저비용 교육용 드론의 고급 자율비행 구현

본 논문은 저비용 교육용 드론 플랫폼인 PiDrone에 고급 자율비행 기능을 통합한 하드웨어·소프트웨어 프레임워크를 제안한다. PiDrone는 기존 교육용 키트에 라즈베리파이 HAT와 3D 프린팅된 프로펠러 가드를 추가해 조립 난이도와 안전성을 개선했으며, 전체 비용은 225 달러 이하로 유지한다. 소프트웨어는 모듈식 아키텍처를 채택해 PID 제어, 센서 인터페이스, 상태 추정, SLAM 등을 독립적인 플러그인으로 교체·확장할 수 있다. 상태 추정은 Unscented Kalman Filter(UKF)를 중심으로 구현된다. EKF와 달리 미분이 필요 없고 비선형 시스템에 강인한 UKF는 두 가지 변형으로 제공된다. 2D UKF는 수직축(z) 위치와 속도만을 추정하며, 적외선 거리 센서의 슬랜트 레인지를 측정값으로 사용한다. 이 모델은 계산량이 적어 라즈베리파이에서 안정적인 비행을 지원한다. 7D UKF는 3축 위치·속도와 요(yaw)를 포함한 7차원 상태를 추정한다. IMU에서 얻은 가속도를 쿼터니언을 이용해 전역 좌표계로 변환하고, 다운워드 카메라와 광류를 통해 평면 위치·속도를 보완한다. 두 모델 모두 FilterPy 라이브러리를 활용해 구현했으며, 학생들은 공분산 행렬 튜닝과 측정·예측 함수 설계에 집중할 수 있다. 위치 추정(Localization)에서는 Monte Carlo Localization(MCL) 기반의 파티클 필터를 사용한다. 입자들의 움직임은 간단한 오도메트리 모델(Δx, Δy, Δθ)로 업데이트하고, 관측 모델은 OpenCV의 ORB 특징점 검출·매칭을 통해 얻은 2D 위치와 회전 정보를 이용한다. 키프레임 전략을 도입해 드론이 일정 거리 이상 이동하거나 이전 관측과 큰 차이가 있을 때만 측정 업데이트를 수행함으로써 연산 부하를 최소화한다. 입자 가중치는 위치·방향 각각에 대한 가우시안 확률 곱으로 계산되며, 실험에서는 평균 위치 오차 0.15 m, 회전 오차 5° 수준을 달성했다. SLAM은 FastSLAM 알고리즘을 적용한다. FastSLAM은 입자마다 개별 2D EKF를 사용해 랜드마크(특징점) 위치를 추정함으로써 EKF‑SLAM의 O(N²) 복잡도를 회피한다. 새로운 ORB 특징이 관측되면 랜드마크 리스트에 추가하고, 기존 랜드마크와 매칭될 경우 EKF를 업데이트한다. 입자 가중치는 관측된 특징과 기존 랜드마크 간의 매칭 확률에 기반한다. FastSLAM은 라즈베리파이에서 실시간 실행이 어려워 오프보드(ROS 기반) 컴퓨터에서 실행했으며, 이 경우에도 30 Hz 이상의 업데이트 속도로 실시간 지도 작성이 가능했다. 실험은 실내 모션 캡처 시스템을 기준으로 수행되었다. 2D UKF는 평균 위치 오차가 수십 센티미터 수준으로 가장 안정적인 비행을 제공했으며, 7D UKF는 더 풍부한 상태 정보를 제공하지만 비행 안정성 면에서는 2D 모델이 우수했다. MCL과 FastSLAM은 각각 위치 추정 및 지도 작성 정확도를 검증했으며, 파이썬 기반 구현이 라즈베리파이 4 모델 B에서 30 Hz 이상의 실시간 성능을 유지함을 확인했다. 교육적 측면에서, 모든 알고리즘이 파이썬으로 구현돼 FilterPy, OpenCV, ROS와 같은 오픈소스 라이브러리를 활용한다. 학생들은 복잡한 C/C++ 코딩 없이도 UKF 설계, 파티클 필터 튜닝, FastSLAM 구현 등을 직접 수행할 수 있다. 또한, 저비용 하드웨어와 안전 설계 덕분에 초급 학생들이 직접 조립·비행·디버깅을 경험할 수 있다. 논문은 이러한 통합 프레임워크가 로봇·드론 교육에 실질적인 가치를 제공함을 실험 결과와 교육 사례를 통해 설득력 있게 제시한다.