제7부 자율성·군집

7.1 인지와 상황 인식: 장애물 탐지·의미 지도·불확실성

7.1.1 이 장에서 배우는 것 / 선수 지식 / 특히 중요한 독자

제7부는 무인기가 스스로 판단하는 일을 다룬다. 판단은 무엇이 어디에 있는지 아는 데서 시작한다. 제6부가 센서 하나하나의 물리를 다뤘고 2.14이 다른 항공기를 피하는 일을 다뤘다면, 이 장은 센서의 원신호를 기체가 사용할 수 있는 세계 모형으로 바꾸는 사슬을 다룬다. 대상은 전선·나무·건물·지형·착륙면처럼 정지한 장애물과, 그 위를 지나면 안 되는 사람이다. 그리고 그 모형이 얼마나 틀릴 수 있는지를 계획과 런타임 보증에 어떻게 넘기는지를 묻는다.

배우는 것:

• 인지의 사슬 — 감지→탐지·분류→추정·추적→지도·세계 모형→판단 입력, 그리고 단계마다 사용하는 시간.
• 장애물의 필요 탐지 거리 — 2.14.5의 논리를 정지 장애물로 옮긴 식, 그리고 거꾸로 읽어 얻는 "감지 거리가 허용하는 최대 속도".
• 센서 융합과 시각 동기 — 초기·중간·후기 융합, 동기 오차가 만드는 위치 오차, 결합 논리(OR·AND)의 교환.
• 점유 격자와 의미 지도 — 로그 오즈 베이즈 갱신, 가는 장애물이 지도에서 지워지는 기제, 부류가 계획에 주는 뜻.
• 불확실성의 표현과 전파 — 공분산을 여유 폭으로 바꾸는 법, 분류 신뢰도의 교정(calibration)과 분포 이동.
• 실패 모드와 인터페이스 — 전선·투명·반사·어둠에서 인지가 조용히 틀리는 방식과, 계획(7.2)·런타임 보증(7.8)에 넘길 항목.

선수 지식: 다른 항공기에 대한 필요 탐지 거리는 2.14.5, 카메라의 화소와 거리는 2.14.8, LiDAR의 거리와 반사율은 6.6.3.3, 안개와 야간의 센서 한계는 4.11.8·4.11.10.3, 탐지 성능 지표와 기저율은 6.12.6이다. 칼만 필터의 예측과 갱신은 4.4.3, 시각 항법과 SLAM은 4.7, LiDAR SLAM은 4.10이 다룬다. 수식은 확률과 로그 수준이다.

특히 중요한 독자: 엔지니어는 7.1.4(필요 거리)·7.1.6(점유 격자)·7.1.10(워크스루)을 본다. 인증·규제 담당자는 7.1.7(불확실성)·7.1.9(인터페이스)·7.1.14를 먼저 읽는다. 인지 성능을 무엇으로 입증할지가 거기서 결정된다. 사업 담당자는 7.1.4.3의 표 하나로 센서가 임무 속도와 생산성을 어떻게 묶는지 볼 수 있다.

기준 시점과 경계. 이 장은 2026년 10월을 기준으로, 지식은 2026년 중반까지 반영했다. 수치는 모두 일반적 모형, 교육용 가정이며 특정 센서·알고리즘·제품의 성능이 아니다. 계산은 파이썬(표준 라이브러리 math·random, 시뮬레이션은 고정 시드)으로 했다(mil-uam/fig-src/7.1-calc.py). 제품 수치는 (공개 주장치), 확인하지 못한 것은 (확인 필요)로 적는다. 이 장의 인지는 안전한 비행을 위한 인지다. 사람은 "그 위를 날면 안 되는 대상"으로서 부류를 탐지하는 데까지만 다루며, 특정인을 식별하거나 추적하는 구현과 표적 탐지·선정은 다루지 않는다(규범은 19.3·19.12).

7.1.2 개념·직관 — 보는 것과 아는 것

센서는 본다. 카메라는 화소의 밝기를, LiDAR는 점까지의 거리를, 레이더는 반사의 세기와 도플러를 낸다. 그러나 기체가 필요한 것은 "앞 40 m에 전선이 있고, 그 아래 공터는 착륙할 수 있으며, 왼쪽 사람들은 1분 뒤에도 거기 있을 것"이라는 앎이다. 사람의 상황 인식 연구는 이것을 세 단계로 나눈다(Endsley, 1995). 지각(요소를 알아챔), 이해(그것이 목표에 무엇을 뜻하는지 앎), 예측(곧 어떻게 될지 내다봄)이다. 기계의 인지도 같은 단계를 밟는다. 탐지·분류가 지각이고, 의미 지도가 이해이며, 추적과 예측이 예측이다.

