본 연구에서 시뮬레이션 환경을 구축하고, 무인 이동체의 실시간 통신 및 유도, 제어를 위해 ROS의 최신 버전인 ROS2를 사용하였다. ROS는 오픈 소스 메타 운영체제로, 로봇 응용 소프트웨어 개발을 위한 프레임워크이다. 다양한 로봇 부품 및 다기종 디바이스 간의 통합과 효율적인 메시지 교환을 가능하게 하는 미들웨어 역할을 수행한다. ROS2는 기존의 ROS 마스터 시스템 대신 DDS (Data Distribution Service)를 통해 통신하여 실시간 데이터 전송, 불안정한 네트워크 환경에 대한 대응 및 보안 기능을 강화하였다. Fig. 1은 ROS2의 데이터 통신 구조를 가시화한 것이다.

Fig. 1 
ROS2 data communication structure

시뮬레이션 환경 구축을 위해 오픈소스 기반의 로봇 시뮬레이터인 Gazebo를 사용하였다. Gazebo는 OpenGL 기반의 고성능 3D 로봇 시뮬레이터로, 다양한 물리 엔진을 지원하고 복잡한 로봇 모델과 환경을 시뮬레이션할 수 있는 툴을 제공한다. Camera, LiDAR(Light Detection And Ranging), GPS(Global Positioning System), IMU(Inertia Measurement Unit) 등 다양한 가상 센서를 지원하여, 로봇의 동작을 효과적으로 시뮬레이션할 수 있다. ROS2를 사용하여 개발된 로봇 애플리케이션을 Gazebo에서 직접 테스트하고 평가할 수 있으며, 로봇 시스템의 개발과 테스트 과정을 효율적으로 만들어준다. Fig. 2는 Gazebo를 통한 시뮬레이션의 예시를 보여주는 그림이다.

Fig. 2 
Simulation example with Gazebo, USV marine simulation(a), UUV underwater simulation(b), UAV simulation(c)

본 연구에서는 해상 환경 구성과 로봇의 구현을 위해 VRX(Virtual RobotX)가 제공하는 오픈소스 패키지를 활용하였다. VRX는 다양한 해양 로봇 시뮬레이션을 위한 툴킷을 제공하며, 복잡한 해상 환경을 효과적으로 구현할 수 있다. VRX에서 제공하는 리소스를 사용하여 Fig. 4와 같은 해상 환경을 구축하였다. 항공기의 고도와 카메라의 수직 및 수평 시야각을 삼각법을 활용하여 비춰지는 영역의 가로 및 세로 길이를 추정하였다. Fig. 3은 UAV를 통해 촬영된 이미지의 투영 영역을 나타낸다. 항공기의 고도(H), 카메라의 수직 시야각, 수평 시야각이 표시되어 있다. 삼각법을 이용하여 지면에 투영된 이미지의 수직 길이와 수평 길이를 계산할 수 있다. 수평 길이는 UAV 고도와 카메라 수평 시야각을 이용하여 식 1과 같이 계산되며 수직 길이는 고도와 수직 시야각을 이용하여 식 2와 같이 계산된다. Table 1은 UAV의 고도정보와 수평, 수직 시야각을 나타낸 것이다.

Fig. 3 
Projection area of an image taken from a UAV

Fig. 4 
Maritime simulation environment implemented with Gazebo

UAV 모델의 경우, PX4 Autopilot 시뮬레이션에서 사용되는 드론 모델을 채택하였다. PX4는 무인항공기를 위한 오픈 소스 비행 제어 소프트웨어 플랫폼으로, 다양한 드론 모델을 제공한다. USV 모델은 Woo et al. (2018)에서 사용된 WAM-V모델을 사용하였으며, UAV의 동역학 모델로는 IRIS+ 가 사용되었다. Fig. 5는 시뮬레이션 상에서 보여지는 WAM-V와 IRIS+이며 Table 2은 WAM-V 동역학 모델의 파라미터를 나타낸 것이고 Table 3는 IRIS+ 동역학 모델의 파라미터를 나타낸 것이다.

Fig. 5 
Dynamics models used in simulation, WAM-V(a), IRIS+(b)

