라이다(LiDAR) 기반 드론의 풍력 발전기 블레이드 표면 추종 비행

라이다(LiDAR) 기반 드론의 풍력 발전기 블레이드 표면 추종 비행

1. 서론

1.1 문제 정의 및 기술적 맥락

본 안내서는 LiDAR(Light Detection and Ranging) 센서를 탑재한 드론이 풍력 발전기 블레이드의 복잡한 3차원 곡면을 정밀하게 추종하며 비행하는 기술에 대해 심층적으로 분석한다. 이 기술의 핵심 목표는 시각 정보에 대한 의존성을 탈피하고, LiDAR가 제공하는 직접적인 3차원 공간 정보를 바탕으로 블레이드의 자세(위치, 방향)를 실시간으로 추정하며, 이를 기반으로 드론을 자율 제어하여 근접 검사를 수행하는 것이다.1

기존에 널리 사용되던 비전(카메라) 기반 검사 방식은 여러 본질적인 한계를 내포하고 있었다. 조명 조건의 변화, 즉 강한 햇빛이나 그림자는 이미지 품질에 직접적인 영향을 미치며, 특히 단조로운 색상과 텍스처를 가진 블레이드 표면은 특징점 추출을 어렵게 만들어 3D 재구성 및 위치 추정의 정확도를 저하시켰다.1 반면, LiDAR는 자체적으로 레이저를 방사하여 거리를 측정하는 능동형 센서(active sensor)로서, 외부 조명 조건에 거의 영향을 받지 않고 주야간에 관계없이 일관된 품질의 3차원 데이터를 획득할 수 있다.4 이러한 특성 덕분에 LiDAR는 기존 비전 기술의 한계를 극복하고, 블레이드와 같은 복잡한 구조물에 대한 강건한(robust) 상대 위치 정보를 제공하는 핵심적인 대안으로 부상했다.

1.2 안내서의 범위 및 구조

본 안내서는 LiDAR 기반 표면 추종 기술을 인식(Perception), 지역화(Localization), 제어(Control)라는 세 가지 핵심 기술 축을 중심으로 체계적으로 분석한다. 각 장은 다음과 같은 내용을 다룬다.

  • 제1장: LiDAR 기반 표면 인식 및 상대 위치 추정

LiDAR 센서로부터 수신된 원시 포인트 클라우드 데이터를 정제하고, 이를 바탕으로 블레이드 표면을 기하학적으로 모델링하는 과정을 탐구한다. 특히, 정지 상태와 회전 상태의 블레이드를 모델링하는 상이한 접근법을 분석하고, ICP(Iterative Closest Point)와 RANSAC(Random Sample Consensus)과 같은 정합(registration) 알고리즘을 통해 드론의 상대 위치와 자세를 실시간으로 추정하는 핵심 메커니즘을 심층적으로 다룬다.

  • 제2장: 동적 추종을 위한 제어 아키텍처 및 경로 계획

1장에서 추정된 상대 위치 정보를 바탕으로 드론이 블레이드 표면을 안정적이고 정밀하게 추종하기 위한 제어 시스템을 분석한다. 센서 융합을 통한 강건한 상태 추정, 최적의 검사 경로를 생성하는 경로 계획 기법, 그리고 이 기술의 정점이라 할 수 있는 모델 예측 제어(Model Predictive Control, MPC) 기법을 상세히 고찰한다.

  • 제3장: 기술적 난제 및 한계점 고찰

실제 필드 환경에서 이 기술을 구현할 때 마주하게 되는 다양한 기술적 난제들을 분석한다. 블레이드의 복잡한 곡률과 같은 기하학적 문제, 탑재된 LiDAR 센서 해상도의 물리적 한계, 그리고 예측 불가능한 바람과 같은 외부 환경 교란 요인들이 시스템에 미치는 영향을 고찰하고, 이에 대한 현재의 기술적 대응 방안과 한계점을 논의한다.

이 기술의 진정한 혁신은 단순히 센서를 카메라에서 LiDAR로 교체한 것에 그치지 않는다. LiDAR가 제공하는 실시간 3차원 표면 데이터를 활용하여 제어의 패러다임 자체를 ’사전에 정의된 정적 경로를 추종(trajectory tracking)’하는 것에서 ’실시간으로 감지되는 동적 표면을 추종(surface following)’하는 것으로 전환시킨 데 있다. 이러한 패러다임의 전환은 VT-NMPC(Visual Tracking Nonlinear Model Predictive Control)와 같은 고급 제어 기법에서 구체화되는데, 이는 드론과 표면 간의 거리, 각도 등 기하학적 관계 자체를 제어 목표로 설정한다.6 이 접근법은 외부 환경의 교란에 대한 강건성과 검사 데이터의 품질을 근본적으로 향상시키는 핵심적인 발전이라 할 수 있다.

2. LiDAR 기반 표면 인식 및 상대 위치 추정

LiDAR 기반 추종 비행의 첫 단계는 센서 데이터를 통해 주변 환경, 특히 목표물인 블레이드를 정확하게 ’인식’하고, 그 표면을 기준으로 드론 자신의 ’상대적 위치’를 끊임없이 파악하는 것이다. 이 과정은 포인트 클라우드 데이터의 획득, 정제, 모델링, 그리고 정합이라는 일련의 파이프라인으로 구성된다.

2.1 포인트 클라우드 데이터 획득 및 전처리

추종 비행의 모든 과정은 LiDAR 센서가 생성하는 원시 데이터로부터 시작된다. 드론에 탑재된 2D 또는 3D LiDAR는 초당 수십만에서 수백만 개의 레이저 펄스를 주변 환경으로 방사하고, 각 펄스가 물체에 맞고 반사되어 돌아오는 시간을 측정한다 (Time-of-Flight).7 이 시간 정보를 빛의 속도를 이용해 거리로 환산하고, 레이저의 방사 각도 정보와 결합하여 주변 환경에 대한 방대한 3차원 점들의 집합, 즉 포인트 클라우드(point cloud)를 생성한다.9

그러나 이 원시 데이터는 다양한 노이즈와 불필요한 정보를 포함하고 있어 그대로 사용하기 어렵다. 따라서 후속 처리 단계의 정확성과 효율성을 높이기 위해 다음과 같은 체계적인 전처리 과정이 필수적으로 수행된다.

