제4부 항법 — GNSS와 그 너머
4.7 대체 항법 I: 시각 항법 — 시각 오도메트리·VIO·SLAM·지도·영상 정합
4.7.1 이 장에서 배우는 것 / 선수 지식 / 특히 중요한 독자
4.5·4.6가 GNSS의 약점과 방호를 다뤘다면, 이 장부터 GNSS에 기대지 않는 대체 항법(GNSS 비의존 항법) 으로 간다. 첫 번째는 카메라다. 카메라는 값이 싸고 가벼워 소형 UAS에 이미 달려 있다. 그러나 환경이 허락하는 구역에서만 사용할 수 있는 항법이다. 그 구역을 구분하는 기준이 이 장의 핵심이다(2.6.6이 이 장을 가리켰다).
배우는 것:
- 상대 항법과 절대 항법 — 시각 오도메트리(VO)·시각-관성 오도메트리(VIO)는 움직인 만큼을 재고(상대), 지도 정합은 지구 위 위치를 재는(절대) 서로 다른 일이다.
- VO와 VIO의 구조 — 특징 추출·추적·삼각측량, 필터 대 그래프 최적화, 단안의 스케일 모호성, 가관측성(왜 위치 3과 방위 1이 드리프트하는가).
- 드리프트율과 지도 정합 — 이동 거리의 몇 %로 오차가 자라는가, 주기적 지도 정합이 오차를 어떻게 한정하는가(합성 시뮬).
- 지도 기반 위치 인식 — 정사영상·위성영상과의 영상 정합 오차 예산, 탐색 창과 오정합.
- 환경 의존과 실패 모드 — 물·눈·사막·숲·야간·계절 변화, 시각 해의 신뢰도를 어떻게 알리는가.
- "사용할 수 있는 구역" 판단 기준 — 여섯 점검으로 2.6.6의 귀환 대 현위치 착륙을 결정한다.
선수 지식: GNSS 상실의 운용 요구는 4.5.9, 관성 오차 성장은 4.3, 결합과 이노베이션 검정은 4.4, 탑재 컴퓨팅의 전력과 질량은 2.9.7·2.9.8이다. 카메라의 GSD는 6.3, 야간·저시정은 4.11이 맡는다.
특히 중요한 독자: 엔지니어는 4.7.3~4.7.6과 4.7.10을 건너뛰지 않는다. 정책·법무 담당자는 4.7.12와 4.7.16(영상·지도 데이터의 법)이 먼저다. 사업 담당자는 4.7.2·4.7.7·4.7.13을 읽으면 어느 환경에서 값이 있는지 보인다. 인증 담당자는 4.7.8과 4.7.16을 본다.
기준 시점과 정직성. 이 장은 2026년 10월 기준의 원리 장이며 지식은 2026년 중반까지다. 수치는 가정한 하향 카메라(1,600×1,200 화소, 초점거리 대 화소 간격 $f/p=1{,}400$ 화소, 30 Hz)와 합성 오차 모형(고정 시드)으로 파이썬으로 계산했다. 드리프트율 1 % 안팎은 공개 벤치마크의 범위를 따른
(경험 범위)이고 특정 제품의 값이 아니다. 제조사·정부·언론의 주장은 구분해 표시했다. 이 장은 항법 원리 수준이며 표적 식별이나 유도 기법은 다루지 않는다.
4.7.2 개념·직관 — 카메라는 상대 센서이고 지도는 절대 센서다
카메라 한 대가 하는 일은 두 가지로 구분된다.
| 구분 | 무엇을 재나 | 오차의 성격 | 대표 기술 |
|---|---|---|---|
| 상대 항법 | 프레임 사이에 얼마나 움직였나 | 이동 거리에 따라 쌓인다(드리프트) | 광학 흐름, 시각 오도메트리(VO), 시각-관성 오도메트리(VIO) |
| 절대 항법 | 지구 위 어디인가 | 정합이 될 때마다 되돌아온다 | 정사영상·위성영상 정합, 지도 기반 위치 인식 |
상대 항법은 연속적이고 싸지만 오차가 쌓이고, 절대 항법은 오차가 한정되지만 띄엄띄엄이고 지도와 환경에 의존한다. 둘을 합쳐야 GNSS 대신이 된다는 것이 이 장의 결론이다. 이는 관성(4.3)과 GNSS의 관계와 같다.
세 축은 이 기술을 다르게 사용한다. 민간 UAS는 저고도 호버 안정화·착륙 보조로 이미 널리 사용하고(하향 비전 센서) BVLOS의 GNSS 상실 대응으로 확장하려 한다. 군용 드론은 GNSS가 교란되는 환경에서 지도 정합을 사용해서 비행을 잇는 것을 목표로 하고 공개 보도가 늘고 있다(4.5·10.8). AAM은 접근 구간의 시각 센서를 보조 수단 후보로 논의하지만 인증 근거는 아직 정착하지 않은 것으로 보인다 (확인 필요)(17.14).
4.7.3 시각 오도메트리(VO)의 구조
4.7.3.1 파이프라인
시각 오도메트리는 연속된 영상에서 카메라의 움직임을 추정한다. 한 번의 갱신은 여섯 단계다.
- 특징 추출 — 코너나 점 같은 구별되는 점(FAST·ORB 같은 검출기)을 찾는다.
- 추적·대응 — 다음 프레임에서 같은 점을 찾는다(광학 흐름 추적 또는 기술자 대응).
- 이상치 제거 — 움직이는 물체와 잘못된 대응을 무작위 표본 합의(RANSAC)로 걷어낸다.
- 운동 추정 — 이미 3차원으로 안 점이 있으면 PnP(자세 추정), 없으면 필수 행렬로 상대 자세를 구한다.
