ViDAR (시각 탐지 및 거리 측정) 시스템

1. ViDAR 시스템의 정의와 핵심 원리

1.1 ViDAR의 개념: 수동형 광학 레이더로서의 정체성

ViDAR(Visual Detection and Ranging)는 Sentient Vision Systems(현 Shield AI)가 세계 최초로 개발한 수동형 광학 레이더(passive optical radar) 시스템으로 정의된다.1 이 시스템은 전자기파를 능동적으로 방사하고 그 반향을 수신하여 표적을 탐지하는 전통적인 레이더(Radar)나 라이더(LiDAR)와 근본적으로 다르다. ViDAR는 주변 환경에 존재하는 광학 정보, 즉 가시광선 및 적외선(EO/IR)을 수동적으로 수집하고, 수집된 영상 데이터를 지능적으로 분석하여 표적을 탐지 및 식별한다.

이러한 수동적(passive) 특성은 ViDAR의 가장 핵심적인 정체성이자 전술적 가치를 결정한다. 능동 센서와 달리 어떠한 신호도 외부에 방출하지 않으므로, 적의 전자전 지원책(ESM, Electronic Support Measures)에 의해 탐지될 위험 없이 은밀한 감시 및 정찰 임무 수행이 가능하다.1 본질적으로 ViDAR는 광역 감시용 EO/IR 센서가 수집하는 방대한 양의 영상 데이터를 인공지능(AI)이 실시간으로 분석하여, 인간 조작자의 시각적 인지 능력을 초월하는 미세한 표적까지 자율적으로 탐지해내는 ’지능형 광학 탐색 시스템’이라 할 수 있다.1

1.2 용어의 명확화: 상업용, 학술용 ViDAR 시스템의 구분

’ViDAR’라는 용어는 단일한 기술을 지칭하는 것이 아니라, 서로 다른 목적과 원리를 가진 여러 기술 개념에 사용되고 있어 명확한 구분이 필요하다. 이러한 용어의 다의성을 이해하는 것은 ViDAR 기술의 다각적인 발전 방향을 조망하고, 본 보고서의 분석 범위를 명확히 하는 데 필수적이다.

• 상업용 ViDAR (Sentient Vision Systems / Shield AI): 본 보고서의 주요 분석 대상이 되는 시스템이다. 이는 광역 해상 및 지상 감시를 목적으로 상용 EO/IR 센서와 고도의 인공지능 소프트웨어를 결합한 통합 솔루션이다. 핵심 기능은 광역이동표적영상(WAMI, Wide Area Motion Imagery)을 실시간으로 분석하여 인간이 식별하기 어려운 작은 표적을 자동으로 탐지, 분류, 추적하는 것이다.1
• 학술 연구 ViDAR (초고속 이미징): 일부 학술 연구에서는 완전히 다른 개념의 기술을 ’vidar’로 명명한다.7 이 기술은 전통적인 카메라의 프레임 기반 표현 방식에서 벗어나, 광자(photon)의 축적이 특정 임계값에 도달했는지를 나타내는 비트 시퀀스 배열을 생성한다. 생물학적 시각의 스파이크 트레인(spike trains)에서 영감을 얻은 이 방식은, 기존 카메라보다 1,000배 이상 빠른 초고속 현상을 포착하고 재구성하는 것을 목표로 하는 혁신적인 시각 표현 모델이다. 주로 고속 객체 추적과 같은 기초 과학 및 공학 연구에 중점을 둔다.
• 학술 연구 ViDAR (SLAM): 로보틱스 및 자율주행 분야의 연구에서는 고정된 관성측정장치(IMU), 모터 인코더, 그리고 회전하는 카메라를 결합한 새로운 하드웨어 장치를 ’ViDAR’로 제안하기도 한다.8 이 장치는 시각-관성-인코더 데이터를 긴밀하게 결합한 주행 거리 측정(VIEO, Visual-Ineratial-Encoder Odometry)을 통해, 동시적 위치추정 및 지도작성(SLAM, Simultaneous Localization and Mapping)의 정확도와 강건성을 향상시키는 것을 목표로 한다.

이처럼 ViDAR라는 용어는 서로 다른 기술적 맥락에서 사용되지만, 본 보고서는 국방, 안보, 수색 및 구조 등 실제 현장에서 가장 널리 상용화되어 운용되고 있는 Shield AI의 시스템에 초점을 맞추어 심층 분석을 진행한다.

1.3 작동 원리: 광역 이동 이미지(WAMI)와 실시간 픽셀 분석

상용 ViDAR 시스템의 작동 원리는 광역이동표적영상(WAMI)을 인공지능으로 실시간 분석하는 데 있다. 이는 단순히 영상을 스트리밍하는 것을 넘어, 영상 데이터 자체를 정보로 변환하는 과정이다.

ViDAR 시스템은 EO/IR 센서가 촬영하는 비디오 피드의 모든 프레임에 존재하는 모든 픽셀을 실시간으로 검사한다.1 이 과정에서 시스템의 AI 및 머신러닝 알고리즘은 영상 내에서 표적과 배경을 구분하는 정교한 작업을 수행한다. 예를 들어, 해상 환경에서는 끊임없이 변화하는 파도, 백파(whitecaps), 수면 위 햇빛 반사 등이 주요 배경 요소가 된다. ViDAR는 연속된 여러 프레임에 걸쳐 이러한 배경 요소들의 동적 특성을 학습하고, 이를 ’정상 상태(normal state)’로 모델링하여 표적 탐지 과정에서 배제함으로써 오탐지율을 획기적으로 낮춘다.9

이러한 픽셀 단위의 심층 분석을 통해 ViDAR는 센서의 명목상 해상도에 구애받지 않고, 인간 조작자가 육안으로는 절대 인지할 수 없거나 쉽게 놓칠 수 있는 서브픽셀(sub-pixel) 크기의 미세한 표적까지도 탐지할 수 있다.1 표적이 탐지되면, 시스템은 즉시 해당 표적의 축소판 이미지(thumbnail)와 함께 방위 및 거리 정보를 운영자의 임무 관리 시스템(MMS) 화면에 시각적으로 표시한다. 운영자는 이 정보를 바탕으로 항공기의 주 센서(예: 고배율 줌 카메라)를 해당 표적으로 신속하게 돌려(slew) 정밀 식별 및 조사를 수행할 수 있다. 이 모든 과정이 진행되는 동안에도 ViDAR 시스템은 배경에서 계속해서 자율적으로 전체 감시 영역을 스캔하며 새로운 표적을 탐색한다.1

1.4 거리 측정의 기술적 기반: 정적 및 동적 객체 탐지를 위한 기하학적 모델링

ViDAR의 ‘Ranging(거리 측정)’ 기능은 Radar나 LiDAR처럼 전자기파의 비행시간(Time-of-Flight, ToF)을 물리적으로 측정하는 방식이 아니다. 대신, 2D 이미지 데이터로부터 기하학적 원리를 이용해 거리를 알고리즘적으로 추론(inference)한다. 이는 ViDAR의 거리 측정 정확도가 물리적 파동 전파가 아닌, 플랫폼의 항법 데이터(IMU/INS) 정확도, 카메라 보정의 정밀도, 그리고 관측 기하학의 안정성에 의존함을 의미한다.