전역 경로 생성을 위해서는 인식된 장애물을 고려한 정확한 전역지도가 필수적이다. 이를 위해 사용되는 주요 방법으로는 LiDAR를 이용한 SLAM(Simultaneous Localization and Mapping) 알고리즘과 상공 이미지를 활용한 방법이 있다. 해양 환경 특성상, USV에 장착된 LiDAR를 사용하여 전역지도를 생성하는 것은 큰 파도나 물결 등의 영향으로 센서 데이터에 혼선을 초래할 수 있다. 특히 후에 동적 장애물을 추가할 경우, 이러한 혼선 문제를 해결하기 위해 별도의 데이터 처리가 필요할 수 있다. 따라서 본 연구에서는 UAV가 상공에서 호버링하며 촬영된 항공 영상을 기반으로 전역지도를 생성하였다. 해상 환경 내 장애물을 실시간으로 탐지하기 위해 원스테이지 방식의 딥러닝 모델인 YOLO를 활용하였다. 본 연구에서는 현재 가장 최신 버전인 Yolov8 모델을 사용하여 객체를 인식하였다. YOLO는 입력 이미지를 여러 그리드로 나누고, 각 그리드에 대한 객체의 경계박스(Bounding Box, Bbox)와 클래스 예측을 단 한 번의 신경망 패스를 통해 수행하는 원스테이지 방식의 딥러닝 모델이다. 객체 탐지 후 처리 과정에서는 IOU(Intersection Over Union)를 계산하여 예측된 경계박스와 실제 객체의 경계박스가 얼마나 겹치는지를 평가하고 NMS(Non-Maximum Suppression)를 적용하여 여러 겹쳐진 예측 상자 중 가장 높은 확률을 가진 상자를 유지하며 하나의 객체에 대해 여러 개의 경계상자가 생성되는 것을 방지한다. 이러한 과정을 통해 모델의 정확도를 높이며 장애물을 효과적으로 탐지할 수 있다. Fig. 6은 YOLO를 통해 객체를 검출하는 과정을 나타낸 그림이다.

Fig. 6 
The process of detecting objects with YOLO

검출된 장애물의 픽셀상에서의 좌표와 크기를 바탕으로 2차원 그리드 맵을 생성하였다. Fig. 7은 해상 환경에서의 장애물을 검출한 모습을 나타낸 그림이고 Fig. 8은 검출한 장애물의 위치와 크기를 기반으로 2차원 맵을 나타낸 그림이다.

Fig. 7 
Detect obstacles by receiving video from a UAV hovering over a Gazebo

Fig. 8 
Two-dimensional map based on detected obstacle coordinates

본 연구에서는 장애물를 위한 경로계획을 위해 최적경로계획 알고리즘 중 Hart et al. (1968)이 제시한 그래프 탐색기반 A^* 알고리즘과 Karaman and Frazzoli (2011)이 제시한 랜덤 샘플링 기반 RRT^*(Rapidly-exploring Random Tree) 알고리즘을 선정하였다. A^*알고리즘은 휴리스틱 함수를 통해 효율적인 탐색을 가능하게 하며, 최적의 경로를 보장한다는 장점이 있다. 이는 2D 그리드 맵과 같은 명확한 경로 탐색 문제에서 신뢰할 수 있는 결과를 제공한다. RRT^*알고리즘은 고차원 공간 및 복잡한 환경에서 샘플링 기반 접근 방식을 통해 효과적으로 경로를 탐색하며, 시간이 지남에 따라 최적 경로로 수렴하는 특성을 지닌다. 또한 다양한 환경에서의 경로 탐색 문제를 효과적으로 해결할 수 있어 두 알고리즘을 선정하였다. 다음은 선정한 알고리즘에 대해 자세하게 기술하겠다. A* 알고리즘은 주어진 공간에 대해 그리드를 생성하고, 그리드 상에서 최단 경로를 탐색하여 결정한다. 현재 위치로부터 8가지 방향으로의 이동 가능성을 고려하여 각 방향에 대한 이동 비용을 계산한다. 장애물이 있는 그리드는 1로 표시되어 이동할 수 없음을 나타내고, 그리드가 0으로 표시되면 이동이 가능함을 나타낸다.

본 연구에서는 YOLO를 통해 인식된 장애물 좌표를 이용하여 생성된 그리드맵에 투영하였다. 구체적으로, 인식된 장애물의 좌표가 그리드에 포함되면 해당 그리드를 장애물이 있는 그리드로 표시하였다. 이를 통해 생성된 경로의 안정성을 보장하였다. 이러한 방식은 장애물의 정확한 위치를 반영함으로써 경로 계획 시 장애물 회피 능력을 향상시키고, USV가 안전하게 주행할 수 있도록 하였다.

식 (3)은 A* 알고리즘에서 사용하는 평가함수를 구하는 공식이다. g(n)은 현재 노드에서 바로 다음 노드 n까지의 경로비용을 나타내고 h(n)은 노드 n부터 목표노드까지의 추정비용을 나타낸다. 비용함수는 그리드의 거리공식으로 계산하며 계산된 비용을 기반으로 시작점부터 목적지까지의 최적 경로를 찾는다. 그리드의 크기는 해상도와 계산 복잡도 간의 트레이드오프를 나타내는데, 더 작은 그리드는 보다 정밀한 경로를 생성하지만 계산량이 증가하는 반면, 더 큰 그리드는 계산량이 줄어들지만 경로의 정밀도가 감소한다. Fig. 9는 A^*알고리즘의 경로탐색과정을 가시화한 것이다.