- 삼각측량 — 두 시점으로 새 점의 3차원 위치를 구해 지도 점으로 둔다.
- 국소 최적화 — 최근 프레임들의 번들 조정으로 오차를 줄인다.
특징을 사용하는 특징법(ORB-SLAM 계열)과 밝기 자체를 맞추는 직접법(DSO 같은 방식)이 있다. 특징법은 조명 변화와 큰 움직임에 강하고 직접법은 텍스처가 약한 곳에서 점이 더 많다. 30년 연구의 개괄은 Scaramuzza·Fraundorfer의 튜토리얼에 있다(1차 출처 목록).
4.7.3.2 스케일 모호성과 하향 카메라
단안 카메라는 이동의 크기를 모른다. 장면이 2배 크고 카메라가 2배 움직여도 영상열이 똑같기 때문이다. 해법은 네 가지다. 스테레오(기선), IMU 가속도(충분한 가속 여기가 있을 때), 거리계·기압고도로 높이를 알고 지면을 평면으로 보는 것, 크기를 아는 물체(착륙 마커, 2.7)다. 소형 UAS의 하향 카메라는 셋째 방식이 흔하다. 지면이 평면이라면 높이 $h$에서 이동 속도 $v$는 영상의 흐름 $\dot u$로 바로 나온다.
$$v=\frac{h}{f/p}\,\dot u-h\,\omega$$
| 기호 | 뜻 |
|---|---|
| $h$ | 지면 위 높이(AGL) |
| $f/p$ | 초점거리를 화소 간격으로 나눈 값 [화소] |
| $\dot u$ | 영상의 흐름 속도 [화소/s] |
| $\omega$ | 기체 회전 각속도 [rad/s](자이로로 보상) |
가정한 카메라로 높이별 값을 계산한 결과는 다음이다(파이썬, 15 m/s, 30 Hz).
| 높이 | 30 m | 50 m | 100 m | 300 m | 1,000 m |
|---|---|---|---|---|---|
| 지상 표본 거리(GSD) | 2.1 cm | 3.6 cm | 7.1 cm | 21 cm | 71 cm |
| 풋프린트(1,600×1,200) | 34×26 m | 57×43 m | 114×86 m | 343×257 m | 1,143×857 m |
| 프레임당 흐름 | 23.3 px | 14.0 px | 7.0 px | 2.3 px | 0.70 px |
| 속도 오차(흐름 잡음 0.1 px/프레임) | 0.06 m/s | 0.11 m/s | 0.21 m/s | 0.64 m/s | 2.14 m/s |
읽을 것은 둘이다. 낮을수록 흐름이 커서 속도가 정밀하지만 풋프린트가 작다. 높이 1,000 m에서는 프레임당 흐름이 1 화소 아래(0.70 px)라서 연속 프레임 대신 간격을 둔 키프레임으로 계산해야 한다. 속도 오차는 프레임 하나의 값이고 필터가 평균한다.
4.7.3.3 회전-병진 모호성과 드리프트의 하한
카메라가 회전해도 영상이 흐른다. 높이 100 m에서 각속도 오차 1°/s는 1.75 m/s의 가짜 지상 속도(식의 $h\omega$ 항)다. 자이로 보상이 시각 속도의 전제다. 보상에 사용하는 시간 정렬은 2.1이 다룬다.
식은 또 하나의 하한을 준다. 높이 $h$가 비율로 $\epsilon$만큼 틀리면 속도도 $\epsilon$만큼 틀린다. 고도계의 비율 오차는 위치 드리프트율의 하한이다. 1 %이면 5 km에서 50 m, 2 %이면 100 m다. 그래서 거리계의 정확도와 평평한 지면 가정(경사지·건물 위에서 깨진다)이 시각 항법의 첫 항목이다.
4.7.4 시각-관성 오도메트리(VIO)
4.7.4.1 왜 관성과 합치나
카메라는 느리고(30 Hz), 텍스처가 사라지면 끊기고, 단안이면 스케일을 모른다. IMU는 빠르고(수백 Hz) 어디서나 사용되지만 드리프트한다(4.3). 합치면 서로의 약점을 보완한다. IMU가 프레임 사이를 잇고 스케일과 중력 방향을 주며, 카메라가 IMU의 드리프트를 누른다. 이 구조가 아래 그림이다.
4.7.4.2 필터 대 그래프 최적화, 그리고 가관측성
| 방식 | 구조 | 장점 | 단점 | 예 |
|---|---|---|---|---|
| 필터 | 상태에 최근 자세 창을 두고 특징 제약을 소거해 갱신 | 연산이 일정해 임베디드에 맞다 | 선형화 시점이 고정되어 일관성 문제 | MSCKF(Mourikis·Roumeliotis 2007) |
| 슬라이딩 윈도 최적화 | 키프레임과 IMU 사전적분을 비선형 최소제곱으로 | 재선형화로 정확하다 | 연산이 변동하고 크다 | OKVIS, VINS-Mono |
| 전체 SLAM 그래프 | 루프 폐쇄를 포함한 경로 전체 | 가장 정확하다 | 연산·메모리가 크다 | ORB-SLAM 계열 |
가관측성은 모델이 무엇을 알 수 있는지의 문제다. 시각-관성 계에서 롤·피치(중력 방향), 속도, 스케일, IMU 바이어스는 관측되지만 전역 위치 3자유도와 방위(요) 1자유도, 합쳐 네 개는 관측되지 않는다(Hesch 외 2014 등의 가관측성 분석). 곧 시각 항법의 드리프트는 위치 3과 방위 1에만 있다. 이 네 개를 고정하는 것이 GNSS나 지도 정합 같은 절대 측정이 하는 일이다. 방위 오차는 직선 비행에서 옆 방향 오차를 거리에 비례해 키우므로 정합이 위치뿐 아니라 방위도 함께 되돌려야 한다.