한 관련 연구에서는 핀홀 카메라 모델을 기반으로 한 거리 측정 원리를 상세히 제시하고 있다.11 이 모델은 카메라의 유효 초점 거리(f), 지상고(h), 픽셀 크기(\mu), 피치각(\theta) 등 내부 및 외부 파라미터와 이미지 평면상에 투영된 표적의 좌표(y)를 이용하여, 카메라와 표적 간의 수평 거리(d)를 다음의 수식으로 계산한다.
d = h \tan \left( \theta + \arctan \frac{y_0 - y}{\mu / f} \right)
이 기본 원리를 바탕으로 정적 및 동적 객체를 구분하고 거리를 측정할 수 있다.

• 정적 장애물 탐지: 항공기나 차량이 이동하면서 연속된 두 프레임의 이미지를 촬영한다고 가정한다. 첫 번째 프레임에서 계산된 표적까지의 거리(d_1)와 두 번째 프레임에서 계산된 거리(d_2), 그리고 그 시간 동안 플랫폼이 이동한 거리(\Delta d) 사이에는 특정 관계가 성립한다. 만약 표적이 도로 평면과 같이 고정된 지점이라면 d_1 = d_2 + \Delta d 관계가 유지된다. 그러나 표적이 높이를 가진 3차원 장애물일 경우, 이 등식이 성립하지 않게 되며, 발생하는 차이(\Delta l)를 통해 정적 장애물의 존재를 식별할 수 있다.11
• 동적 장애물 탐지: 만약 표적 자체가 수평 방향으로 움직이는 경우, 문제는 더 복잡해진다. 이 경우, 표적의 높이(h_v)와 카메라의 높이(h) 사이의 삼각법적 관계를 이용하여 표적의 자체 이동 거리를 추정할 수 있다. 연속된 프레임에서 관측된 위치 변화가 플랫폼의 이동만으로는 설명되지 않을 때, 시스템은 이를 동적 장애물로 식별하고 그 상대 속도와 거리를 계산한다.11 이러한 원리는 교통 흐름 분석, 무인 차량의 장애물 회피, 도로 표면의 포트홀 탐지 등 다양한 응용 분야의 기술적 기반을 제공한다.

2. ViDAR의 핵심 기술 스택 분석

2.1 하드웨어 구성 요소: 센서, 프로세서, 및 플랫폼 통합

2.1.1 광학 및 적외선(EO/IR) 센서: 멀티스펙트럼 및 SWIR의 역할

ViDAR 시스템의 감각 기관에 해당하는 핵심 하드웨어는 상용 기성품(COTS, Commercial Off-The-Shelf) 고해상도 EO/IR 카메라이다.9 최신 ViDAR Pod 시스템은 단일 파장대역에 의존하지 않고, 다양한 환경과 임무에 대응하기 위해 멀티스펙트럼(Multi-spectral) 역량을 갖추는 방향으로 발전하고 있다.

주간 감시 임무에는 가시광선 영역(약 400-900 nm 파장대)에서 작동하는 초고화질(Ultra-HD) 전기광학(EO) 센서가 사용되어 선명한 컬러 이미지를 확보한다.12 반면, 야간이나 저조도 환경에서는 표적과 배경의 미세한 온도 차이를 감지하는 첨단 장파 적외선(LWIR, Long-Wave Infrared) 센서가 핵심적인 역할을 수행한다.13 이 두 센서의 통합은 ViDAR 시스템이 주야간을 가리지 않고 육상, 연안, 해상 등 다중 영역에서 임무를 수행할 수 있는 유연성을 부여한다.6

특히 주목할 만한 발전은 단파 적외선(SWIR, Short-Wave Infrared) 센서의 활용이다. SWIR(1-3 마이크론 파장대)은 안개, 연기, 먼지, 연무 등 대기 중 입자에 대한 투과 능력이 뛰어나다.14 이는 모든 광학 센서의 근본적인 약점인 악천후 성능을 보완하는 전략적 중요성을 갖는다. 기존 EO/IR 센서의 탐지 거리가 악천후로 인해 수십 NM에서 1 NM까지 급격히 감소할 수 있는 반면, SWIR 센서는 이러한 조건에서도 원거리 탐지 능력을 상당 부분 유지할 수 있다. 따라서 SWIR 센서와 ViDAR의 AI 알고리즘을 결합하면, 산불 현장에서 연기를 뚫고 지상의 소방 자산을 추적하거나, 분쟁 지역에서 전장의 먼지와 연막 속에서 아군과 적군을 식별하는 등 기존 광학 시스템으로는 불가능했던 특수 임무 수행이 가능해진다. 이는 ViDAR를 맑은 날씨에만 국한된 솔루션에서 벗어나, 보다 강건하고 전천후에 가까운 ISR 자산으로 격상시키는 핵심 기술이라 할 수 있다.14

2.1.2 시스템 아키키텍처: ViDAR Pod의 구조와 터렛 사양

ViDAR 시스템은 운용 플랫폼의 특성과 요구사항에 따라 다양한 형태로 구현될 수 있다. 초기에는 유인기나 무인항공기(UAV)에 이미 장착된 EO/IR 센서 및 임무 관리 시스템(MMS)과 연동되는 소프트웨어 솔루션 형태로 제공되었다. 그러나 최근에는 센서, 프로세서, 그리고 관련 하드웨어를 하나의 독립적인 모듈로 통합한 외부 장착형 포드(Pod) 형태가 주류를 이루고 있다.1

Shield AI가 공개한 최신 ViDAR Pod는 공기역학적으로 설계된 컴팩트한 60cm 길이의 튜브 형태로, 주로 항공기 동체 하부에 장착된다.6 이 포드 내부에는 앞서 언급된 멀티스펙트럼 카메라 어레이, 영상 데이터를 실시간으로 처리하는 고성능 통합 프로세서, 그리고 플랫폼의 움직임을 정밀하게 측정하기 위한 별도의 관성 측정 장치(IMU)가 포함되어 있다.6

Insitu 사의 ScanEagle이나 Integrator와 같은 소형 전술 무인기에 탑재되는 ViDAR 페이로드는 낮은 크기, 무게, 및 전력(SWaP, Size, Weight, and Power) 특성에 최적화되어 있다.3 이 시스템은 통상적으로 180°의 넓은 각도 범위를 커버하는 스캐닝 ViDAR 터렛과, 1280x720 픽셀급의 고해상도 EO 터렛을 결합한 구조를 가진다.12 이러한 모듈식 저-SWaP 설계는 경량의 소형 플랫폼에서도 고성능 광역 감시 능력을 운용할 수 있게 하는 핵심 요소이다.

