단일 UAV 플래너를 재사용하는 중앙 집중형 다중 UAV 탐사 및 3D 재구성 프레임워크

기존 단일 UAV 표본 기반 탐사 플래너를 핵심 로직 변경 없이 중앙 집중형 다중 UAV 시스템에서 사용할 수 있는가, 그리고 초기 배치 전략이 다중 UAV 탐사 효율에 어떤 영향을 미치는가?

단일 UAV 탐사 플래너를 여러 대로 확장하면 여러 센서 데이터를 하나의 일관된 지도로 융합해야 하고, UAV 간 충돌을 피해야 하며, 다른 UAV를 정적 장애물로 재구성하지 않도록 해야 한다. 기존 voxblox는 단일 센서 통합용으로 설계돼 다중 UAV 센서 융합을 직접 지원하지 않는다. UAV가 서로를 지도에 남기면 이후 경로 계획에서 탐사 공간이 잘못 제한된다.

기존 다중 로봇 탐사 연구는 시장 기반 작업 할당, 유틸리티 기반 프런티어 할당, 분산 협력 계획 같은 전용 협력 알고리즘을 주로 설계했다. 이런 방식은 탐사 로직 자체를 다중 로봇용으로 다시 구성해야 해서 단일 로봇에서 검증된 표본 기반 플래너를 그대로 재사용하기 어렵다. voxblox 기반의 c-blox와 voxgraph는 서브맵 융합을 지원하지만 계산 부담이 커 실시간 다중 UAV 매핑에는 제약이 있다.

각 UAV에 로컬 voxblox 서브맵을 유지하고 고주파 깊이 측정을 로컬 TSDF에 통합한 뒤, 중앙 서버에서 로컬 서브맵의 가중 평균을 이용해 전역 TSDF를 병합한다. UAV가 현재 목표 지점 근처에 도달하면 서버가 전역 지도와 공유 활성 경로 캐시를 이용해 RH-NBVP, AEP, KRH-NBVP, KAEP 같은 기존 단일 UAV 플래너의 핵심 표본 추출 로직을 그대로 실행하고, 정적 장애물 및 다른 UAV 경로와 충돌하지 않는 경로만 반환한다. 다른 UAV 위치 주변의 구형 영역에 있는 포인트클라우드를 필터링해 로봇이 지도에 정적 장애물로 남지 않게 한다.

Maze(20x18x2.5m), Police Station(20x20x15m), School(50x35x20m)의 시뮬레이션 환경에서 3대 DJI F450 UAV와 Intel RealSense D435i 깊이 카메라를 사용해 평가했다. Maze는 Separated Start만, Police Station과 School은 Joint Start와 Separated Start를 각각 5회 반복했다. 모든 환경과 플래너에서 KAEP가 가장 빨랐고, Separated Start가 Joint Start보다 E25%, E50%, E95% 도달 시간이 일관되게 짧았다. Police Station에서 Separated Start KAEP는 E95% 2.60±0.18분, Joint Start KAEP는 2.96±0.32분이었고, 최종 커버리지는 각각 99.72±0.12%, 99.62±0.24%였다. School에서는 Separated Start KAEP가 E95% 5.35±0.37분, Joint Start KAEP가 5.86±1.06분이었다. Maze Separated Start에서는 네 플래너 모두 최종 커버리지 100.0±0.0%를 달성했고, KAEP의 E95%는 59.04±2.81초였다. 중앙 맵 RMSE는 Police Station 0.24±0.20m, School 0.19±0.15m로 복셀 해상도 0.2m 수준이었다. School 기준 로컬 TSDF 통합은 평균 87.0±13.1ms, 중앙 TSDF 병합은 8.6±8.5ms였다.

평가는 시뮬레이션에서만 수행됐고 실제 UAV 실험은 없다. 중앙 서버가 단일 고장점이며 UAV 수가 늘어날수록 확장성이 제한된다. 정확한 상태 추정을 위해 시뮬레이션에서 RTK-GPS를 가정했고, GPS가 없는 환경에서는 별도의 다중 에이전트 SLAM이 필요하다. Maze에서는 협소한 통로 때문에 Joint Start를 평가하지 않았다. 공유 경로 기반 충돌 회피는 통신 지연과 비동기성에 따른 안전 여유가 정량적으로 검증되지 않았다. 아직 동료 심사를 거친 학술지 게재 여부는 확인되지 않은 프리프린트다.