Unity-Ros2 기반 무인보트 충돌 회피 시뮬레이터 개발

2.1 무인선박 충돌 회피 연구

자율운항 선박의 충돌 회피 기술은 전역 경로와 실시간 지역 경로를 결합하여 안전하게 운항하는 것이 일반적이며, 국제 해상충돌 예비규칙(COLREGs)을 준수하도록 알고리즘을 보정하기도 한다[1][2]. 기존 연구들은 센서 다양화, ROS 통합, 실제 소형 보트 시험 등을 진행해 왔으나[3][4] 해상 시험 자체가 잦은 반복이 어려워 연구 초기 단계에서 알고리즘을 신속히 보완하기가 쉽지 않았다[5]. LiDAR 기반 장애물 인식 역시 파도·반사 등으로 인해 해상 노이즈가 심해, 초기 연구 단계부터 고가 장비와 복잡한 측정 환경이 필요하다는 단점이 지적된다[8].

2.2 유니티 엔진을 활용한 시뮬레이션

유니티는 원래 게임 및 인터랙티브 시뮬레이션을 위한 플랫폼이지만, 실시간 물리 엔진·그래픽 처리·사용자 인터페이스 관리 측면에서 강력한 기능을 제공한다[14]. 최근에는 자동차나 드론 분야에서 유니티+ROS를 결합해 센서·제어 로직을 실험하고, 교육·연구 목적의 로봇 시뮬레이터를 만드는 사례가 보고되고 있다[9][13]. 국내 해양 분야에서도 강화학습 기반 제어 등에 유니티를 적용한 연구가 있으나, 실제 무인선박 충돌 회피 전 과정을 시뮬레이션한 예는 제한적이다[10].

ARKit, ARCore 등 증강현실 플랫폼은 모바일 기기에서 공간 매핑과 SLAM을 간단히 구현할 수 있게 해주지만 [6][7] 해양 환경의 조도·반사 문제로 인해 높은 정확도를 얻기 어렵다는 보고가 있다[14]. 반면, 유니티는 물리 및 광학 특성을 사용자가 임의로 설정할 수 있으므로, 해양 시뮬레이션에서 3D 센서(예: 레이캐스팅 LiDAR) 모델을 비교적 쉽게 구현할 수 있다. 본 연구는 바로 이 점에 주목하여, 유니티 시뮬레이터에서 3D LiDAR를 통한 충돌 회피 로직을 설계하고, 해상 시험 전 단계에서의 반복 디버깅 효율 향상을 목표로 한다.

3.1 환경 구성 및 유니티–ROS 연동

본 연구에서는 유니티 엔진(2022.3.9f1 버전)과 ROS2 Humble 간 연동을 통해 무인선박 자율운항 알고리즘을 시뮬레이션한다. 유니티는 Windows 10 환경에서 구동하며, 가상의 해양 환경(수면, 장애물)과 무인선박 오브젝트, Raycasting 기반 센서 생성을 담당한다. PC 사양은 다음과 같다.

• 운영체제: Windows 10 (64bit)
• CPU: Intel(R) Core(TM) i7-10700K @ 3.80GHz
• GPU: NVIDIA GeForce RTX 3090
• RAM: 32GB

자율운항 알고리즘(충돌 회피·경로 계획 등)은 Ubuntu 22.04에 ROS2 Humble을 설치한 노트북에서 수행하며, 해당 노트북의 사양은 아래와 같다.

• 운영체제: Ubuntu 22.04 (64bit)
• CPU: AMD Ryzen 9 5900X (12코어/24스레드)
• GPU: NVIDIA GeForce RTX 3080
• RAM: 32GB
• ROS2: Humble Hawksbill

그림 1에서 보는것 처럼 두 시스템은 LAN 혹은 Wi-Fi로 연결되고, ROS-TCP-Connector나 ros2socket 같은 브릿지를 활용해 유니티 ↔ ROS 간 데이터를 주고받는다. 즉, 유니티에서 가상의 LiDAR·카메라 센서 정보를 실시간 토픽(sensor_msgs/PointCloud2 등)으로 Publish하고, ROS에서 이를 Subscribe하여 보트의 속도·회전 명령(geometry_msgs/Twist 등)을 계산한 뒤 다시 유니티로 Publish한다. 유니티가 이 명령을 Subscribe해 무인선박 오브젝트의 Rigidbody에 힘과 토크를 가하는 방식으로 시뮬레이션이 전개된다.