2.2 소프트웨어 및 인공지능 알고리즘

2.2.1 AI 기반 객체 탐지: 컴퓨터 비전과 딥러닝의 적용

ViDAR 시스템의 진정한 핵심은 하드웨어가 아닌, 그 안에 탑재된 고도의 소프트웨어에 있다. 이 소프트웨어는 20년 이상 축적된 컴퓨터 비전, 인공지능, 그리고 딥러닝(DL) 분야의 전문 지식이 집약된 결과물이다.1

ViDAR의 AI는 플랫폼에 내장된 온보드 프로세서에서 실시간으로 작동하며, EO/IR 센서로부터 초당 수십 프레임씩 쏟아져 들어오는 방대한 영상 데이터를 지체 없이 분석한다. 이 과정에서 AI는 단순히 이미지를 처리하는 것을 넘어, 영상 속에서 의미 있는 객체를 자율적으로 탐지(Detect), 식별(Identify), 분류(Classify), 그리고 추적(Track)하는 복합적인 인지 작업을 수행한다.3 특히 딥러닝 기술의 적용은 객체 탐지 및 분류의 정확도를 비약적으로 향상시켰다. 이를 통해 운영자는 정보의 홍수 속에서 헤매는 대신, AI가 이미 한 차례 정제하고 우선순위를 매겨 제공하는 유의미한 표적 정보에 집중하여 더 빠르고 정확한 의사결정을 내릴 수 있게 된다.3

2.2.2 핵심 알고리즘 고찰: CNN 및 YOLO 모델의 활용 가능성

ViDAR의 구체적인 알고리즘은 상업적 기밀에 해당하지만, 시스템의 작동 방식과 요구 성능을 분석해 보면 그 기술적 기반을 유추할 수 있다. ViDAR와 같이 실시간으로 영상 내 객체를 탐지하는 시스템은 합성곱 신경망(CNN, Convolutional Neural Network)을 기반으로 할 가능성이 매우 높다. CNN은 이미지 데이터의 공간적, 계층적 특징을 추출하고 학습하는 데 탁월한 성능을 보여 현대 컴퓨터 비전의 근간을 이루고 있다.19

특히, YOLO(You Only Look Once) 계열의 알고리즘은 ViDAR의 운용 철학과 가장 잘 부합하는 모델로 지목된다. YOLO는 기존의 2단계(two-stage) 검출기(예: R-CNN 계열)와 달리, 이미지를 단 한 번만(single pass) 분석하여 영상 내 모든 객체의 위치(바운딩 박스)와 종류(클래스)를 한 번에 예측하는 혁신적인 1단계(single-stage) 검출기이다.19

YOLO의 작동 방식은 ViDAR의 특성을 설명하는 데 매우 유용하다. YOLO는 입력 이미지를 일정한 크기의 그리드(grid)로 나눈다. 그리고 각 그리드 셀은 자신이 포함하는 객체의 중심점을 기준으로, 해당 객체의 바운딩 박스 좌표와 신뢰도 점수, 그리고 각 클래스에 속할 확률을 직접 예측한다.19 이처럼 전체 이미지를 한 번에 통합적으로 분석하기 때문에, 객체의 전역적인 맥락(global context)을 파악하는 데 유리하여 배경과 객체를 혼동하는 오류가 적고, 무엇보다 처리 속도가 매우 빠르다.24 ViDAR가 “모든 프레임의 모든 픽셀을 실시간으로 검사한다“는 설명 1은 YOLO의 ‘single pass’ 접근법과 정확히 일치한다. 또한, 적외선 이미지를 이용한 객체 탐지 연구에서 YOLOv4와 같은 모델이 높은 평균 정밀도(mAP)와 실시간 처리 속도를 달성했다는 결과 25는 ViDAR가 야간 및 악천후 조건에서도 유사한 딥러닝 모델을 활용하여 높은 성능을 유지할 수 있음을 강력히 시사한다.

2.3 시스템 성능 지표: 탐지 거리, 정확도, 및 운용 한계

• 탐지 거리(Detection Range): ViDAR의 탐지 거리는 고정된 값이 아니며, 표적의 크기, 운용 고도, 그리고 대기 조건에 따라 유동적으로 변한다. Insitu 플랫폼에 탑재된 ViDAR 시스템의 공개된 사양에 따르면, 물에 빠진 사람(PIW)과 같이 작은 표적은 1.7 해리(NM) 이상에서, 40피트급 고속정은 17.5 NM 이상, 그리고 대형 화물선이나 페리는 30 NM 이상의 원거리에서도 탐지가 가능하다.12 항공기가 1,500피트 고도에서 90노트의 속도로 비행할 경우, 한 번에 최대 40 NM 폭의 광활한 해수면을 효과적으로 스캔할 수 있다.1
• 탐지 확률(Probability of Detection): ViDAR는 매우 높은 탐지 신뢰도를 자랑한다. 실제 운용 및 테스트를 통해, 파고가 4-6미터에 이르는 거친 바다, 즉 해상 상태 6(Sea State 6)의 악조건 속에서도 수면에 노출된 사람 머리 크기의 극소형 표적을 첫 번째 통과(first pass) 시 96% 이상의 확률로 탐지하는 성능이 입증되었다.1
• 정확도(Accuracy) 및 정밀도(Precision): LiDAR 시스템의 성능 지표를 통해 ViDAR의 성능을 유추해 볼 수 있다.26 ViDAR의 정확도는 시스템이 탐지한 표적의 위치나 정보가 실제 값에 얼마나 가까운지를 의미하며, 정밀도는 반복적인 탐지 시 결과가 얼마나 일관되게 나타나는지를 나타낸다. 이는 픽셀 단위로 표적의 지리적 위치를 특정(geolocation)하는 능력과 직결되며, 후속 조치를 위한 정보의 신뢰도를 결정한다.28
• 운용 한계: ViDAR는 강력한 시스템이지만 근본적인 한계 또한 존재한다. 모든 광학 센서와 마찬가지로, 극심하게 시정이 좋지 않은 짙은 안개나 폭우, 모래 폭풍과 같은 환경에서는 성능이 저하될 수 있다.29 또한, 기반 기술로 추정되는 YOLO 계열 알고리즘의 일반적인 한계점, 예를 들어 위장되거나 은폐된 표적, 또는 수십 개의 객체가 겹쳐 있는 매우 밀집된 군집을 개별적으로 식별하는 데에는 잠재적인 어려움이 있을 수 있다.23

3. 주요 응용 분야 및 실제 운용 사례

3.1 해상 감시 및 정찰

ViDAR 시스템의 가장 대표적인 응용 분야는 광역 해상 감시 및 정찰이다. 항공 플랫폼에 탑재된 ViDAR는 기존의 EO/IR 센서만으로는 감당할 수 없는 광활한 해역을 신속하고 효율적으로 스캔하여 포괄적인 해상 상황 인식(Maritime Situational Awareness)을 구축하는 데 핵심적인 역할을 수행한다.1 시스템의 효율성은 기존 방식 대비 검색 영역을 300배 이상 확장하거나, 동일 영역의 검색 시간을 30배 이상 단축하는 수준으로 평가된다.1

주요 임무로는 경제적, 안보적 위협에 대응하는 활동이 포함된다. 불법 조업 선박 단속, 마약이나 무기를 밀수하는 선박 추적, 그리고 선박자동식별장치(AIS)를 의도적으로 끄고 항해하는 ’다크 베슬(dark vessels)’을 탐지하는 것이 대표적이다.1 특히, 수면 위로 노출되는 부분이 극히 적어 기존 레이더로는 탐지가 거의 불가능한 반잠수정(semi-submersibles) 형태의 마약 밀수선을 탐지하는 데 탁월한 성능을 보인다.2 이러한 성능을 바탕으로 미국 해안경비대(USCG), 호주 왕립 해군(RAN), 멕시코 해군 등 세계 유수의 해양 안보 기관에서 활발하게 운용하며 그 효과성을 입증하고 있다.1

3.2 수색 및 구조 (SAR): 실제 구조 임무 성공 사례 분석

ViDAR는 해상 수색 및 구조(SAR) 임무의 패러다임을 바꾸는 ‘게임 체인저’ 기술로 평가받는다. 높은 파도(해상 상태 6)가 치는 거친 바다에서 표류하는 작은 구명뗏목이나, 물에 빠져 머리만 간신히 내민 조난자(PIW)와 같이 탐지가 극히 어려운 표적을 96% 이상의 높은 확률로 찾아내는 능력은 인명 구조의 ’골든 타임’을 확보하는 데 결정적인 기여를 한다.1

이러한 ViDAR의 가치는 실제 구조 임무 성공 사례를 통해 명확히 입증되었다.