  • 노이즈 필터링 (Noise Filtering): 대기 중의 먼지나 수증기와 같은 에어로졸에 의한 산란, 또는 센서 자체의 전기적 노이즈로 인해 실제 표면과 무관한 이상치(outlier) 점들이 발생한다. 이러한 점들을 제거하기 위해 각 점의 주변 점들과의 거리 분포를 분석하여 평균에서 크게 벗어나는 점들을 제거하는 통계적 이상치 제거(Statistical Outlier Removal, SOR) 기법이나, 주변 점들의 정보를 가중 평균하여 노이즈를 완화하는 가우시안 필터링(Gaussian filtering) 등이 적용된다.10
  • 지면 제거 (Ground Plane Rejection): 드론이 저고도에서 비행을 시작하거나 상승할 때, LiDAR의 시야에는 검사 대상인 블레이드뿐만 아니라 지면도 함께 포함된다. 지면 데이터는 계산량을 불필요하게 증가시키므로, 이를 효과적으로 분리해야 한다. RANSAC과 유사한 원리를 이용하여, 포인트 클라우드 내에서 특정 평면 모델에 가장 많은 점들이 속하는 평면(즉, 지면)을 찾아 제거하는 최적화 기반 알고리즘이 널리 사용된다.9
  • 다운샘플링 (Downsampling): 원시 포인트 클라우드는 수백만 개에 달하는 점으로 구성되어 있어 실시간 처리에 큰 부담을 준다. 데이터의 양을 줄이면서도 전체적인 기하학적 구조는 보존하기 위해 다운샘플링을 수행한다. 가장 대표적인 방법은 복셀 그리드(Voxel Grid) 필터로, 전체 공간을 작은 정육면체(voxel)로 나누고 각 복셀 내의 모든 점들을 그 중심점(centroid) 하나로 대체하는 방식이다. 이는 데이터의 밀도를 균일하게 만들고, 후속 정합 및 모델링 단계의 계산 속도를 획기적으로 향상시키는 매우 중요한 전처리 과정이다.9
  • 군집화 (Clustering): 정제된 포인트 클라우드 내에서 서로 다른 객체를 분리하기 위해 군집화를 수행한다. 점들 간의 공간적 근접성(밀도)에 기반한 DBSCAN(Density-Based Spatial Clustering of Applications with Noise)과 같은 알고리즘이 주로 사용된다. 이 과정을 통해 포인트 클라우드는 풍력 터빈의 타워, 블레이드, 그리고 주변의 다른 구조물 등을 나타내는 여러 개의 독립적인 군집(cluster)으로 분할된다.9 이후의 처리 과정은 이 중 블레이드에 해당하는 군집에만 집중하여 효율성을 극대화할 수 있다.

2.2 블레이드 표면의 기하학적 모델링

전처리된 포인트 클라우드를 바탕으로, 드론이 추종해야 할 목표물인 블레이드 표면을 명확한 기하학적 형태로 정의하는 모델링 과정이 이어진다. 이 모델은 후속 단계에서 드론의 상대 위치를 추정하기 위한 기준(reference) 역할을 한다. 블레이드의 운전 상태(정지 또는 회전)에 따라 모델링 접근법은 근본적으로 달라진다.

  • 정지 블레이드 모델링: 검사 대상 블레이드가 정지해 있는 시나리오는 상대적으로 간단하다. 드론이 블레이드 주변을 비행하며 여러 각도에서 LiDAR 스캔을 수행하고, 수집된 다수의 포인트 클라우드를 하나의 좌표계로 통합(registration)하여 블레이드 전체에 대한 정밀한 3D 메쉬(mesh) 또는 서피스 모델을 생성한다.12 이 사전 생성된 고품질 모델은 이후의 자율 비행에서 드론이 자신의 위치를 파악하는 데 사용되는 ’지도(map)’와 같은 역할을 한다.

  • 회전 블레이드 모델링의 도전과 해결책:

블레이드가 회전하는 동적 환경에서의 모델링은 훨씬 더 복잡한 문제를 제기한다.8 실시간으로 빠르게 변화하는 블레이드의 형상과 위치를 정확히 포착하고 추적하는 것은 엄청난 계산량을 요구하며, 사실상 실시간 적용이 불가능에 가깝다. 이 문제를 해결하기 위해 공학자들은 문제의 본질을 재해석하는 혁신적인 접근법을 고안했다.

문제 해결의 핵심은 물리적으로 완벽한 모델을 만드는 것이 아니라, 드론이 충돌을 피하고 일정한 거리를 유지하는 데 ’충분히 좋은 공간적 참조(reference)’를 실시간으로 얻는 데 있다는 점을 파악한 것이다. 짧은 스캔 시간 동안 LiDAR 센서가 포착하는 회전하는 블레이드들의 포인트 클라우드는 개별 블레이드의 복잡한 에어포일 형상보다는, 전체 로터가 공간을 휩쓸고 지나가며 만들어내는 궤적, 즉 얇은 원통(thin cylinder) 또는 원판(plate) 형태에 가깝게 나타난다.8

이러한 통찰에 기반하여, 연구자들은 이 복잡한 동역학 문제를 단순한 정적 기하학 문제로 **추상화(abstraction) 및 단순화(simplification)**했다. 즉, ’회전하는 3개의 복잡한 에어포일’을 추적하는 문제에서 ’고정된 하나의 단순한 원통’을 찾는 문제로 변환한 것이다. 구체적으로는 Blender와 같은 3D 모델링 소프트웨어의 Python 스크립트를 활용하여, 터빈의 기둥 높이나 로터 반경과 같은 기본 파라미터를 입력받아 이 근사 원통 모델을 자동으로 생성한다. 이렇게 생성된 단순한 3D 모델(.obj 파일 등)은 포인트 클라우드로 변환되어, 후속 정합 알고리즘에서 실시간으로 들어오는 LiDAR 데이터와 비교할 기준 모델로 사용된다.8 이 접근법은 완벽한 물리적 정확성을 일부 포기하는 대신, 실시간성과 강건성이라는 더 중요한 공학적 목표를 달성하기 위한 매우 영리하고 실용적인 전략적 트레이드오프(trade-off)의 대표적인 사례다.

