In this study, an autonomous docking system for unmanned aerial vehicle (UAV) is proposed. The proposed autonomous docking system consists of two subsystems: docking mechanical system and deep learning based detection/tracking system. The fundamental challenges during an air-to-air docking phase are a robust securing between a leader and a follower aerial vehicles and effective target detection and tracking strategies. To confront those issues, this study not only presents the design of a robust aerial docking mechanism, but also proposes the effective deep learning based target detection and tracking algorithms. The design of the proposed docking mechanism is based on bi-stable characteristic for the robust mid-air docking. The proposed deep learning based target detection and tracking algorithms are developed for an onboard machine learning computer platform.
For the reliable docking under various flight environments, a bi-stable characteristic based probe-and-drogue type mechanism was designed. The bi-stable characteristic of a docking mechanical system increases the transition time between two stable states. It makes that the proposed docking mechanism can lock/dock the probe with a low contact force. The drogue in the proposed mechanical system acts by itself to lock/dock the probe. To release the locked/docked probe, a shape memory alloy (SMA) spring is used for low-power consumption and simplicity. The proposed docking mechanism was built by a 3D printer with PLA material. The docking and releasing performance of the proposed docking mechanism had been intensively tested on ground using a specially devised robot arms and test rigs.
To avoid the video latency and the excessive data transmission delay between a UAV in the air and a ground control station (GCS), a small and powerful AI performance onboard computer module was installed on the UAV. The proposed deep learning based detection/tracking system was developed to be operated by the onboard computer module. In order to overcome the critical challenges of the conventional target detection methods in the air and to achieve the robust drogue detection, deep convolution neural network (CNN) based single-stage detector algorithm, YOLOv4 tiny, was applied. To track and measure the 3D coordinates of the drogue, RGB-D camera is used and a point-cloud based algorithm is implemented. The implemented point-cloud based tracking algorithm measures real-time 3D coordinates (X, Y, Z) of the center point of the bounding box. The measured 3D coordinates are set as the target location for docking and fed to the designed PD controller.
A hardware-in-the-loop testing was conducted for the performance validation before the mid-air docking test. For the ground test, the specially devised robot arms were used to simulate a leader and a follower aerial vehicles. After the ground test, the proposed autonomous docking system was integrated into a quadcopter drone hardware for the performance test. Autonomous mid-air detection and tracking tests were conducted in GPS-denied environment. To conduct indoor flight test, a visual inertial odometry (VIO) system was installed on the quadcopter drone.
최근 무인 항공 시스템(Unmanned Aerial System, UAS)의 넓은 활용성과 중요성이 강조됨에 따라, 지속적으로 관련 연구 및 개발이 활발하게 진행 중이다. 초기 무인 항공기는 조종사의 희생을 줄이기 위한 군사 목적이었으나, 현재는 재난구조, 기상관측, 경비, 산림감시, 드론 배송 등 민간 분야로 활용 범위가 점차 커지고 있다.
그중 최근 많은 관심을 보이는 분야는 자동 공중급유(Automated Aerial Refuleing, AAR) 시스템과 모선-자선(Parent-child Unmanned Aerial Vehicle, PCUAV) 형식의 군사용 무인기이다. 공중급유는 1번의 급유로 감당하기 어려운 장거리 작전이나 체공 시간이 많이 요구되는 작전에 효율적으로 사용된다(1). 하지만 고속으로 비행하는 기체들이 근접한 상태로 비행을 하고, 연결된 상태를 유지해야 하므로 전투기 조종사의 높은 기량과 공중급유기의 기술요원(boom operator)의 정교한 조작 능력을 요구한다. 따라서 자동화 시스템에 관한 연구가 크게 주목을 받고 있다. 또한, 최근 무인기 기술의 급속한 발달과 더불어 기존 유인기와 무인기간 통합 운용에 대한 중요성이 높아지고 있다. 1998년 MIT(Massachusetts Institute of Technology)와 미국 DARPA 연구소에서 처음으로 소개된 모선-자선 형식의 군사용 무인 항공 시스템이 최근 들어 다시 큰 관심을 받고 있다(2)(3). 모선-자선 형식의 무인 항공 시스템은 장시간의 원거리 임무수행과 함께 근거리의 근접감시 및 공격이 가능한 큰 장점을 갖고 있다.
본 연구에서는 자동 공중급유와 모선-자선 형식의 무인 항공 시스템에 반드시 요구되는 공중 분리/재결합 시스템을 제안했다. 공중에서 높은 확률의 결합을 위해 쌍안정성(bistable)을 갖는 프로브-앤-드로그 형식의 공중 분리/재결합 장치를 제작하였다. 또한, 공중 결합의 높은 견고성을 위해 심층학습 기반 드로그 탐지 및 추적 시스템을 개발하였다. 개발된 공중 분리/재결합 장치와 심층학습 기반 탐지 및 추적 시스템의 성능평가 및 반복성 시험을 위해, 두 개의 로봇팔과 드론을 이용하였다.
