수염으로 벽을 읽는 드론 — 촉각 신호가 자율 비행이 되기까지

#1. 작은 드론은 벽을 보기 전에 가볍게 만져 볼 수 있다

수염이 휘어지는 신호를 거리로 바꾸고, 그 거리로 비행을 조정하면 작은 드론도 투명한 벽과 어두운 표면을 따라 움직일 수 있다. 2026년 9월 18일 Nature Communications에 발표된 연구는 3.2 g의 수염형 촉각 장치를 소형 드론에 붙이고, 신호 보정·학습 기반 거리 추정·비행 제어를 기체 안에서 실행했다. Figure 1a의 완성된 실험 플랫폼은 44.1 g이다. 센서 장치의 질량과 드론 전체 질량을 구분해야 탑재 부담을 정확히 읽을 수 있다.[1][2]

작은 드론의 문제는 센서가 있느냐 없느냐만이 아니다. 카메라나 레이저가 얻은 신호를 해석할 계산 자원, 센서를 실어 나를 추력, 벽 가까이에서 버틸 비행 안정성이 함께 제한된다. 투명한 물체에서는 광학 센서가 벽의 위치를 안정적으로 읽지 못할 수 있고, 완전한 어둠에서는 영상에 의존하는 상태 추정도 어려워진다. 이 논문은 그 간격을 긴 수염의 가벼운 접촉으로 채운다.[1]

촉각 센서를 붙였다는 사실만으로 자율 비행이 생기는 것은 아니다. 무엇에 닿았는지 모르는 원시 압력 신호를 실제 거리로 바꾸고, 접촉 중 생기는 힘 때문에 기체가 돌아가지 않도록 제어해야 한다. 그래서 이 연구는 생체 모방 모양보다 접촉 → 신호 보정 → 거리 추정 → 행동 변경의 연결을 따라 읽는 편이 좋다.

#2. Figure 1: 수염의 뿌리에서 무엇을 측정하는가

#가는 막대가 압력 신호가 되는 과정

Figure 1b를 위에서 아래로 읽으면 20 cm의 니티놀 와이어, 수지를 채운 센서 패키지, 세 개의 기압 센서, 회로기판과 데이터 수집 칩이 연결된다. 와이어가 물체에 닿아 휘면 뿌리에서 힘과 모멘트가 전달되고, 패키지 속 센서들의 압력 값이 달라진다. 여기서 기압 센서는 비행 고도를 측정하는 용도 대신 기계적 변형을 읽는 구성요소로 사용된다.[2]

한 수염에 여러 센서를 쓰면 단일한 접촉 유무보다 풍부한 신호를 얻을 수 있다. 하지만 센서 세 개의 숫자가 곧바로 공간 좌표 세 개가 되는 것은 아니다. 실제로는 접촉 위치, 막대의 변형, 장착 방향과 기체의 움직임이 함께 신호에 영향을 준다. 따라서 어떤 물리량을 예측하도록 학습했는지 확인해야 한다. 이 연구의 거리 추정기는 기체의 전방 방향을 기준으로 장애물 깊이를 추정한다.[1]

Figure 1c의 생물학적 수염 도식은 같은 기능 연결을 비교하도록 배치돼 있다. 털과 모낭 주변의 감각 구조를 통해 접촉이 신경 신호로 전달되는 것처럼, 인공 장치도 가는 구조물의 변형을 기저부 센서에서 읽는다. 실제 동물의 전체 촉각 처리와 동일한 회로를 복제했다는 의미보다는, 가볍게 멀리 뻗은 구조물의 접촉 정보를 뿌리에서 읽는 원리를 차용한 것이다.