4.7.4.3 오차 성장 — 드리프트율
도로 주행 벤치마크 KITTI에서 우수한 시각 방법의 평균 병진 오차는 이동 거리의 1 % 안팎에서 수 %까지 분포한다 (경험 범위, 순위는 갱신되므로 확인 필요). 마이크로 비행체의 EuRoC는 절대 궤적 오차를 미터로 보고해 비율로 곧바로 비교되지 않는다. 이 책은 1 %를 기준값으로 사용한다. "1 %이면 5 km에서 50 m"다.
실제 오차는 거리에 정확히 비례하지 않는다. 방위 오차가 랜덤 워크로 쌓이면 옆 방향 오차가 거리의 $3/2$제곱으로 커진다. 합성 모형이 이 구조를 반영한다(스케일 오차 1σ 0.8 %, 방위 랜덤 워크 √km당 0.2°). 5 km에서 2차원 RMS 오차가 약 1 %가 되도록 맞춘 모형이며 실제 시스템의 오차 모형이 아니다. 고정 시드 83, 1,500회다.
| 이동 거리 | 2 km | 5 km | 10 km | 20 km | 34 km |
|---|---|---|---|---|---|
| 보정 없음 RMS | 17 m | 46 m | 102 m | 239 m | 480 m |
| RMS ÷ 거리 | 0.85 % | 0.92 % | 1.02 % | 1.19 % | 1.41 % |
| 오차가 50 m를 넘는 비율 | 0.3 % | 31 % | 76 % | 95 % | 99 % |
드리프트율은 거리와 함께 커진다(0.85 %에서 1.41 %). 허용 오차 $E$를 정합 없이 충족할 수 있는 거리는 대략 $E/r$이다. $r=1$ %이면 $E=50$ m에서 5 km, $E=100$ m에서 10 km다.
4.7.5 SLAM과 루프 폐쇄
SLAM(동시적 위치 추정과 지도 작성)은 움직이면서 지도를 만들고 그 지도에서 자기 위치를 찾는다. VIO와 다른 점은 지도를 오래 보관하고 다시 사용한다는 것이다. 이전에 지난 곳을 다시 알아보면(루프 폐쇄) 그때까지 쌓인 드리프트를 한꺼번에 지울 수 있다. 위치 3과 방위 1이 관측되지 않는 문제가 지도 재방문으로 풀리는 셈이다.
소형 UAS의 장거리 비행에서는 이것이 잘 안 맞는다. 귀환 경로는 왕로와 중첩되지 않고 직선 임무에는 재방문이 없다. 루프 폐쇄는 왕로를 되지적해 오거나 같은 구역을 반복하는 임무(점검·수색·창고)에서 값이 있다. 장거리의 절대 기준은 사전에 만든 지도와의 정합이어야 하고 이는 다음 절이 맡는다. SLAM의 의미 지도·인지는 7.1, 실내·지하의 SLAM은 4.10이다. 실내·지하·점검 비행처럼 루프 폐쇄가 성립하는 경우의 백엔드(팩터 그래프·포즈 그래프)와 가짜 루프 폐쇄의 위험은 7.13.4·7.13.5가 다룬다.
4.7.6 지도 기반 위치 인식과 영상 정합
4.7.6.1 방법과 입력의 정규화
기체의 하향 영상을 사전에 가진 정사영상·위성영상과 맞춰 지구 위 위치와 방위를 얻는 방식이다. 방법은 세 갈래다.
| 방법 | 원리 | 강점 | 약점 |
|---|---|---|---|
| 특징 기반 | 기술자를 대응시키고 기하로 검증 | 정확하고 설명 가능 | 계절·조명·시점 변화에 약하다 |
| 영역 기반 | 상관·상호정보로 영상 조각을 맞춘다 | 센서가 다른 영상(가시광 대 열)에도 강건 | 탐색이 무겁다 |
| 학습 기반 | 영상을 임베딩해 지도에서 검색 | 변화에 일반화가 좋다는 연구 | 실패의 보증이 어렵다(7.4) |
공통 전처리가 있다. IMU의 자세와 거리계의 높이로 영상을 정사 방향(수직 내려다봄)·지도 축척으로 정규화하면 탐색이 위치 2차원과 약간의 방위·축척 보정으로 줄어든다. 정규화에 사용하는 자세와 높이의 오차가 곧 정합 오차의 일부다. 학습 기반 위치 인식의 보증 문제는 7.4·7.8과 이어진다.
4.7.6.2 정합 오차 예산
정합 한 번의 위치 오차(축당 1σ)는 세 항의 제곱합이다. 참조 영상의 절대 지리 정확도(가정 2 m), 정합 정밀도(0.5 화소 × 참조 GSD 0.5 m), 자세 오차가 높이에 곱해진 항($h\tan\sigma_\theta$, 자세 오차 0.3° 가정)이다.
| 높이 | 100 m | 300 m | 1,000 m |
|---|---|---|---|
| 자세항 | 0.52 m | 1.57 m | 5.24 m |
| 정합 정밀도 | 0.25 m | 0.25 m | 0.25 m |
| 참조 지리 정확도 | 2.00 m | 2.00 m | 2.00 m |
| 합(축당 1σ) | 2.1 m | 2.6 m | 5.6 m |
낮은 높이에서는 참조 영상의 지리 정확도가, 높은 높이에서는 자세 오차가 오차를 정한다. 시뮬의 정합 오차 5 m(축당)는 높이 1,000 m 근처의 값이어서 보수적이다. 카메라 GSD가 참조 GSD보다 훨씬 작아도 정합 정확도는 참조 쪽 해상도로 제한된다. 참조 영상의 해상도와 제공 범위는 제공자·지역마다 다르다 (확인 필요). GSD는 6.3, 지리 위치 결정 오차는 6.10이 이어서 다룬다.