2.3 정합 알고리즘을 통한 실시간 상대 위치 추정

모델링된 기준 표면이 준비되면, 다음 단계는 실시간으로 LiDAR 센서로부터 들어오는 새로운 포인트 클라우드(소스)를 이 기준 모델(타겟)에 정렬하는 정합(registration) 과정이다. 정합의 목표는 두 포인트 클라우드 좌표계 간의 최적의 변환 행렬(회전 행렬 R과 이동 벡터 t)을 찾는 것이다. 이 변환 행렬이 바로 블레이드 표면에 대한 드론의 상대적인 위치 및 자세(pose)를 나타내는 핵심 정보가 된다.8 이 문제를 해결하기 위해 여러 알고리즘이 계층적으로 결합되어 사용된다.

  • ICP (Iterative Closest Point): ICP는 포인트 클라우드 정합에 가장 널리 사용되는 고전적인 알고리즘이다. 그 원리는 소스 포인트 클라우드의 각 점에 대해 타겟 포인트 클라우드에서 가장 가까운 점(closest point)을 찾고, 이렇게 형성된 대응점 쌍들 간의 평균 제곱 거리 오차를 최소화하는 변환(R, t)을 반복적으로 계산하여 수렴시키는 것이다.9 ICP는 초기 추정 위치가 실제 위치와 충분히 가까울 때 매우 정밀한 정합 결과를 제공하지만, 초기 오차가 클 경우 잘못된 대응점을 찾아 지역 최적해(local minima)에 빠지기 쉽다는 치명적인 단점이 있다.
  • RANSAC (Random Sample Consensus): RANSAC은 다수의 이상치(outlier)가 포함된 데이터 속에서 강건하게 모델 파라미터를 추정하기 위한 기법이다.10 정합 문제에서는 다음과 같이 작동한다: (1) 전체 데이터에서 무작위로 최소한의 샘플(예: 3개의 점)을 추출한다. (2) 이 샘플들을 기준으로 변환 행렬(모델)을 추정한다. (3) 이 변환을 전체 데이터에 적용했을 때, 미리 정해진 오차 임계값 내에 들어오는 점들, 즉 지지자(inlier)의 수를 센다. (4) 이 과정을 수없이 반복하여 가장 많은 지지자를 확보한 변환 행렬을 최적의 모델로 선택한다. RANSAC은 이상치에 매우 강건하기 때문에, 주로 ICP를 적용하기 전에 부정확한 초기 위치 문제를 해결하고 강건한 초기 정합(coarse registration) 결과를 찾는 데 사용된다. 이를 통해 ICP가 더 빠르고 정확하게 전역 최적해(global minimum)로 수렴하도록 돕는다.10
  • 특징점 기반 정합 (Feature-based Registration): ICP와 같은 점 대 점 비교 방식은 계산량이 많다. 이를 해결하기 위해 포인트 클라우드에서 곡률, 법선 벡터 분포 등 기하학적 특징을 나타내는 소수의 핵심점(keypoint)을 먼저 추출하고, 이 핵심점들 주변의 국소적 기하학 정보를 FPFH(Fast Point Feature Histograms)와 같은 기술자(descriptor)로 표현한다.10 정합은 전체 점을 비교하는 대신, 이 특징 기술자들의 유사성을 비교하여 신뢰도 높은 대응점 쌍을 찾는 방식으로 수행된다. 이 방식은 계산 효율이 높고 초기 위치 오차에 덜 민감하다는 장점이 있다. 특히, 소스에서 타겟으로, 그리고 다시 타겟에서 소스로의 매칭이 일치하는지 확인하는 양방향 특징 매칭(Bidirectional Feature Matching) 기법을 사용하면 더욱 신뢰도 높은 대응점 쌍을 확보하여 RANSAC의 성능을 한층 더 향상시킬 수 있다.10

현실적으로 단일 알고리즘만으로는 이 복잡한 실시간 정합 문제를 해결하기 어렵다. 성공적인 시스템은 각 알고리즘의 장점을 취하고 단점을 보완하는 계층적(hierarchical) 파이프라인을 구축한다. 이는 ‘Coarse-to-Fine’ 전략의 전형으로, 다음과 같은 순서로 진행된다:

  1. (Coarse) 특징점 기반 초기 정합: FPFH와 같은 기술자를 사용하여 두 포인트 클라우드 간의 대략적인 대응점들을 찾는다.
  2. (Robust) RANSAC 기반 모델 추정: 이 대응점들로부터 RANSAC을 이용해 이상치를 제거하고 강건한 초기 변환 행렬을 계산한다.
  3. (Fine) ICP 기반 미세 조정: RANSAC으로 구한 변환을 초기값으로 사용하여 ICP를 수행, 최종적으로 매우 정밀한 상대 위치 및 자세를 계산한다.

이러한 계층적 접근 방식은 실시간성과 정확성, 그리고 강건성이라는 상충될 수 있는 요구사항들을 모두 만족시키는 가장 효과적인 해법이다.

알고리즘원리정확도계산 복잡도이상치 강건성초기 추정 의존도블레이드 검사 적용 시 역할
ICP대응점 간의 거리 오차를 반복적으로 최소화높음중간낮음높음미세 정합(Fine Registration), 최종 정밀 위치 보정 9
RANSAC무작위 샘플링을 통해 최대 지지자(inlier)를 갖는 모델을 선택중간높음매우 높음낮음초기 정합(Coarse Registration), 이상치 제거, ICP의 초기값 제공 10
FPFH점 주변의 기하학적 특징을 히스토그램으로 표현하여 매칭-낮음중간낮음핵심점(Keypoint) 기술자 생성, RANSAC을 위한 대응점 탐색 10
결합 방식 (FPFH+RANSAC+ICP)특징점 매칭 –>> 강건한 초기 정합 –>> 미세 정합의 계층적 파이프라인매우 높음높음 (최적화 필요)매우 높음매우 낮음전체 상대 위치 추정 파이프라인의 표준 아키텍처 10

3. 동적 추종을 위한 제어 아키텍처 및 경로 계획

1장에서 블레이드 표면에 대한 드론의 상대 위치를 정확하게 추정했다면, 2장에서는 이 정보를 바탕으로 드론이 어떻게 안정적이고 정밀하게 표면을 따라 움직이는지를 다룬다. 이는 강건한 상태 추정, 효율적인 경로 계획, 그리고 이 모든 것을 통합하여 최적의 제어 명령을 생성하는 고급 제어 아키텍처를 통해 달성된다.