이 장에서 반복되는 생각은 셋이다.

1. 인지 거리가 속도를 정한다. 기체가 멈추거나 돌아서는 데 필요한 거리보다 먼저 알아채야 한다. 그래서 같은 기체라도 센서와 환경이 허용하는 속도가 다르고, 그 속도가 임무의 생산성을 정한다(7.1.4).
2. "모름"은 "비어 있음"이 아니다. 센서가 보지 못한 곳과 보았는데 아무것도 없던 곳을 구분해야 한다. 가는 장애물은 이 구분이 붕괴하는 대표적인 경우다(7.1.6).
3. 값과 함께 믿음의 크기를 넘긴다. 위치에는 공분산을, 칸에는 점유 확률을, 부류에는 교정된 신뢰도를 붙인다. 계획과 런타임 보증은 값이 아니라 그 믿음의 크기로 여유를 정한다(7.1.7).

세 축의 요구는 이렇게 달라진다. 군용 드론은 야간·저시정과 GNSS 거부 환경(4.5)에서 저고도로 날며, 능동 방사(LiDAR·레이더)가 자기 위치를 드러내므로 수동 센서에 기우는 경우가 많다(5.6). 민간 UAS는 점검·측량·배송에서 전선과 구조물에 가까이 날고, 사람 위 비행의 제약을 받으며, 센서 무게와 전력이 체공을 직접 깎는다(2.9.8). AAM은 조종사가 타는 동안 인지의 대부분을 조종사의 눈이 맡고, 기체의 인지는 버티포트 주변 장애물과 착륙면 확인을 돕는다(2.7). 자율 비행으로 갈수록 인증할 수 있는 인지가 열쇠가 된다(15.23·20.10).

7.1.3 인지의 사슬 — 감지에서 판단 입력까지

사슬의 단계마다 하는 일, 내보내는 것, 사용하는 시간을 표로 둔다. 시간은 이 장이 사용하는 가정이며, 근거리 장애물용 10 Hz LiDAR를 중심으로 한 구성이다.

합이 지연 $t_d=0.8$ s다. 2.14.3이 다른 항공기에 사용한 자율 지연 4 s보다 훨씬 짧다. 항공기는 수 km 밖의 작은 점을 트랙으로 확립하는 데 몇 초가 들지만, 근거리 장애물은 초당 수십만 점을 주는 센서로 바로 잰다. 대신 거리가 짧다. 처리와 확인이 느린 구성(예: 카메라 영상의 학습 기반 탐지를 낮은 주기로 돌리고 여러 프레임을 확인)은 1.5 s로 둔다. 원격 조종자가 영상을 보고 피하는 구성은 영상 지연(2.11.6의 34~555 ms)에 사람의 반응까지 더해 2.5 s 안팎(가정)이 된다. 근접 비행을 기체의 자체 감지에 맡기는 이유다.

7.1.4 장애물 탐지의 필요 거리

7.1.4.1 결론과 식

결론부터. 정지 장애물은 2.14.5.1의 식에서 접근 속도 $v_c$를 자기 속도 $v$로 바꾼 것이다. 멀티콥터는 멈추면 되므로 기동 거리가 제동 거리이고, 고정익은 멈추지 못하므로 선회 반경이다.

$$d_{\text{req}}^{\text{MC}}=v\,t_d+\frac{v^{2}}{2a}+d_m,\qquad d_{\text{req}}^{\text{FW}}=v\,t_d+\frac{v^{2}}{g\tan\varphi}+d_m$$

고정익의 식은 경로를 가로막는 장애물(벽처럼 가로로 걸린 전선, 능선)을 가정한다. 90° 선회의 전진량이 반경 $r$이기 때문이다. 나무 한 그루처럼 좁은 장애물은 옆으로 조금만 비키면 되므로 이보다 짧다. 제동 거리가 속도의 제곱이라는 점이 결론을 지배한다.