벨기에 해안 이민자 구조 사례 (2021년 10월): Sentient Vision Systems는 벨기에 해안경비대를 대상으로 ViDAR VMS-5 포드를 장착한 Diamond DA42 항공기의 성능 시연을 진행하고 있었다. 시연 도중, 북해에서 실종된 이민자 보트를 찾아달라는 실제 긴급 구조 요청이 접수되었다. 악천후로 인해 항공기는 1,000피트의 낮은 고도로 비행해야 하는 어려운 조건이었지만, 수색 시작 단 20분 만에 거대한 해상 풍력 발전기 구조물 근처에서 24명의 이민자가 위태롭게 타고 있던 고무보트를 발견하는 데 성공했다.5

이 사례는 ViDAR 기술의 단순한 성능 시연을 넘어, 그것이 실제 작전 환경에서 어떻게 운용되는지를 보여준다. ViDAR 시스템은 CarteNav 사의 AIMS-ISR 임무 관리 시스템 소프트웨어를 통해 통합 제어되었고, ViDAR가 탐지한 표적은 Trakka 사의 고성능 EO/IR 터렛으로 즉시 연동되어 정밀 식별이 이루어졌다.28 이는 ViDAR가 단독으로 작동하는 것이 아니라, 다양한 임무 시스템과 유기적으로 결합하여 시너지를 창출하는 통합 솔루션임을 증명한다. 기존 방식으로는 수 시간, 혹은 며칠이 걸렸을지도 모를 수색 임무를 극적으로 단축시킴으로써, ViDAR는 SAR 작전의 방법론 자체를 ’확률에 기반한 광역 수색’에서 ’신속하고 결정적인 표적 탐지’로 전환시키는 잠재력을 보여주었다.

3.3 군사 및 국방: 비대칭 위협 대응과 ISR 자산으로서의 가치

현대 해상전은 대규모 함대 간의 전투뿐만 아니라, 소형 고속 보트를 이용한 자살 폭탄 테러, 레이더 탐지를 회피하는 스텔스 무인 수상정, 테러리스트 수송을 위한 반잠수정 등 예측 불가능한 비대칭 위협의 중요성이 커지고 있다.1 이러한 위협에 대응하는 데 있어 ViDAR는 기존 감시 자산의 한계를 보완하는 독보적인 가치를 제공한다.

가장 큰 전술적 이점은 수동형 감시(passive surveillance) 능력이다. ViDAR는 어떠한 전자 신호도 방출하지 않기 때문에, 적의 전자전 감시망에 탐지될 위험 없이 은밀하게 작전을 수행할 수 있다.1 전파를 방사하는 레이더는 그 자체가 적의 대레이더 미사일(ARM)의 표적이 될 수 있는 반면, ViDAR를 탑재한 플랫폼은 자신의 위치를 노출하지 않고 적의 동향을 파악할 수 있어 생존성과 임무 성공률을 극대화할 수 있다.

또한, ViDAR는 레이더의 탐지 음영 영역을 효과적으로 보완한다. 레이더 반사 면적(RCS)을 최소화하도록 설계된 스텔스 선박이나, 전파 흡수 물질로 만들어진 목선, 고무보트 등은 전통적인 레이더망을 쉽게 회피할 수 있다. ViDAR는 이러한 표적들을 광학적으로 직접 탐지하므로, 기존 감시 체계의 치명적인 공백을 메우는 역할을 한다.1

잠수함 탐지와 관련하여, ViDAR가 물속의 잠수함을 직접 탐지하는 것은 불가능하다. 그러나 대잠 작전(ASW)에서 보조적인 탐지 수단으로서의 잠재력은 충분하다. 잠수함이 수면 가까이에서 작전할 때 노출되는 잠망경, 스노클, 통신 마스트 등은 ViDAR의 탐지 대상이 될 수 있다. 또한, 수중 항해 시 발생하는 미세한 수면 변화(wake)나 기타 흔적을 탐지하여 잠수함의 존재 가능성을 경고하는 초기 단서를 제공할 수 있다. (참고: BMT 사의 ‘VIDAR 잠수함’ 30은 본 보고서에서 다루는 센서 기술과 이름만 같을 뿐, 관련이 없는 별개의 잠수함 설계 개념이다.)

3.4 국경 감시 및 법 집행

ViDAR의 광역 감시 능력은 해상뿐만 아니라 육상 국경을 통한 불법 월경, 마약 및 무기 밀수, 인신매매 등 초국가적 범죄 활동을 감시하고 차단하는 데 매우 효과적이다.9 항공기에 탑재된 ViDAR는 넓은 국경 지역을 지속적으로 모니터링하며 이상 징후를 포착할 수 있다.

육상 환경에서 ViDAR는 이동하는 사람이나 차량은 물론, 특정 지역에 설치된 위협물이나 은닉된 장비와 같은 정지된 표적까지도 탐지, 위치 파악, 분류 및 추적하는 능력을 갖추고 있다.6 이는 기존의 지상 고정형 레이더, 감시 카메라, 지진 센서 등으로 구성된 국경 감시 시스템 네트워크를 보완하고, 감시 공백 지역을 메우는 유연한 공중 감시 자산으로서 활용될 수 있다.32

3.5 잠재적 응용 분야: 환경 모니터링 및 인프라 관리

현재 ViDAR는 주로 국방 및 안보 분야에 집중되어 있지만, 그 기술적 특성은 다양한 민간 분야로의 확장 가능성을 시사한다. LiDAR 기술이 산림 자원 관리, 재해 지역 매핑, 대기 오염 연구 등 광범위한 환경 모니터링에 활용되는 것처럼 33, ViDAR 역시 유사한 분야에 효과적으로 적용될 수 있다.

예를 들어, 항공기에 탑재된 ViDAR를 이용하여 멸종 위기 해양 포유류의 개체 수를 조사하거나, 선박 사고로 인한 기름 유출 범위를 신속하게 파악하고 확산을 추적하는 임무를 수행할 수 있다. 또한, 불법 폐기물 투기나 산림 훼손과 같은 환경 범죄를 감시하는 데에도 활용 가능하다. 특히, SWIR 센서 14와 결합할 경우, 대규모 산불 발생 시 연기 속에서도 발화 지점을 식별하고 확산 경로를 예측하여 효과적인 진화 작전을 지원하는 데 중요한 역할을 할 수 있을 것으로 기대된다.