3.1 센서 융합 기반의 강건한 상태 추정

성공적인 추종 비행은 단일 센서가 아닌 다중 센서 데이터의 유기적인 융합에 절대적으로 의존한다. 각 센서는 서로 다른 특성과 장단점을 가지며, 이들을 결합함으로써 개별 센서의 한계를 극복하고 전체 시스템의 강건성을 높일 수 있다.

  • LiDAR: 블레이드 표면과 같은 외부 환경에 대한 상대 위치 및 자세 정보를 비교적 높은 주파수(수십 Hz)로 정밀하게 제공하는 핵심 센서다.3 하지만 데이터 처리 과정에 필연적인 지연이 발생한다.
  • IMU (Inertial Measurement Unit): 가속도계와 자이로스코프로 구성되어 드론 자체의 가속도와 각속도를 매우 빠른 속도(수백~수천 Hz)로 측정한다. 이를 통해 단기적인 자세 변화를 매우 신속하게 추정할 수 있지만, 측정값을 적분하여 위치와 자세를 계산하기 때문에 시간이 지남에 따라 오차가 빠르게 누적(drift)되는 단점이 있다.8
  • GPS/GNSS: 위성 신호를 이용하여 드론의 절대 위치를 지구 좌표계 기준으로 제공한다. 업데이트 주기는 상대적으로 느리지만(수 Hz), 장기적으로 누적 오차가 발생하지 않는다. 이를 통해 IMU의 누적 오차를 주기적으로 보정하는 기준점 역할을 한다.8

이러한 이종(heterogeneous) 센서 데이터들은 **확장 칼만 필터(Extended Kalman Filter, EKF)**나 **무향 칼만 필터(Unscented Kalman Filter, UKF)**와 같은 상태 추정 필터를 통해 융합된다.8 필터의 작동 원리는 다음과 같다: (1) IMU의 빠른 측정값을 이용해 드론의 다음 상태를 예측(predict)한다. (2) LiDAR나 GPS로부터 새로운 측정값이 들어오면, 예측된 상태와 실제 측정값 사이의 오차를 계산한다. (3) 이 오차를 바탕으로 예측된 상태를 보정(update)하여 최종적인 상태 추정치를 얻는다. 이 과정을 반복함으로써, 시스템은 빠르고(IMU), 외부 환경에 대해 정밀하며(LiDAR), 전역적으로 일관된(GPS) 최적의 상태(위치, 속도, 자세) 추정치를 실시간으로 확보하게 된다.

3.2 표면 추종을 위한 경로 계획

드론이 단순히 표면 근처에 머무는 것을 넘어, 블레이드 전체를 효율적으로 검사하기 위해서는 체계적인 비행 경로가 필요하다. 경로 계획의 목표는 블레이드의 모든 중요 영역을 빠짐없이 커버하면서도, 일정한 검사 거리와 최적의 시야각을 유지하고, 총 비행 시간을 최소화하는 3차원 비행 궤적을 생성하는 것이다.

  • 스플라인 기반 경로 (Spline-based Path): 가장 직관적인 방법 중 하나는 블레이드의 3D 모델에서 검사가 필요한 주요 지점들(waypoints)을 샘플링하고, 이 점들을 부드럽게 통과하는 곡선을 생성하는 것이다. B-스플라인(B-Spline)과 같은 수학적 곡선을 사용하면, 드론의 가속도와 각속도 변화를 최소화하여 부드럽고 안정적인 움직임을 보장할 수 있다.14 이는 급격한 기동으로 인한 이미지 블러나 제어 불안정성을 방지하는 데 효과적이다.
  • 표면 분할 및 TSP 최적화: 더 체계적인 접근법은 블레이드 표면을 여러 개의 검사 구역(예: 앞전, 뒷날, 표면 중앙 등)으로 분할(clustering)하는 것이다. 각 구역의 시작점과 끝점을 그래프의 노드(node)로 정의하고, 노드 간 이동 비용(거리 또는 시간)을 엣지(edge)의 가중치로 설정한다. 그 후, 모든 노드를 한 번씩 방문하는 최단 경로를 찾는 문제인 외판원 문제(Traveling Salesman Problem, TSP) 알고리즘을 적용하여 전체 검사 경로를 최적화할 수 있다.6 이 방식은 전체 검사 시간과 에너지 소모를 최소화하는 체계적인 방법을 제공한다.

중요한 점은, 현대적인 제어 시스템에서 이 경로는 더 이상 드론이 오차 없이 따라야 할 ’절대적인 명령’이 아니라는 것이다. 대신, 이는 드론의 움직임을 안내하는 ‘참조(reference)’ 또는 ’가이드라인’의 역할을 한다. 드론은 이 참조 경로를 따르려고 노력하지만, 실제 제어는 실시간으로 감지되는 표면 데이터와 외부 환경 요인을 고려하여 동적으로 이루어진다.

3.3 모델 예측 제어(MPC) 기반 추종 기법

PID 제어와 같은 전통적인 선형 제어기는 드론의 복잡한 비선형 동역학, 모터의 출력 한계와 같은 물리적 제약, 그리고 바람과 같은 예측 불가능한 외란을 효과적으로 다루는 데 한계를 보인다. 특히 정밀한 표면 추종과 같이 다수의 제약 조건과 최적화 목표가 공존하는 문제에서는 더욱 그렇다. 모델 예측 제어(MPC)는 이러한 복잡한 문제들을 체계적으로 해결하기 위해 고안된 강력한 고급 제어 전략이다.15

MPC의 기본 원리는 ’예측을 통한 최적화’로 요약할 수 있으며, 다음과 같은 세 단계로 구성된다.

  1. 모델 기반 예측 (Model-based Prediction): 드론의 동역학 모델(자세한 모델은 15 참조)을 사용하여, 현재 상태(

x_k)와 가상의 제어 입력 시퀀스(u_k, u_{k+1},...)를 기반으로 미래의 일정 시간(예측 구간, Prediction Horizon N_p) 동안 드론이 어떻게 움직일지를 시뮬레이션하여 미래 상태 궤적(x_{k+1}, x_{k+2},...)을 예측한다.