Fig. 9 
Visualizing the path planning process with the A^* algorithm

RRT 알고리즘은 로봇 및 무인기의 경로 계획에서 사용되는 탐색 알고리즘이다. 이 알고리즘은 시작 지점에서 목표 지점까지의 경로를 찾기 위해 무작위 샘플링을 통해 트리를 점진적으로 확장하는 방식으로 작동한다. 먼저, 시작 지점을 루트 노드로 하는 트리를 초기화하고, 작업 공간 내에서 무작위로 한 점을 샘플링한다. 이 샘플링된 점과 가장 가까운 트리 노드를 찾은 후, 해당 노드에서 샘플링된 점을 향해 한 단계 전진하여 새로운 노드를 생성한다. 생상된 노드는 장애물과 충돌하지 않는다면 트리에 추가된다. 이러한 과정을 반복하여 트리를 확장해 나가며, 새로운 노드가 목표 지점에 도달하면 경로 탐색을 완료한다. 이러한 과정을 통해 RRT 알고리즘은 고차원 및 비구조화된 환경에서도 효율적으로 경로를 찾을 수 있으며, 확률적 완전성을 보장하여 시간이 충분하다면 항상 경로를 발견할 수 있다. 또한 이 알고리즘은 비교적 단순하고 구현하기 쉬워 여러 분야에서 활용된다. 본 논문에서는 RRT의 변형 알고리즘인 RRT^*을 사용하였다.

RRT^* 알고리즘은 RRT 알고리즘의 확장 버전으로, 최적 경로를 찾기 위해 부모 노드의 재선정과 트리의 재구성을 수행한다. RRT^*는 기본적인 RRT의 무작위 샘플링과 트리 확장 방식을 따르지만, 새로운 노드를 추가할 때 단순히 가장 가까운 기존 노드와 연결하는 대신, 일정 반경 내의 기존 노드들을 탐색한다. 이 반경 내에서 새로운 노드와의 연결 비용을 계산하여 비용이 최소가 되는 노드를 새로운 노드의 부모로 재선정한다. 이를 통해 경로의 비용을 줄이고, 더 효율적인 경로를 생성한다.

또한, 새로운 노드가 추가된 후에는 일정 반경 내의 기존 노드들이 새로운 노드를 통해 연결될 경우 비용이 더 낮아지는지 확인하고, 낮아진다면 기존 노드들의 부모를 새로운 노드로 변경한다. 이러한 과정을 반복하여 트리를 재구성함으로써 경로의 최적화를 지속적으로 수행한다. Fig. 10은 RRT 알고리즘을 통해 생성된 경로를 가시화한 것이며, Fig. 11은 RRT^* 알고리즘의 부모 노드 재선정 과정과 트리의 재구성 과정을 그림으로 나타낸 것이다. RRT^*는 이러한 추가적인 과정을 통해 최적의 경로를 찾도록 보장한다. RRT^* 알고리즘의 전체적인 흐름도는 Fig. 12와 같다.

Fig. 10 
Visualizing the path planning process with the RRT algorithm

Fig. 11 
Visualization of the process of detecting neighbors in the radius of the RRT* algorithm(a), reselecting the parent node(b), and reconstructing the tree(c).

Fig. 12 
Flowchart of the RRT^* algorithm used (red square processes are processes that only exist in the RRT^* algorithm and not in the RRT algorithm).

A^*와 RRT^* 알고리즘들은 점과 점 사이의 기하학적인 관계만을 활용하여 경로를 계획하기 때문에, 최적의 경로를 도출했다 하더라도 이동체가 해당 경로를 추종하는 과정에서 장애물과 충돌할 위험이 있다. 이동체가 안전하게 이동할 수 있도록 Fig. 8, Fig. 10과 같이 장애물 주변에 충분한 안전 거리를 설정하였다. 안전 거리는 USV의 반폭으로 설정한 후 경로 계획을 수행하였으며 안전 거리 내에는 경로가 생성되지 않도록 함으로써 장애물 회피 능력을 향상시켰다.

A^*와 RRT^* 알고리즘은 경로 계획을 수행할 때 각각의 파라미터 설정이 매우 중요하다. A^* 알고리즘의 경우 그리드의 크기(cell size) 결정은 알고리즘의 성능과 정밀도에 결정적인 영향을 미친다. RRT^* 알고리즘의 경우 반복 횟수(max iteration), 노드 간 최대거리(step size), 목표 샘플링 확률(goal sample) 등의 파라미터 설정이 중요하다. 앞서 설명한 파라미터들은 특정 환경에 적합하게 조정되어야 하며, 경로의 품질과 계산 시간에 영향을 줄 수 있다.