4. 기술 비교 분석: ViDAR, Radar, LiDAR

4.1 ViDAR 대 Radar: 수동성, 악천후 성능, 저피탐 목표물 탐지 능력 비교

ViDAR와 Radar는 원거리 객체를 탐지한다는 공통된 목표를 가지지만, 그 철학과 기술적 접근 방식은 정반대에 가깝다. ViDAR는 수동형 광학 센서인 반면, Radar는 능동형 무선 주파수(RF) 센서이다.1

• 수동성(Passivity): 이는 두 기술을 가르는 가장 중요한 차이점이다. ViDAR는 신호를 방출하지 않아 적에게 자신의 위치를 노출시키지 않고 은밀한 감시가 가능하여 생존성이 높다.1 반면, Radar는 강력한 전파를 방사해야 하므로 적의 전자전 장비에 쉽게 탐지되어 역추적 및 공격의 대상이 될 수 있다.
• 악천후 성능: 이 영역에서는 Radar가 명백한 우위를 점한다. 파장이 긴 전파를 사용하는 Radar는 비, 안개, 구름, 먼지 등 악천후 조건에서도 투과력이 높아 안정적인 성능을 유지한다.35 ViDAR는 광학 센서의 태생적 한계로 인해 짙은 안개나 폭우와 같은 환경에서는 성능이 저하될 수밖에 없다. 다만, 앞서 언급된 SWIR 센서의 결합을 통해 이러한 약점을 상당 부분 보완하려는 노력이 진행 중이다.14
• 해상도 및 식별 능력: 이 부분은 ViDAR의 압도적인 장점이다. 고해상도 카메라 이미지를 기반으로 하는 ViDAR는 탐지된 표적의 형태, 크기, 종류를 명확하게 시각적으로 식별할 수 있다. 반면, Radar는 반사된 전파 신호를 점이나 블록 형태로 표시하기 때문에, 그것이 선박인지, 암초인지, 혹은 단순한 클러터인지 구분하기가 매우 어렵다.14
• 저피탐(Low-RCS) 목표물 탐지: ViDAR는 레이더 탐지를 회피하기 위해 특수 설계된 스텔스 선박이나, 레이더 반사 면적이 극히 작은 목선, 고무보트, 반잠수정 등을 탐지하는 데 탁월한 능력을 보인다.1 Radar는 표면의 전파 반사 특성에 의존하므로 이러한 저피탐 표적을 놓칠 가능성이 높다.
• 해상 상태(Sea State) 영향: 높은 파도는 Radar 화면에 수많은 클러터(clutter)를 발생시켜 소형 표적을 식별하기 어렵게 만든다. 그러나 ViDAR의 AI 알고리즘은 파도의 패턴을 학습하여 배경으로 처리하므로, 해상 상태 6의 거친 바다에서도 안정적인 탐지 성능을 유지한다.1

4.2 ViDAR 대 LiDAR: 데이터 유형, 비용, 정밀도 및 운용 환경의 차이

ViDAR와 LiDAR는 모두 빛을 이용하지만, 그 목적과 데이터 산출물에서 큰 차이를 보인다. ViDAR가 2D 이미지 분석을 통해 ’무엇이 있는지’를 찾는 기술이라면, LiDAR는 레이저 펄스의 ToF(Time-of-Flight)를 측정하여 ’어떻게 생겼는지’를 정밀하게 그리는 기술이다.38

• 데이터 유형: ViDAR는 텍스처와 색상 정보가 풍부한 2D 이미지와 함께, AI가 분석한 객체의 분류 정보 및 추론된 거리 정보를 제공한다. 반면, LiDAR는 주변 환경에 대한 수백만 개의 거리 측정값으로 구성된 매우 정밀한 3차원 포인트 클라우드(point cloud) 데이터를 생성한다.38
• 정밀도: LiDAR는 수 cm 이내의 오차 범위를 갖는 매우 높은 거리 측정 정밀도를 제공하여, 지형 매핑, 자율주행차의 주변 환경 모델링 등 고정밀 3D 데이터가 필수적인 분야에 사용된다.35 ViDAR의 거리 정보는 알고리즘 추론에 기반하므로 LiDAR 수준의 정밀도는 기대하기 어렵다.
• 비용: 일반적으로 고가의 고출력 레이저와 정밀 스캐닝 미러를 사용하는 LiDAR 시스템은, 상용 카메라를 기반으로 하는 ViDAR 시스템보다 훨씬 높은 비용을 요구한다.29
• 악천후 성능: 두 기술 모두 빛을 이용하기 때문에 악천후에 취약하다는 공통점이 있다. Radar는 이 두 기술보다 악천후 환경에서 훨씬 더 강건한 성능을 보인다.29
• 핵심 응용 분야: 두 기술의 역할은 명확히 구분된다. ViDAR는 광역을 ’탐색하고 탐지(Search and Detect)’하는 데 최적화되어 있고, LiDAR는 특정 관심 지역을 ’정밀하게 측정하고 매핑(Measure and Map)’하는 데 특화되어 있다.

4.3 기술 융합의 시너지: 상호 보완적 센서 시스템 구축 방안

ViDAR, Radar, LiDAR는 서로를 대체하는 경쟁 기술이 아니라, 각자의 장단점을 보완하여 더 완벽한 감시 시스템을 구축할 수 있는 상호 보완적 관계에 있다. 센서 퓨전(sensor fusion)은 미래 ISR 시스템의 핵심이 될 것이며, 이를 통해 단일 센서의 한계를 극복하고 어떠한 상황에서도 임무를 수행할 수 있는 강인한(robust) 시스템을 구축할 수 있다.

• ViDAR + Radar: 가장 이상적인 조합 중 하나이다. Radar가 악천후나 수백 NM의 원거리에서 미확인 표적을 1차적으로 탐지(cueing)하면, ViDAR를 탑재한 항공기가 해당 지역으로 이동하여 표적을 고해상도로 식별하고 분류하는 방식으로 운용할 수 있다. 이는 Radar의 전천후 장거리 탐지 능력과 ViDAR의 수동형 고해상도 식별 능력을 결합하여, 탐지부터 식별까지의 전 과정을 효율적으로 수행하는 시너지를 창출한다.3
• ViDAR + LiDAR: 광역 감시는 ViDAR로 수행하여 위협 가능성이 있는 지역이나 객체를 신속하게 스크리닝한다. 이후, 식별된 특정 위협 지역이나 적의 중요 시설에 대해서는 LiDAR를 탑재한 드론을 투입하여 정밀 3D 모델을 생성하고, 이를 통해 위협의 구체적인 형태나 취약점을 분석하는 등 후속 작전의 정확도를 높일 수 있다.

4.4 제안 테이블: ViDAR, Radar, LiDAR 핵심 성능 지표 비교

5. 산업 생태계 및 시장 동향

5.1 핵심 기업 분석: Sentient Vision Systems와 Shield AI의 전략

ViDAR 기술의 산업 생태계는 기술의 원개발사인 Sentient Vision Systems와 이를 인수한 Shield AI를 중심으로 형성되어 있다.

• Sentient Vision Systems: 호주에 본사를 둔 이 회사는 ViDAR 기술을 탄생시킨 주역이다. 20년 이상 축적된 컴퓨터 비전 및 AI 기술력을 바탕으로 수동형 광학 탐지 솔루션 분야에서 독보적인 전문성을 구축했다.4
• Shield AI: 미국 샌디에이고에 기반을 둔 방산 기술 스타트업으로, ’세계 최고의 AI 파일럿’을 구축한다는 야심 찬 목표를 가지고 있다. 이들의 핵심 기술은 다양한 항공기에 적용 가능한 자율 비행 AI 소프트웨어 스택인 ’하이브마인드(Hivemind)’이다.41

**Shield AI의 Sentient Vision Systems 인수(2024년 발표)**는 이 산업 생태계의 방향을 결정짓는 매우 중요한 전략적 움직임이다. 이는 단순히 유망한 센서 기술을 확보하는 차원을 넘어, Shield AI가 추구하는 거대한 비전, 즉 ’최고의 눈(ViDAR)’과 ’최고의 두뇌(Hivemind)’를 결합하여 완전한 자율 ISR 플랫폼을 구축하려는 의도를 명확히 보여준다.41 이 인수를 통해 Shield AI는 센서 데이터 수집부터 분석, 그리고 그에 기반한 자율 기동까지 이어지는 전 과정을 수직적으로 통합함으로써, 세계에서 가장 진보된 ’AI 파일럿 ISR 센서 패키지’를 제공하는 것을 목표로 한다.41 이러한 수직적 통합 전략은 플랫폼, 센서, 소프트웨어를 각각 다른 업체로부터 공급받아 통합하던 기존 방위 산업의 파편화된 모델에 도전하는 파괴적인 접근법이다. 이는 개발 속도를 높이고 시스템을 최적화하며, 고객에게는 부분적인 부품이 아닌 완전한 자율 솔루션을 제공함으로써 강력한 시장 차별화를 이룰 수 있다.