  1. 비용 함수 최적화 (Cost Function Optimization): 예측된 미래 궤적이 얼마나 ’좋은지’를 평가하는 비용 함수(Cost Function) J를 정의한다. 이 비용 함수는 일반적으로 참조 경로(또는 표면)와의 오차, 제어 입력의 크기(에너지 소모), 그리고 각종 제약 조건 위반 여부 등을 가중합한 형태로 구성된다. 일반적인 형태는 다음과 같다 18:
    J = \sum_{j=1}^{N_p} (x_{k+j|k} - x_{ref,k+j})^T Q (x_{k+j|k} - x_{ref,k+j}) + \sum_{j=0}^{N_c-1} u_{k+j|k}^T R u_{k+j|k}
    여기서 x_{k+j|k}는 현재 시점 k에서 예측한 j 스텝 후의 상태, x_{ref,k+j}는 참조 상태, u_{k+j|k}는 제어 입력이며, Q와 R은 각 오차 항의 중요도를 조절하는 가중치 행렬이다. N_c는 제어 구간(Control Horizon)을 의미한다.

  2. 반복 최적화 제어 (Receding Horizon Control): 매 제어 주기마다, 수치 최적화 기법을 사용하여 위 비용 함수 J를 최소화하는 최적의 제어 입력 시퀀스(u_k^*, u_{k+1}^*,..., u_{k+N_c-1}^*)를 계산한다. 그리고 이 시퀀스 중 첫 번째 제어 입력(u_k^\*)만 실제 드론 시스템에 인가한다. 그 후, 다음 제어 주기가 되면 새로운 센서 측정값을 받아 현재 상태를 갱신하고, 다시 1~3의 과정을 반복한다.

MPC는 이처럼 미래를 내다보고 최적의 행동을 계획함으로써, 단순한 피드백 제어기가 할 수 없는 선제적인 대응과 제약 조건 만족을 동시에 달성할 수 있다.

3.4 비선형 모델 예측 제어(NMPC) 심층 분석

드론의 동역학은 로터의 추력, 공기역학적 항력, 블레이드 플래핑 효과 등으로 인해 강한 비선형성(nonlinearity)을 띤다.15 선형 MPC(LMPC)는 특정 동작점에서 시스템을 선형화하여 사용하므로, 드론이 급격하게 기동하거나 동작점이 크게 변하면 선형화 오차로 인해 성능이 저하될 수 있다. 비선형 모델 예측 제어(NMPC)는 이러한 비선형 동역학 모델을 직접 최적화 과정에 사용하여, 선형화 오차 없이 더 넓은 동작 영역에서 더 정밀한 예측과 제어를 가능하게 한다.16

이러한 NMPC의 개념을 블레이드 표면 추종 문제에 극적으로 적용한 것이 VT-NMPC (Visual Tracking NMPC) 이다.6 이 기법의 핵심은 제어 목표를 사전에 정의된 3차원 ‘경로’(x_{ref}$)에서, 실시간으로 변하는 ‘표면과의 기하학적 관계’ 그 자체로 전환한 것이다.

이를 위해 VT-NMPC는 전통적인 위치 오차 항 대신, 다음과 같은 표면 추종 관련 비용 항목들을 비용 함수에 직접 포함시켜 최소화한다 6:

  • 거리 비용 (C_d): 드론과 표면 중심점 간의 현재 유클리드 거리가 목표 검사 거리(d_{ref})에서 벗어나는 정도를 페널티로 부여한다. 이는 항상 일정한 검사 거리를 유지하도록 강제한다.
  • 방향 비용 (C_r): 드론이 표면의 법선(normal) 벡터 방향에 위치하도록 유도한다. 이는 드론이 표면의 정면에 위치하도록 만든다.
  • 직교성 비용 (C_o): 드론의 카메라(또는 센서) 축이 표면과 최대한 직교하도록 유도한다. 이는 왜곡 없는 고품질 검사 데이터를 얻기 위해 필수적이다.
  • 헤딩 비용 (C_h): 드론의 전방 방향이 표면의 중심을 향하도록 유지하여, 다음 이동 방향을 미리 준비하도록 한다.

이러한 비용 함수 설계의 가장 큰 장점은 시스템의 강건성이다. 예를 들어, 강한 바람 때문에 드론이 사전 계획된 경로에서 다소 벗어나더라도, VT-NMPC 컨트롤러는 경로 이탈 자체보다는 ’표면과의 관계’를 최적 상태로 복원하는 데 집중한다. 즉, 경로에서 벗어났더라도 블레이드 표면에 대해 최적의 검사 자세(일정한 거리, 수직 시야)를 유지하도록 동적으로 제어 입력을 생성한다. 이는 예측 불가능한 환경에서도 검사 데이터의 품질을 일관되게 유지하는 핵심적인 메커니즘이다.

이처럼 제어 시스템은 단순히 명령을 따르는 수동적인 역할을 넘어, 불완전한 현실 세계와 상호작용하며 최적의 결과를 만들어내는 능동적인 주체로 기능한다. LiDAR 데이터 처리에는 필연적으로 수십~수백 밀리초의 계산 지연(latency)이 발생하므로, 드론은 사실상 ’과거’의 표면 위치를 기반으로 제어해야 한다. MPC는 드론의 동역학 모델을 이용해 미래를 ’예측’함으로써 이러한 센서 데이터의 지연을 보상하는 효과를 가진다.18 또한, 최대 속도나 최소 안전거리와 같은 제약 조건을 명시적으로 다룰 수 있어 15, 불확실한 상황에서도 시스템의 안전을 보장하는 중요한 안전장치 역할을 한다. 결국 MPC는 불완전한 디지털 인식 시스템(LiDAR 처리 파이프라인)과 실제 물리 시스템(드론) 사이의 간극, 즉 ’시간 지연’과 ’불확실성’이라는 근본적인 문제를 ’예측’과 ’제약 조건 처리’라는 메커니즘을 통해 메우는 핵심적인 다리 역할을 수행하는 것이다.

