자율 해양 드론 비행을 위한 깊이 학습 기반 단안 자세 추정의 하드웨어 및 시각 통합 검증

Hardware- and Vision-in-the-Loop Validation of Deep Monocular Pose Estimation for Autonomous Maritime UAV Flight

선박 상에서의 자율 드론 운영은 신뢰성 있는 시각 기반 상대 자세 추정을 필요로 하지만, 실제 해상 환경에서의 검증은 비용이 많이 들고 날씨에 영향을 받으며 위험합니다. 본 논문에서는 하드웨어 수준에서 검증된 시각 통합 프레임워크를 제시하며, 이를 통해 완전 자율적인 실내 비행을 가능하게 하고 현실적인 해양 환경을 모방합니다. 렌더링된 해양 이미지는 드론에 탑재된 딥 러닝 기반 단안 자세 추정 모델에 의해 처리됩니다. 지연된 시각 정보는 고주파 IMU 데이터와 함께 지연 칼만 필터를 사용하여 통합되어 기하학적 제어를 위한 일관된 상태 정보를 제공합니다. 이 시스템은 인지 지연, 비동기 업데이트 및 계산 제약과 같은 실제 환경에서 발생하는 중요한 요소를 반영하며, 이는 순수 시뮬레이션에서는 나타날 수 없습니다. 자율적인 이륙, 경로 추적 및 착륙 실험을 통해 안정적인 폐루프 비행 성능이 입증되었습니다. 이러한 결과는 선박 탑재 전에 해양 드론의 자율성을 개발하기 위한 안전하고 현실적인 중간 단계를 제시합니다.

Autonomous UAV operations on ships require reliable vision-based relative pose estimation, yet at-sea validation is costly, weather-dependent, and risky. This paper presents a hardware-validated vision-in-the-loop framework that enables fully autonomous indoor flight while emulating photorealistic maritime environments. Rendered maritime views are processed onboard by a deep transformer-based monocular pose estimator. Delayed vision measurements are fused with high-rate IMU data using a delayed Kalman filter to provide consistent state estimates for geometric control. The system captures critical embedded effects, including perception latency, asynchronous updates, and computational constraints, that are absent in pure simulation. Autonomous takeoff, trajectory tracking, and landing experiments demonstrate stable closed-loop flight. The results establish a safe and hardware-realistic intermediate stage for developing maritime UAV autonomy prior to shipboard deployment.