딥러닝 기반 드론 제어 기술의 혁신: 실시간 적응형 오류 허용 시스템

김도현, 이동우, 방효충, 배정호 연구팀이 개발한 새로운 강화학습 기반 오류 허용 제어 시스템은 변환기 기반 실시간 적응 모듈을 통해 드론의 적응성과 안정성을 크게 향상시켰습니다. PyBullet 시뮬레이션 결과 95%의 성공률과 낮은 RMSE 값을 기록하며 기존 기술을 뛰어넘는 성능을 입증했습니다.

다양한 분야에서 활약하는 멀티로터(다중 회전익 항공기, 즉 드론)는 액추에이터 고장에 매우 취약합니다. 고장 발생 시 급격한 불안정성으로 이어지고 임무 수행의 신뢰성이 크게 저하됩니다. 기존의 강화학습(Reinforcement Learning, RL) 기반 오류 허용 제어(Fault-Tolerant Control, FTC) 전략들은 드론 모델에 대한 사전 지식이 필요하거나 새로운 구성에 적응하는 데 어려움을 겪었습니다.

김도현, 이동우, 방효충, 배정호 연구팀은 이러한 한계를 극복하기 위해 변환기(Transformer) 기반 실시간 적응 모듈이 통합된 새로운 하이브리드 RL 기반 FTC 프레임워크를 제시했습니다. 이 프레임워크는 변환기 아키텍처를 활용하여 실시간으로 잠재적 표현을 추론하여 재훈련 없이 이전에 보지 못한 시스템 모델에도 적응할 수 있습니다.

PyBullet 시뮬레이션을 통해 효과 손실 액추에이터 고장 상황에서 이 방법을 평가한 결과, 95%의 성공률과 0.129m의 위치 RMSE(Root Mean Square Error) 를 달성했습니다. 이는 기존 적응 방법(86% 성공률, 0.153m RMSE)을 능가하는 성과입니다. 다양한 구성의 쿼드로터에 대한 추가 평가를 통해 훈련되지 않은 역학에서도 프레임워크의 강건성을 확인했습니다.

이 연구 결과는 동적이고 불확실한 환경에서 효율적인 오류 관리를 가능하게 하여 멀티로터의 적응성과 신뢰성을 향상시키는 잠재력을 보여줍니다. 자세한 내용은 http://00dhkim.me/paper/rl-ftc 에서 확인할 수 있습니다. 이 연구는 드론 기술의 안전성과 신뢰성을 한 단계 끌어올리는 중요한 발걸음이며, 향후 다양한 로봇 공학 및 자율주행 분야에 혁신적인 영향을 미칠 것으로 기대됩니다. 🤖🚀