Fig. 1.

Unity – ROS transmission flow

이런 분산 구조를 통해, 센서 모델·환경 설정 등은 유니티 측에서, 알고리즘(충돌 회피·경로 계획)은 ROS 측에서 독립적으로 개발하여, 실제 무인선박 하드웨어와 유사한 네트워크 구조를 모사할 수 있다는 장점이 있다.

3.2 Raycasting 기반 LIDAR 센서 구현

그림 2는 Velodyne VLP-16 센서를 모델링하여, 유니티 엔진에서 레이캐스팅 기법을 통해 3차원 포인트 클라우드를 생성한다. VLP-16은 수평 360°와 수직 ±15° 범위에서 최대 약 100m까지 스캔하며, 16개 채널로 수직 레이어를 구성한다. 이를 시뮬레이션에 반영하기 위해, 일정 각도 해상도(δ_v,δ_h)로 광선을 나누어 발사한 뒤, 충돌 지점의 좌표와 거리를 측정한다.

Fig. 2.

Unity LIDAR - ROS2 transfer screen

식 (1)은 이러한 방식으로 얻을 수 있는 총 레이 개수를 나타낸다.Δθ_vδ_vΔ_h

여기서 Δθ_v는 수직 범위(±15°), Δθ_h는 수평 범위(360°), δ_v와 δ_h는 각각 수직·수평 각도 해상도이며, (채널 수)는 실제 VLP-16의 16개 레이어를 모사하기 위함이다. 유니티에서 {0,...,N_rays-1}각각에 대해 광선을 생성하면, 다음 단계로 Raycast 함수를 통해 충돌 정보를 얻는다. 식 (2)는 센서 원점 O_c에서 광선방향 $$ \widehat{d_i}$$로 레이를 발사했을 때, 충돌 지점을 월드 좌표계에서P_i로 표현한다.

• P_i : 센서 원점(월드 좌표)
• $$ \widehat{d_i}$$ : 단위 방향 벡터(수직·수평 각도와 센서 자세가 반영됨)
• r_i : 광선이 충돌한 거리(없으면 r_max로 표기

충돌 지점이 없으면 r_i=r_max 로 설정하거나 포인트 클라우드에서 제외한다. 또한, 실제 LiDAR에서 발생하는 잡음을 간단히 Gausian noise를 추가하여 측정값을 보정한다.

여기서 𝜎는 노이즈 파라미터이며, 충돌 거리가 $$ r_i^{\prime }$$< r_min이면 최소 감지 범위를 벗어난 것으로 간주해 포인트 클라우드에 반영하지 않는다. 이와 같이 얻어진 포인트(P_i)는 유니티의 List<Vector3> 혹은 NativeArray로 보관되며, 매 프레임(또는 일정 주기)에 새로 계산된 점들이 누적·갱신된다. 실제 VLP-16의 16개 채널 간 세부 수직각 차이를 완전히 동일하게 반영할 수도 있지만, 본 연구에서는 일정한 각도 해상도로 단순화하였다. 이를 통해 가상 LiDAR 센서는 물리적인 복잡성 없이도 충분히 VLP-16 수준의 스캔 밀도와 범위를 제공할 수 있다

3.3 단순 충돌 회피 알고리즘

본 논문에서는 지역 충돌 회피(Local collision avoidance) 방식에 초점을 맞추어, 전역 경로 계획 없이도 보트가 임계거리 이하로 접근한 장애물을 우선 회피하도록 설계하였다. 구현은 ±β°(±35°)범위의 전방 스캔 데이터를 분석하고, 좌·우 어느 쪽이 상대적으로 안전한지를 결정해 선회 방향을 결정하는 로직이다. Raycasting으로 생성된 포인트 클라우드에서, 보트 센서 원점O_c기준으로 수명각 α∈[-β,+β]에 해당하는 점들을 추출한다. 해당 점들의 거리를 식 (4)으로 정의한다.