7.1.4.2 계산 결과

4 kg 고정익(1.9.6)은 실속 속도가 10.9 m/s다. 순항 13.07 m/s에서 30° 경사로 돌면 필요 거리가 43.6 m이고, 선회 중 실속 여유는 1.12배다. 45°로 돌면 여유가 1.01배로 사라진다. 느린 고정익은 급히 돌 수 없어 장애물 앞에서 가장 불리하다. 감속 2 m/s²의 열은 돌풍 여유를 남기려고 기울기를 줄인 경우이며, 25 m/s에서 필요 거리가 1.8배가 된다. 원격 조종자 구성(2.5 s)은 15 m/s에서 68.6 m를 요구한다.

7.1.4.3 거꾸로 읽기 — 감지 거리가 허용하는 최대 속도

식을 속도에 대해 풀면 센서가 주는 거리 $R$에서 멈출 수 있는 최대 속도가 나온다.

$$v_{\max}=a\left(-t_d+\sqrt{t_d^{2}+\frac{2(R-d_m)}{a}}\right)$$

같은 기체·같은 센서라도 장애물의 종류와 날씨에 따라 허용 속도가 25 m/s에서 10 m/s로 바뀐다. 속도 제한은 비행 성능이 아니라 인지가 정한다는 뜻이다. 그래서 인지는 지도만이 아니라 지금 이 조건에서 믿을 수 있는 감지 거리를 계획에 넘겨야 한다(7.1.9). 이 표의 전선 거리는 반환 전력만 본 상한이다. 빔 사이 틈을 넣으면 훨씬 나빠진다(7.1.8).

7.1.5 센서 융합의 구조

7.1.5.1 초기·중간·후기 융합

센서를 합치는 자리는 셋이다. 어디서 합치느냐가 성능과 보증의 쉬움을 맞바꾼다.

DAA는 보통 후기(트랙) 융합을 사용한다(2.14.7). 근거리 장애물 인지는 세 방식이 모두 사용된다. 보증 관점에서 후기 융합의 값은 서로 다른 원리의 센서가 서로 다른 이유로 틀린다는 독립성이다(2.5.4.3의 이종 다중화). 카메라 하나로 거리를 얻는 길은 셋이다. 표적 크기를 가정하거나(2.14.8), 두 카메라의 시차로 재거나(스테레오), 움직이며 여러 장으로 삼각측량한다. 스테레오의 거리 오차는 $\sigma_Z=Z^{2}\sigma_d/(fB)$로 거리의 제곱으로 자란다. 4K·90° 카메라 둘을 기선 $B=0.1$ m로 달고 시차 오차 $\sigma_d$를 0.25화소로 두면 10 m에서 0.13 m, 20 m에서 0.52 m, 50 m에서 3.3 m다. 작은 기체의 스테레오는 수십 m 밖에서 거리를 거칠게만 준다.

7.1.5.2 시각 동기와 외부 교정

융합의 전제는 같은 순간, 같은 좌표다. 센서마다 측정 시각이 $\Delta t$만큼 어긋나면 병진에서 $v\,\Delta t$, 회전에서 $R\,\omega\,\Delta t$의 위치 오차가 생긴다. 15 m/s로 날며 초당 60°로 방향을 바꾸는 기체가 50 m 앞 장애물을 볼 때다.

회전 중의 동기 오차가 거리에 곱해져 가장 크다. 20 ms 어긋남이 LiDAR의 거리 잡음(cm급, 6.6.3.1)보다 수십 배 큰 오차를 만든다. 외부 교정(센서 사이의 상대 자세)도 같다. 카메라와 LiDAR 사이 0.5° 오차는 50 m에서 0.44 m다. 대책은 2.1.11과 같다. 모든 센서에 하드웨어 시각 표지(트리거·PTP)를 붙이고, 지연을 추정할 파라미터로 둔다. 항법 해(4.4)와 같은 시간축에 있어야 점을 지도에 놓을 수 있다.

7.1.5.3 결합 논리 — OR와 AND

두 센서의 판정을 묶는 가장 단순한 방법은 "어느 하나라도"(OR)와 "둘 다"(AND)다. 한 번의 접근에서 LiDAR가 탐지 0.9·오경보 0.01, 카메라가 탐지 0.8·오경보 0.02라 하자(가정, 독립).

