[동향] 드론 자율비행 기술 동향

ERTI에서 발간한 전자통신동향분석(36권 2호, 21년 4월호) 중 관심 분야 일부를 요약하였습니다.

※ 문제가 될시 게시글 삭제하겠습니다.

 

제목 : 드론 자율비행 기술 동향

저자 : ETRI 자율비행연구실 김수성, 정성구, 차지훈 연구원

---

1) 드론의 완전한 자율비행 조건

- 상태추정 

  : 3차원 공간상에서 비행하는 드론의 위치와 자세를 IMU와 카메라 등 보조 센서를 융합해 실시간 추정한다. 비행요건.

- 환경인지

  : 추정된 상태와 LiDAR, RGBD(Depth) 카메라 등 센서 정보의 처리를 통해 드론 주위의 환경·장애물 지도 생성.

- 경로계획 

 : 환경인지 모듈에서 생성된 지도 정보를 통해 장애물 위치 파악 및 목적지 도달 위한 경로 및 궤적 생성

 

2) 사례

2-1) 상태 추정 + 환경인지

- UPenn 연구진은 스테레오 카메라와 IMU를 융합한 VIO(Visual Inertial Odometry)를 개발하여 드론 측위 수행.

- 일반적인 VIO는 영상 프레임 단위로 필터의 상태 변수를 보정하지만, UPenn이 사용한 방식은 영상 특징점 단위로
  상태변수의 보정을 수행한다 --> MSCKF(Multistate Constraint Kalman Filter) + 이를 Stereo 카메라로 확장

- EKF(Extended Kalman Filter) 기법

  - IMU에서 측정되는 가속도와 각속도 값으로 드론의 움직임을 예측

  - 영상정보를 분석하여 예측치를 보정하는 두 단계로 구성

- 실내에서는 RGB-D 카메라에서 측정한 깊이 지도를 이용 장애물 탐지에 활용,

- 태양 빛의 영향으로 RGB-D 카메라가 잘 작동하지 않는 실외 환경에서는 스테레오 영상을 가지고 깊이 지도를 추정해 실외 장애물 탐지 수행,

- 깊이 지도는 드론의 위치와 자세 추정치를 이용해 3차원 고정좌표계상 장애물 위치로 등록, 경로 계획에 활용.

 

(사견) Visual 과 IMU 데이터를 연결하는 모델링이 필요할 듯 싶다.

 

2-2) 경로 계획

- 목적지까지 장애물이 없는 경로를 생성하기 위해 Kinodynamic 경로계획기법 활용

  : 드론 운동방정식을 2차 선형 시스템으로 가정, 궤적 가지(branch)를 생성하는 기법

- 가지들 가운데 장애물과 겹치지 않으며 목적지까지 최적으로 연결될 수 있는 가지 끝의 상태변수(위
치, 속도)를 시작점으로, 다시 사전에 정의한 가속도 입력을 인가하며 새로운 가지를 확장해 나가는
과정을 반복, 최종 궤적을 찾는다 --> 불연속 단점

- 다만, 궤적의 주요 가지 종점(branch endpoint)들을 경로점(waypoint)로 삼고, 다시 생성되는 궤적과 부드럽게 이를 수 있는 궤적을 다항식을 이용해 찾아야 한다.

 

3) 재원

- 스테레오 카메라(Python 1300)

- IMU(Vector-Nav VN-100)

- 위의 두 센서 동기화 및 영상 전송을 담당하는 FPGA(Field Programmable Gate Array) 인 Intel Cyclone V GT가 결합된 OVC(Open VisionComputer)라는 센서 모듈을 제작하여 활용

 

 

※ Visual Inertial Odometry 카메라와 관성측정장치에서 얻을 수 있는 영상, 가속도, 각속도, 중력방향 등 정보를 융합해 카메 라의 위치 및 자세를 추정하는 기술