제어 전략추종 정밀도비선형성 처리제약 조건 처리외란 대응 능력모델 의존성계산 비용표면 추종 적합성
PID낮음불가능간접적 (포화)낮음 (반응적)낮음매우 낮음부적합
LMPC중간제한적 (선형화)가능중간 (예측적)중간중간제한적 15
NMPC높음가능가능높음 (예측적)높음높음적합 16
VT-NMPC매우 높음가능가능매우 높음 (적응적)높음매우 높음최적 6

4. 기술적 난제 및 한계점 고찰

LiDAR 기반 블레이드 추종 기술은 이론적으로 매우 강력하지만, 이를 실제 필드 환경에 적용하는 과정에서는 다양한 기술적 난제와 물리적 한계에 직면하게 된다. 이러한 문제들을 이해하고 극복하는 것이 기술의 상용화를 위한 핵심 과제이다.

4.1 복잡한 블레이드 형상 및 센서 해상도 문제

풍력 발전기 블레이드는 단순한 평면이나 원통이 아니라, 공기역학적 성능을 극대화하기 위해 설계된 매우 복잡한 3차원 곡면 구조물이다. 이러한 기하학적 특성은 LiDAR 기반 인식 시스템에 상당한 도전을 제기한다.

  • 곡률 변화와 데이터 희소성: 블레이드는 날개 뿌리(root)에서 끝단(tip)으로 갈수록 두께와 비틀림 각도가 변하며, 특히 공기와 처음 만나는 앞전(leading edge)과 공기가 흘러나가는 뒷날(trailing edge)은 매우 큰 곡률을 가진다.20 LiDAR의 레이저 빔이 이러한 급격한 곡률 변화 지점에 비스듬한 각도로 입사하면, 반사되는 신호가 약해지거나 센서로 돌아오지 않고 다른 방향으로 산란될 확률이 높아진다. 이로 인해, 블레이드 끝단(wing tip)이나 가장자리와 같은 중요 영역의 포인트 클라우드 데이터는 중앙부보다 훨씬 희소하게(sparse) 샘플링되는 경향이 있다.14
  • 센서 해상도의 물리적 한계: 드론에 탑재되는 LiDAR 센서는 무게와 크기, 전력 소모의 제약으로 인해 지상 고정형 LiDAR만큼 높은 해상도나 스캔 속도를 갖기 어렵다. 탑재된 LiDAR의 각도 분해능(angular resolution)과 측정 주파수가 충분히 높지 않으면, 위에서 언급된 희소성 문제는 더욱 심각해진다.3 데이터가 부족한 영역에서는 정합 알고리즘이 정확한 상대 위치를 추정하는 데 어려움을 겪게 되고, 이는 제어 시스템의 불안정성으로 이어질 수 있다. 이러한 불확실성은 결국 안전을 위해 드론이 블레이드로부터 더 먼 거리를 유지하도록 강제하며, 이는 검사 센서(예: 카메라)가 촬영하는 이미지의 해상도를 낮추는 딜레마를 야기한다. 즉, ’안전’과 ‘검사 품질’ 사이의 트레이드오프가 발생하는 것이다.

4.2 동적 환경 요인과 실시간 처리의 제약

풍력 발전기가 설치된 환경은 본질적으로 매우 동적이고 예측이 어렵다. 또한, 이 모든 것을 처리해야 하는 드론의 온보드 컴퓨터는 물리적인 제약을 안고 있다.

  • 환경 교란 요인:
  • 바람 (Wind Gusts): 풍력 발전 단지는 바람이 강한 곳에 위치하므로, 특히 수십 미터 상공의 블레이드 주변은 예측 불가능한 돌풍이 매우 잦다. 이러한 돌풍은 드론의 자세를 급격히 흔들어 안정적인 비행과 데이터 취득을 방해하는 가장 큰 요인이다.12 MPC는 풍속을 예측(wind preview)하여 외란을 선제적으로 보상하는 연구가 활발히 진행되고 있지만 18, 실시간으로 변화하는 3차원 난류 풍속장을 정확히 예측하는 것은 여전히 매우 어려운 도전 과제다.
  • 태양광 (Sunlight): LiDAR는 능동형 센서지만, 일부 파장대의 센서는 강한 직사광선에 포함된 적외선에 의해 신호 대 잡음비(SNR)가 저하될 수 있다. 또한, 블레이드 표면의 광택이나 결빙으로 인한 난반사는 측정 오류를 유발할 수 있다.4
  • 강수 및 안개: 비, 눈, 안개와 같은 기상 조건은 공기 중의 입자들이 레이저 빔을 산란시키거나 흡수하게 만든다. 이는 LiDAR의 유효 측정 거리를 급격히 감소시키고, 포인트 클라우드의 밀도와 품질을 저하시키는 직접적인 원인이 된다.4
  • 실시간 처리의 제약 (Real-time Processing):
  • 높은 계산 부하: 1장에서 설명한 포인트 클라우드 정합 알고리즘(특히 RANSAC)과 2장에서 설명한 비선형 모델 예측 제어(NMPC)는 모두 반복적인 최적화 계산을 포함하므로 매우 높은 계산량을 요구한다.13
  • 온보드 컴퓨팅의 한계: 드론에 탑재할 수 있는 컴퓨팅 보드는 무게, 크기, 전력 소모, 발열 등 엄격한 물리적 제약을 받는다.24 이러한 제약 조건 하에서, 복잡한 인식 및 제어 알고리즘을 수십 Hz 이상의 실시간 주기로 안정적으로 구동하는 것은 매우 어려운 공학적 문제다. 알고리즘의 이론적 성능과 실제 하드웨어에서의 구현 가능성 사이의 균형을 맞추는 것이 기술 상용화의 핵심적인 과제 중 하나다.