OR는 미탐지를 줄이고 오정지를 늘린다. AND는 그 반대다. 충돌의 대가가 크므로 "멈춤" 판단은 OR 쪽에, "이 구역은 비었다"는 판단은 AND 쪽에 두는 비대칭이 흔한 설계다. 다만 독립은 가정이다. LiDAR가 놓친 경우의 10 %가 카메라도 반드시 놓치는 조건(안개·역광)이라면($\beta=0.1$, 2.5.4.3) OR의 미탐지가 0.020에서 0.028로 늘어난다. 오경보는 사람의 검토와 임무 중단 비용으로 돌아온다(2.14.10·6.12.6.3).

7.1.6 점유 격자와 의미 지도

7.1.6.1 점유 격자와 로그 오즈

점유 격자는 공간을 칸으로 나누고 칸마다 "무엇인가 있을 확률"을 둔다(Moravec·Elfes 1985, Elfes 1989). 관측이 올 때마다 베이즈 규칙으로 갱신하며, 곱셈을 덧셈으로 바꾸려고 로그 오즈 $l=\ln\frac{p}{1-p}$로 저장한다.

$$l_t=l_{t-1}+\ln\frac{p(z_t\mid\text{점유})}{p(z_t\mid\text{빈 칸})}-l_0$$

관측을 "맞음"(그 칸에서 반사가 왔다)과 "안 맞음"(광선이 그 칸을 지나갔다)으로만 보면, 역센서 모형의 두 값(탐지율 $p_d$, 오경보율 $p_{fa}$)이 증분을 정한다. 맞음은 $\ln(p_d/p_{fa})$, 안 맞음은 $\ln\frac{1-p_d}{1-p_{fa}}$다. 단단한 장애물에 맞춘 기본 모형(0.9, 0.05)이면 +2.89와 −2.25다. 광선이 닿지 않은 칸은 갱신하지 않는다. 그래서 지도에는 점유·비어 있음·모름의 세 상태가 남고, 모름은 계획에서 장애물처럼 다루는 것이 보수적이다.

3차원 격자는 메모리가 문제다. 100 m × 100 m × 40 m를 0.2 m 칸으로 나누면 5천만 칸, 칸당 1바이트로 50 MB다. 0.1 m 칸이면 400 MB, 1 km × 1 km × 120 m를 0.2 m 격자로 분할하면 15 GB다. 그래서 탑재 지도는 기체 둘레만 들고 다니는 이동 창에 빈 공간을 압축하는 옥트리(OctoMap, Hornung 외 2013)나 해시 구조를 사용한다. 계획이 장애물까지의 거리를 빨리 묻도록 거리장(ESDF, Euclidean signed distance field — 각 칸에서 가장 가까운 장애물까지의 부호 거리, Voxblox — Oleynikova 외 2017)을 함께 유지하기도 한다(7.2). 2.5차원 고도 지도는 지형과 착륙면에 알맞고 전선처럼 공중에 뜬 장애물은 표현하지 못한다. 옥트리·TSDF(truncated signed distance field, 절단 부호 거리장)·국소 ESDF와 해상도별 메모리 비교는 7.13.7이 이어받는다.

7.1.6.2 베이즈 갱신 — 가는 장애물이 지도에서 지워진다

칸 하나를 30번 관측하는 시뮬레이션을 고정 시드로 2,000번 돌렸다. 전선은 빔의 일부에만 걸려 주사의 30 %에서만 반사가 온다고 두었다(7.1.8).

기본 모형은 전선을 지운다. 안 맞음 한 번이 맞음 한 번의 78 %만큼 깎는데 안 맞음이 2.3배 자주 오므로, 30번 본 뒤 92 %의 시행이 그 칸을 "비어 있음"으로 확정한다. 지도가 틀렸다는 표시도 없다. 전선용 모형은 전선을 보존하는 대신 빈 칸을 느리게 비우고 10번째 주사에서 1.3 %의 빈 칸을 점유로 잘못 확정한다. 지도를 무엇에 맞추느냐가 미탐지와 오경보를 맞바꾼다. 실무의 대응은 셋이다. ① 부류별로 다른 갱신(전선·가지로 분류된 칸은 쉽게 비우지 않는다), ② 원시 거리 측정을 지도와 별도로 감시하는 단순한 경로(7.1.9), ③ 사전 전선 지도와의 교차 확인이다.