이러한 전략은 막대한 자금력을 바탕으로 추진되고 있다. Shield AI는 Andreessen Horowitz, Point72 Ventures 등 세계적인 벤처 캐피털로부터 수억 달러 이상의 투자를 유치했으며, 기업 가치는 이미 수십억 달러에 달한다.42 또한, 미 공군 및 국방부와의 주요 계약을 성공적으로 수주하며 기술력과 시장성을 입증했다.42 이 강력한 자금력은 ViDAR 기술의 지속적인 고도화, 생산 규모 확대, 그리고 Hivemind와의 완벽한 통합을 가속하는 핵심 원동력이 되고 있다.

5.2 시장 동인: 공중 ISR 및 해상 감시 시장의 성장과 ViDAR의 위치

ViDAR 기술은 급성장하는 공중 ISR(지능, 감시, 정찰) 및 해상 감시 시장의 요구와 정확히 맞물려 있다.

• 공중 ISR 시장: 지정학적 긴장 고조, 국경 분쟁, 테러와 같은 비대칭 위협의 증가로 인해 전 세계적으로 ISR 자산에 대한 수요가 폭발적으로 증가하고 있다. 관련 시장 규모는 2024년 기준 약 127억 달러에서 310억 달러 사이로 추산되며, 향후 연평균 3.68%에서 6.73%에 이르는 꾸준한 성장세를 보일 것으로 전망된다.46
• 해상 감시 시장: 전 세계 교역량의 대부분을 차지하는 해상 무역로의 안전 확보, 해적 및 불법 조업, 밀수와 같은 해상 범죄 증가로 인해 해상 감시 시스템의 중요성이 더욱 커지고 있다. 이 시장은 2023년 약 219억 달러에서 230억 달러 규모를 형성했으며, 2033년까지 연평균 6.7%에서 6.9%의 높은 성장률을 기록할 것으로 예측된다.51

이러한 시장 환경 속에서 ViDAR는 독특하고 강력한 포지셔닝을 구축하고 있다. 두 시장 모두의 핵심 요구사항은 ’실시간 상황 인식’과 ’정확한 정보’이며 46, ViDAR는 특히 무인 시스템(UAV)의 활용 증가와 AI/ML 기반의 자동화된 데이터 분석이라는 메가트렌드에 완벽하게 부합하는 솔루션이다.48

특히, ViDAR는 ’감당 가능한 대량(Affordable Mass)’이라는 현대 국방 전략의 핵심 조력자 역할을 한다. 국방 예산 제약 속에서 소수의 고가 ISR 플랫폼에 의존하는 대신, 다수의 저렴하고 소모 가능한 자율 플랫폼을 운용하는 것이 중요해지고 있다.48 ViDAR는 저-SWaP 특성 덕분에 Group 3급의 소형 전술 UAV에도 쉽게 탑재될 수 있다.6 이는 고가의 P-8 해상초계기나 글로벌 호크와 같은 대형 ISR 자산이 수행하던 임무의 일부를 훨씬 저렴한 비용으로 대체하거나 보완할 수 있음을 의미한다. 즉, ViDAR는 분산되고, 자율적이며, 감당 가능한 ISR 아키텍처로의 전략적 전환을 가능하게 하는 핵심 기술이다.

5.3 기술 통합 동향: AI 파일럿(Hivemind)과 센서 시스템의 결합

Shield AI의 전략이 보여주는 가장 중요한 미래 동향은 센서 시스템(ViDAR)과 자율 플랫폼(Hivemind)의 깊은 융합이다. 이는 단순히 센서가 수집한 데이터를 플랫폼이 전달받는 수준을 넘어, 센서와 플랫폼이 하나의 유기적인 지능체처럼 작동하는 것을 의미한다.

이러한 통합은 ‘센서-투-슈터(Sensor-to-Shooter)’ 개념을 한 단계 발전시킨다. 전통적인 킬체인(Kill-Chain)이 인간의 분석과 결심에 크게 의존했다면, ViDAR와 Hivemind의 결합은 ’탐지-식별-결심-대응’에 이르는 전 과정을 AI가 주도하는 ’지능형 킬체인’으로의 진화를 예고한다.

예를 들어, ViDAR가 적의 이동식 방공망을 탐지하면, 이 정보는 실시간으로 Hivemind에 전달된다. Hivemind는 이 정보를 바탕으로 인간의 개입 없이도 자율적으로 최적의 회피 기동 경로를 계산하고 실행할 수 있다. 만약 다수의 위협이 동시에 탐지된다면, Hivemind는 군집(swarm)을 이루고 있는 다른 아군 드론들에게 실시간으로 임무를 재할당하여 가장 효과적으로 대응하도록 지휘할 수 있다.

이러한 수준의 통합은 의사결정 속도를 인간의 인지적 한계를 뛰어넘어 기계의 속도로 끌어올린다. 또한, 적의 재밍(jamming) 공격으로 인해 통신이 두절되거나 GPS 신호가 교란되는 극한의 전자전 환경 속에서도, 각 플랫폼이 독립적으로 상황을 인지하고 판단하여 임무를 지속할 수 있는 강력한 자율성과 회복탄력성(resilience)을 제공한다.41

6. 기술적 한계, 과제 및 미래 전망

6.1 현재 기술의 한계와 환경적 제약 요인

ViDAR는 혁신적인 기술이지만, 현재 단계에서는 명확한 기술적 한계와 환경적 제약을 가지고 있다.

• 악천후 성능: 가장 근본적인 한계는 광학 센서에 기반한다는 점이다. 짙은 안개, 폭우, 폭설, 심한 모래 폭풍과 같이 대기 중 입자 밀도가 극도로 높은 조건에서는 빛의 산란과 흡수로 인해 탐지 거리가 급격히 줄어들고 성능이 크게 저하될 수 있다.29 SWIR 센서의 도입이 이러한 문제를 일부 완화할 수는 있지만 14, 전파를 사용하는 Radar 수준의 완전한 전천후 운용 능력을 확보하기는 어렵다.
• 데이터 처리 부하: WAMI는 초당 기가바이트에 달하는 엄청난 양의 영상 데이터를 생성한다. 제한된 크기, 무게, 전력을 가진 온보드 프로세서에서 이 방대한 데이터를 실시간으로 처리하는 것은 상당한 기술적 과제이다.53 현재는 주로 객체 탐지 및 분류에 집중하고 있지만, 향후 행동 패턴 분석이나 의도 예측과 같은 더 복잡한 AI 연산을 수행하기 위해서는 지금보다 훨씬 높은 컴퓨팅 파워가 요구될 것이다.
• 알고리즘의 한계: 기반 기술로 추정되는 YOLO와 같은 최신 객체 탐지 알고리즘들도 완벽하지 않다. 수 픽셀 이하의 극도로 작은 객체, 주변 환경과 유사한 색상이나 패턴으로 위장(camouflage)하거나 은폐(concealment)된 객체, 또는 수십 개의 객체가 서로 겹쳐 있는 매우 밀집된 군집을 정확하게 탐지하고 개별적으로 식별하는 데에는 여전히 어려움을 겪을 수 있다.23

6.2 데이터 처리 및 알고리즘 고도화 과제

ViDAR 기술이 한 단계 더 발전하기 위해서는 다음과 같은 데이터 처리 및 알고리즘 고도화 과제를 해결해야 한다.

