증강현실 마커 기반 시뮬레이션을 이용한 무인 수중 차량의 자세 추정

요약

본 연구는 ArUco 마커를 이용한 자율 수중 차량의 자세 추정을 위한 ROS–가제보 기반 단안시 시각 프레임워크를 제시합니다. 추정된 자세는 시뮬레이션된 주행 거리와 비교되어, 안정적인 추적과 통제된 조건 하에서의 지상 진실과의 강한 일치를 보여줍니다.

초록

본 연구는 ROS–정자 환경에서 단안시각 시스템을 이용한 무인 수중 우주선(UUV)의 자세 추정을 위한 시뮬레이션 기반 프레임워크를 제시합니다. RexRov2 UUV 모델은 ArUco_ROS와 통합되어 가상 마커를 감지하고 시뮬레이션된 수중 환경에서 위치 및 방향을 추정하는 데 사용됩니다. 포즈 추정에는 원근점-적분(PnP) 방법이 적용되며, 비례적분-미분(PID) 컨트롤러는 마커에서 유도된 특징을 기반으로 차량 움직임을 조절합니다. 시스템은 추정된 자세와 시뮬레이터에서 얻은 실제 주행 거리를 비교하여 평가됩니다. 명목상 조건에서 결과는 추정된 위치와 실제 위치 및 방향 간에 매우 일치하는 안정적인 자세 추정을 보여준다. 시스템은 최소한의 변동으로 부드러운 궤적 추적을 유지하여 통제된 환경에서 신뢰할 수 있는 성능을 나타냅니다. 그러나 유체역학적 교란이 증가하면, 시스템은 위치와 방향에 편차가 나타나 추적 성능에 불안정성을 초래합니다. 이 결과들은 비선형 수중 환경에서 고전적 PID 제어의 한계를 강조하며, 보다 견고한 제어 전략의 필요성을 시사합니다. 전반적으로 제안된 프레임워크는 수중 항법 알고리즘을 테스트하고 시뮬레이션 환경에서 인지-제어 통합 평가를 위한 안전하고 유연하며 비용 효율적인 플랫폼을 제공합니다.

서론

무인 수중 차량(UUV)은 해양 모니터링, 탐사, 석유 산업과 같이 인간 존재가 제한적인 상황에서 일반적으로 사용됩니다. 복잡한 수중 환경에서 데이터를 수집할 수 있는 첨단 센서를 갖추고 있어 견고하고 비용 효율적인 시험 플랫폼이 필요합니다. ArUco 마커를 이용한 비전 기반 시뮬레이션 기법을 포함한 시뮬레이션 기법은 실제 UUV 배치와 관련된 위험을 줄이는 효과적인 수단을 제공합니다.

최초의 특수 목적 수중 연구 차량부터 현대 자율 수중 차량에 이르기까지 UUV의 역사는 연구, 방위, 산업에서 UUV의 중요성을 강조합니다^. 자율 수중 차량의 진화는 시뮬레이션 환경 내에서 정확한 위치 선정, 항법 및 테스트의 필요성을 더욱 강조합니다 ^2,3.

그림 1은 UUV 시뮬레이션 시스템의 전통적인 아키텍처를 보여줍니다. 로봇 운영체제(ROS)와 가제보 시뮬레이터의 결합은 모델링, 제어, 실시간 통신을 위한 다목적 플랫폼을 제공합니다. ROS는 센서, 액추에이터, 제어 모듈 간의 효율적인 통신을 촉진하며, Gazebo는 항법 및 제어 알고리즘 ^4,5를 테스트하기 위한 현실적인 3D 시뮬레이션 환경을 제공합니다. 이 맥락에서 ArUco 마커 기반 방법은 기준점의 정밀한 탐지 및 추적을 가능하게 하여 자세 추정을 향상시킵니다^.

그림 1: UUV 시뮬레이션 시스템의 기존 아키텍처.도표는 ROS–정자 프레임워크 내에서 시뮬레이션, 지각, 제어 구성 요소 간의 상호작용을 보여줍니다. 이 그림의 더 큰 버전을 보시려면 여기를 클릭해 주세요.