#3.2 g과 44.1 g은 서로 다른 분모를 갖는다

Figure 1a의 원형 차트는 드론 본체, 배터리, 수염, 레이저와 광학 흐름 장치, 기타 구성의 질량을 나눈다. 여기서 수염 장치는 3.2 g이고 전체 구성은 44.1 g이다. 하드웨어를 비교할 때 센서 자체의 가벼움과, 검증에 사용한 전체 플랫폼의 탑재량을 나란히 보는 이유다.[2]

계산 자원도 구분해야 한다. 연구에서 사용한 비행 제어 마이크로컨트롤러의 RAM은 192 KB이고, 저자들은 자신들의 알고리즘이 34 KB를 사용하며 50 Hz로 동작한다고 보고한다. 이 수치는 작은 컴퓨터에서 촉각 처리와 행동 선택을 돌릴 수 있다는 근거다. 신경망 학습을 드론 위에서 수행했다는 뜻은 아니며, 외부 고성능 컴퓨터에 매번 판단을 요청하는 구조와도 다르다.[1]

#3. 가벼운 접촉도 비행체를 돌릴 수 있다

#힘이 작아도 지렛대가 길면 회전이 생긴다

수염이 벽에 닿으면 기체에는 반작용이 전달된다. 이때 접촉력이 작다는 사실만으로 안정성을 판단할 수 없다. 힘의 작용점이 기체 중심에서 멀면 회전 모멘트가 생긴다. 특히 작은 드론은 여유 추력이 제한돼 있어, 같은 접촉이 큰 비행체보다 더 큰 자세 변화를 만들 수 있다.

논문은 수염의 장착 각도와 이동 속도를 바꾸어 이 문제를 시험한다. 실험에서는 여섯 장착 각도와 세 이동 속도, 각 조건 네 번의 반복으로 총 72회 비행을 비교했다. 최종적으로 선택한 45° 구성은 시험한 조건에서 비행 안정성과 전방 감지 범위의 균형이 좋았다. 단지 그림에서 대칭으로 예뻐 보이는 각도를 고른 것이 아니다.[1]

이 결과는 촉각 센서가 기체에 추가하는 영향까지 설계해야 한다는 점을 보여 준다. 더 멀리 뻗은 수염은 몸체가 벽에 가까워지기 전에 정보를 줄 수 있지만, 접촉 위치에 따라 긴 모멘트 팔을 만든다. 각도를 크게 바꾸면 안정성이 달라지는 동시에 전방 도달 범위도 달라진다. 따라서 감지 범위와 자세 안정성을 함께 측정해야 한다.

#‘접촉했다’와 ‘얼마나 가까운가’의 차이

범퍼 스위치라면 어떤 물체와 닿았는지를 한 비트로 알려 줄 수 있다. 연속적인 수염 신호는 그보다 더 많은 정보를 줄 가능성이 있지만, 그 정보를 거리와 행동에 연결하려면 모델이 필요하다. 드론이 벽을 따라 움직일 때 너무 멀어져 접촉을 잃는 상황과, 너무 가까워져 큰 힘이 생기는 상황을 구별해야 하기 때문이다.

이 연구에서는 연속적인 촉각 깊이를 이용해 표면을 따라 움직이도록 한다. 거리 추정이 흔들리면 제어도 흔들릴 수 있으므로, 다음 절의 신호 보정과 추정기가 중요한 역할을 맡는다. 센서를 하나 추가한 문제가 아니라, 측정 오차가 비행 동작으로 전달되는 전체 경로를 설계한 문제다.

#4. Figure 3: 압력 숫자가 비행 명령으로 바뀌는 네 단계

#a·b: 먼저 기준선의 이동을 보정한다

Figure 3a의 아래쪽 경로는 수염에서 들어온 값을 온라인 보정으로 보내고, 촉각 거리 추정기를 거쳐 비행 상태기로 전달한다. 위쪽에는 속도·자세·각속도 제어기가 있고, IMU와 상태 추정이 피드백을 제공한다. 그림에서 수염만 따라가면 센서 처리 경로가 보이고, 기체에서 돌아오는 화살표까지 따라가면 닫힌 제어 경로가 보인다.[3]

b는 Tactile Drift Online Recurrent Compensation, 즉 TDORC를 풀어 그린 것이다. 센서의 원시 신호는 접촉 외에도 온도 변화, 프로펠러에 의한 대류, 접촉 뒤의 회복과 진동에 영향을 받는다. 알고리즘은 비접촉 구간의 데이터를 모아 기준선 변화를 맞추고, 측정에서 그 성분을 뺀다. 이후 필터링과 접촉 판정으로 이어진다.[1][3]

왜 비접촉 구간을 구분할까? 벽을 누르는 동안의 실제 신호까지 기준선으로 학습해 버리면, 오래 닿아 있을수록 그 힘을 정상 상태로 지워 버릴 수 있다. 온도에 따른 느린 변화와 지속적인 물체 접촉이 모두 느린 신호라면 주파수만으로 구별하기 어려운 상황도 생긴다. 따라서 무엇을 보정 자료로 사용할지의 조건이 중요하다.