4.7.6.3 탐색 창과 오정합
정합은 불확실한 위치 주변을 탐색한다. 현재 위치 불확실성 1σ가 클수록 창이 커져 연산이 불확실성의 제곱에 비례하고, 비슷한 장소를 잘못 고를 확률이 늘어난다. 창 한 변을 $W=6\sigma+L_{fp}$(풋프린트 $L_{fp}=114$ m, 높이 100 m), 후보 간격을 참조 GSD 0.5 m로 두고, 유사 장소 밀도를 0.5곳/km²로 가정하면 다음이다(파이썬).
| 위치 불확실성 σ | 10 m | 30 m | 100 m | 300 m |
|---|---|---|---|---|
| 창 한 변 | 174 m | 294 m | 714 m | 1,914 m |
| 후보 위치 수 | $1.2\times10^{5}$ | $3.5\times10^{5}$ | $2.0\times10^{6}$ | $1.5\times10^{7}$ |
| 오정합 확률 $1-e^{-\rho A}$ | 1.5 % | 4.2 % | 22.5 % | 84.0 % |
(후보 수에 방위·축척 가설이 곱해진다.) 곧 정합은 불확실성이 작을 때 자주 해야 싸고 안전하다. 오래 방치하면 창이 커져 연산도 늘고 틀릴 확률도 는다. 위 가정 밀도는 예시이며 반복 패턴이 많은 농경지에서는 훨씬 높고 시가지에서는 낮다.
4.7.7 환경 의존과 실패 모드
시각 항법의 가장 큰 약점은 환경이다. 같은 알고리즘이 어떤 구역에서는 몇 m로 맞고 다른 구역에서는 아예 못 사용한다.
| 환경 | 왜 어렵나 | 증상 | 대응 |
|---|---|---|---|
| 물·눈·사막·균일 농지 | 텍스처가 없거나 반복된다 | 추적 특징 수 급감, 정합 모호 | 다른 방식(4.8 지형·4.9 기회신호) |
| 숲·울창한 캐노피 | 반복 패턴, 계절 변화 | 정합 점수 낮음 | 같은 계절의 참조 영상 |
| 야간·저조도 | 광량 부족 | 노출 증가·번짐 | 열영상·근적외선(4.11) |
| 안개·연기·역광·눈부심 | 대비 저하 | 특징 감소 | 파장 선택(4.11) |
| 계절·조건 변화, 신축·철거 | 참조 영상과 불일치 | 정합 실패·오정합 | 참조 영상 갱신, 다중 계절 자료 |
| 움직이는 물체(차량·그림자) | 정적 장면 가정 위반 | 이상치 비율 상승 | 강건 추정, 의미 분할(7.1) |
| 빠른 기동·저조도·롤링 셔터 | 움직임 번짐·기하 왜곡 | 추적 상실 | 짧은 노출, 글로벌 셔터 |
| 경사지·건물 위 | 평면 지면 가정 위반 | 속도 바이어스 | 3차원 모델·스테레오 |
| 너무 높은 고도 | 프레임당 흐름이 1 px 미만 | 속도 신호 대 잡음 저하 | 키프레임 간격 |
| 너무 낮은 고도·고속 | 흐름이 수십 px | 추적 범위 초과 | 프레임율 증가 |
실패 모드는 두 종류다. 하나는 알아채기 쉬운 실패(특징이 사라져 추적 상실)이고 다른 하나는 알아채기 어려운 실패(반복 패턴에서 틀린 장소에 정합되어 그럴듯한 위치가 나온다)다. 뒤쪽이 위험하다. 지도에 없는 변화와 지표의 위장이 이를 만든다. 대응은 4.6의 교차 확인과 같은 논리로 다른 센서와 대조하는 것이다.
4.7.8 신뢰도와 무결성 — 시각 해의 확실성을 어떻게 알리는가
시각 해는 GNSS의 보호 수준 같은 표준 지표가 없다. 그래서 시스템이 스스로 출력하는 신뢰도 지표를 결합 필터(4.4)가 읽는다.
| 지표 | 무엇을 뜻하나 | 어떻게 쓰나 |
|---|---|---|
| 추적 특징 수·인라이어 비율 | 장면이 풍부한가, 합의가 높은가 | 임계 아래면 시각 해의 가중을 낮추거나 버린다 |
| 재투영 오차 | 추정한 점과 영상이 맞는가 | 급상승하면 모델 불일치 |
| 공분산·이노베이션 정규화 | 필터가 스스로 믿는 정밀도, 예측과의 차 | 이노베이션 검정(4.4) |
| 정합 점수(상관 피크 대 두 번째 피크의 비) | 정합이 유일한가 | 유사 장소 모호성 가려내기 |
| 고도계·기압 고도와의 일관성 | 스케일이 맞는가 | 스케일 오차 감시 |
| 프레임 드롭·시간 오프셋 | 입력이 건전한가 | 시간 정렬(2.1) |
시각 오차는 가우시안이 아니다. 틀린 정합은 꼬리가 두꺼운 분포를 만들어, 공분산만으로 보호 수준을 정하면 낙관적이다. 앞 절의 합성 모형에 오정합을 넣어 비교했다(시도 중 3 %가 틀린 장소, 축당 150 m 오차, 2 km마다 90 % 성공).