로그 오즈에 위아래 한계(조임)를 두는 것도 같은 교환이다. 50번 비어 있다고 본 칸에 크레인처럼 새 장애물이 생기면, 한계가 없을 때 점유 확정까지 40번(10 Hz에서 4 s) 주사가 필요하다. 아래 한계를 −2(확률 0.12)로 두면 2번이다. 대신 조임은 오래 모은 증거를 버린다.

7.1.6.3 의미 지도

점유만으로는 "무엇인가 있다"까지다. 의미 지도(semantic map)는 칸이나 물체에 부류를 붙인다. 계획에는 부류가 다른 제약을 뜻하기 때문이다.

의미는 다른 일에도 사용된다. 시각 항법은 움직이는 물체를 정적 장면 가정에서 빼야 하는데(4.7.7), 의미 분할로 차량·사람 화소를 가린다. 물체와 장소의 관계를 그래프로 연결하는 3차원 장면 그래프는 연구가 활발한 표현이다 (성숙도 확인 필요). 부류는 학습 기반 분류기에서 오므로, 그 부류를 얼마나 믿을지가 다음 절의 주제다.

7.1.7 불확실성의 표현과 전파

7.1.7.1 세 가지 표현

7.1.7.2 위치 불확실성을 여유 폭으로

장애물 위치의 표준편차 $\sigma$를 알면, 한 번의 통과에서 여유를 넘을 확률 $p$를 정해 여유 폭 $k\sigma$를 고른다. 정규분포에서 $p=10^{-2}$이면 $k=2.33$, $10^{-4}$이면 3.72, $10^{-6}$이면 4.75다. 같은 확률이라도 $\sigma$가 무엇에서 오느냐가 결과를 결정한다.

기체가 직접 잰 상대 위치는 자기 위치 오차가 상쇄되어 여유가 9~15배 좁다. 사전 지도는 기체 위치와 지도의 오차가 더해지고, RTK로 위치를 고쳐도 지도 자신의 오차가 남는다. AAM의 착륙지·장애물 지도가 기체 감지와의 상대 정합을 요구하는 이유다(6.10·2.7). 이 표는 정규분포를 가정했다. 틀린 정합처럼 꼬리가 두꺼운 오차에서는 $k\sigma$가 낙관적이며, 이노베이션 검정으로 이상값을 걸러야 한다(4.4.5.4의 $5.47\sigma$ 문턱은 그런 검정의 예다).

7.1.7.3 분류 신뢰도와 교정

분류기가 "전선일 확률 0.9"라고 할 때, 그런 판정 열 개 중 아홉 개가 실제로 전선이어야 그 수를 확률로 사용할 수 있다. 이 성질을 교정(calibration)이라 한다. 현대 신경망은 정확도가 높아도 신뢰도가 정확도보다 높은 과신 쪽으로 어긋나기 쉽다고 보고되었다(Guo 외, 2017). 어긋남은 신뢰도 구간별 |정답률 − 평균 신뢰도|를 표본 비율로 가중 평균한 기대 교정 오차(ECE)로 잰다.

과신의 크기를 장난감 모형으로 보인다. 로짓을 두 배로 부풀린 모형(온도 $T=0.5$)은 보고 신뢰도 0.7을 실제 0.60으로, 0.9를 0.75로, 0.99를 0.91로 낸다. 참 로짓을 정규분포로 두고 2만 개 표본(고정 시드)으로 ECE를 구했다.

교정은 교정한 분포 안에서만 성립한다. 로짓을 나누는 온도 스케일링(temperature scaling)은 맑은 날의 ECE를 0.084에서 0.006으로 줄인다. 그러나 안개처럼 장면이 바뀌면 정답률이 떨어지는데 신뢰도는 그대로라 다시 과신이 된다. 이것이 6.12.6.4의 영역 이동이 신뢰도에 나타나는 모습이다. 그래서 신뢰도에는 어느 조건에서 교정했는지를 함께 적고, 조건이 운용 설계 영역(ODD)을 벗어나는지를 따로 감시한다(7.3·7.4).

7.1.8 실패 모드 — 얇은·투명·반사·어둠

인지의 실패는 알아채기 쉬운 실패(센서가 아무것도 못 준다)와 알아채기 어려운 실패(그럴듯한 틀린 답을 준다)로 나뉜다(4.7.7과 같은 구분). 위험한 것은 뒤쪽이다.

