전통적으로 자율 이동체는 물체의 감지 및 분류를 수행하는 인지, 지역 및 전역 경로 계획을 수행하는 판단, 이동체에 대한 제어 등의 기능을 수행한다. 특히, 해당 기능들의 성공적 운용을 위해서는 자율 이동체의 위치를 정확히 추정해야 한다. 전통적으로 Global Navigation Satellite System (GNSS)를 기반으로 한 위치 추정 기법이 우선적으로 고려되었으며, 이는 위성항법을 통한 측위가 높은 정확도를 갖기 때문이다. 그러나, 이러한 GNSS의 운용은 전파의 수신을 방해받거나 제약되는 환경에서 그 신뢰도가 떨어진다. 즉, Jamming, Spoofing과 같은 상황에 노출되거나 (Radoš et al. 2024), 도심지 환경에서 다중 경로 오차 문제를 겪을 수 있다 (Ahmed et al. 2023). 또한, 태양 활동으로 인한 위성 시스템의 오류나 (Sreeja 2016) 인공위성이 없는 외행성 환경에서 운용이 불가한 상황도 존재한다 (Cheung et al. 2024). 이러한 문제들을 해결하기 위해 Inertial Measurement Unit (IMU), 카메라, Light Detection And Ranging (LiDAR) 등의 센서를 통한 비전파 기반의 항법들이 연구되었다 (Gao et al. 2023). 특히, 카메라와 LiDAR 등 주변 환경에 대한 장면을 취득하는 센서를 기반으로 한 위치 추정 기법은 크게 이전 프레임과 현재 프레임 간의 매칭을 통해 병진 및 회전의 상대 이동을 추정하는 Odometry 기법과 (Mohamed et al. 2019), 미리 구축한 장면에 대한 Database (DB)와의 매칭을 통해 절대 위치를 추정하는 장소 인식 기반 기법으로 분류된다 (Li et al. 2025). 이때 카메라는 장면에 대한 풍부한 텍스쳐 정보를 제공하나 조도와 날씨의 변화에 취약하다. 반면, LiDAR는 기하학적 정보를 직접 취득할 수 있어 상대적으로 조도 및 기상 변화에 강건하다 (Zhuang et al. 2021).

먼저, 지상 이동체에 대한 장소 인식 기법 연구는 다음과 같다. He et al. (2016)은 3차원 점 군을 여러 2D 평면에 투영하여 장면을 표현한 M2DP를 제안했다. 해당 기법에서는 여러 2D 평면에 투영한 점 군이 극좌표계 Bin에 얼마나 있는지 세며 Signature Matrix를 생성한 후 Singular Vector Decomposition (SVD)를 통해 전역 설명자를 추출했다. 이는 빠른 연산과 희소 점 군에 적용 가능하다는 장점을 가지나 시점 변화에 대해 완전한 불변성을 보장하지 못한다는 한계를 가진다. Kim & Kim (2018)은 높이 정보를 활용하여 장소 인식에 활용하는 Scan Context를 제안했다. 이는 극좌표계 Bin에서 최고점의 높이를 추출하여 전역 설명자를 만든 뒤 이러한 설명자를 축약한 Ring Key를 통해 K-dimensional Tree에서 후보를 탐색하는 방식을 취했다. 또한, 설명자의 열을 이동하며 코사인 유사도를 계산하여 회전에 불변한 특성을 갖고자 하였다. 해당 기법은 장면의 구조적 정보를 보존하여 높은 구별력을 가진다는 장점을 가지나 병진 이동에 대한 불변성을 보장하지 못한다. Zhang et al. (2024)은 특징점 주변 객체 점들의 분포를 지역 설명자로 삼은 투표 기반 장소 인식 기법인 Occupancy Set Key를 제안했다. 해당 기법에서는 복셀화를 통해 포함하는 지면 제거 기법을 적용한 후 객체가 있는 영역에서 특징점을 추출한다. 이후 특징점 주변을 극좌표계를 기준으로 주변 객체 점들의 ID를 담아 ID 집합을 Hash 함수로 변환하여 지역 설명자로 저장하였다. 이러한 특징점을 통해 투표 기반의 매칭을 수행하였다. 이는 병진 이동 변화에 강건하다는 장점을 가지나 구조적 변별력이 낮은 환경에서 성능이 저하될 수 있다는 한계를 가진다.