| 이동 거리 | 5 km | 10 km | 20 km | 34 km |
|---|---|---|---|---|
| 문턱 없음: 오차 50 m 초과 비율 | 3.9 % | 3.3 % | 3.0 % | 3.0 % |
| 문턱 없음: 99 % 오차 | 205 m | 189 m | 219 m | 236 m |
| 이노베이션 문턱 3σ: 오차 50 m 초과 비율 | 1.3 % | 0.5 % | 0.7 % | 0.5 % |
| 이노베이션 문턱 3σ: 99 % 오차 | 53 m | 37 m | 36 m | 36 m |
이노베이션 문턱은 틀린 정합 대부분을 걸러(3.0 %에서 0.5 %) 꼬리를 줄이지만 없애지는 못한다. 문턱이 참 정합을 거부하면 오차가 쌓이므로 문턱도 설계 대상이다. 항공에서 보호 수준으로 사용할 정도의 무결성 논증 방법은 시각 항법에서 정착하지 않았다 (2026-10 기준 확인 필요).
4.7.9 연산·전력 부담
VIO는 소형 임베디드 프로세서에서 실시간으로 돈다. 지도 정합(후보 탐색·학습 모델)은 훨씬 무겁다 (경험 범위, 구현마다 다름). 전력은 2.9.7·2.9.8의 SWaP 논리를 그대로 사용한다. 2.9.8의 기준 기체에서 모듈 전력 $\Delta P$에 따른 비행 시간 감소율($\Delta P/(P_0+\Delta P)$)은 다음이다.
| $\Delta P$ | 2 kg 쿼드(270 W) | 4 kg 고정익(58.6 W) | 6 kg 결합형(180.5 W) |
|---|---|---|---|
| 5 W | 1.8 % | 7.9 % | 2.7 % |
| 10 W | 3.6 % | 14.6 % | 5.2 % |
| 15 W | 5.3 % | 20.4 % | 7.7 % |
호버 전력이 큰 쿼드는 시각 항법의 전력이 싸고, 순항 전력이 작은 고정익은 비싸다(2.9.8과 같은 결론). 정합은 몇 km마다 한 번이므로 평균 전력을 줄일 수 있지만 방열판은 최대 전력에 맞춘다(2.9.7). 6 kg 결합형이 15 W 모듈을 왕복 내내 켜면 2.6.5.3의 무풍 귀환 불가점이 50.9 km에서 약 46 km로 9 % 줄어든다(순항 소모율 2.9 Wh/km가 $15/(13.9\times3.6)=0.30$ Wh/km만큼 늘어 3.2 Wh/km가 된다고 계산, 1.11.7.2의 13.9 m/s·145 W).
4.7.10 "사용할 수 있는 구역" 판단 기준 — 2.6.6의 질문에 답한다
2.6.6은 "시각 항법이 사용할 수 있는 구역이면 귀환하고, 아니면 현위치에서 낮은 고도로 착륙"이라고 서술했다. 판단은 구역(경로 구간)마다, 비행 전에 한 번 하고 비행 중에 실시간 지표로 다시 해야 한다.
| 점검 | 통과 조건(설계 값의 예) | 근거 |
|---|---|---|
| ① 조도·시정 | 카메라가 노출을 맞출 수 있는 밝기·시정 | 4.11 |
| ② 지표 텍스처 | 프레임당 추적 특징이 수십~백 개, 인라이어 50 % 이상 (경험 범위, 시스템마다 다름) | 4.7.8 |
| ③ 고도·속도 | 프레임 간 흐름 1 px 이상(예: 15 m/s, 30 Hz에서 높이 약 700 m 이하) | 4.7.3.2 |
| ④ 참조 지도 | 구역의 참조 영상이 있고 계절·갱신 연령이 허용 범위 | 4.7.6 |
| ⑤ 오차 예산 | 정합 없이 가야 할 가장 긴 구간 $L_{\max}$에서 $r\,L_{\max}\le E$ | 4.7.4.3 |
| ⑥ 연산·전력 | 모듈의 전력이 귀환 에너지(2.6.5)를 깎아도 귀환 가능 | 4.7.9 |
점검 ⑤가 핵심이다. 허용 오차 $E$가 50 m이고 드리프트율이 1 %이면 정합 없이 갈 수 있는 구간은 5 km 이하다. 귀환 경로를 구간으로 나눠 정합이 되는 구간(②④가 통과하는 구역) 과 정합이 안 되는 구간의 길이를 구하고, 후자의 가장 긴 연속 길이에 정합 시도 간격 하나를 더한 거리가 $E/r$ 아래면 귀환한다. 정합 불가 구간 앞의 마지막 정합부터 구간 뒤의 첫 시도까지가 실제로 정합 없이 가는 거리이기 때문이다. 위 합성 시뮬에서 6~12 km 구간이 정합 불가이면 마지막 정합(6 km)부터 다음 시도(14 km)까지 8 km를 정합 없이 간다. RMS 오차는 정합 없이 6 km를 간 12 km 지점에서 51 m(50 m 초과 34 %)이고, 다음 정합 직전인 13.5 km에서는 66 m(50 m 초과 48 %)까지 자란다. 이 모형에서 정합 없이 갈 수 있는 거리는 약 6 km가 한계이고, 2 km 간격으로 시도하면 정합 불가 구간은 약 4 km까지라는 뜻이다. 어느 하나라도 통과하지 못하면 2.6.6의 현위치 착륙이 맞다.
비행 전 계획에서는 참조 영상의 특징 풍부도·계절 정보로 경로를 구간별로 신호등(사용 가능·조건부·불가) 으로 칠한다(16.3). 이 지도 자체가 지도 데이터 법제의 대상일 수 있다(18.20).
