[Paper] 자율 항공기를 위한 시각적 헤딩 예측

Source: arXiv - 2512.09898v1

Overview

이 논문은 비전‑전용, 데이터‑구동 파이프라인을 제시하여 자율 드론(UAV)이 지상 로봇(UGV)을 신뢰성 있게 찾고, GPS나 외부 모션‑캡처 시스템에 의존하지 않고 로봇과 정렬하기 위해 회전해야 할 정확한 방위각을 계산하도록 한다. 정밀 튜닝된 YOLOv5 탐지기와 각도 회귀를 위한 초소형 신경망을 결합함으로써, 단일 온보드 카메라만으로도 서브‑도 단위의 방위 정확도를 달성하여 GPS가 차단되거나 실내 환경에서 UAV‑UGV 협업의 가능성을 열어준다.

Key Contributions

• 실시간 UGV 탐지 – 맞춤형 데이터셋(13 k개 이상의 주석 이미지)에서 ≈95 % 정확도를 달성한 YOLOv5 모델.
• 경량 방위‑예측 ANN – 바운딩 박스 기하 정보를 입력으로 받아 MAE = 0.1506°, **RMSE = 0.1957°**의 방위각을 출력.
• 엔드‑투‑엔드, 인프라‑독립 프레임워크 – 단일 단안 카메라만으로 동작하여 GNSS, LiDAR, 외부 모션‑캡처 장비가 필요 없음.
• 포괄적인 데이터셋 및 학습 파이프라인(VICON‑지상 진실 이미지) 공개로 재현성 및 추가 연구 촉진.
• 실시간 데모 – 동적 상황에서 UAV‑UGV 정렬을 시연, 실제 임무에 대한 접근성을 검증.

Methodology

1. Data Collection – VICON 모션‑캡처 시스템으로 UAV와 UGV의 정확한 자세를 기록하고, 하향형 RGB 카메라가 장면을 촬영. 13 k 프레임 이상을 수동으로 UGV 바운딩 박스와 해당 지상 진실 방위각으로 주석 처리.
2. Object Detection – 저자들은 주석된 데이터셋에 YOLOv5(인기 단계식 탐지기)를 정밀 튜닝. 모델은 보통 GPU에서 30 fps 이상으로 실행되며 UGV의 바운딩 박스(중심, 너비, 높이)를 출력.
3. Feature Extraction – 각 바운딩 박스에서 간단한 기하학적 단서(상대 크기, 이미지 중심으로부터의 오프셋)를 계산하여 UAV와 UGV 사이의 상대 방향과 연관시킴.
4. Heading Regression – 얕은 피드‑포워드 ANN(2개의 은닉층, 약 200 파라미터)이 이러한 단서를 입력받아 UAV가 UGV를 향하도록 필요한 요( yaw) 각도를 예측. 네트워크는 VICON 방위각에 대한 평균 제곱 오차 손실로 학습.
5. Inference Loop – 실제 운용 시 UAV가 프레임을 캡처하고 YOLOv5를 실행한 뒤, 바운딩 박스 특징을 ANN에 전달하여 즉시 요 회전 명령을 내려 지상 로봇과 정렬.

Results & Findings

• Detection: YOLOv5는 보류된 테스트 셋에서 정밀도/재현율 95 %를 달성했으며, 프레임당 평균 추론 시간은 12 ms.
• Angle Prediction: ANN의 MAE 0.1506°, **RMSE 0.1957°**는 예측된 방위가 지상 진실과 거의 구분되지 않음을 의미하며, UGV가 다양한 거리와 방향에 있을 때도 동일하게 유지됨.
• Robustness: 움직이는 UGV와 조명 변화 실험에서도 시스템은 서브‑도 정확도를 유지, 중간 정도의 시각적 방해에 대한 회복력을 확인.
• Real‑time Performance: 전체 파이프라인(탐지 + 회귀)은 NVIDIA Jetson Xavier에서 ≈25 fps로 동작하여 일반적인 UAV 제어 루프 요구를 충족.

Practical Implications

• GPS‑Denied Operations – 구조·수색, 실내 점검, 지하 임무 등에서 순수 비전 기반 UAV‑UGV 협조가 가능해져 하드웨어 비용 및 임무 위험이 감소.
• Swarm Scalability – 모델이 경량이므로 여러 드론이 엣지 디바이스에서 동시에 파이프라인을 실행할 수 있어 중앙 집중식 처리 없이 대규모 다중 로봇 팀 구축 가능.
• Plug‑and‑Play Integration – 단일 단안 RGB 카메라와 호환되며 기존 UAV 비행 스택(PX4, ROS 등)에 최소 코드 변경으로 삽입 가능.
• Rapid Prototyping – 공개된 데이터셋 및 학습 스크립트로 개발자는 지상 로봇의 형태, 색상, 카메라 배치 등에 맞게 시스템을 빠르게 튜닝하여 맞춤형 배포를 가속화.
• Safety & Redundancy – 비전 전용 방위 추정은 GNSS 신호가 방해·위조될 때 대체 수단을 제공, 전체 시스템 견고성을 향상.

Limitations & Future Work

• Controlled Environment Bias – 학습 데이터가 비교적 균일한 배경을 가진 실험실에서 수집돼, 복잡한 야외 장면에서의 성능 검증이 필요.
• Single‑UGV Focus – 현재 모델은 프레임당 하나의 목표만 가정; 다수의 지상 로봇이나 가림 현상을 처리하려면 추가 탐지·데이터 연관 로직이 요구됨.
• Depth Ambiguity – 단안 카메라만 사용하면 절대 거리 추정이 제한되므로, 경량 스테레오 혹은 단안 깊이 네트워크와 결합하면 장거리 정렬이 개선될 수 있음.
• Dynamic Lighting & Weather – 강렬한 조명, 비, 먼지 등 가혹 환경에서의 견고성을 향상시키기 위해 훈련 데이터 증강이나 도메인 적응 기법을 적용하는 연구가 필요.

Overall, the paper delivers a practical, low‑cost solution for UAV‑UGV heading alignment that can be immediately leveraged by developers building autonomous multi‑robot systems for GPS‑challenged environments.

Authors

• Reza Ahmari
• Ahmad Mohammadi
• Vahid Hemmati
• Mohammed Mynuddin
• Parham Kebria
• Mahmoud Nabil Mahmoud
• Xiaohong Yuan
• Abdollah Homaifar

Paper Information

• arXiv ID: 2512.09898v1
• Categories: cs.RO, cs.AI, cs.CV, cs.MA, eess.SY
• Published: December 10, 2025
• PDF: Download PDF