최근 EU MUNIN(Maritime Unmanned Navigation through Intelligence in Networks) 프로젝트의 무인 원격제어 벌크선, Rolls-Royce의 무인 컨테이너 선박, DnV-GL의 컨테이너 선박과 같이 사람의 개입 없이 자율적으로 선박을 제어하기 위한 노력이 이루어지고 있다. 국내에서는 현대중공업의 충돌 회피 지원시스템 HiCASS, 삼성중공업의 선박 모니터링 시스템 VPS를 개발하여 자사 건조 선박에 적용을 시작하였다. 위와 같이 자율운항선박에 대한 관심과 기술개발이 이루어지고 있어 국제해사기구(IMO)에서는 자율화 등급에 따라 자율운항선박에 대하여 정의하고 있다.

자율운항선박은 유인 선박 및 장애물을 회피하는 기술을 필수적으로 보유하고 있어야 한다. Statheros et al. (2008)은 장애물 회피에 대한 이해와 이론적 배경을 제시하고, 국제해사기구(IMO)가 제정한 국제 해상충돌 예비규칙(International regulations for preventing collision at sea, COLREGs)에 대하여 기술한 바 있다.

장애물 인식에 주로 사용되는 센서는 레이더(RADAR), 라이다(LiDAR), 초음파, 카메라 등이 있다. Polvara et al. (2018) 은 환경에 따른 장애물 인식에 대한 다양한 센서의 장・단점과 인식된 장애물을 기반으로 충돌 회피 경로 계획에 대한 연구를 수행한 바 있다. LiDAR 센서는 2, 3차원 센서로 나뉜다. 3차원 센서의 경우 좁은 공간에서는 데이터의 정밀도가 높고 견고했지만 움직이는 장애물을 실시간으로 계측할 때에는 데이터의 잡음이 커지게 된다 (Hong et al., 2012). 따라서 실외에서 운항하는 선박의 경우에는 3D LiDAR보다는 2D LiDAR를 통해 장애물을 정확하게 계측하는 것이 적합하다. Song et al. (2019)은 저가형 2D LiDAR 센서와 퍼지(fuzzy) 제어기를 사용하여 좌・우현의 추진기 속력을 조절하며 장애물을 회피하는 시스템을 제안한 바 있다.

충돌 회피 경로 계획은 장애물 지도를 이용하여 경로를 생성하는 전역 경로 계획(global path planning) 기법과 장애물을 실시간으로 계측하여 경로를 생성하는 지역 경로 계획(local path planning) 기법이 있다. 대표적으로 Larson et al. (2007)의 2차원에서의 장애물 충돌 회피 경로 계획에 대한 연구, Kuwata et al. 2014)의 국제 해상충돌 예비규칙과 속도 장애물을 고려한 충돌 회피 경로 생성에 대한 연구가 수행된 바 있다. 이외에 Simmons and Henriksen (1996)의 Morphin 알고리즘, Casalino et al. (2009)의 경계박스(Bounding Box, BB) 개념 알고리즘 등이 있다.

본 연구에서는 로봇운영체제를 이용하여 다양한 센서가 통합된 자율운항 알고리즘의 구성 및 검증을 목표로 한다. 보트는 2D LiDAR를 이용하여 실시간으로 장애물이 없는 안전구역을 선정한 뒤, PID 제어를 바탕으로 보트의 좌·우현 추진기의 회전수 차이로 보트의 방위각을 제어하였다. 최종적으로, 2020 자율운항보트 경진대회(Korea Autonomous BOAT, KABOAT)에 참가하여 자율운항 알고리즘의 성능을 검증하였다.

본 연구의 자율운항 알고리즘 성능을 확인하기 위해 부경대학교 예인 수조에서 본 시험을 수행하였다. 부경대학교 예인 수조의 제원은 Table 3과 같다.

자율운항보트의 제어 알고리즘 성능을 확인하기 위해 제자리 선회시험을 진행하였다. Fig. 11은 보트의 방위각을 0˚, 목표 방위각을 90˚로 설정한 제자리 선회시험 결과를 나타내고 있다. 오버슈트는 약 25%, 상승 시간(rise time)은 약 2초, 5%의 정정 시간(settling time)은 14.39초였다. 시험결과를 보면, 좌・우현 추진력의 차이로 설정한 목표 방위각을 추종하는 것을 확인할 수 있다. Table 4는 제자리 선회시험의 시간 응답 요소를 표로 정리한 것이다.