4.7.11 수치 예시·워크스루 — 6 kg 결합형이 귀환 불가점에서 GNSS를 잃었다면
2.6.5.3에서 정풍 8 m/s의 귀환 불가점은 33.9 km다. 이 거리를 GNSS 없이 돌아와야 하고 허용 오차는 50 m라고 하자. 보정 없는 VIO 1 %는 339 m이고 이 장의 합성 모형은 34 km에서 RMS 480 m다. 아래 그림은 세 구성의 오차를 거리에 따라 그린 것이다.
| 구성(합성 시뮬) | 12 km | 20 km | 34 km | 오차 50 m 초과 비율(34 km) |
|---|---|---|---|---|
| A 보정 없음 | 127 m | 239 m | 480 m | 98.8 % |
| B 2 km마다 정합(90 %) | 8.7 m | 8.3 m | 8.8 m | 0.2 % |
| C 6~12 km 정합 불가 | 51 m | 8.8 m | 8.6 m | 0.1 % |
| D B + 틀린 정합 3 %, 문턱 없음 | 36 m(10 km) | 37 m | 40 m | 3.0 % |
| E D + 이노베이션 문턱 | 14 m(10 km) | 23 m | 38 m | 0.5 % |
읽을 것은 넷이다. ① A는 불가능이다. 보정이 없으면 5.5 km에서 이미 50 m를 넘는다. ② B는 정합이 2 km마다 90 %로 성공하면 오차가 약 9 m에서 머문다. 한 번 실패하면(10 %) 4 km, 연속 두 번 실패하면(1 %) 6 km를 정합 없이 가므로 드물게만 한계(4.7.10의 약 6 km)에 닿는다. ③ C는 정합 불가 구간이 6 km여도 정합 없이 가는 거리는 8 km다. 12 km에서 51 m(50 m 초과 34 %), 다음 정합 시도 직전인 13.5 km에서 66 m(48 %)까지 자랐다가 정합이 돌아오면 9 m 수준으로 내려간다. ④ D와 E는 오정합이 있으면 평균(RMS)이 아니라 꼬리가 문제임을 보인다. 이 계산은 시각 항법을 켜 둔 전 구간이 비행 가능한 환경일 때의 상한이다. 이 모형은 직선 비행과 독립 시행을 가정했고 방향 전환·고도 변화·바람에 의한 영상 왜곡은 넣지 않았다.
4.7.12 공개 사례 — 제조사·보도 주장을 구분해
| 사례 | 내용 | 출처 성격 |
|---|---|---|
| NASA/JPL의 화성 헬리콥터 Ingenuity | 하향 항법 카메라로 지면을 추적하고 항법 소프트웨어가 평평한 지면을 가정하도록 설계돼, 언덕 위에서는 지형 변화를 옆 흐름으로 잘못 읽었다고 JPL 운용 책임자가 설명했다(2022-11 NASA 블로그). IMU·레이저 고도계와 결합한 시각-관성 구조라는 설명은 기술 매체에 있다 | NASA 블로그(1차)·전문 매체(2차) |
| PX4Flow(오픈 하드웨어 광학 흐름 센서) | 하향 광학 흐름과 거리계로 소형 UAS의 속도를 추정(Honegger 외, ICRA 2013) | 학술 논문(1차) |
| 상용 소형 UAS의 하향 비전 센서 | 저고도 호버 안정화에 사용된다. 작동 높이는 제품 사양서에 따른다 | 제조사 주장 |
| DARPA의 FLA(Fast Lightweight Autonomy) | 소형 UAS가 GNSS 없이 복잡한 환경을 비행하는 연구 프로그램 (연도·성과 확인 필요) | 정부 프로그램 |
| 우크라이나·러시아의 영상 대조 항법 | 우크라이나 쪽 소프트웨어가 비행 영상을 사전 정찰 지도와 대조한다는 2024년 보도, 러시아가 사전 적재 영상과 광학 상관을 사용하는 항법을 장착했다고 우크라이나 당국자가 주장(2026-10 보도) | 당사자 주장·언론(독립 확인 못 함) |
마지막 항목은 분쟁 당사자의 주장이고 성능은 검증되지 않았다 (확인 필요). 전장 맥락은 10.8·13.3이 다룬다. 특정 체계의 성능이나 취약점은 작성하지 않는다.
4.7.13 설계 트레이드오프 — 상대, 절대, 융합
① 상대 항법(VIO)만 둔다. 구성이 단순하고 지도가 필요 없다. 거리가 $E/r$(1 %·50 m에서 5 km)를 넘으면 사용할 수 없다. 착륙 보조, 짧은 귀환, 실내에 맞는다.
② VIO에 지도 정합을 더한다. 오차가 한정돼 장거리 귀환이 가능하다. 사전 지도 준비·갱신, 연산, 구역 판단이라는 부담이 따른다. 지도에 없는 변화에 틀릴 위험이 있다.
③ 다른 대체 항법과 함께 사용한다. 지형(4.8)·기회신호(4.9)·관성(4.3)을 합쳐 구역마다 가장 알맞은 방식을 사용한다. 센서·연산·질량이 늘고 융합 설계가 복잡해진다.
견해: 시각 항법을 구역 한정 보조 수단으로 설계하고 구역 판정(4.7.10)을 임무 계획의 일부로 넣는 것이 맞다고 본다. 근거는 둘이다. 첫째, 시각 항법의 가용성은 알고리즘이 아니라 환경이 정하는데(4.7.7) 환경은 비행 전에 상당 부분 알 수 있다. 둘째, 틀린 정합이 꼬리 오차를 만들어(4.7.8) 무결성을 논증하기 어렵다. 반대 입장도 있다. 군용은 구역 판정 없이 항상 켜 두고 학습 기반 정합이 변화에 일반화된다는 점을 근거로 삼을 수 있다. 그러나 그 보증 방법이 아직 공개 문헌에서 정착하지 않았다. 최종 구성은 4.13가 합쳐 다룬다.