전선이 대표다. 지름 10 mm 전선은 빔 발산 0.5 mrad의 발자국을 20 m 안에서만 가득 채운다. 그 밖에서는 발자국의 $d/(R\theta)$만 채워 수신 전력이 $1/R^{3}$로 준다. 6.6.3.3의 기준 센서(반사율 10 %, 넓은 표적 100 m)에서 같은 반사율의 전선은 58.5 m, 반사율 5 %이면 46.4 m다. 더 큰 문제는 빔 사이의 틈이다. 수평으로 걸린 전선은 빔이 위아래로 촘촘하지 않으면 그 사이에 놓인다. 고각 간격 $\Delta\phi$의 다중 빔 LiDAR에서 한 번의 주사가 전선에 걸릴 확률은 근사적으로 $(d+R\theta)/(R\Delta\phi)$다. 간격 2°이면 50 m에서 2.0 %, 간격 0.2°이면 20 %다. 카메라는 전선이 한 화소를 채우는 24 m(4K·90°) 밖에서 대비가 희석된다. 하늘을 배경으로 대비 0.3이면 판별 대비 0.03(가정)까지 244 m를 가지만, 땅을 배경으로 대비 0.03이면 24 m다. 밤의 열영상은 4.11.10.3의 24~98 m다.

밀리미터파 레이더는 조도와 안개에 강하지만 각 분해능이 약 8.5°로 거칠어(4.11.8.1) 전선의 존재는 알려도 위치는 거칠게만 준다. 긴 도체에서 반사가 강해질 수 있다는 연구가 있으나 성능은 구성마다 달라 확인하지 못했다 (확인 필요). 결론은 4.10.5.3과 같다. 한 센서로 모든 실패 모드를 포괄하는 구성은 없다. 낮게 나는 탐색(6.9.6.2)일수록 이 표의 위험이 커진다.

7.1.9 인지에서 계획·RTA로 — 인터페이스

인지의 산출물은 계획(7.2)과 런타임 보증(7.8)이 읽는다. 둘이 읽는 항목은 다르다.

세 가지 원칙을 둔다. 첫째, 모름을 비어 있음으로 넘기지 않는다. 로봇 미들웨어의 공용 격자 메시지(ROS의 OccupancyGrid)도 칸 값 0~100 옆에 −1(모름)을 따로 둔다(9.6). 둘째, 유효 감지 거리를 숫자로 넘긴다. 계획은 이 값으로 $v_{\max}$를 정한다. 셋째, 감시기는 복잡한 인지와 다른 길을 사용한다. 런타임 보증의 감시기는 학습 기반 분류와 지도를 거치지 않고 원시 거리 측정으로 "앞 거리 < $d_{\text{req}}(v)$이면 멈춘다" 같은 단순한 규칙을 본다. 두 길이 같은 원인으로 함께 틀리지 않게 하는 것이 목적이다(7.8). 오토파일럿 쪽에서는 MAVLink의 OBSTACLE_DISTANCE 메시지(센서 둘레를 72칸의 거리 배열로 보낸다)가 이런 단순한 거리 정보를 나르는 데 사용된다(9.5).

7.1.10 워크스루 — 배전선 옆 점검 비행

2 kg 쿼드콥터(1.7.7)가 배전 설비를 따라 점검하다 경로를 가로지르는 지름 10 mm 전선을 만난다. 모든 값은 가정이다.

1. 반환 전력의 한계. 전선은 58.5 m부터 반사를 돌려줄 수 있다.
2. 필요 거리. 15 m/s이면 43.1 m다. 그러면 전선을 확인할 창은 58.5 m에서 43.1 m까지, 1.0 s, 주사 10번이다.
3. 확인 확률. 주사마다 거리에 따른 걸릴 확률을 넣어 두 번 이상 걸릴 확률을 정확히 계산했다(주사끼리 독립 가정).

