최근 자율운항 해양 이동체에 관한 사회적·기술적 요구가 높아짐에 따라, 자율운항 해양 이동체와 관련된 다양한 연구·개발이 전 세계적으로 이루어져 왔다. 몇몇 연구기관에서는 자율운항 기술에 관한 표준화 관점에서 자율운항 선박의 분류 체계를 제시해 왔으며 (Lloyds, 2017; NFAS, 2017; Utne, 2017; Maritime UK, 2017; SAE, 2016;), 국제해사기구(IMO)에서는 자율운항 관련 규정의 하나로 자율운항 기술 등급을 4단계로 정의한 바 있다 (IMO, 2021).

자율운항 해양 이동체는 국제해사기구에서 규정한 기술 등급에 따라 구분하기 시작했으나, 자율운항 해양 이동체 H/W 및 S/W에 관한 기술 분류는 표준화하기 어려운 측면이 있다. 예를 들어, Rolls-Royce에서는 미래 자율운항시스템을 경로 추정(route planning), 상황 인지(situation awareness), 충돌 회피(collision avoidance), 상태 정의(ship state definition) 네 가지로 나누어 구분한 바 있다 (AAWA, 2016). Chae and Yi는 자율주행 차량의 S/W 구성을 측위(localization), 인지(perception), 판단/계획(decision &　planning), 제어(control) 네 가지 요소로 구분한 바 있다 (Chae and Yi, 2020). 자율 이동체의 요소 기술 분류는 연구·개발자가 설계, 제작, 운용 등 참여할 수 있는 범위에 영향을 받을 수밖에 없다. 특히, 선박, 비행기와 같은 대형 이동체는 설계 및 제작 주체와 운항, 관제 및 제어 등의 운용 주체가 다르기 때문에, 자율운항 기술 분류를 주로 운항, 관제, 및 제어 분야에 한정할 수밖에 없다 (AAWA, 2016). 반면, 개인용 차량, 드론, 및 산업용 로봇과 같은 소형 이동체의 경우 자율운항시스템의 설계, 제작, 운용 등 더 넓은 분야에 연구·개발자가 참여할 수 있기 때문에, 이동체 전체를 아우르는 기술 분류가 이용되는 경향이 있다 (Chae and Yi, 2020). 따라서, 자율운항 해양 이동체의 경우 자율운항 기술을 실선 스케일, 모형 스케일에 적용하는 경우 기술 분류 체계에 차이가 있을 수 있다. 본 연구에서는 모형 스케일 자율운항 해양 이동체를 중심으로 관련 연구를 검토하고자 했기 때문에, 자율주행 차량, 드론 및 산업용 로봇의 기술 분류를 따라 H.W 및 S/W를 구분하였다.

조선·해양 분야에서 자율운항 해양 이동체의 측위, 인지, 판단/계획, 제어 관련 기술 중, 측위 기법에 관한 관심도는 상대적으로 낮다고 판단된다. 그 이유는 두 가지로 설명할 수 있다. 첫째, 상업용 위성항법장치(GNSS), 관성측정장치(IMU) 등 계측 장치의 정확도 또는 오차에 비해, 실선 스케일 이동체의 크기가 크고, 허용 거리와 같은 제한값이 크기 때문이다. 둘째, 해상에서는 위성항법장치의 계측 위치 정확도를 낮추는 반사, 굴절, 회절 등의 영향이 미미하며, 터널, 다리, 주위 건물군에 의해 발생하는 음영구역(occluded region)이 존재하지 않아 측위 모듈의 안정적인 동작이 가능하기 때문이다 (Novatel Inc., 2015). 따라서, 위성항법장치 및 관성측정장치의 신호 처리에 저역통과필터(low-pass filter)를 적용하는 방법만으로 자율운항 해양 이동체의 측위 기능을 구현하기도 했다 (Jo et al., 2021).

하지만, 자율운항 해양 이동체 연구·개발 대상이 다양해지고, 실선 스케일에서부터 모형 스케일로 적용 범위가 확대 되어감에 따라 측위 기법에 관한 연구 필요성이 제기되고 있다. 첫째, 위성항법장치가 경위도 좌표를 수신할 수 없는 수중 운동체의 경우 정확한 위치, 심도 등을 추정하기 위하여 추측항법(dead reckoning)을 이용한 측위 기법이 연구된 바 있다 (Bellafaire et al., 2022). 둘째, 위성항법장치를 제외한 라이다 또는 카메라 등의 장치를 이용하는 동시적 위치추정 및 지도작성(SLAM) 측위 기법이 연구된 바 있다 (Sawada and Hirata, 2023). 동시적 위치추정 및 지도작성 측위 기법은 위성항법장치를 활용할 수 없는 예인 수조 또는 해양공학 수조 등 시험수조에서 자율운항 해양 이동체 위치, 상태 등 성능 평가에 활용 가능성이 높을 것으로 예상한다. 셋째, 측위 정보의 정확도 향상 또는 오차 저감을 위하여 고정된 지형정보를 활용한 지도 기반 측위 기법(map-based localization)이 연구된 바 있다 (Chalvatzaras et al., 2023).