• 오탐지(False Positive) 감소: 특히 복잡한 지상 배경(예: 빌딩, 차량, 사람이 혼재된 도시 지역)이나, 백파가 심하게 일어나는 거친 해상 환경에서 AI가 배경의 일부를 표적으로 오인하는 경우를 최소화해야 한다. 이를 위해서는 단순히 객체의 형태를 인식하는 것을 넘어, 주변 상황과 맥락을 종합적으로 이해하는 상황인지(context-aware) 알고리즘과 더 정교한 동적 배경 모델링 기술의 개발이 필수적이다.
• 자동 표적 인식(ATR)의 정교화: 현재 ViDAR는 ‘선박’, ‘차량’, ‘사람’ 등과 같이 넓은 범주의 클래스로 객체를 분류한다. 미래의 ISR 환경에서는 이를 넘어 ‘A급 고속정’, ‘B모델 주력전차’ 등과 같이 표적을 세부적인 모델 수준까지 자동으로 식별하는 능력이 요구될 것이다. 이러한 고도의 ATR 성능을 달성하기 위해서는, 다양한 각도와 환경에서 촬영된 방대한 양의 고품질 학습 데이터셋을 구축하고, 이를 효과적으로 학습할 수 있는 새로운 딥러닝 아키텍처 연구가 필요하다.
• 엣지 컴퓨팅(Edge Computing)의 발전: 통신 두절 상황에서도 완벽한 자율 임무 수행을 위해서는 모든 데이터 처리가 플랫폼 내부, 즉 엣지(edge)에서 완료되어야 한다. 이를 위해서는 저전력으로도 복잡한 신경망 연산을 고속으로 처리할 수 있는 차세대 엣지 AI 프로세서(예: NPU, Neuromorphic chip)의 발전이 뒷받침되어야 한다.49

6.3 미래 연구 방향 및 기술 발전 로드맵

ViDAR 기술의 미래는 현재의 상업적 시스템과 첨단 학술 연구의 융합을 통해 그려볼 수 있다. 현재 분리되어 발전하는 것처럼 보이는 기술들이 결국 하나의 강력한 센싱 시스템으로 수렴될 가능성이 높다.

• 초고속, 이벤트 기반 센싱으로의 전환: 학술 연구에서 제시된 프레임리스 ‘vidar’ 개념 7은 미래 기술의 중요한 방향을 제시한다. 현재의 프레임 기반 카메라는 변화가 없는 배경까지도 계속해서 촬영하여 불필요한 데이터를 대량 생산하는 비효율성을 안고 있다. 반면, 빛의 변화가 감지될 때만 신호를 생성하는 이벤트 기반 카메라(event-based camera) 기술과 ViDAR의 AI를 결합하면, 처리해야 할 데이터의 양을 획기적으로 줄이면서도 반응 속도는 나노초 단위로 극대화할 수 있다. 이는 현재 시스템으로는 추적이 불가능한 극초음속 미사일과 같은 고속 기동 위협에 대응할 수 있는 새로운 가능성을 열어줄 것이다.
• 능동형 SLAM과의 결합: 회전형 ViDAR 장치에 대한 연구 8는 센서가 단순히 수동적으로 보기만 하는 것이 아니라, 스스로 주변 환경을 가장 잘 파악할 수 있는 방향으로 시선을 돌리며 능동적으로 정보를 수집하는 개념을 보여준다. 이는 미래의 자율 로봇이나 드론이 미지의 복잡한 환경을 더 빠르고 정확하게 3D로 매핑하고, 그 안에서 자신의 위치를 정밀하게 파악하는 데 기여할 것이다.
• 멀티모달 센서 퓨전의 심화: 미래의 ViDAR 시스템은 단순히 Radar와 데이터를 연동하는 수준을 넘어, EO, IR, SWIR, Radar, LiDAR, 그리고 음향 센서(acoustic sensor) 데이터까지 실시간으로 하나의 AI 모델 안에서 융합하는 ‘하이퍼모달(hyper-modal)’ 센서 시스템으로 발전할 것이다. AI는 특정 환경(예: 안개가 짙은 해상)과 위협(예: 스텔스 무인정)에 대응하기 위해 각 센서 데이터의 신뢰도에 동적으로 가중치를 부여하고, 이를 통해 어떠한 상황에서도 가장 최적화된 인식 결과를 도출해낼 것이다.
• 예측 인텔리전스로의 진화: ViDAR 기술의 궁극적인 지향점은 현재를 ’탐지하고 분류’하는 것을 넘어, 미래를 ’예측’하는 단계로 나아가는 것이다. 이는 ViDAR가 수집한 방대한 시계열 데이터를 AI가 학습하여, 특정 표적의 과거 궤적과 행동 패턴을 분석하고, 이를 바탕으로 미래의 경로와 의도를 확률적으로 예측하는 ’예측 인텔리전스(Predictive Intelligence)’를 의미한다. 예를 들어, “현재 A 지점에 고속정이 있다“는 정보를 제공하는 것을 넘어, “이 고속정의 기동 패턴과 속도를 분석한 결과, 95% 확률로 아군 함정에 대한 공격 기동을 시작할 것이다“라는 예측 정보를 제공하는 것이다. 이러한 능력은 위협이 현실화되기 전에 선제적으로 대응할 수 있게 함으로써, 진정한 의미의 자율 ISR 플랫폼을 완성하는 마지막 퍼즐이 될 것이다.