1. 읽기. 성긴 다중 빔 LiDAR는 5 m/s로 느려도 전선을 세 번에 한 번꼴로 놓친다. 전선 센서가 아니다. 촘촘한 주사는 10 m/s에서 0.997이다. 15 m/s에서는 어느 쪽도 부족하다. 지도 쪽에서도 같은 결론이 나온다. 간격 2°에서 주사당 걸릴 확률 2 %는 기본 모형의 점유 격자가 칸을 지우는 조건이다(7.1.6.2).
2. 보완. 낮에는 하늘을 배경으로 한 카메라가 수백 m에서 전선을 알릴 수 있다. 그러나 배경이 땅이나 숲으로 바뀌면 24 m로 준다. 사전 전선 지도는 여유 3.7~6.7 m(7.1.7.2)로 넓게 피하게 해 준다. 시정 200 m의 안개가 끼면 LiDAR 거리 자체가 43 m가 되어 허용 속도가 15 m/s 아래로 내려가고, 확인 창까지 넣으면 그보다 훨씬 낮다.

결론: 이 구성에서 전선 근처의 안전한 속도는 비행 성능(15 m/s 이상)이 아니라 인지가 정하며, 촘촘한 주사·카메라·전선 지도를 함께 사용해도 10 m/s 안팎이다. 점검 시간은 1.5배가 된다. 이 계산은 전선의 상대 고각이 주사마다 무작위라고 본 근사다. 실제로는 기체의 자세 흔들림이 작으면 같은 틈에 오래 머물 수 있어 더 나쁠 수 있다.

7.1.11 설계 트레이드오프 — 센서를 더 실을 것인가, 느리게 날 것인가

① 센서를 더 싣는다. 감지 거리와 다양성이 는다. 대가는 무게와 전력이다. 2 kg 쿼드는 탑재 0.25 kg에 체공이 18.1분에서 15.3분으로 줄고(1.7.7.1), 전력 5 W마다 1.8 %를 더 잃는다(2.9.8). 처리 부담과 시각 동기의 복잡도도 는다.

② 느리게 난다. 가장 확실하고 값싸다. 대가는 생산성이다. 15 m/s에서 10 m/s로 내리면 같은 거리에 1.5배의 시간이 들고 배터리 교체가 는다. 전선 근처처럼 구간별로만 느리게 하는 것이 절충이다(7.2).

③ 사전 지도에 기댄다. 전선·장애물 자료는 감지 거리와 무관하게 멀리서 알려 준다. 대가는 여유 폭(지도와 위치의 오차)과 낡음이다. 새로 세운 크레인이나 가설 전선은 지도에 없다.

④ 학습 기반 인지를 사용한다. 부류와 의미를 얻고 카메라의 정보를 최대로 사용한다. 대가는 보증이다. 교정은 분포가 바뀌면 깨지고(7.1.7.3), 시험으로 미탐지 확률을 입증하는 비용이 크다(7.4).

견해: 근접 점검과 배송처럼 장애물 가까이 나는 민간 운용에서는 "인지가 속도를 정한다"를 구조로 만드는 것, 곧 인지가 유효 감지 거리를 내고 계획이 그 값으로 속도를 제한하는 구성이 ①~④를 하나로 묶는다고 본다. 근거는 셋이다. 첫째, 허용 속도는 장애물 종류와 날씨에 따라 2.4배까지 달라진다(7.1.4.3). 고정된 속도 제한은 맑은 날에는 지나치게 보수적이고 안개 속에서는 위험하다. 둘째, 가는 장애물은 지도에서 조용히 지워지므로(7.1.6.2) 지도의 결과만 믿는 구조는 실패를 알아채지 못한다. 원시 거리를 보는 단순한 감시기가 따로 있어야 한다. 셋째, 학습 기반 인지의 보증이 아직 정착하지 않았으므로(20.10) 학습 기반 부분이 틀려도 속도 제한과 감시기가 안전을 확보하게 두는 편이 인증에 유리하다. 반대 의견도 있다. 유효 감지 거리 자체를 정확히 추정하는 일이 어렵고, 그 추정이 틀리면 속도 제한도 틀린다는 것이다. 이 판단은 유효 감지 거리를 시험으로 얼마나 보수적으로 잡을 수 있느냐에 달려 있다.

7.1.12 세 축 비교

7.1.13 관련 규격·프로토콜

장애물 인지 성능 자체를 정하는 항공 표준은 이 장의 기준 시점에 확인하지 못했다 (확인 필요). 유료 표준은 공개 요약의 범위에서만 다뤘다.

7.1.14 관련 규제·인증 요구와의 연결

7.1.15 함정과 한계

이 장의 한계를 밝혀 둔다.