이때 r_front 안전거리보다 작으면 보트가 장애물과 가깝다고 판단한 후 회피 모드로 진입한다. 이어서 좌우 회피 방향 결정 단계에서는, 장애물이 전방에 있음을 감지한 후, α<0(왼쪽)과 α>0(오른쪽) 각 영역에서 평균 거리나 점의 밀도를 비교해, 여유 공간이 더 큰 쪽으로 선회 명령(ω)을 우선하도록 구성한다. 필요 시 국제 해상충돌예방규칙(COLREGs)을 반영해 기본적으로 ‘우현 회피’를 우선시하도록 설정할 수도 있다. 마지막으로 회피 동작 및 복귀 단계에서는 유니티 물리 엔진에서 전진 속도 v보다 회전 속도 ω를 우선 적용해 일정 시간 선회한 뒤, 장애물이 사라지면 원래 항로(전진)로 복귀한다. 전진·회전 명령을 힘·토크로 변환함으로써 보트 오브젝트는 매 프레임 위치와 자세가 갱신되는데, 여기서 v는 전진 속도 명령, ω는 회전(선회) 속도 명령이고 Kv와 Kω는 추진·회전 계수로 사용된다. 이러한 단순 지역 회피 방식은 복잡한 해양조선학적 동역학이나 전역 경로 없이도, 가상 LiDAR 데이터만으로 장애물을 즉시 우회하기에 초기 연구 단계에서 구현이 쉽다는 장점을 갖는다.

3.4 코드 구조 및 통합 운영

유니티 내부 C# 스크립트와 ROS2 노드가 네트워크를 통해 통신하는 분산 구조를 지향한다. 이렇게 함으로써 실제 무인선박 임베디드 환경에서 보편적으로 사용되는 ROS의 소프트웨어 생태계를 그대로 재현하면서, 유니티 엔진을 이용해 가상 센서를 생성하고 보트 오브젝트의 움직임을 시뮬레이션할 수 있다. 먼저 RaycastLiDARSensor.cs에서 RaycastCommand를 사용해 광선 수백~수천 개를 병렬로 발사하여 충돌 정보를 받아들인 뒤, 생성된 포인트들을 리스트 형태로 보관한다. 이러한 포인트 클라우드는 노이즈나 최대·최소 거리 등의 파라미터를 적용한 후에 sensor_msgs 형태로 ROS에 Publish하거나, 초기 단계를 위해 유니티 내부에서 그대로 처리할 수도 있다.

ROS2 측 노드(CollisionAvoidance.py)는 포인트 클라우드 메시지를 Subscribe하여 전방 최소 거리, 좌우 평균 거리 등을 계산하고, 전진 속도와 회전 속도를 포함하는 제어 명령을 geometry_msgs/Twist 등으로 Publish한다. 유니티에서는 BoatController.cs가 이 메시지를 Subscribe하여, 전진 속도와 회전 속도를 Rigidbody 컴포넌트의 힘과 토크로 변환함으로써 보트 오브젝트를 움직인다. 이때 구현 편의에 따라 전진 속도와 회전 속도의 최대 허용 범위나 PID 계수 등을 Inspector 파라미터로 조정할 수 있다.

초기 연구 단계에서 ROS 없이 유니티 내부 CollisionAvoidance.cs를 통해 센서 데이터부터 충돌 회피 계산, 제어 적용까지 단일 구조로 운용하는 것도 가능하나, 궁극적으로는 분산 환경으로 전환해 실제 무인선박의 소프트웨어 아키텍처와 유사한 형태를 구성하는 편이 이점이 크다. 예를 들어, ROS 측에서 SLAM이나 경로 계획 라이브러리를 손쉽게 적용하고, 유니티에서 다양한 해양 환경과 센서 파라미터를 모사할 수 있기 때문이다. 또한, 센서와 제어 알고리즘이 독립적으로 운용되므로, 노이즈 수준이나 광선 해상도, 장애물 배치 등 시뮬레이션 요소를 바꿔가며 반복 실험이 용이하고, 실제 하드웨어로 이식할 때 코드 구조 변경을 최소화할 수 있다는 장점이 있다.