이러한 난제들은 이 기술의 성패가 단순히 정교한 알고리즘 개발에만 달려 있는 것이 아님을 시사한다. 오히려, 알고리즘이 실제 ’물리적 세계’의 불완전함과 예측 불가능성과 어떻게 상호작용하는지를 깊이 이해하고, 그 간극을 메우는 능력에 달려 있다. 연구실의 통제된 시뮬레이션 환경에서는 완벽한 센서 데이터와 이상적인 물리 모델을 가정할 수 있지만 1, 실제 필드에서는 블레이드 표면의 미세한 굴곡 20, LiDAR 빔의 반사 특성, 공기역학적 외란 19 등 예측하기 어려운 ’비이상성’이 지배한다. 예를 들어, 블레이드 끝단에서 LiDAR 데이터가 희소해지는 현상 14은 센서 해상도 문제일 뿐만 아니라, 급격한 곡률로 인해 레이저 빔의 입사각이 커져 반사 신호가 약해지는 센서 물리학적 현상과 깊이 관련되어 있다. 따라서 성공적인 시스템은 이러한 물리적 상호작용을 모델링하고, 알고리즘 단계에서 이를 보완해야 한다. 예를 들어, 데이터가 희소한 영역에서는 제어기의 이득(gain)을 낮추어 안정성을 확보하거나, 경로 계획 시 해당 영역을 더 느린 속도로 통과하도록 설정하는 등의 적응적 전략이 요구된다. 결국 이 분야의 연구는 순수 알고리즘 개발을 넘어, 센서 물리학, 재료 과학, 유체 역학 등 다양한 물리 분야와의 깊은 융합을 통해 시뮬레이션과 현실 사이의 간극(Sim-to-Real Gap) 24을 메워나가는 방향으로 나아가야 한다.

5. 결론

5.1 핵심 기술 요약

LiDAR 기반 드론의 풍력 발전기 블레이드 표면 추종 기술은 세 가지 핵심 기술 요소의 정교하고 유기적인 결합체로 정의할 수 있다. 첫째, 외부 조명과 무관하게 3차원 형상을 직접 측정하는 LiDAR를 통한 강건한 3차원 인식. 둘째, FPFH, RANSAC, ICP 등을 계층적으로 결합하여 실시간으로 블레이드에 대한 드론의 상대 위치를 정밀하게 추정하는 포인트 클라우드 정합 기반의 상대 위치 추정. 셋째, 드론의 비선형 동역학과 물리적 제약을 고려하여 미래를 예측하고 최적의 제어 입력을 생성하는 NMPC 기반의 예측적/적응적 제어.

특히 이 기술의 핵심적인 혁신은 두 가지 측면에서 두드러진다. 첫째는 ’회전하는 블레이드’라는 복잡한 동역학적 대상을 ’고정된 원통’이라는 단순한 기하학적 형태로 추상화하여 문제의 복잡도를 획기적으로 낮춘 모델링 기법이다. 둘째는 제어 목표를 ’고정된 경로’에서 ’실시간으로 변하는 표면과의 관계’로 전환한 VT-NMPC와 같은 제어 패러다임의 전환이다. 이 두 가지 혁신은 기술의 실시간성, 강건성, 그리고 궁극적으로 검사 품질을 보장하는 근간이 된다.

5.2 기술적 의의 및 향후 연구 방향

이 기술은 숙련된 조종사의 감각에 의존하던 기존 검사 방식의 한계를 극복하고, 인간의 개입을 최소화하며, 악천후나 야간과 같은 열악한 조건에서도 일관된 품질의 데이터를 수집할 수 있는 길을 열었다. 이는 풍력 발전기의 유지보수 비용을 절감하고 가동률을 높여, 풍력 에너지의 경제성을 한 단계 끌어올릴 중요한 잠재력을 가지고 있다.

이 기술의 발전을 위해 다음과 같은 향후 연구 방향을 제시할 수 있다.

  • 알고리즘 효율성 증대: NMPC의 최적화 문제를 더 빠르게 풀 수 있는 계산적으로 효율적인 솔버(solver)를 개발하거나, 딥러닝을 이용해 포인트 클라우드의 특징 추출 및 정합 과정을 가속화하는 연구가 필요하다. 이는 제한된 온보드 컴퓨팅 자원 하에서 더 높은 성능을 달성하기 위한 필수적인 과제다.
  • 다중 모달리티 센서 융합 심화: LiDAR는 표면의 형상을 측정하는 데 뛰어나지만, 표면 아래의 구조적 결함이나 미세한 균열을 탐지하는 데는 한계가 있다. LiDAR 데이터의 한계를 보완하기 위해 열화상 카메라(표면 온도 이상 감지) 25, 초음파 센서(내부 균열 및 박리 감지) 3, 고해상도 RGB 카메라(미세 표면 결함 촬영) 26 등 다중 모달리티 센서 데이터를 실시간으로 융합하는 연구가 필요하다. 이를 통해 한 번의 비행으로 표면 형상과 내부 구조적 건전성을 동시에 평가하는 포괄적인 검사가 가능해질 것이다.
  • 적응 및 학습 기반 제어: 현재의 MPC는 사전에 정의된 모델에 의존한다. 하지만 실시간으로 변하는 바람이나 블레이드의 미세한 진동과 같은 예측 불가능한 요인들을 온라인으로 학습하고, 이에 맞춰 제어 파라미터를 스스로 조정하는 적응형(adaptive) 또는 학습 기반(learning-based) MPC 연구가 유망하다. 이는 시스템이 경험을 통해 스스로 성능을 개선해 나가는 한 단계 더 진보된 자율성을 부여할 것이다.

궁극적으로 이 기술은 단순히 블레이드를 수동적으로 따라가는 것을 넘어, 비행 중에 실시간으로 결함을 탐지하고 27, 발견된 결함 부위를 더 정밀하게 검사하기 위해 즉석에서 비행 경로를 자율적으로 수정하는 완전한 ‘자율 지능형 검사(Autonomous Intelligent Inspection)’ 시스템으로 발전해 나갈 것이다.는 시스템이 경험을 통해 스스로 성능을 개선해 나가는 한 단계 더 진보된 자율성을 부여할 것이다.

궁극적으로 이 기술은 단순히 블레이드를 수동적으로 따라가는 것을 넘어, 비행 중에 실시간으로 결함을 탐지하고 27, 발견된 결함 부위를 더 정밀하게 검사하기 위해 즉석에서 비행 경로를 자율적으로 수정하는 완전한 ‘자율 지능형 검사(Autonomous Intelligent Inspection)’ 시스템으로 발전해 나갈 것이다.