4.7.14 세 축 비교
| 항목 | 군용 드론 | 민간 UAS | AAM |
|---|---|---|---|
| 주된 용도 | GNSS 교란 시 비행 지속, 지도 정합 | 저고도 호버·착륙 보조, BVLOS 귀환의 후보 | 접근 구간의 보조·교차 확인 |
| 요구 | 장거리·여러 환경, 연산은 기체에 따라 | 가격·전력·구역 판단 | 인증 근거·무결성 |
| 지도 | 사전 임무 데이터 적재(16.3) | 공개 정사영상, 갱신 | 버티포트 주변의 고정밀 지도 |
| 위험 | 위장·가짜 지형, 야간 | 환경 의존, 계절 | 도심 반복 패턴·동적 물체 |
| 법·규제 | 수출통제·지도 보안 | 항공촬영·개인정보(18.6·18.17) | 인증 요건(17.14·18.14) |
| 관련 장 | 10.5·10.8 | 14.15·14.18 | 15.15·17.14 |
4.7.15 관련 규격·프로토콜
| 문서 | 발행 | 무엇을 정하나 | 상세 |
|---|---|---|---|
| KITTI(Geiger 외, CVPR 2012), EuRoC MAV(Burri 외, IJRR 2016), TUM VI(Schubert 외, IROS 2018) | 학계 | 시각·시각-관성 오도메트리의 공개 벤치마크와 평가 지표 | 8.19 |
MAVLink OPTICAL_FLOW·ODOMETRY·VISION_POSITION_ESTIMATE 메시지 | MAVLink | 광학 흐름·외부 위치 추정을 오토파일럿에 전달 | 9.5 |
| ROS REP 105(좌표 프레임) | ROS 커뮤니티 | map·odom·base_link 프레임 관례 | 9.6 |
| GeoTIFF 등 OGC 규격 | OGC | 정사영상·참조 지도의 형식과 지리 참조 | 9.17 |
| STANAG 4609·MISB 영상 메타데이터 | NATO·MISB | 영상에 실린 센서 위치·자세 메타데이터 | 9.8 |
| ICAO Doc 9613(PBN 매뉴얼) | ICAO | 센서 중립의 항법 성능 요건. 시각 항법의 입증 방법은 정착하지 않았다 (확인 필요) | 17.2 |
시각 항법의 항공용 성능 표준은 2026-10 기준 정착하지 않았다고 본다 (확인 필요). 규격의 지형은 9.1이 다룬다.
4.7.16 관련 규제·인증 요구와의 연결
| 요구 | 시각 항법과의 연결 | 상세 |
|---|---|---|
| 비가시권 운용 승인 | GNSS 상실 대응(귀환·착륙)이 완화 수단. 시각 항법의 구역 판단이 근거가 된다 | 14.15·18.6 |
| 사람 위·도심 운용 | 해 상실 때 안전 착륙이 먼저이고 시각 항법은 보조 | 14.18·2.6.6 |
| AAM 인증 | 항법 성능·무결성 요건에서 시각 센서는 교차 확인 후보 | 17.14·18.14 |
| 항공촬영 허가·군사시설 | 하향 영상 수집과 저장이 규제 대상일 수 있다 | 18.6·18.8 |
| 지도 데이터 | 정사영상·고정밀 지도의 반출·사용 제한 | 18.20 |
| 개인정보·영상정보 | 카메라가 사람·주거를 찍는다 | 18.17 |
| 수출통제 | 군용 관성-시각 결합 기술은 통제 대상일 수 있다 | 19.15·19.16·19.17 |
4.7.17 함정과 한계
| 오해 | 실제 | 더 볼 곳 |
|---|---|---|
| "카메라가 있으면 GNSS 대신이다" | 환경이 허락하는 구역에서만이고 구역 판단이 필수다 | 4.7.10 |
| "VIO의 오차는 거리에 비례한다" | 방위 오차의 랜덤 워크로 거리와 함께 드리프트율이 커진다 | 4.7.4.3 |
| "높이만 알면 속도가 정확하다" | 높이의 비율 오차가 드리프트율의 하한이고 회전 보상이 필수다 | 4.7.3.3 |
| "지도 정합은 항상 정확하다" | 유사 장소의 오정합이 꼬리 오차를 만든다 | 4.7.6.3·4.7.8 |
| "해상도가 높을수록 정합이 정확하다" | 참조 영상의 지리 정확도와 자세 오차가 먼저 한계다 | 4.7.6.2 |
| "학습 기반이면 변화에 강하다" | 일반화 연구는 있으나 보증 방법이 없다 | 7.4 |
| "시각 해에도 보호 수준이 있다" | 표준 지표가 없다. 공분산은 꼬리를 못 포함한다 | 4.7.8 |
이 장의 한계도 밝힌다.
- 가정한 하향 카메라와 합성 오차 모형이다. 값은 원리를 보이는 것이고 실제 시스템은 시험으로 확인한다.
- 시뮬은 직선 비행·독립 정합 시도를 가정했다. 방향 전환·바람·영상 왜곡·참조 영상의 구역별 품질 차이는 넣지 않았다.
- 드리프트율 1 % 안팎은 공개 벤치마크(주로 도로 주행·실내 마이크로 비행체)의 범위이며 고고도 하향 비행에는 그대로 적용되지 않는다
(경험 범위). - 사례의 성능 수치(Ingenuity 외)는 확인하지 못했거나 당사자 주장이다.
