려하는 제어 방식은 까다로운 환경에서 산업용 로봇이나 자율 플랫폼을 평가할 때도 유용하다.

로봇 구매 담당자와 운영팀이 주목할 점은 시각적 검출과 실제로 활용 가능한 자율성이 다르다는 사실이다. 물체를 검출하는 것만으로는 충분하지 않다. 로봇은 물체가 어디에 있는지 추정하고, 어디로 움직일지 예측하며, 그 추정 결과를 안전한 이동으로 바꿔야 한다.

한계와 남은 과제는 무엇인가?

실제 검증은 살아 있는 동물이나 실제 검사 대상이 아니라 물고기 모양 모형을 사용한 통제된 수조에서 진행됐다. 수조 환경은 반복 가능한 실험을 가능하게 하지만, 탁도, 변화하는 햇빛, 해류, 생물 부착, 복잡한 해저 지형을 완전히 재현하지는 못한다.

또한 시스템은 충분한 스테레오 시차 정보와 지속적인 표적 관측에 의존한다. 심각한 시야 저하, 부분적인 가림, 완전한 검출 실패가 발생하면 상태 추정이 여전히 중단될 수 있다. 고정된 카메라 보정값과 알고리즘 파라미터는 다른 이동체나 카메라 배치에 적용할 때 다시 조정해야 할 수 있다.

연구진은 시차 정 refinement, 관측 손실, 실제 개방 수역으로의 일반화를 향후 과제로 제시한다. 추가 실험에서는 계산 지연 시간, 작동기 포화 빈도, 관측 손실 후 회복 성능, 다양한 형태와 속도의 표적에 대한 성능도 보고할 필요가 있다.

자주 묻는 질문

어떤 종류의 로봇을 실험했나?

전방을 바라보는 스테레오 카메라와 8개의 추진기를 갖춘 AUV를 시뮬레이션과 실제 수조 실험에서 평가했다.

왜 표적 특화 깊이를 추정하나?

수중에서는 장면 전체의 스테레오 깊이 정보가 잡음에 취약할 수 있기 때문에, 시스템은 추적 대상과 관련된 픽셀에 깊이 추정을 집중한다.

모델 융합은 예측 제어에 무엇을 더해 주나?

일정 속도 예측과 정지 예측을 결합하고, 최근 다단계 예측 오차에 따라 두 모델의 영향력을 조절한다.

개방 수역에서도 시스템을 시험했나?

아니다. 보고된 실제 실험은 통제된 수조와 물고기 모양 모형을 사용해 진행됐다.

결론

이 연구는 표적 중심의 스테레오 인식과 적응형 모델 융합 MPC를 결합해 수중 시각 추적을 더욱 안정적으로 만들고, 변화하는 표적 운동에도 더 민첩하게 대응하도록 했다. 시뮬레이션, 영상 재생, 수조 실험을 통해 8추진기 AUV에서 인식과 제어를 아우르는 전체 파이프라인을 검증했으며, 개방 수역에서의 강건성이 다음 단계의 핵심 과제로 남아 있다.