UAV의 자세 추정을 위한 시점 인식 기반 프레임워크의 설계 및 구현에 관한 연구 : 추가 학습이 필요 없으며 야외 환경에 강건한 하이브리드 비전 기반 접근 = TAPE: Template-Based Adaptive Pose Estimation Framework for UAVs

국문 초록 (Abstract)

비전 기반의 6자유도(6-DoF) 자세 추정 기술은 무인항공기(UAV) 분야에서 핵심적인 역할을 한다. 그럼에도 불구하고, 기존의 많은 접근법은 실제 환경에서 다소 뚜렷한 한계를 드러낸다. 예를 들어, 마커나 수작업으로 설계된 특징점을 활용하는 전통적인 방식은 구현이 단순하고 계산량이 적다는 장점이 있지만, 조명이 바뀌거나 배경이 복잡해지면 성능이 급격히 저하되는 경향이 있다. 반면, 최근 각광받는 딥러닝 기반 방법들은 정교하고 강인한 성능을 보여주지만, 라벨링된 대규모 학습 데이터가 필수이며 새로운 물체나 환경에 적응하기 위해선 재학습이 불가피하다는 현실적인 제약이 존재한다.

이러한 문제의식을 바탕으로 본 논문에서는, 추가 학습 없이도 높은 성능을 낼 수 있는 새로운 자세 추정 프레임워크를 제안한다. 구체적으로는, 사전 훈련된 시각적 특징 매칭 기법과 시점 기반 템플릿 매칭 전략을 결합하여, 대상에 대한 별도의 데이터 수집이나 학습 없이도 다양한 환경에 견고하게 적용될 수 있는 방식을 설계했다. 핵심은 보편적인 특징 추출기의 일반화 능력을 충분히 활용하면서도, 특정 객체에 특화된 학습 과정을 생략하는 것이다.

시스템 구성은 다음과 같다. 먼저 YOLO 기반 객체 탐지를 통해 추적할 대상을 식별한 뒤, 현재 시점을 고려해 가장 적절한 참조 템플릿을 선택한다. 이후, SuperPoint 알고리즘을 사용해 탐지된 영역에서 특징점을 추출하고, LightGlue를 이용해 템플릿 이미지와의 대응점을 효과적으로 찾는다. 여기서 'Coverage Score'라는 새로운 지표를 도입해, 매칭된 특징점들이 공간적으로 얼마나 고르게 분포되어 있는지를 정량적으로 평가한다. 이 과정을 통해, 자세 추정에 불리한 기하학적 조건을 사전에 걸러낼 수 있도록 했다. 마지막으로, PnP-RANSAC 알고리즘을 통해 초기 자세를 계산하고, Unscented Kalman Filter를 활용해 고속 기동 상황에서도 안정적이고 부드러운 자세 추정이 가능하도록 보완한다.

이 방법의 가장 큰 장점은, 특정 대상에 대한 추가 학습이 전혀 필요 없다는 점이다. 덕분에 새로운 항공기나 낯선 환경에도 거의 즉시 시스템을 적용할 수 있다. 실제로, 실내와 실외를 넘나드는 다양한 조건에서의 실험을 통해, 본 시스템은 최신의 학습 기반 접근법들과 비교해도 손색없는 성능을 보여주었으며, 특히 데이터 준비와 시스템 구축에 드는 시간 측면에서 뚜렷한 이점을 확인할 수 있었다.

주제어:
6자유도 자세 추정, 템플릿 기반, 단안 카메라, 특징점 대응, 칼만 필터, 무인항공기(UAV) 응용

목차 (Table of Contents)

• 제 1장 서론 1
• 1.1 연구 배경 1
• 1.2 본 연구의 공헌 2
• 1.3 논문의 구성 3
• 제 2장 시야 기반 UAV 자세 추정 프레임워크 4
• 2.1 문제 정의 및 좌표계 설정 4
• 2.1.1 문제 정의 4
• 2.1.2 좌표계 정의 4
• 2.1.3 카메라 모델 5
• 2.2 시스템 개요 7
• 제 3장 시점 기반 자세 추정 프레임워크의 세부 구성 9
• 3.1 UAV 탐지 모듈 9
• 3.2 특징 추출 및 시점 기반 매칭 11
• 제 4장 다단계 자세 추정 프레임워크 17
• 4.1 PnP 기반 자세 추정 및 정밀 보정 17
• 4.1.1 RANSAC 기반 초기 자세 추정 17
• 4.1.2 VVS 기반 정밀 자세 보정 18
• 4.2 공간 분포 기반 기하 검증 20
• 4.3 타임스탬프 기반 Unscented 칼만 필터(UKF) 21
• 4.3.1 상태 모델 및 운동 방정식 21
• 4.3.2 비동기 측정 처리 및 지연 보상 메커니즘 23
• 4.3.3 Drift 억제 및 안정성 분석 25
• 4.3.4 속도 제한 및 필터 안정화 25
• 제 5장 구현 세부사항 27
• 5.1 하드웨어 구성 27
• 5.2 소프트웨어 스택 27
• 5.3 핵심 하이퍼파라미터 설정 28
• 5.4 YOLO 학습 설정 28
• 제 6장 실험 결과 및 분석 30
• 6.1 실험 구성 및 검증 프레임워크 30
• 6.1.1 평가지표 32
• 6.2 편대기동 및 도전적 조건에서의 성능 평가 33
• 6.2.1 실내 편대 기동 (정상조건) 33
• 6.2.2 실내 편대 기동 (열악조건) 35
• 6.2.3 실외 편대 기동 38
• 6.3 최신 기법과의 비교 분석 39
• 6.3.1 비교 실험을 위한 학습 데이터 구축 40
• 6.3.2 실내 환경 비교 41
• 6.3.3 실외 환경 비교 42
• 6.4 실외 비행 시험 및 실사용 검증 47
• 6.4.1 실험 구성 47
• 6.4.2 GPS 기반 위치 검증 47
• 6.4.3 자세 추정 결과 및 3D 궤적 시각화 48
• 6.4.4 실사용 환경에서의 강건성 검증 49
• 6.5 실패 사례 분석 51
• 6.5.1 극단 시점에서의 특징점 부족 51
• 6.5.2 카메라 캘리브레이션 민감도 52
• 6.5.3 텍스처가 부족한물체 54
• 6.5.4 소결 55
• 제 7장 결론 56
• 7.1 핵심 기여 56
• 7.2 향후 연구 방향 57
• 참고문헌 59
• 영문요약 62