다음으로, 비행체에 대한 위치 추정 연구는 다음과 같다. Hemann et al. (2016)은 Error-state Kalman Filter에 대해 2D LiDAR와 IMU의 센서융합을 통한 헬기의 위치 추정 기법을 제안했다. 이를 위해, IMU Odometry를 수행하고 누적되는 오차를 해소하기 위해 LiDAR로 스캔한 지형을 누적하여 지역적 높이 지도를 만든 뒤 이를 지형의 높이 정보가 저장된 Digital Elevation Model (DEM)과 Normalized Cross-Correlation을 기준으로 매칭했다. 해당 기법은 장거리 비행 시나리오에서 LiDAR를 통해 위치 추정 오차를 개선하였으나, 2D LiDAR 스캔을 누적하는 방식에 의존하여 급격한 자세 변화가 발생하는 비행 환경에서는 제약이 따른다는 한계를 가진다. Zhang et al. (2025)은 SURF 및 SIFT 기반의 특징점 추출을 토대로 실시간으로 취득한 점 군을 통해 생성한 DEM과 주어진 지형에 대한 DEM 특징점 대응 관계를 알아내어 관성 항법에 통합하는 방식으로 위치를 추정했다. 이는 SIFT와 SURF 방식을 혼용하여 정확도와 속도 간의 균형을 맞추었으나, 장면 내의 동적 객체에 대한 고려가 부족하다는 한계가 있다. 마지막으로, Im & Won (2025)은 Hemisphere LiDAR를 사용하여 게임 엔진을 기반으로 한 가상 환경에서 장소 인식을 활용한 UAV 위치 추정 기법을 제안했다. 이를 위해 고도 기반의 특징점 추출 기법과 거리를 요소로 한 지역 설명자와 전역 설명자의 생성 기법을 제시하며, 기하학적 검증과 자세 추정을 위한 히스토그램 기반의 점 군 정합 기법을 제안했다. 해당 연구는 장소 인식을 기반으로 Advanced Air Mobility 환경에서의 강건한 위치 추정 기법을 체계적으로 제시했으나, 실제 비행 데이터셋에서의 검증을 수행하지 않았다.

본 논문은 비반복적 레이저 패턴을 가진 Solid-State LiDAR를 활용한 UAV의 장소 인식 알고리즘을 제안한다. 이는 3차원 점 군을 높이 정보로 축약함에 따라 기하학적 정보의 손실이 발생하는 기존의 DEM 방식과 대조적으로 3차원 점 군의 분포를 직접 활용하는 설명자 기반의 항법 알고리즘이다. 제안하는 기법은 Solid-State LiDAR를 UAV에 하향 부착하여 장면을 취득하고 지상 이동체와 달리 플랫폼의 자세가 역동적으로 변하는 상황을 가정한다. 전통적인 회전형 LiDAR의 경우 제한된 수직 Field of View (FoV)로 인해 UAV 자세의 변화 시 일관된 형상을 취득하기 어렵다는 제약이 생긴다. 또한, Hemisphere LiDAR의 경우 센서의 탐지 거리가 짧아 비행체의 위치 추정에 운용하기 어렵다는 한계를 갖는다. 반면, 제안하는 기법에서 활용하는 하향 부착된 Solid-State LiDAR의 경우 상대적으로 일관된 점 군을 취득할 수 있다는 장점을 갖는다. 이러한 LiDAR 선정에 더불어 본 연구에서는 UAV 자세 변화와 비반복적 레이저 패턴을 보완하고자 수평화와 Region of Interest (RoI)의 선정 과정을 수행한다. 또한 설명자 생성 단계에서 매칭 단계에서 지역 설명자의 구별력을 높이고자 이중 반경 구조를 설계하였으며, 지역 설명자를 통한 장소 후보군 선정에서 투표 방식의 기법을 적용한다. 제안하는 장소 인식 연구는 GNSS 불능 상황에서 UAV 항법의 생존성을 강화하고자 하며, 상대적 위치 변화를 추정하는 Odometry 기법이 제공하지 못하는 지구 상의 좌표를 추정할 수 있다. 이는 Simultaneous Localization and Mapping (SLAM) 프레임워크 상의 루프 폐쇄 검출(loop closure detection) 또는 플랫폼이 위치 추정에 실패했을 때 위치를 다시 추정하거나 시스템의 시작 단계에서 초기 위치를 추정하는 상황에서의 재위치화(relocalization) 절차에서 활용될 수 있다.

본 논문의 구성은 다음과 같다. 2장에서는 제안하는 장소 인식 기법을 설명하며, 3장에서는 성능 평가를 위한 실험 환경의 구성과 평가 결과를 제시한다. 4장에서는 본 연구의 결론과 추후과제를 논의한다.