26.22 자동 이착륙 제어에서의 지면 효과 보상 기법

26.22 자동 이착륙 제어에서의 지면 효과 보상 기법

1. 자동 이착륙 제어에서의 지면 효과의 위치

무인 항공 시스템의 자동 이착륙(autonomous takeoff and landing)은 비행 제어 체계에서 가장 엄격한 외란 환경 중 하나를 수반한다. 지면 효과는 이착륙 과정에서 비선형적이고 고도 의존적인 공력 외란을 유발하므로, 안정적인 접지와 이륙을 위해서는 이를 명시적으로 보상하는 제어 기법이 요구된다. 본 절에서는 자동 이착륙 알고리즘에 실제로 적용되는 지면 효과 보상 기법을 피드포워드 보상, 피드백 보상, 외란 관측기 기반 보상, 학습 기반 보상의 네 가지 축에서 체계적으로 서술한다.

2. 피드포워드 지면 효과 보상

피드포워드(feed-forward) 보상은 고도 측정치 h(t)와 기체 파라미터를 입력으로 하여 예상되는 지면 효과 추력 증강량을 해석적 모델로 산출하고, 이 값을 추력 지령 T_{cmd}에서 미리 차감하는 방식이다. 단일 로터의 경우 Cheeseman과 Bennett의 “The Effect of the Ground on a Helicopter Rotor in Forward Flight”(Aeronautical Research Council Reports and Memoranda, 1955)의 고전식을 사용한다.

\frac{T_{IGE}}{T_{OGE}} = \frac{1}{1 - \left(\dfrac{R}{4z}\right)^2}

이 관계를 제어 모델에 도입하면 기체는 저고도에서 집합 피치를 자동으로 감소시켜 과도 추력을 상쇄한다. 피드포워드 보상은 계산 비용이 매우 낮고 구현이 단순하나, 모델 오차가 존재하므로 단독 사용보다 피드백 보상과 병행하는 것이 일반적이다.

피드백 기반 고도 및 수직 속도 제어

피드백 보상의 핵심은 고도 h와 수직 속도 \dot{h}를 엄격히 추종하도록 설계된 캐스케이드 제어기이다. 외측 루프에서는 목표 고도 h_{ref}와 실제 고도의 오차를 비례-적분-미분(PID) 또는 모델 추적 제어기로 처리하여 목표 수직 속도 \dot{h}_{ref}를 생성한다. 내측 루프에서는 목표 수직 속도와 실제 수직 속도의 오차를 처리하여 추력 지령을 생성한다. 지면 효과로 인한 추력 증강이 수직 가속도 외란으로 반영되면, 내측 루프가 이를 감지하여 집합 피치를 감소시킨다. 이러한 캐스케이드 구조는 Mellinger와 Kumar의 “Minimum Snap Trajectory Generation and Control for Quadrotors”(International Conference on Robotics and Automation, 2011)에서 쿼드로터 제어의 표준적 틀로 정립되었다.

외란 관측기 기반 보상

외란 관측기(Disturbance Observer, DOB)는 모델 기반 제어기의 출력과 실제 기체 응답의 차이를 실시간으로 추정하여 보상항으로 피드백하는 구조이다. 지면 효과에 의한 추력 외란은 모델 불확실성으로 처리되며, DOB는 기체 수직 가속도 측정치와 제어 입력으로부터 외란 추정치를 계산한다.

\hat{d}(t) = Q(s)\left[T_{cmd}(t) - m\ddot{h}_{meas}(t) + mg\right]

여기서 Q(s)는 저역 통과 필터이다. DOB 기반 보상은 지면 효과뿐 아니라 바람, 모델 파라미터 오차 등 다양한 외란을 동시에 상쇄할 수 있어 범용성이 높다. Yang, Chen, Li, and Chen의 “Disturbance Observer-Based Control: Methods and Applications”(CRC Press, 2014)는 이 기법의 체계적 이론을 제시한다.

3. 이득 스케줄링과 혼합 제어

지면 효과의 영향은 고도에 따라 강하게 변화하므로, 제어기 이득을 고도 구간별로 조정하는 이득 스케줄링(gain scheduling)이 적용된다. 대표적인 구현은 저고도(in-ground-effect, IGE), 중간 고도(transition), 고고도(out-of-ground-effect, OGE)의 세 구간에서 서로 다른 제어기 이득 집합을 사전에 설계하고, 고도에 따라 선형 내삽하는 방식이다. 이 접근은 선형 시변 시스템의 안정성 해석에 기반하며, 구현이 단순하여 상용 비행 제어 소프트웨어에 널리 사용된다. PX4 Autopilot 오픈 소스 프로젝트와 ArduPilot 프로젝트의 자동 착륙 모듈에서 이와 유사한 이득 스케줄링 구조가 채택되었다.

4. 적응 제어와 학습 기반 보상

지면 효과의 정량적 특성은 기체 형상, 로터 배치, 지면 재질에 따라 달라지므로 정확한 사전 모델을 얻기 어렵다. 이에 대응하여 적응 제어(adaptive control) 기법이 활용된다. 모델 기준 적응 제어(Model Reference Adaptive Control, MRAC)는 실제 기체 응답이 기준 모델 응답을 추종하도록 제어기 파라미터를 실시간 갱신한다. 또한 최근에는 딥러닝을 통해 비선형 공력 잔차를 예측하는 학습 기반 보상이 제안되었다. Shi, Shi, O’Connell, Yu, Azizzadenesheli, Anandkumar, Yue, and Chung의 “Neural Lander: Stable Drone Landing Control Using Learned Dynamics”(International Conference on Robotics and Automation, 2019)는 심층 신경망으로 지면 효과와 후류 상호작용을 학습하여 저고도 착륙 정밀도를 대폭 향상시킨 사례이다.