여러 연구에서 UUV 시뮬레이션, 항법,^{인식 기술이} 발전했습니다. ROS–Gazebo 프레임워크의 로봇 모델링에 적합성이 입증^{되었으며, 이} 접근법은 UUV 시뮬레이터를 통해 다중 로봇 및 개입 작업의 수중 응용 분야로 확장되었습니다⁵. 비전 기반 위치 측정도 ArUco 마커와 추적 알고리즘을 결합하여 개선^{되었습니다.} 마찬가지로, 첨단 시뮬레이션 플랫폼⁸을 통해 고충실도 시뮬레이션과 수중 임무 감독이 가능했으며, 피듀셜 마커를 이용한 밀폐 환경에서 견고한 위치 결정도 입증^{되었습니다.}

이러한 기술 발전은 설문조사 연구로 보완됩니다. 수중 항법 및 위치 파악 도전 과제의 발전이 포괄적으로 검토되었으며^, 상업용 및 오픈소스 시뮬레이션 플랫폼이 체계적으로 평가^{되었습니다.} 추가 검토에서는 자율 수^{중 차량의} 최신 기술과 다중^{차량 시스템의 편}대 제어 및 통신 전략을 검토했습니다. 더불어, 견고한 추적 제어¹⁵와 게이트 리퀴터럴^{유닛 16}과 같은 딥러닝 접근법을 이용한 상태 추정의 발전은 자율 수중 임무의 신뢰성을 더욱 향상시켰습니다. 이 연구들은 시뮬레이션, 항법, 그리고 UUV의 지능적 제어의 현실성에서 상당한 진전을 보여준다.

이러한 발전에도 불구하고 여러 연구 과제가 여전히 남아 있습니다. 전류 시뮬레이터는 특히 전방 투시와 측면 스캔 소나 시스템에 대해 정확한 센서 모델이 부족합니다. 대부분의 플랫폼은 단일 AUV 작전만 지원하며, 다 AUV 조정 및 편대 능력은 제한적입니다. 센서 및 동적 모델의 부정확성은 최적의 성능을 저하시킬 수 있으며, 전류와 잡음과 같은 환경 교란은 시뮬레이터 전반에 걸쳐 일관되게 모델링되지 않습니다. 이러한 한계를 해결하기 위해 본 연구는 ArUco 마커 기반 자세 추정을 포함한 ROS–Gazebo 시뮬레이션 프레임워크를 도입하여 보다 정확한 상태 추정과 UUV 내비게이션 알고리즘의 엄밀한 평가를 가능하게 합니다.

이 연구는 세 가지 주요 기여를 제공합니다. 첫째, RexRov2 모델을 사용하여 수중 ROS–가제보 시뮬레이션 환경에서 ArUco 기반 단안경 자세 추정 접근법을 제시합니다. 둘째, 다양한 교란 조건과 제어 시나리오에서의 자세 안정성을 분석합니다. 셋째, 동적 교란 하에서 비선형 수중 환경에서 고전적 PID 제어의 한계를 규명합니다. 또한, 이 연구는 지각, 제어, 시뮬레이션을 통합하여 독립적으로 다루던 이전 연구들의 공백을 메우는 통합 프레임워크를 구축합니다.

프로토콜

1. 소프트웨어 환경 설정

Ubuntu 20.04와 로봇 운영체제(ROS) Noetic을 실행하는 리눅스 기반 워크스테이션이 수중 자기 위치 확인 시스템¹⁷을 구현하는 주요 개발 플랫폼으로 사용되었습니다. 시스템은 mkdir -p ~/catkin_ws/src로 catkin 작업 공간을 생성한 후 catkin_init_workspace로 초기화하여 초기화되었습니다. uuv_simulator와 aruco_ros 패키지는 소스 디렉터리에 복제되어 catkin_make 명령어로 컴파일되어 수중 개입 모델링을 지원했습니다.

ROS 미들웨어와 Gazebo 9 시뮬레이터 간의 연결성은 기본 수중 세계를 실행하고 rostopic list 명령어를 통한 활성 통신 확인을 통해 확인되었습니다. 이미지 처리 및 포즈 추정 노드는 Python 3.8과 OpenCV를 이용한 상대 포즈를 계산하기 위해 ArUco 라이브러리를 통합하여 구현되었습니다. ROS 환경은 의존성을 관리하고 실시간 데이터 통신을 가능하게 구성되어 로봇이 여러 인공 마커에 대해 스스로를 위치화할 수 있도록 했습니다¹⁸. 이 구성은 다양한 조건에서 마커 탐지 성능 평가도 가능하게 했습니다. 그림 1 은 ROS–정자 환경에서 시뮬레이션, 지각, 시각화 노드 간의 통신을 보여줍니다.