6. 참고 자료

  1. LiDAR-Based Unmanned Aerial Vehicle Offshore Wind Blade Inspection and Modeling, accessed July 23, 2025, https://www.mdpi.com/2504-446X/8/11/617
  2. (PDF) LiDAR-Based Unmanned Aerial Vehicle Offshore Wind Blade …, accessed July 23, 2025, https://www.researchgate.net/publication/385326315_LiDAR-Based_Unmanned_Aerial_Vehicle_Offshore_Wind_Blade_Inspection_and_Modeling
  3. A Literature Survey on Remote Inspection of Offshore Wind Turbine …, accessed July 23, 2025, https://reports.nlr.nl/bitstream/handle/10921/1559/NLR-CR-2020-223.pdf
  4. Photogrammetry vs. LiDAR accuracy in RTK drone mapping - Emlid …, accessed July 23, 2025, https://blog.emlid.com/photogrammetry-vs-lidar-accuracy-in-rtk-drone-mapping/
  5. LiDAR vs. Photogrammetry: The Ultimate Showdown for 3D Mapping (2025) - JOUAV, accessed July 23, 2025, https://www.jouav.com/blog/lidar-vs-photogrammetry.html
  6. (PDF) Visual Tracking Nonlinear Model Predictive Control Method …, accessed July 23, 2025, https://www.researchgate.net/publication/377897194_Visual_Tracking_Nonlinear_Model_Predictive_Control_Method_for_Autonomous_Wind_Turbine_Inspection
  7. Wind sensing with drone-mounted wind lidars: proof of concept - AMT, accessed July 23, 2025, https://amt.copernicus.org/articles/13/521/2020/
  8. Towards Operating Wind Turbine Inspections using a LiDAR-equipped UAV - arXiv, accessed July 23, 2025, https://arxiv.org/pdf/2306.14637
  9. Towards Operating Wind Turbine Inspections using a LiDAR-equipped UAV - ResearchGate, accessed July 23, 2025, https://www.researchgate.net/publication/371871769_Towards_Operating_Wind_Turbine_Inspections_using_a_LiDAR-equipped_UAV
  10. An Improved RANSAC-ICP Method for Registration of SLAM and …, accessed July 23, 2025, https://www.mdpi.com/1999-4907/15/6/893
  11. Lidar-Based Spatial Large Deflection Measurement System for Wind Turbine Blades - Semantic Scholar, accessed July 23, 2025, https://pdfs.semanticscholar.org/98c3/a4b8de094f220d606fa1e0e4a93d39ce7423.pdf
  12. BladeView: Toward Automatic Wind Turbine Inspection With Unmanned Aerial Vehicle - Heriot-Watt Research Portal, accessed July 23, 2025, https://researchportal.hw.ac.uk/files/148114638/BladeView_Toward_Automatic_Wind_Turbine_Inspection_With_Unmanned_Aerial_Vehicle.pdf
  13. An Improved RANSAC Outlier Rejection Method for UAV-Derived Point Cloud - MDPI, accessed July 23, 2025, https://www.mdpi.com/2072-4292/14/19/4917
  14. LiDAR Assisted Camera Inspection of Wind Turbines: Experimental …, accessed July 23, 2025, https://vbn.aau.dk/files/328976030/Lidar_Camera.pdf
  15. Model Predictive Control for Micro Aerial Vehicles: A Survey, accessed July 23, 2025, https://arxiv.org/pdf/2011.11104
  16. Model Predictive Control of Wind Turbines - DTU Research Database, accessed July 23, 2025, https://orbit.dtu.dk/files/5505252/phd244_larh.pdf
  17. Robust model predictive control of wind turbines based on Bayesian parameter self-optimization - Frontiers, accessed July 23, 2025, https://www.frontiersin.org/journals/energy-research/articles/10.3389/fenrg.2023.1306167/full
  18. Predictive Control of a Wind Turbine Based on Neural Network-Based Wind Speed Estimation - MDPI, accessed July 23, 2025, https://www.mdpi.com/2071-1050/15/12/9697
  19. Wind Preview-Based Model Predictive Control of Multi-Rotor UAVs Using LiDAR - MDPI, accessed July 23, 2025, https://www.mdpi.com/1424-8220/23/7/3711
  20. simulation studies conclusions: Topics by Science.gov, accessed July 23, 2025, https://www.science.gov/topicpages/s/simulation+studies+conclusions
  21. (PDF) Real-time wind field reconstruction from LiDAR measurements using a dynamic wind model and state estimation - ResearchGate, accessed July 23, 2025, https://www.researchgate.net/publication/268525706_Real-time_wind_field_reconstruction_from_LiDAR_measurements_using_a_dynamic_wind_model_and_state_estimation
  22. l4*ITERPOH/ER - PROCEEDINGS OF THE INTERNATIONAL CONFERENCE ON HYDROPOWER - DTIC, accessed July 23, 2025, https://apps.dtic.mil/sti/tr/pdf/ADA307714.pdf
  23. 177th Meeting - The Acoustical Society of America, accessed July 23, 2025, https://acousticalsociety.org/wp-content/uploads/2019/04/Louisville_program-1.pdf
  24. Automated UAV-based Wind Turbine Blade Inspection: Blade Stop Angle Estimation and Blade Detail Prioritized Exposure Adjustment - arXiv, accessed July 23, 2025, https://arxiv.org/html/2507.04922v1
  25. Review of Drone-Based Technologies for Wind Turbine Blade …, accessed July 23, 2025, https://www.mdpi.com/2079-9292/14/2/227
  26. How Drones are Revolutionizing Wind Turbine Maintenance - VIVABLAST | Leading in Industrial Asset Protection Vietnam, accessed July 23, 2025, https://vivablast.com/new/how-drones-are-revolutionizing-wind-turbine-maintenance/
  27. AI Workforce: using AI and Drones to simplify infrastructure inspections | Artificial Intelligence, accessed July 23, 2025, https://aws.amazon.com/blogs/machine-learning/ai-workforce-using-ai-and-drones-to-simplify-infrastructure-inspections/
  28. A Novel Approach for Defect Detection of Wind Turbine Blade Using Virtual Reality and Deep Learning - arXiv, accessed July 23, 2025, https://arxiv.org/html/2401.00237v1
  29. [2302.06093] Learning-Based Defect Recognitions for Autonomous UAV Inspections - arXiv, accessed July 23, 2025, https://arxiv.org/abs/2302.06093