5. 모델 예측 제어(MPC) 프레임워크

모델 예측 제어(Model Predictive Control, MPC)는 유한 예측 구간 상에서 비용 함수를 최소화하는 최적 제어 입력을 실시간으로 계산한다. 지면 효과를 포함한 비선형 공력 모델을 예측기로 사용하면, 이륙 및 착륙 궤적에서 추력 한계와 상태 제약 조건을 동시에 만족시키는 최적 궤적이 산출된다. Kamel, Stastny, Alexis, and Siegwart의 “Model Predictive Control for Trajectory Tracking of Unmanned Aerial Vehicles Using Robot Operating System”(Robot Operating System Book, 2017)은 ROS 환경에서 MPC를 구현한 사례를 제시한다. MPC는 계산 비용이 비교적 크지만, 현대 임베디드 프로세서의 성능 향상으로 소형 무인기에도 적용 가능하다.

6. 센서 기반 지면 거리 추정

모든 지면 효과 보상 기법은 정확한 지면 거리(above-ground level, AGL) 추정을 전제로 한다. 일반적으로 사용되는 센서는 기압계, 라이다(LiDAR), 초음파 거리계, 그리고 하향 카메라 기반 시각 고도 추정이다. 기압계는 고도 해상도와 노이즈 특성상 지면 근접 영역에서 충분한 정밀도를 제공하지 못하므로, 라이다 또는 초음파 센서가 저고도 영역의 주 센서로 사용된다. 측정 노이즈를 감소시키기 위해 확장 칼만 필터(Extended Kalman Filter, EKF) 또는 무향 칼만 필터(Unscented Kalman Filter, UKF)로 센서 융합이 수행된다.

7. 강인 제어와 불확실성 정량화

지면 효과 모델은 본질적으로 불확실성을 포함하므로, 강인 제어(robust control) 기법이 자동 이착륙에서 중요하다. H_\infty 제어나 슬라이딩 모드 제어(Sliding Mode Control, SMC)는 모델 불확실성 경계 내에서 안정성과 성능을 보장한다. Bouabdallah와 Siegwart의 “Backstepping and Sliding-Mode Techniques Applied to an Indoor Micro Quadrotor”(International Conference on Robotics and Automation, 2005)는 쿼드로터에 SMC를 적용하여 지면 효과와 같은 비모델링 외란에 대해 강인성을 확보한 초기 연구이다.

8. 통합 아키텍처의 예시

실제 상용 무인기 제어 시스템에서는 위의 기법을 혼합한 통합 아키텍처가 사용된다. 대표적 구조는 다음과 같다. 외측 루프로 MPC 기반 궤적 추종 제어기가 목표 추력과 자세 지령을 생성하고, 내측 루프로 피드포워드 지면 효과 보상을 포함한 자세 제어기가 모터 속도 지령을 생성한다. 병렬로 DOB가 모델 외 외란을 추정하여 보상항으로 합산된다. 추가적으로 이득 스케줄링을 통해 고도 구간별 제어 파라미터가 조정되며, 학습 기반 모듈이 잔차 외란을 보정한다. 이러한 통합 아키텍처는 Paris Drone Challenge 2021의 참가 팀 보고서 및 여러 상용 자율 비행 플랫폼의 기술 문서에서 확인할 수 있다.

9. 출처

  • Cheeseman, I. C., and Bennett, W. E., “The Effect of the Ground on a Helicopter Rotor in Forward Flight,” Aeronautical Research Council Reports and Memoranda No. 3021, 1955.
  • Mellinger, D., and Kumar, V., “Minimum Snap Trajectory Generation and Control for Quadrotors,” IEEE International Conference on Robotics and Automation, 2011.
  • Yang, J., Chen, W.-H., Li, S., and Chen, X., “Disturbance Observer-Based Control: Methods and Applications,” CRC Press, 2014.
  • Shi, G., Shi, X., O’Connell, M., Yu, R., Azizzadenesheli, K., Anandkumar, A., Yue, Y., and Chung, S.-J., “Neural Lander: Stable Drone Landing Control Using Learned Dynamics,” IEEE International Conference on Robotics and Automation, 2019.
  • Kamel, M., Stastny, T., Alexis, K., and Siegwart, R., “Model Predictive Control for Trajectory Tracking of Unmanned Aerial Vehicles Using Robot Operating System,” Robot Operating System (ROS): The Complete Reference, Vol. 3, Springer, 2017.
  • Bouabdallah, S., and Siegwart, R., “Backstepping and Sliding-Mode Techniques Applied to an Indoor Micro Quadrotor,” IEEE International Conference on Robotics and Automation, 2005.
  • Leishman, J. G., “Principles of Helicopter Aerodynamics,” 2nd ed., Cambridge University Press, 2006.

10. 버전

  • 문서 버전: v1.0
  • 작성 기준일: 2026-04-17