- 야간·저시정은 4.11, 열·지형·지자기 기반은 4.8, 기회신호는 4.9가 맡는다.
4.7.18 체크포인트·연구 질문
체크포인트
- 상대 항법과 절대 항법의 오차 성격이 어떻게 다르며 왜 둘을 합쳐야 하는가?
- 하향 카메라에서 속도를 $v=(h/(f/p))\dot u-h\omega$로 구하는 이유를 설명하고, 높이 100 m에서 1°/s의 회전 오차가 만드는 가짜 속도를 계산하라.
- 시각-관성 계에서 관측되지 않는 네 자유도는 무엇이며 정합이 방위도 되돌려야 하는 이유는?
- 드리프트율 1 %에서 허용 오차 100 m를 정합 없이 충족할 수 있는 거리는? 방위 랜덤 워크가 있으면 왜 이 값이 낙관적인가?
- 위치 불확실성이 10 m에서 100 m로 커질 때 정합의 연산량과 오정합 확률은 어떻게 변하는가?
- 시각 항법의 "사용할 수 있는 구역" 판단의 여섯 점검을 말하고, 점검 ⑤로 6 km 정합 불가 구간이 왜 허용 오차 50 m를 넘기는지 정합 시도 간격을 넣어 설명하라.
- 오정합이 3 %일 때 RMS와 오차 50 m 초과 비율 중 어느 쪽이 위험을 더 잘 보여 주는가?
연구 질문 — 이 장에서 파생되는 열린 주제(25.7에 모은다)
- 저고도·고속 하향 VIO의 드리프트 — 소형 UAS의 실제 비행(높이 50~300 m, 15 m/s)에서 공개 데이터로 드리프트율의 분포를 얻을 수 있는가? 도로·실내 벤치마크와의 차이는 얼마인가(8.19와 연결)?
- 지도 정합의 무결성 지표 — 오정합을 가려내는 점수와 보호 수준을 정량적으로 논증하는 방법이 있는가(4.4·7.8과 연결)?
- 구역 판단의 자동화 — 비행 전에 참조 영상만으로 구간별 정합 가능성을 예측하는 지표는 얼마나 맞는가? 계절 변화가 이를 얼마나 깎는가(16.3과 연결)?
- 참조 영상의 공개 범위 — 지도 데이터 법제(18.20) 아래서 정합용 참조 영상을 합법적으로 사용하는 범위와 한국 자료의 정확도는 어디까지인가?
1차 출처(이 장)
- Scaramuzza, D.; Fraundorfer, F., "Visual Odometry: Part I — The First 30 Years and Fundamentals," IEEE Robotics & Automation Magazine 18(4), 2011.
- Cadena, C. 외, "Past, Present, and Future of Simultaneous Localization and Mapping: Toward the Robust-Perception Age," IEEE Transactions on Robotics 32(6), 2016.
- Mourikis, A. I.; Roumeliotis, S. I., "A Multi-State Constraint Kalman Filter for Vision-aided Inertial Navigation," ICRA 2007.
- Leutenegger, S. 외, "Keyframe-based visual–inertial odometry using nonlinear optimization," IJRR 34(3), 2015.
- Qin, T.; Li, P.; Shen, S., "VINS-Mono: A Robust and Versatile Monocular Visual-Inertial State Estimator," IEEE T-RO 34(4), 2018.
- Mur-Artal, R.; Montiel, J. M. M.; Tardós, J. D., "ORB-SLAM: A Versatile and Accurate Monocular SLAM System," IEEE T-RO 31(5), 2015. Mur-Artal, R.; Tardós, J. D., "ORB-SLAM2," IEEE T-RO 33(5), 2017.
- Engel, J.; Koltun, V.; Cremers, D., "Direct Sparse Odometry," IEEE TPAMI 40(3), 2018.
- Hesch, J. A. 외, "Camera-IMU-based localization: Observability analysis and consistency improvement," IJRR 33(1), 2014.
- Honegger, D. 외, "An open source and open hardware embedded metric optical flow CMOS camera for indoor and outdoor applications," ICRA 2013.
- Geiger, A.; Lenz, P.; Urtasun, R., "Are we ready for autonomous driving? The KITTI vision benchmark suite," CVPR 2012. Burri, M. 외, "The EuRoC micro aerial vehicle datasets," IJRR 35(10), 2016.
- Hartley, R.; Zisserman, A., Multiple View Geometry in Computer Vision, 2nd ed., Cambridge University Press, 2004. Barfoot, T. D., State Estimation for Robotics, Cambridge University Press, 2017.
- NASA, "Flight 34 Was Short but Significant"(Ingenuity 블로그, Joshua Anderson 작성, 2022-11-23, science.nasa.gov) — 하향 카메라와 평평한 지면 가정의 확인.
- 사례 가운데 Ingenuity의 나머지 구성(IMU·레이저 고도계)과 우크라이나·러시아 사례는 전문 매체와 당사자 주장에 의존한 2차 확인이며 원문(JPL 기술 문서·정부 발표)은 열어 보지 못했다.
출처를 찾고 판을 추적하는 방법은 0.9에서 다룬다.
다음 장: 4.8에서 대체 항법의 두 번째 갈래로 간다. 카메라가 보지 못하는 곳(수면·야간·구름 위)에서도 사용할 수 있는 지형 고도 프로파일의 상관 정합(지형참조항법), 지각 자기 이상과 전동 기체의 자기 잡음 문제, 중력 이상 항법을 다루며 방식마다 지형 거칠기·정확도 요구와 무결성 문제를 비교한다.