LiDARFlow, 미지 환경에서 온보드 LiDAR와 PGFlow 패널 방식으로 실시간 회피하는 MAV 유도

미지의 복잡한 실내 환경에서 온보드 LiDAR 측정만으로 충돌 없는 MAV 유도가 가능한가?

수색구조나 재난 현장처럼 사전 지도가 없는 환경에서는 MAV가 장애물을 스스로 감지하고 회피해야 한다. 기존 최적화 기반 경로 계획은 지도 구축과 최적화 계산 부담이 커서 소형 MAV의 온보드 하드웨어에서 재계획 속도가 제한되고, 반응형 방법 중 전위장 방식은 국소 최소점에 갇혀 목표에 도달하지 못할 수 있다.

최적화 기반으로는 FASTER, MADER, EGO-Planner 등이 쓰였고, 반응형으로는 LiDAR 기반 CBF 필터, 속도 장애물, 전위장 및 유도 벡터장 방법이 쓰였다. 최적화 기반은 전역 지도를 만들고 유지해야 하며 연산 요구가 크다. 기존 PGFlow 전위장 방식은 장애물 위치와 기하를 미리 알아야 했고, 미지 환경 확장은 지상 로봇이나 시뮬레이션, 하드웨어 인 루프 시뮬레이션에 그쳤다.

LiDARFlow는 Livox MID-360 LiDAR 점군을 0.2m 복셀로 다운샘플링하고 관심 영역 필터, 클러스터링, 반복 RANSAC 선분 추출, 시간 세그먼트 맵으로 변환해 장애물 패널을 온라인으로 만든다. 이 패널을 유체역학 패널 방법 기반 PGFlow에 입력해 2D 수평면 회피장을 만들고, 수렴형 유도 벡터장의 공칭 속도 명령에 중첩한다. C++ LiDAR 드라이버, Python 유도 모듈, Paparazzi 오토파일럿, Raspberry Pi 5를 하나의 온보드 시스템으로 통합했다.

프랑스 ENAC 툴루즈의 10×10m 실내 비행장에서 1.2kg 쿼드로터로 실물 비행 검증을 했다. 최대 속도는 0.5m/s였고, 상태 추정은 OptiTrack 외부 모션캡처를 사용했다. 경유점 시나리오에서는 A(-2,-4)에서 B(2,4)로 갔다가 복귀하며 고정 장애물 2개를 피해 성공했다. 방향 유도 시나리오에서는 명령 방향이 (0,1)에서 (1,0)으로 바뀌는 동안 고정 장애물 3개를 피해 성공했다. 기준 모델과의 정량 비교는 보고되지 않았다. PGFlow 알고리즘은 100Hz로 동작했고, 패널 수 n에 대한 행렬 역산은 O(n^3) 복잡도를 보였다. 1Hz에서 최대 2025개, 5Hz 1100개, 10Hz 725개, 20Hz 506개 패널까지 실시간 장애물 회피가 가능하다고 보고했다.

저자들은 장애물 검출이 불안정해 추정된 장애물 크기가 프레임마다 변하고, 이로 인해 궤적에 진동과 급격한 회전이 나타났다고 밝혔다. 상태 추정을 외부 OptiTrack에 의존해 온보드 위치 추정은 검증하지 않았고, z축 운동은 무시한 2D 수평면 유도만 다뤘다. 실험 속도는 약 0.5m/s로 낮았고 모든 장애물은 정적이며 볼록 장애물만 사용했다. 빠르게 움직이는 장애물, 오목 장애물, 다중 MAV 운용은 검증되지 않았다. PGFlow 중첩이 국소 최소점을 피한다는 공식 증명도 제시되지 않았다. 점군 전체가 C++ 드라이버에서 Python 모듈로 TCP 전송되는 통신 오버헤드도 한계로 지적됐다.