Camera-Sonar Fusion 능동 매핑으로 수중 쓰레기 탐색 가속
이 프리프린트는 전방 소나와 카메라를 공유 Bayesian 점유 맵에 융합하고, 엔트로피 기반 탐색과 객체 후보 활용을 절충하는 next-best-view 계획으로 수중 쓰레기를 능동 탐색하는 방법을 제안했다. MARUS 시뮬레이터에서 11개 객체를 대상으로 한 실험에서 능동 매핑은 27m 이동 만에 11개를 모두 찾아 110m가 걸린 lawnmower 주행보다 빨랐고, 이중 센서 융합은 단일 센서보다 약 2배 빨랐다.
수중 로봇이 카메라와 소나를 융합한 능동적 next-best-view 탐색으로 고정 경로보다 해저 쓰레기를 더 빨리 찾을 수 있는가?
수중 쓰레기 조사에서 광학 카메라는 탁도와 조명 변화에 취약하고, 소나는 노이즈와 저해상도 문제가 있다. 기존 조사는 사전 정의된 lawnmower 같은 균일 경로를 따라가 이미 확인된 영역을 다시 관측하거나 불확실한 영역을 놓쳐 시간과 에너지를 낭비한다.
기존 시스템은 lawnmower, spiral 같은 고정 커버리지 경로를 쓰거나 단일 센서에 의존했다. 정보 이득 기반 능동 매핑도 대부분 전체 맵 불확실성 감소(상호정보량, 엔트로피 등)를 목표로 해서, 쓰레기 후보 확인을 우선시하지 않았다. 카메라-소나 융합 연구는 SLAM의 자세 불확실성 감소에 초점을 맞춰 특정 표적 탐색에는 적합하지 않았다.
전방 소나와 RGB 카메라를 Octomap 기반 3D 점유 그리드에 조건부 독립으로 융합한다. 각 센서는 Mask R-CNN(ResNet-50+FPN)으로 분할하고 temperature scaling으로 현실적 불확실성을 반영하며, 거리, 방위각에 따른 탐지 확률과 오탐 확률 테이블을 데이터로 추정해 Bayesian 업데이트에 사용한다. 후보 waypoint는 시야 안 복셀의 엔트로피 합(탐색)과 점유 확률 [0.7, 0.95] 구간에 있는 객체 후보 지시 함수(활용)의 가중합 α=5로 평가해 next-best-view를 선택한다.
MARUS 시뮬레이터의 [5,38]×[0,24] m 해저 장면, 11개 객체(큐브, 구), MiniTortuga UUV, 속도 0.7 m/s. 카메라 15Hz, 60° FOV, 소나 20Hz, 120°×60° FOV, 최대 30m. 이중 센서 능동 매핑은 27m 이동 만에 11/11개 객체를 발견했고, lawnmower는 같은 거리에서 4개, 전체 발견까지 110m가 걸렸다. 이중 센서 능동 매핑은 단일 센서(소나 단독, 카메라 단독)보다 모든 객체 발견까지 약 2배 빨랐고, 단일 센서 간에는 명확한 우위가 없었다. 두 번째 배치 시나리오에서도 능동 탐색의 우위가 유지됐다.
저자들은 시뮬레이션만 사용했고 실해역 검증은 향후 과제로 남겼다. 센서 모델은 소나와 카메라의 조건부 독립, 정확한 자세, 정지된 쓰레기를 가정한다. 시뮬레이터에서 분할 성능이 거의 이상적이라 temperature scaling으로 열화시켰지만 실제 탁도, 해양 부유물, 센서 노이즈와의 간극은 남는다. 실험은 단일 UUV, 11개 객체, 두 가지 배치로 제한됐고 코드 공개 여부는 논문에 보고되지 않았다.
해양 쓰레기 수거(SeaClear2.0 등)와 수중 조사, 검사 로봇에 적용 가능하다. 지금은 시뮬레이션 검증 단계이므로, 실제 적용은 1~3년 뒤 실해역 시험과 센서 모델 보정, 멀티로봇 협력 확장이 이뤄진 뒤 가능할 전망이다. 그 전에 실제 수중 데이터로 Mask R-CNN과 센서 확률 테이블을 재학습하고, 제한된 연산 자원에서 실시간 계획이 가능한지 확인해야 한다.
이 논문은 라이선스상 전문을 게재할 수 없어 요약과 원문 링크만 제공합니다.