2. UUV 모델 및 유체역학적 매개변수화

RexRov2 차량 모델은 uuv_descriptions 패키지에서 추출되어 Gazebo에서 통합 로봇 설명 형식(URDF) 파일⁵를 사용해 출시되었습니다. 차량 모델은 링크와 조인트로 구성되었으며, 건조 중량은 1,863kg, 부피 배수량은 1.838 m³로, 밀도 1,000 kg/^{m 3}의 물에서 거의 중성 부력에 해당합니다.

uuv_underwater_object_plugin를 사용하여 선형 및 이차 감쇠력을 포함한 유체역학 효과가 모델링되었습니다. 추가된 질량 서지 계수는 779.79로 설정되었고, 감쇠 파라미터는 보고된 RexRov2 특성을 기반으로 보정되어 실제 차량 움직임¹⁹를 시뮬레이션했습니다. 그림 2 는 전체 시뮬레이션 아키텍처를 보여줍니다.

그림 2: 시뮬레이션 환경의 전체 아키텍처. 그림은 포즈 추정 및 내비게이션에 사용되는 UUV 모델, 센서 입력, 인지 파이프라인, 제어 모듈의 통합을 보여줍니다. 이 그림의 더 큰 버전을 보시려면 여기를 클릭해 주세요.

3. 카메라, 마커 및 환경 설정

단안경 카메라가 rexrov2/camera_link 프레임에 부착되었습니다. 카메라 파라미터는 1280 × 720 픽셀, 30 Hz로 설정되었습니다. 카메라 구성 파일에는 초점 거리 554.25 픽셀과 주점이 (640.5, 360.5)로 정의되었습니다.

변길이 0.5m의 고정 수직 ArUco 마커는 6×6_250 사전(ID: 582)에서 선택되어 좌표 (20.0, 0.0, -10.0)에 위치했습니다. 시뮬레이션 환경은 수심 10m, X 방향 0.1m/s 정류 속도로 /uuv_simulation_app/set_current_velocity ROS 서비스를 사용해 구성되었습니다. 마커^가시성을 보장하기 위해 0.8의 빛 세기가 사용되었습니다. 그림 3 은 시뮬레이션된 수중 환경을 보여줍니다.

그림 3: 가제보 9의 시뮬레이션 수중 환경. 환경에는 RexRov2 UUV, 가상 ArUco 마커, 수심, 조명, 수류와 같은 통제된 환경 조건이 포함됩니다. 이 그림의 더 큰 버전을 보시려면 여기를 클릭해 주세요.

4. 자세 추정 및 내비게이션 제어

마커 탐지 파이프라인은 ArUco ROS 노드를 통해 시작되었으며, 이 노드는 /rexrov2/forward_camera/image_raw 주제를 구독했습니다. 차량의 자세는 Perspective-n-Point(PnP) 방법을 사용하여 알려진 3D 마커 기하학에 대해 회전 행렬(R)과 평행진 벡터(t)를 계산했습니다.

추정된 자세는 정적 변환 출판사를 사용해 카메라 프레임에서 전역 기준 프레임으로 변환되었습니다. PID 컨트롤러를 사용해 /rexrov2/thruster_manager/input 주제에 속도 명령을 보내 차량 움직임을 조절했습니다. 서지와 히브 축의 비례 이득(Kp)은 각각 1500과 2000으로 설정되어 안정적인^{추적 성능을 보장}했습니다.

5. 평가 및 현장 진실 비교

시각 기반 자세 추정과 시뮬레이션된 궤적 간의 일치는 uuv_gazebo_ros_p3d 플러그인에서 제공하는 /rexrov2/pose_gt 주제를 사용하여 평가되었습니다. ArUco 기반 파이프라인에서 추정된 자세를 실제 주행 거리 측정 데이터와 비교하여 시스템의 안정성과 일관성을 평가했습니다.

평가는 궤적 비교와 실시간 시각화를 통해 수행되었으며, 위치(X, Y, Z)와 방향(롤, 피치, 요)을 Rviz와 rqt_plot을 사용해 모니터링하였습니다. 이를 통해 정상 조건과 교란 유발 조건 모두에서 편차를 관찰할 수 있었습니다.