본 연구에서는 RRT^* 알고리즘의 효율적인 실행을 위해 적절한 반복 횟수의 결정이 중요하다는 것을 강조한다. 반복 횟수에 따른 코스트의 변화를 분석하여, 코스트의 변화량에 대한 표준편차값을 기준으로 최적의 반복 횟수를 결정하는 방법론을 도입하였다. 반복 횟수를 증가시킬 때 코스트가 수렴하는 경향을 확인하였으며, 이때의 코스트 값의 변화율을 통해 표준편차를 계산한다. 표준편차가 임계값보다 작아지는 지점의 반복 횟수를 최적값으로 선정하였으며, 이는 코스트 값의 변화가 작다는 것을 나타내는 지표로 활용되었다. Fig. 13은 주어진 환경에서 다양한 반복 횟수에 따른 경로 탐색 결과의 변화를 시각적으로 보여준다. 반복 횟수를 50,000으로 설정하고 전체 알고리즘을 50회 반복 실행하여 얻은 코스트의 평균값과 코스트의 변화율을 통한 표준 편차를 Fig. 14에 그래프로 나타내었다. 반복 횟수가 증가함에 따라 코스트 값이 특정 값에 수렴하는 경향을 보이며 표준편차값 역시 반복횟수가 높을수록 감소하는 경향을 보인다. 특정 임계값 보다 낮아지는 지점을 빨간색 점으로 표시하였고, 해당 지점의 반복 횟수를 채택하여 경로 계획을 진행하였다. 결정된 경로계획 알고리즘의 파라미터 값은 Table 4와 같다.

Fig. 13 
RRT^* algorithm shown after (a)1,500, (b) 5,000, (c) 15,000 iterations

Fig. 14 
In the given environment cluttered with obstacles, the result of applying the RRT^* algorithm is presented, showing the average cost over 50 trials in (a), with the optimal cost indicated by a black dotted line. The variance is illustrated in (b).

본 연구는 RRT^* 알고리즘의 실행에 있어서 계산 효율성과 경로 최적화 사이의 균형을 찾는 데 중요한 기여를 하며, 결과적으로 탐색 공간에서의 더 나은 경로를 도출할 수 있음을 보여준다.

본 연구에서는 Fig. 8과 같은 환경에서 RRT^*, A^* 2가지의 경로생성 알고리즘을 구현하였다. Fig. 15은 주어진 환경에서 경로생성 알고리즘을 통해 생성한 경로를 나타낸 그림이다.

Fig. 15 
Visualization of path planning in a given environment A^*(a), RRT*(b)

본 연구에서는 USV에 장착된 GPS장치를 활용하여 위치 데이터를 수집하였다. GPS 데이터는 위도와 경도 형태로 제공되며, 연구 목적에 부합하게 하기 위해 UTM-K(Universal Transverse Mercator-Korea)좌표계로 변환하는 절차를 거쳤다. 변환 과정을 통해 얻어진 USV의 위치 데이터(x_s, y_s)는 목표 방위각(ψ_d)을 결정하는 데 중요한 역할을 하며, 이는 식 (4)를 통해 계산되었다.

경로 추종에 있어서는 LOS with CA(Line Of Sight with Circle Acceptance) 기법을 적용하였다. 이 기법은 목표 지점과 USV사이의 시야선을 기반으로 하여, USV의 주변에 설정된 반경 0.5 미터의 가상 원을 활용한다. 경로와 원의 접점(x_w, y_w)에 따라 USV가 이동하도록 목표 방위각을 설정함으로써, USV가 경로를 효율적으로 추종할 수 있게 한다. Fig. 16는 USV가 생성된 경로를 추종하는 과정을 시각화한 것이다.

Fig. 16 
Visualization waypoint tracking progress

본 연구에서는 USV의 방향 제어를 위해 PD(Proportional-Derivative) 제어 기법을 사용하였다. 식 (5)에서 ψ_d는 USV가 추종해야 할 목표 방위각을 나타내고, ψ는 USV의 현재 상태 방위각을 나타낸다. 상태방위각과 목표방위각의 차이를 바탕으로, 식 (6)를 사용하여 K_p 와 K_d를 통해 좌·우현 추진기의 추력 차이를 계산하고, 방향 제어를 수행한다. PD제어의 게인 값은 다수의 시행착오를 통해 Table 5와 같이 선정하였으며 두 가지의 다른 경로 생성 방식의 효율성 비교를 위해 동일한 게인을 통해 시험을 진행하였다.

방향 제어를 위해 좌·우현 추진기의 값을 식 (7),(8)을 사용하여 계산하였다. n_stbd는 우현 추진기의 회전수를 나타내고 n_port는 좌현 추진기의 회전수를 나타낸다. n₀는 전진 및 후진을 위한 추진기의 기본 회전수를 나타낸다.