본 연구는 2023년 자율운항보트경진대회(KABOAT 2023)에 참여하기 위하여 울산대학교 조선해양공학부에서 설계·제작한 모형 스케일 자율운항 해양 이동체 H/W 및 S/W를 시험하는 과정에서, 위성항법장치 및 관성측정장치에서 계측한 정보만으로는 해양 이동체의 위치 및 선수각 정보를 정확하게 추정할 수 없는 문제를 해결하기 위하여 착안하였다. 첫째, 모형 스케일 자율운항 해양 이동체를 점 질량(point mass)으로 가정한 후, 확장칼만필터를 이용하여 위성항법장치, 관성측정장치에서 획득한 정보를 보정하였다. 둘째, 라이다에서 계측한 가설 수조 외벽의 점 구름(point cloud)을 이용하여, ICP map matching 기술을 적용, 선수각 추정 정확도를 추가로 보정하고자 하였다. 셋째, 모형 스케일 자율운항 해양 이동체 시험 데이터를 이용하여, 센서 계측 정보와 추정기로 보정한 결과를 비교, 분석함으로써 계측된 위치 및 선수각에 포함된 잡음 및 선수각 오차가 보정되는지 확인하였다. 그 결과, 제안한 확장칼만필터 기반 측위 기법이 모형 스케일 자율운항 해양 이동체에서 제기되었던 저가 계측장비의 계측 부정확한 문제의 개선 가능성을 확인하였다.

Fig. 5(a)는 모형 스케일 자율운항 해양 이동체의 이동 궤적을 보여주며, 확대한 부분은 Fig. 7에서 살펴볼 486-step 부근의 궤적이다. 위성항법장치 계측값을 보면 점의 간격이 불균일하나, 확장칼만필터를 이용한 보정 결과는 점의 간격이 상대적으로 균일하다. 본 사전 시험에서 해양 이동체의 이동 속도가 거의 일정했음을 고려할 때, 점의 간격이 상대적으로 균일해졌다는 것은 계측값의 잡음이 보정되었기 때문이라고 생각된다. Fig. 5(b)는 모형 스케일 자율운항 해양 이동체의 선수각 시계열을 보여준다. 앞서 살펴본 486-step 부근뿐만 아니라 전체 구간에서 확장칼만필터와 ICP를 이용한 선수각 추정 기법을 적용했을 때 선수각 추정값이 다름을 알 수 있다. 즉, 약 30초에서 60초 사이 구간에서 “EKF + ICP”를 적용하여 추정한 선수각이 “None” 또는 “EKF”를 적용하여 추정한 선수각에 비해 뚜렷하게 크다. Fig. 6, 7에서 상세히 설명하겠지만, 이 차이는 관성측정장치의 낮은 정확도에 기인한 오차를 저감한 효과에 기인한 것으로 판단된다. 본 연구에서는 특정 시점에 계측, 추정한 값을 Fig. 6, 7과 같이 도시한 후, 추정값의 정확도 향상 여부를 상대 비교를 통해 분석하고자 했다. 이는 고정밀 위성항법장치, 관성측정장치로부터 얻은 계측값(즉, 참값으로 간주할 수 있는 값)이 없었기 때문이다.

Fig. 5 
Trajectories and time series of heading angle for model-scale autonomous marine mobility

Fig. 6 
Tank boundaries when implementing the proposed approach using measured data acquired from GNSS, IMU, and LiDAR at 338-step

Fig. 7 
Tank boundaries when implementing the proposed approach using measured data acquired from GNSS, IMU, and LiDAR at 486-step

Fig. 6은 338-step에서 계측한 가설 수조의 외벽 정보, 계측 정보를 활용하여 추정한 외벽 정보, 라이다를 통해 획득한 점 구름(PCs)을 각각 도시한 것이다. 사전 시험에 이용된 위성항법장치와 관성측정장치의 계측 주기가 달라, 두 장치의 계측값이 모두 갱신된 후에 계측 정보를 활용하도록 구성하였다. (즉, 샘플링 시간 간격은 고정값이 아니다.) 여기서 338-step은 33.696초를 가리킨다. Fig. 6(a)에서는 계측한 외벽 정보와 확장칼만필터를 이용하여 추정한 외벽 정보에 거의 차이가 없음을 알 수 있다. 하지만, 라이다를 통해 계측한 점 구름을 살펴보면, 계측한 외벽 정보와 확장칼만필터를 이용하여 추정한 외벽 정보 모두 뚜렷한 차이가 있음을 알 수 있다. 관성측정장치의 반응 속도 및 정확도가 낮아, 관성측정장치의 계측값만을 이용하여 추정된 위치 및 선수각에 오차가 큰 것으로 분석하였다. 제작된 자율운항 해양 이동체의 크기, 가설 수조의 크기 등을 고려할 때, Fig. 6(a)에서 나타난 선수각의 오차는 주어진 임무를 정상적으로 수행할 수 없을 정도로 큰 것으로 생각된다.

