딥러닝 기반 다중 센서 융합을 통한 드론 자세추정
- 주제(키워드) 드론 자세추정 , LSTM , 다중 센서 융합
- 주제(DDC) 006.3
- 발행기관 아주대학교 정보통신대학원
- 지도교수 이석원
- 발행년도 2026
- 학위수여년월 2026. 8
- 학위명 석사
- 학과 및 전공 정보통신대학원 인공지능
- 실제URI http://www.dcollection.net/handler/ajou/000000036310
- 본문언어 한국어
- 저작권 아주대학교 논문은 저작권에 의해 보호받습니다.
초록/요약
Accurate attitude estimation is essential for stable autonomous flight of unmanned aerial vehicles （UAVs）. The extended Kalman filter （EKF） has been widely used for UAV attitude estimation, but its performance can degrade when sensor noise, bias, drift, and magnetic disturbances deviate from the assumed noise model. In real operating environments, these factors often occur together and are difficult to model precisely in advance. This study investigates whether a Long Short-Term Memory （LSTM） model can complement the limitations of the EKF under high-noise conditions, rather than replacing it. An LSTM model trained under low-noise conditions was evaluated under high-noise out-of-distribution （OOD） conditions that were not used for training. The input data consisted of nine-axis IMU time-series signals from an accelerometer, gyroscope, and magnetometer, and attitude was represented using quaternions. The results show that the average attitude estimation error of the EKF increased as the sensor noise level became higher. In contrast, the LSTM achieved lower RMSE than the EKF under the OOD conditions L2 and L3, reducing the error by 21.4% and 14.1%, respectively. This indicates that a learning-based time-series model can reduce average estimation error under high-noise conditions. However, the EKF showed more stable results in terms of maximum error, while the LSTM produced large errors in some intervals. In conclusion, the EKF and LSTM showed different strengths under OOD sensor noise conditions. The LSTM complemented the EKF in terms of average accuracy, whereas the EKF retained an advantage in instantaneous stability. Therefore, practical UAV attitude estimation should be designed as a hybrid structure that considers both average error reduction and instantaneous error suppression.
more초록/요약
무인 항공기（UAV）의 안정적인 자율비행을 위해서는 기체의 자세를 정확하게 추정하는 기술이 필요하다. 기존 자세추정에는 확장 칼만 필터（EKF）가 널리 사용되어 왔지만, 실제 운용 환경에서는 센서 노이즈, 바이어스, 드리프트, 자 기교란 등 사전에 정확히 모델링하기 어려운 요인이 함께 작용한다. 이러한 조 건에서는 EKF가 가정한 노이즈 모델과 실제 센서 입력 사이의 차이가 커질 수 있으며, 그 결과 자세추정 오차가 증가할 수 있다. 본 연구는 이러한 문제를 바탕으로, 딥러닝 기반 시계열 모델인 LSTM이 EKF 를 대체하는 것이 아니라 고노이즈 조건에서 EKF의 한계를 보완할 수 있는지 를 확인하고자 하였다. 이를 위해 저노이즈 조건에서 학습한 LSTM 모델을 학 습에 사용되지 않은 고노이즈 분포 외（Out-of-Distribution, OOD） 조건에서 평 가하고, EKF와의 자세추정 성능을 비교하였다. 입력 데이터는 가속도계, 자이 로스코프, 지자기센서로 구성된 9축 IMU 시계열 신호이며, 자세는 쿼터니언으 로 표현하였다. 검증 결과, 센서 노이즈가 증가할수록 EKF의 평균 자세추정 오차는 뚜렷하게 증가하였다. 반면 LSTM은 OOD 조건인 L2와 L3에서 EKF보다 낮은 RMSE를 보였으며, 각각 21.4%와 14.1%의 오차 감소를 나타냈다. 이는 학습 기반 시계 열 모델이 고노이즈 조건에서 평균 오차를 줄이는 보완 요소로 활용될 수 있음 을 보여준다. 다만 순간 최대 오차（MAX）에서는 EKF가 더 안정적인 결과를 보 였으며, LSTM은 일부 구간에서 큰 오차가 발생하였다. 결론적으로 본 연구는 OOD 센서 노이즈 조건에서 EKF와 LSTM이 서로 다른 강점과 한계를 가진다는 점을 확인하였다. LSTM은 평균 정확도 측면에서 EKF를 보완할 수 있지만, 순간 안정성 측면에서는 EKF의 장점이 남아 있었 다. 따라서 실제 드론 자세추정에서는 EKF와 LSTM을 단순한 대체 관계로 보 기보다, 평균 오차 감소와 순간 오차 억제를 함께 고려한 하이브리드 자세추정 구조로 설계할 필요가 있다.