이 연구는 정성적 및 비교적 평가에 중점을 둡니다. 평균평균근 오차(RMSE)를 이용한 정량적 평가는 향후 연구로 확인되며, 여러 시뮬레이션 실행을 통해 위치 및 방향 오차를 평가할 예정입니다.

6. 결과 생성 및 시각화

Rviz는 UUV 궤적과 자세를 모니터링하는 3D 시각화 도구로 사용되었습니다. /rexrov2/camera_link와 /aruco_marker_frame 좌표계를 시각화하여 차량과 마커² 간의 공간적 관계를 평가하였습니다.

rqt_plot 도구는 /rexrov2/pose_gt 및 /aruco_pose 주제를 사용하여 차량 자세(롤, 피치, 요)의 실시간 플롯을 생성하는 데 사용되었습니다. rosbag record 명령어는 비디오 스트림과 제어 입력을 포함한 시뮬레이션 데이터를 캡처하여 정성적 분석을 수행하는 데 사용되었습니다.

시뮬레이션은 이상적인 시각 조건에서 수행되었으며, 좋은 조명과 낮은 탁도를 가정했습니다. 아루코 표지판은 방해받지 않은 상태로 유지된 것으로 추정되었습니다. 유체역학적 감쇠 효과는 단순화된 계수를 사용해 모델링되었으며, 센서 노이즈는 포함되지 않았습니다.

결과

RexRov2 UUV를 이용한 제안된 ROS–가제보 기반 시스템을 평가하기 위해 시뮬레이션된 수중 환경을 사용했습니다. 파동 시뮬레이션 환경(그림 3)은 마커 기반 포즈 추정 시스템 평가를 위한 동적이면서도 통제된 환경을 제공했습니다.

그림 4 는 검출된 ArUco 마커와 결과적인 UUV 궤적 간의 관계를 보여줍니다. ArUco 마커 탐지를 기반으로 한 인지(perception pipeline)는 실시간으로 피듀셜 마커를 성공적으로 탐지하고 추적했습니다. 이 인식 파이프라인은 RexRov2 모델 및 PID 컨트롤러(그림 5)와 통합되어 차량 자세를 마커에 대해 실시간으로 추정할 수 있게 되었습니다. 검출 결과는 원근점(Perspective-n-Point, PnP...

토론

수치적 관측은 통제된 조건 하에서 제안된 프레임워크의 효과를 뒷받침합니다. 위치(약 10^⁻² m 정도)와 방향(약 10^⁻² 라드) 정도의 미세한 변화는 안정적인 포즈 트래킹을 나타냅니다. 이 결과들은 ArUco 마커가 단거리^{위치 파악에} 신뢰할 수 있는 기준 6을 제공함을 보여줍니다. 또한, 시뮬레이션 플랫폼을 통해 견고한 SLAM을 위한 특수 데이터셋 생성이 가능하며, 인공 마커가 없을 수 있는 환경에서도 위치 추적을^{지원합니다.}

이 결과는 또한 비선형 수중 환경에서의 고전적 PID 제어의 한계를 부각시킵니다. 적응력 부족은 동적 교란 하에서 과도한 과잉과 불안정성을 초래^합니다. 이 한계는 입자 필터 기반 추정이나 시각-관성^...

재료

이 논문에 사용된 재료 목록

이름	회사	카탈로그 번호	댓글
ArUco 마커 탐지 라이브러리	OpenCV	N/A (오픈 소스)	포즈 추정을 위한 비전 기반 마커 탐지
Gazebo 시뮬레이터	Open Robotics	N/A (오픈 소스)	UUV 테스트를 위한 3D 시뮬레이션 환경
REXROV2 UUV 모델	UUV 시뮬레이터 프로젝트	N/A (오픈 소스)	포즈 추정 실험에 사용되는 미리 정의된 UUV 모델
로봇 운영 시스템 (ROS)	Open Robotics	N/A (오픈 소스)	통신 및 제어를 위한 미들웨어
RViz	Open Robotics	N/A (오픈 소스)	UUV 모델 및 센서 데이터 시각화 도구
Ubuntu Linux (20.04 LTS)	Canonical Ltd.	N/A	ROS 및 Gazebo를 지원하는 운영 체제
UUV 시뮬레이터 패키지	노르웨이 과학 기술 대학교 (NTNU)	N/A (오픈 소스)	ROS-Gazebo 수중 시뮬레이션 프레임워크