Fig. 6(b)는 위성항법장치 및 관성측정장치로 계측한 가설 수조의 외벽 정보와 확장칼만필터 및 ICP map matching을 적용하여 추정한 외벽 정보를 도시하였다. 여기서 파란색 점은 수조의 외벽 정보 중 이동체 주변의 외벽 정보를 점 구름 정보로 변환한 결과이다. 붉은색 점은 이 점 구름 정보를 라이다로 계측한 점 구름에 매칭하여 이동한 결과이다. 붉은색 점이 파란색 점과 위치가 다른데, 이는 라이다 점 구름 정보에 외벽뿐 아니라 수면의 일부, 부표 등의 장애물들이 함께 계측되므로 ICP map matching 결과의 위치가 불확실했기 때문이다. 따라서 본 연구에서는 선수각 정보만을 활용하였다. 이 결과를 보면 위성항법장치 및 관성측정장치만으로 계측한 수조 외벽의 위치와 추정한 위치 간에 뚜렷한 차이가 나타나며, 추정한 위치가 라이다로 계측한 외벽과 유사함을 확인할 수 있다. 즉, 식(8)에서 언급한 계측값 업데이트 시 라이다에서 계측한 점 구름 정보를 기반으로 한 선수각을 추가로 이용한 결과, 선수각 추정 정확도가 뚜렷하게 향상되었음을 알 수 있다.

Fig. 7에서는 486-step에서 계측한 가설 수조의 외벽 정보, 계측 정보를 활용하여 추정한 외벽 정보, 라이다를 통해 획득한 점 구름을 각각 도시하였다. 여기서, 486-step은 48.495초를 가리킨다. Fig. 7(a)에서도 Fig. 6(a)와 같이 계측한 외벽 정보와 확장칼만필터를 이용하여 추정한 외벽 정보에 거의 차이가 없음을 알 수 있고, 라이다를 통해 계측한 점 구름은 계측, 추정한 외벽 정보와 뚜렷하게 다름을 알 수 있다.

Fig. 7(b)에서도 Fig. 6(b)과 같이 계측한 가설 수조의 외벽 정보와 확장칼만필터 및 ICP map matching을 적용하여 추정한 외벽 정보에 뚜렷한 차이가 나타났다. 그러나 앞서 Fig. 6(b)와 달리, 파란색 점으로 표시한 외벽 추정 위치가 검정색 별표로 표시된 라이다로 계측된 점 구름과 일치하지 않는 것을 확인할 수 있다. 본 연구에서 제시한 위치 및 선수각 추정기 설계 특성과 관련된 것으로 이해된다. 라이다로 계측한 점 구름을 위치 보정에 사용하지 않았기 때문이다. 또한, 라이다뿐만 아니라 관성계측장치 정보도 확장칼만필터의 선수각을 업데이트하는데 사용했다. 즉, Fig. 6(b)에서는 관성계측장치의 선수각 계측값이 3-시그마로 가정된 검증 게이트를 초과했기 때문에, 라이다에서 계측한 값만을 이용하여 선수각을 업데이트했다. 반면, Fig. 7(b)에서는 관성계측장치의 선수각 계측값이 3-시그마로 가정된 검증 게이트 이내였기 때문에 두 값을 모두 이용하여 선수각이 업데이트되었다.

본 연구는 울산대학교 조선해양공학부에서 설계·제작한 모형 스케일 자율운항 해양 이동체를 이용하는 과정에서, 관성측정장치의 낮은 정확도로 인해 측위 모듈에서 추정한 위치 및 선수각의 부정확도를 향상하기 위하여 수행되었다.

모형 스케일 자율운항 해양 이동체를 점 질량으로 가정한 후, 확장칼만필터를 이용하여 위치 및 선수각의 정확도를 향상할 수 있는 추정기를 개발하고자 했다. 계측한 값을 별도 처리 없이 이용하거나, 확장칼만필터만을 적용한 위치 및 선수각 추정기의 경우 정확도 향상이 거의 없음을 확인했다. 하지만, 확장칼만필터와 ICP map matching을 적용한 위치 및 선수각 추정기를 이용했을 때, 추정된 위치 및 선수각의 정확도가 뚜렷하게 향상되었음을 확인했다.

앞서 Fig. 6, 7에서 설명한 것처럼, 본 연구에서는 라이다에서 취득한 점 구름 정보를 후처리 없이 사용했기 때문에, ICP map matching 결과 중 비교적 잡음이 작은 선수각 정보만을 보정에 활용할 수 있었다. 선수각 보정만으로는 정확한 위치 추정에 한계가 있다고 판단하여, 후속 연구로서 라이다 점 구름의 후처리를 통해, 잡음을 저감한 후 ICP map matching을 위치 보정에도 적용하고자 한다. 이를 통해, 위치 및 선수각 추정의 정확도를 향상할 것으로 기대한다.