more목차
제 1 장 서론 1
제 1 절 연구배경 및 목적 1
1. 드론 자율비행 확대와 자세추정 중요성 1
2. EKF 기반 자세추정의 한계 3
3. 딥러닝 기반 접근의 필요성 및 연구 동기 5
4. 연구 목표 및 접근 6
제 2 절 연구 문제와 가설, 연구 기여 7
1. 연구 문제 정의 7
2. 가설 정의 7
3. 연구 기여 8
제 3 절 연구 범위 및 논문 구성 9
1. 연구 범위 9
2. 논문 구성 10
제 2 장 이론적 배경 및 선행연구 고찰 11
제 1 절 드론 자세추정 및 회전 표현 11
1. 자세 정의 및 좌표계 11
2. 오일러 각과 짐벌 락 11
3. 회전 행렬 12
4. 쿼터니언 정의와 장점, 부호 모호성 12
5. 자세 오차 정의 및 평가 개념 13
제 2 절 관성/자기 센서 및 노이즈 특성 13
1. 가속도계, 자이로스코프, 지자기센서 13
2. 저가 MEMS 센서의 노이즈, 바이어스, 드리프트 14
제 3 절 EKF 기반 센서융합 자세추정 15
1. 칼만 필터 기본 개념 15
2. 확장 칼만 필터(EKF)의 개요와 한계 16
3. EKF 기반 자세 출력과 비교 기준선 16
제 4 절 딥러닝 기반 시계열 자세추정 17
1. 순환신경망(RNN) 개요와 한계 17
2. LSTM 구조 및 장기 의존성 학습 17
3. EKF, 학습 기반, Hybrid 접근의 비교 19
제 5 절 전처리/정규화 및 OOD 평가 개념 20
1. Z-score 정규화와 정보 누출 방지 20
2. 무작위 분할의 한계와 OOD 분할의 필요성 20
제 3 장 연구 방법 22
제 1 절 연구 설계 개요 및 설계 결정 근거 22
1. 전체 파이프라인 개요 22
2. 설계 결정 근거 23
제 2 절 실험 환경 구성(SITL) 및 데이터 로깅 24
1. ArduPilot SITL 환경 및 설정 24
2. pymavlink 기반 MAVLink 메시지 수집 25
3. 샘플링 레이트 차이와 동기화 전략 25
제 3 절 노이즈 주입 설계 26
1. 노이즈 파라미터 및 레벨(L0~L3) 정의 26
2. 노이즈 단조 증가 검증 프로토콜 28
제 4 절 데이터 수집 및 전처리 28
1. 에피소드 기반 수집 절차. 28
2. 품질 검증 29
3. 데이터셋 구조 요약 29
제 5 절 LSTM 모델 설계 및 학습/평가 전략 30
1. 입력 윈도우 및 채널 설계 30
2. 모델 아키텍처 30
3. 손실 함수 31
4. 학습 설정 32
5. 데이터 분할 및 정규화 33
6. 평가 지표 및 비교 대상 34
제 4 장 실험 결과 및 분석 35
제 1 절 노이즈 주입 검증 결과 35
1. 센서 출력 분산의 단조 증가 확인 35
2. EKF RMSE의 레벨별 증가 경향 36
제 2 절 EKF 기준선 성능 37
1. 레벨별 EKF 성능 요약 37
2. 에피소드별 분포 특성 37
제 3 절 LSTM 학습 및 OOD 평가 결과 39
1. 학습 곡선 39
2. In-Distribution 검증 성능 40
3. OOD 테스트 결과 42
4. MAX 지표에서의 역전 현상 43
5. 시드별 변동과 이상치 분석 44
제 4 절 종합 논의 45
1. OOD 조건에서 EKF와 LSTM의 보완적 특성 45
2. EKF의 잔존 강점 46
3. 소거 실험 결과와 시사점. 47
4. 결과의 의의와 남은 과제. 49
제 5 장 결론 및 제한점 51
제 1 절 연구 결과 요약 51
제 2 절 연구의 제한점 52
제 3 절 향후 연구 방향 53
1. 실험 조건 확장 53
2. 모델 구조 개선 53
참 고 문 헌 54
국내 문헌 54
국외 문헌 54
Abstract 56