7. 참고 자료

1. Using ViDAR for Surveillance at Sea | Unmanned Systems Technology, https://www.unmannedsystemstechnology.com/feature/using-vidar-for-surveillance-at-sea/
2. Untraceable Search-and-Rescue Tech Makes UAE Debut, https://www.nationaldefensemagazine.org/articles/2021/11/16/new-search-and-rescue-tech-makes-uae-debut
3. Sentient Vision Systems, trading as Shield AI, https://directory.vdsn.org/wp-content/uploads/2025/03/Avalon-Capability-Catalogue-Shield-AI-proof-250117.pdf
4. Sentient Vision Systems Pty Ltd, https://directory.vdsn.org/wp-content/uploads/2024/08/71279716.pdf
5. Search and Rescue Success Demonstrates ViDAR Capability, https://www.international-maritime-rescue.org/news/search-and-rescue-success-demonstrates-vidar-capability
6. Shield AI Unveils ViDAR Pod: A Passive, Multi-Domain Wide-Area …, https://shield.ai/shield-ai-unveils-vidar-pod-a-passive-multi-domain-wide-area-surveillance-system/
7. 1000× Faster Camera and Machine Vision with Ordinary Devices - arXiv, https://arxiv.org/pdf/2201.09302
8. (PDF) A Novel ViDAR Device With Visual Inertial Encoder Odometry …, https://www.researchgate.net/publication/392736457_A_Novel_ViDAR_Device_With_Visual_Inertial_Encoder_Odometry_and_Reinforcement_Learning-Based_Active_SLAM_Method
9. ViDAR Optical Radar Provides New Maritime Search Capability - Tech Briefs, https://www.techbriefs.com/component/content/article/26476-vidar-optical-radar-provides-new-maritime-search-capability
10. Sentient Vision aims to expand Cormorant search radar - Skies Mag, https://skiesmag.com/news/sentient-vision-aims-to-expand-cormorant-search-radar/
11. VIDAR-Based Road-Surface-Pothole-Detection Method - PMC, https://pmc.ncbi.nlm.nih.gov/articles/PMC10490654/
12. ViDAR - Insitu, https://www.insitu.com/products/vidar
13. ViDAR - Shield AI, https://shield.ai/vidar/
14. SWIR & ViDAR Enhance Visibility | UST - Unmanned Systems Technology, https://www.unmannedsystemstechnology.com/2022/01/enhanced-visibility-with-swir-vidar/
15. Shield AI unveils ViDAR Pod, an AI-enabled passive surveillance system for land and sea operations - Defence Industry Europe, https://defence-industry.eu/shield-ai-unveils-vidar-pod-an-ai-enabled-passive-surveillance-system-for-land-and-sea-operations/
16. Shield AI introduces ViDAR Pod for passive wide-area surveillance - Defensehere, https://defensehere.com/en/shield-ai-introduces-vidar-pod-for-persistent-passive-wide-area-surveillance/
17. ViDAR revealed, Shield AI’s new wide area surveillance pod …, https://www.calibredefence.co.uk/vidar-revealed-shield-ais-new-wide-area-surveillance-pod/
18. Sentient’s AI-enabled ViDAR optical sensors soar on Edge Autonomy’s VXE30 “Stalker” UAS in successful live demonstrations, https://edgeautonomy.io/sentients-ai-enabled-vidar-optical-sensors-soar-on-edge-autonomys-vxe30-stalker-uas-in-successful-live-demonstrations/
19. YOLO Object Detection Explained: A Beginner’s Guide | Encord, https://encord.com/blog/yolo-object-detection-guide/
20. Object Detection using CNN: An Introduction to the YOLO Algorithm | by Fatimazahra Belharar | Medium, https://medium.com/@fatimazahra.belharar/object-detection-using-cnn-an-introduction-to-the-yolo-algorithm-df0f7b173c6
21. Comparison of CNN and YOLO for Object Detection - Korea Science, https://koreascience.kr/article/JAKO202011161035249.page
22. Object-Enhanced YOLO Networks for Synthetic Aperture Radar Ship Detection - MDPI, https://www.mdpi.com/2072-4292/16/6/1001
23. YOLO Algorithm for Object Detection Explained [+Examples] - V7 Labs, https://www.v7labs.com/blog/yolo-object-detection
24. YOLO Object Detection Explained: A Beginner’s Guide | DataCamp, https://www.datacamp.com/blog/yolo-object-detection-explained
25. An in-vehicle real-time infrared object detection system based on deep learning with resource-constrained hardware - OAE Publishing Inc., https://www.oaepublish.com/articles/ir.2024.18
26. LiDAR specifications explained - Blickfeld, https://www.blickfeld.com/blog/understanding-lidar-specifications/
27. Requirements for Automotive LiDAR Systems - MDPI, https://www.mdpi.com/1424-8220/22/19/7532
28. Fixed-wing demonstration turns into real-life search-and-rescue mission - CarteNav, https://cartenav.com/case-study/fixed-wing-demonstration-turns-into-real-life-search-and-rescue-mission/
29. Pros and Cons of Lidar | In the Scan, https://blog.lidarnews.com/pros-and-cons-of-lidar/
30. BMT VIDAR adaptable submarine - Bmt.org, https://www.bmt.org/projects/project/3320/bmt-vidar-submarines
31. DHS-CBP-PIA-022 Border Surveillance Systems (BSS) - Homeland Security, https://www.dhs.gov/publication/border-surveillance-systems-bss
32. Advanced Border Surveillance Systems: Radar Solutions for Security | Spotter Global, https://www.spotterglobal.com/blog/spotter-blog-3/advanced-border-surveillance-systems-radar-solutions-for-security-43
33. Lidar Applications in the Modern World | Fugro, https://www.fugro.com/news/long-reads/2025/lidar-applications-in-the-modern-world-fugro-longread
34. Environmental Monitoring and Analysis using LiDAR Technology - YellowScan, https://www.yellowscan.com/knowledge/environmental-monitoring-and-analysis-using-lidar-technology/
35. LiDAR vs. RADAR : A comprehensive comparison - YellowScan, https://www.yellowscan.com/knowledge/lidar-vs-radar/
36. Lidar Vs. Radar: Differences Between Technologies & Their Uses - EOS Data Analytics, https://eos.com/blog/lidar-vs-radar/
37. Radar vs. LiDAR: Key Differences in Autonomous Driving - Sapien, https://www.sapien.io/blog/radar-vs-lidar
38. LiDAR Core Technology, https://autol.co.kr/en/lidar-technology/
39. LiDAR vs RADAR: What’s the Difference? - FlyGuys, https://flyguys.com/lidar-vs-radar/
40. LiDAR vs Radar and Cameras: Pros and Cons in Object Detection - Govcomm, https://govcomm.us/lidar-vs-radar-vs-camera/
41. Shield AI to Acquire Australia-Based Sentient Vision Systems and …, https://shield.ai/shield-ai-to-acquire-australia-based-sentient-vision-systems-and-establish-shield-ai-australia/
42. Shield AI, https://assets.ctfassets.net/f1df9zr7wr1a/7bjTfAHiC1FJnXIK2Se9CN/a4f316401a9779ba33b684791c5f47ae/shield-ai.pdf
43. How Much Did Shield AI Raise? Funding & Key Investors - Clay, https://www.clay.com/dossier/shield-ai-funding
44. Shield AI Secures Additional $300 Million in Expanded Series F Funding Round Boosting Valuation to $2.8 Billion, https://www.pillsburylaw.com/en/news-and-insights/shield-ai-expanded-series-f-valuation-28-billion.html
45. Shield AI Closes $240M Funding Round - GovCon Wire, https://www.govconwire.com/articles/shield-ai-closes-240m-funding-round
46. Airborne ISR Market Size, Share & Growth Analysis, 2033, https://www.imarcgroup.com/airborne-isr-market
47. Airborne ISR Market Size & Share Analysis - Mordor Intelligence, https://www.mordorintelligence.com/industry-reports/airborne-isr-market
48. Airborne ISR Market Size, Share, Analysis, Growth | 2033, https://www.alliedmarketresearch.com/airborne-isr-market-A10061
49. Airborne ISR Market Size, Competitors & Forecast to 2030, https://www.researchandmarkets.com/report/airborne-isr
50. Airborne ISR Market Size, Share, Industry Growth, Report, 2032, https://www.fortunebusinessinsights.com/airborne-isr-market-105529
51. Maritime Surveillance Market Size, Share | CAGR of 6.9%, https://market.us/report/maritime-surveillance-market/
52. Maritime Surveillance Market Size And Share Report, 2030, https://www.grandviewresearch.com/industry-analysis/maritime-surveillance-market-report
53. Challenges in Developing 3D LiDAR Applications - Insights | Outsight, https://insights.outsight.ai/overcoming-the-challenges-of-using-3d-lidar-technology/