Fig. 11 
Turning test by PID control

장애물 회피 알고리즘 시험에 앞서 보트의 궤적을 기록하기 위해 보트의 위치 데이터를 계측하였다. GPS의 특성상 실내에서 보트의 위치를 계측할 수 없으므로, 실내・외에서 초음파를 발사하여 위치를 계측할 수 있는 마블마인드(Marvelmind)사의 비콘(Beacon)을 사용하였다. 비콘을 보트와 예인 수조 벽면에 부착하여 10Hz의 계측주기로 보트 및 장애물 위치를 계측하였다. 계측된 데이터의 잡음을 억제하기 위해 3.3절의 저주파 통과 필터를 적용하였다. 보트의 속도는 계측된 보트의 위치 데이터를 이용하여 식 (12)로 추정하였다. “U^”는 보트 전속도의 추정값으로 정의하였고, x_s,k, y_s,k는 계측된 위치, dt는 계측된 데이터 간의 시간을 의미한다.

본 연구에서 비콘을 이용하여 계측한 보트 위치 데이터를 바탕으로 Table 5와 같이 모터 추진력의 백분율당 보트의 추정 속도를 나타내었다.

장애물 회피 시험은 case 1, case 2로 나누어 시험했으며, case 1의 경우 선수를 동쪽으로, case 2는 서쪽으로 두고 자율운항하였다. 장애물은 8m의 간격을 두고 수조의 좌우 벽면에 설치하였다. 각각의 시험을 통해 계측한 보트의 추정 위치, 현재 방위각 및 목표 방위각, 방위각 오차, 속도, 좌・우현 추진기 회전수의 백분율을 Fig. 12와 Fig. 13에서 볼 수 있다. 시험결과 보트의 궤적을 나타낸 그래프를 보면, 자율운항 알고리즘을 기반으로 장애물 인식 및 회피기동을 수행하는 것을 확인할 수 있다. 또한 비콘으로 계측된 위치 데이터에 저주파 통과 필터를 적용하여 잡음을 줄였으나, 잡음이 완전히 억제되지 않았음을 볼 수 있다. 이는 장애물 가까이에서 비콘 간의 초음파 송수신 문제로 발생한 것으로 판단된다. 장애물이 인식되지 않을 경우, 방위각 오차가 0에 가까워지는 것을 확인할 수 있다. 반면, 장애물을 인식한 경우, 좌・우현의 추진기 회전수 차이로 보트의 방위각을 제어하여 장애물을 회피하는 것을 확인할 수 있다.

Fig. 12 
Autonomous algorithm test results (case 1)

Fig. 13 
Autonomous algorithm test results (case 2)

작성된 자율운항 알고리즘을 활용하여 2020 자율운항보트 경진대회에 참가하여 실외에서의 알고리즘 성능을 검증하였다. Fig. 14와 Fig. 15는 각각 드론으로 촬영한 자율운항보트 경진대회의 자율운항임무 예선과 결선의 동일한 주기 스냅샷 사진이다. 장애물 회피 알고리즘에 따라 장애물을 완벽히 회피하는 것을 확인할 수 있다. 또한, 예선의 스냅샷 사진에서 장애물과 가까울 때 보트가 겹쳐 보이는 것은 감지된 장애물과 거리에 따라 보트의 속도가 제어되기 때문이다.

Fig. 14 
Video snapshot during autonomous preliminary task in KABOAT 2020

Fig. 15 
Video snapshot during of autonomous final task in KABOAT 2020

본 논문에서는 보트의 자율운항 알고리즘의 개발 및 성능 검증을 위해 시험을 수행하고 그 결과를 서술하였다. 자율운항보트에 사용된 로봇운영체제로 센서의 데이터를 처리 및 통합하였다. 계측된 데이터로부터 장애물을 감지하고 안전구역을 선정하여 자율운항보트의 장애물 인식 및 회피 운동을 구현하였다.

본 연구의 한계는 다음과 같다. 첫째, 정적 장애물을 대상으로 작성된 장애물 회피 알고리즘이므로 동적 장애물 회피에 대해 확신할 수 없다. 둘째, 보트가 횡동요 혹은 종동요 상황일 때 2차원 라이다로는 정확한 장애물 탐지에 어려움이 있었다.

향후 움직이는 장애물에 대한 회피 알고리즘을 구현하고, 카메라 이미지 프로세싱을 이용한 장애물 회피 및 도킹에 대해 연구할 예정이다.