• 모형은 교육용이다. 제동은 일정 감속, 선회는 정상 선회, 전선 탐지는 주사끼리 독립인 근사다. 실제 장애물 회피 성능은 비행시험과 시뮬레이션으로 확인한다(8.19·8.20).
• 센서 값은 가상이다. LiDAR 100 m·빔 발산·카메라의 판별 대비는 가정이다. 제품은 데이터시트와 시험으로 확인한다.
• 점유 격자는 칸 하나다. 이웃 칸의 상관, 광선의 부분 관통, 다중 반사를 넣지 않았다.
• 교정 모형은 장난감이다. 실제 분류기의 교정과 분포 이동은 조건별 시험 자료로만 알 수 있다(7.5).
• 미해결. 학습 기반 인지의 미탐지 확률을 인증 수준으로 입증하는 방법과, 유효 감지 거리를 비행 중에 보수적으로 추정하는 방법은 열려 있다.

7.1.16 체크포인트·연구 질문

체크포인트

1. 인지의 사슬 다섯 단계를 적고, 각 단계가 값과 함께 넘겨야 할 불확실성을 하나씩 말하라.
2. 감속 4 m/s², 지연 0.8 s, 여유 3 m에서 12 m/s의 필요 탐지 거리를 구하고, 감지 거리 60 m가 허용하는 최대 속도를 구하라.
3. 역센서 모형 (0.9, 0.05)에서 주사의 30 %에만 걸리는 칸의 주사당 기대 증분을 구하고 그 의미를 말하라.
4. 사전 지도와 탑재 LiDAR의 여유 폭이 왜 9~15배 차이 나는지 설명하라.
5. 온도 스케일링이 안개 속에서 다시 과신이 되는 이유를 말하라.
6. 계획과 런타임 보증에 넘길 항목 다섯 가지를 적고, 감시기가 지도를 거치지 않아야 하는 이유를 말하라.

연구 질문 — 이 장에서 파생되는 열린 주제(25.7에 모은다)

1. 유효 감지 거리의 비행 중 추정 — 날씨·조도·장애물 부류에서 지금의 감지 거리를 보수적이면서도 쓸모 있게 추정하고, 그 추정을 시험으로 입증하는 방법은?
2. 가는 장애물의 지도 표현 — 전선처럼 자주 빠지는 장애물을 미탐지 없이 유지하면서 빈 공간을 빨리 비우는 갱신 규칙과 표현은 무엇인가?
3. 교정의 운용 감시 — 운용 중 분류기의 교정이 깨지는 것을 정답 없이 알아채는 방법은(7.4·7.5)?
4. 장애물 인지의 성능 표준 — 항공기 DAA처럼 소형 UAS의 장애물 인지 성능을 시험하는 공통 시나리오와 지표는 어떻게 정해야 하는가?

1차 출처(이 장)

• Endsley, M. R., "Toward a Theory of Situation Awareness in Dynamic Systems," Human Factors 37(1), 1995.
• Elfes, A., "Using Occupancy Grids for Mobile Robot Perception and Navigation," Computer 22(6), IEEE, 1989.
• Thrun, S.; Burgard, W.; Fox, D., Probabilistic Robotics, MIT Press, 2005.
• Hornung, A. et al., "OctoMap: An Efficient Probabilistic 3D Mapping Framework Based on Octrees," Autonomous Robots 34, 2013.
• Oleynikova, H. et al., "Voxblox: Incremental 3D Euclidean Signed Distance Fields for On-Board MAV Planning," IROS, 2017.
• Guo, C. et al., "On Calibration of Modern Neural Networks," ICML, 2017.
• EASA, Artificial Intelligence Concept Paper Issue 02: Guidance for Level 1 & 2 Machine Learning Applications, 2024.
• ASTM F3269-21; ISO 21448:2022; IEEE 1588-2019.

출처를 찾고 판을 추적하는 방법은 0.9에서 다룬다. 칼만 필터와 센서 융합 이론은 자매서 kalmann, SLAM과 계획 일반은 자매서 robotics가 맡는다(BK-07).

다음 장: 7.2에서 이 장이 만든 지도와 유효 감지 거리를 받아 어디로 어떻게 날지를 정한다. 그래프 탐색과 표본 기반 계획으로 경로를 찾고, 궤적 최적화로 동역학 한계 안의 매끄러운 궤적을 만들며, 측량·농업의 커버리지 경로와 지오펜스·UTM 연계, 임무 계획 도구의 구조를 다룬다.