결론적으로, 가상 센서를 담당하는 유니티 측 스크립트와 충돌 회피나 경로 계획을 담당하는 ROS 노드를 분리 운용하면, 해상 시험 이전 단계에서 필요한 센서·제어 로직을 자유롭게 교체·확장할 수 있다.

4.1 실험 환경 및 시나리오

본 연구에서 제안한 가상 LiDAR 센서와 충돌 회피 알고리즘은 두 대의 컴퓨터 간 네트워크로 연결된 환경에서 동작한다. 하나는 Windows 10 기반의 데스크톱 PC로, 유니티 엔진(2022.3.9f1 버전)을 구동하여 해양 환경과 무인선박 오브젝트를 시뮬레이션한다. 다른 하나는 Ubuntu 22.04를 설치한 노트북이며, ROS2 Humble 배포판에서 자율운항 알고리즘을 개발·실행한다. 두 장치는 WIFI으로 연결되어, 유니티에서 생성된 가상 센서 데이터가 실시간으로 ROS 노트북에 전송되고, 노트북 측에서 계산된 회피 명령이 다시 유니티 보트 오브젝트에 반영된다.

시뮬레이션된 해양 환경은 파도나 조류 등을 단순화하여 구성하며, 장애물을 일정 범위 안에 임의로 배치하여 무인선박이 회피 동작을 수행하도록 설정한다. 구체적으로, 초기 보트 위치를 원점 근방에 두고 목표 지점을 x=+100, z=0 인근으로 설정하되, 경로 중간에 부표나 벽 형태의 장애물을 놓아 충돌 위험을 유도한다. 가상 LiDAR 센서는 Velodyne VLP-16 스펙을 간소화해 수평 360°, 수직 ±15°의 레이를 발사하며, 최대 거리 약 100m, 노이즈 수준은 0.05로 설정했다. 각 시나리오는 장애물 배치와 보트 초기 위치를 반복 변경하여, 전반적인 충돌 회피 성공률과 항해 시간을 측정한다. 이 과정을 통해 본 논문에서 제안한 Raycasting 기반 LiDAR 모델과 ROS 연동 방식이 다양한 상황에서 얼마나 안정적으로 작동하는지 정량적으로 평가할 수 있다.

4.2 시나리오별 실험 결과

본 절에서는 4.1에서 설명한 장애물 배치 시나리오를 대상으로, 가상 LiDAR 센서를 통해 획득된 포인트 클라우드와 충돌 회피 알고리즘을 연동하여 무인선박이 얼마나 효과적으로 장애물을 피할 수 있는지를 측정하고 분석한다. 실험은 그림 3에서 보는 Unity가 구동되는 데스크톱 PC와, ROS2 알고리즘이 실행되는 노트북을 LAN으로 연결하여 진행하였으며, 각 시나리오마다 보트가 시작점에서 목표 지점까지 항해하는 과정을 10회 반복 측정하여 평균 항해 시간, 충돌 횟수, 성공률 등을 산출하였다.

Fig. 3.

Scenario C

표 1은 세 가지 시나리오(A, B, C)를 대상으로 수행한 충돌 회피 실험 결과를 요약한 것이다. 시나리오 A에서는 항로 중앙에 직경 5m 내외의 단일 부표를 배치하였고, 10회 시험 중 9회가 무사 항해에 성공하여 약 22초의 평균 항해 시간이 측정되었다. 단 한 번의 충돌은 노이즈 수준(σ=0.1)에서 부표가 제대로 인식되지 않은 사례였다. 반면 시나리오 B는 다수(35개) 장애물을 불규칙하게 배치함으로써 난이도를 높였다. 그 결과 70~80% 수준의 성공률을 기록하였고, 10회 중 2~3회 정도 충돌이 발생했으며, 선회 동작이 잦아져 항해 시간은 평균 30~35초로 증가하였다. 마지막으로 시나리오 C는 좁은 수로를 모사하여 보트가 S자 경로로 이동하도록 설정한 경우로, 60~70%의 성공률과 함께 약 40초의 항해 시간이 소요되었다. 노이즈가 큰 상황에서 높은 회전 속도를 적용하면 충돌 발생 빈도가 증가했으며, 이는 실제 해양 환경에서 센서 오차와 기동성 한계가 서로 맞물리는 복잡성을 잘 보여주는 사례라 할 수 있다. 전반적으로는 단순한 지역 회피 로직과 가상 LiDAR 데이터만으로도 어느 정도 장애물 우회가 가능함이 확인되었지만, 장애물이 복잡해지고 센서 노이즈가 커질수록 충돌 위험이 빠르게 높아지는 경향이 뚜렷했다. 이를 통해, 향후 전역 경로 계획(A*)나 보다 정교한 충돌 회피 알고리즘(DWA, VFH 등)과의 결합이 필요하다는 점을 시사한다. 또한 유니티–ROS2 연동 방식 덕분에 다양한 센서 파라미터와 장애물 배치를 반복 시험할 수 있어, 해상 실험 전 단계에서 시스템 안정화와 비용·시간 절감 효과가 기대된다는 결론을 얻었다.

Table 1.

Experimental results by scenario

4.3 검토

본 절에서는 앞서 시나리오 A, B, C를 통해 얻은 충돌 횟수, 항해 시간, 성공률 등 주요 지표를 바탕으로, 가상 LiDAR 기반 지역 충돌 회피 알고리즘의 한계와 확장 가능성을 논의한다. 먼저 시나리오별 실험 결과를 종합해보면, 장애물 수·배치 복잡도가 증가할수록 성공률이 하락하고 항해 시간은 길어지는 경향이 뚜렷하게 나타났다. 이는 보트가 여러 차례 선회를 반복하면서 경로를 수정해야 하고, 센서 노이즈나 회전 속도 한계값이 일정 수준을 넘으면 충돌 위험이 급격히 증가하기 때문이다.

특히 시나리오 C에서 성공률이 60~70%로 떨어진 이유는 공간이 협소한 상황에서 단순 지역 회피만으로는 국부 최소점문제에 빠지기 쉽다는 점을 시사한다. 예를 들어 전방 장애물을 회피하는 도중에, 뒤이어 나타나는 벽면이나 다른 장애물을 충분한 선행 거리에서 파악하지 못하면, 후속 회피 동작이 늦어져 충돌로 이어질 가능성이 커진다. 이러한 현상은 실제 해양 환경에서도 긴 협수로·포트·항만 운항 시 비슷하게 발생할 수 있으므로, 추가적인 전역 경로 계획(A*)나 더 정교한 지역 알고리즘(DWA, VFH 등)을 병행하면 회피 성공률을 높일 수 있을 것으로 예상된다.

또한 센서 노이즈(σ값) 변화에 따른 충돌 횟수 증가 추세도 관찰되었다. 노이즈 수준을 0.0에서 0.1로 높일 경우, 시나리오 A처럼 비교적 단순한 상황에서도 인식 실패로 인한 소수 충돌 사례가 발생하였으며, 복잡한 배치에서는 충돌 횟수가 더욱 늘어났다. 이는 가상 LiDAR 노이즈가 일정 범위를 넘어가면 전방 최소 거리 계산의 안정성이 흔들려, 회피 시점이 지연되거나 방향 결정이 흔들리는 문제가 생김을 의미한다. 실해역에서도 파랑이나 반사 등에 의해 비슷한 오차가 발생할 수 있으므로, 노이즈가 큰 상황을 대비한 알고리즘 보완이 필요하다.

마지막으로, 유니티–ROS2 연동을 통해 센서 파라미터나 충돌 회피 로직을 자유롭게 교체·조정할 수 있다는 점이 본 실험에서 큰 장점으로 확인되었다. 충돌 횟수가 많아지는 상황에서 회전 속도 한계를 낮추거나, 임계거리와 노이즈(σ)를 줄이도록 조정하면 성공률이 일부 개선될 수 있다. 이처럼 시뮬레이션 단계에서 다양한 시나리오·파라미터를 반복 시험함으로써, 실제 해양 시험에 앞서 알고리즘을 사전 검증하고 개선할 수 있는 가능성을 확인하였으며, 추후에는 전역 경로 계획이나 강화학습 기반 제어 기법 등 더 복잡한 로직과도 쉽게 결합할 수 있을 것으로 기대된다.