Figure 3b의 데이터 수집·최소제곱 맞춤·보정 매개변수 갱신·수집 데이터 비우기 블록은 이 과정을 나타낸다. 이때 보정은 센서가 어떤 장애물을 만났는지의 의미를 만드는 단계가 아니라, 이후 추정기가 쓸 입력의 기준을 안정시키는 단계다. 기준선이 움직이는 문제와 거리 모델이 부정확한 문제를 구분하면 어느 부분을 개선해야 할지도 알 수 있다.

#c: 신경망 측정과 운동 모델 예측을 결합한다

c에서는 왼쪽·오른쪽 수염의 세 채널씩을 각각 작은 다층 퍼셉트론(MLP)에 넣어 거리 측정값을 얻는다. 이어 칼만 필터(KF)가 이 값과 기체 운동에 따른 예측을 결합한다. 전체 모델은 양쪽 수염과 벽 방향의 관계를 더 활용하고, 단순화 모델은 더 간단한 관계를 사용한다. 두 모델의 계산 구조와 성능을 같은 데이터에서 비교할 수 있도록 했다.[1][3]

신경망의 역할은 센서 값을 목표 거리로 연결하는 비선형 관계를 학습하는 것이다. 칼만 필터의 역할은 시간에 따라 예측한 상태와 새 측정 사이의 차이를 불확실성에 따라 반영하는 것이다. 같은 “AI 거리 추정”이라는 말로 묶으면 신경망 단독 결과와 운동 모델을 추가한 결과의 차이를 설명하기 어렵다.

#d: 추정한 거리가 행동 전환의 입력이 된다

d의 상태도는 초기화·호버링·전진·벽 따라가기·후진·회전·착륙을 연결한다. 접촉이 감지되면 벽을 따라가고, 장애물에서 벗어나면 다시 전진하는 식이다. 더 넓은 공간 탐색에서는 관측한 표면으로 환경을 표현하고, 아직 불확실한 곳과 충돌 위험이 있는 모서리를 함께 고려해 다음 탐색 방향을 정한다.[3]

이 그림에서 낮은 수준의 자세 안정화와 높은 수준의 탐색 결정을 나누어 볼 수 있다. 자세 제어기는 기체가 원하는 운동을 수행하도록 빠르게 조정하고, 상태기는 어느 운동을 할지 고른다. 거리 추정의 작은 오차가 어느 조건에서 상태 전환을 잘못 만들 수 있는지까지 살펴보면, 단일 예측 오차보다 더 넓은 시스템 평가가 필요하다는 점이 드러난다.

#5. 칼만 필터는 왜 예측과 측정의 중간값을 고르는가

이 설명은 왜 어떤 환경에서 필터가 도움이 되는지도 보여 준다. 측정값이 순간적으로 튀어도 운동 예측이 일관되면 흔들림을 줄일 수 있다. 반대로 기체 운동이나 벽의 형태가 모델의 가정과 다르면 예측 자체가 틀릴 수 있다. 필터를 추가했다는 사실만으로 모든 데이터와 모든 센서 쪽에서 오차가 줄어든다고 결론내릴 수 없다. 실제 비교표를 보는 이유다.

#6. Figure 5와 Table 1: 어떤 조건에서 얼마나 좋아졌는가

Figure 5a·d는 흰 보드와 투명한 벽에서 기체가 표면을 훑는 데이터 수집 상황이다. b·e의 가로축은 예측 오차의 크기, 세로축은 오차 분포의 밀도다. 작은 오차 쪽에 분포가 모이는지 비교한다. c·f는 연속 데이터의 깊이를 보여 주며, 주황색 GT, 레이저, 수염 기반 결과를 같은 시간 순서의 표본에서 비교한다.[4]

GT는 정답 기준(ground truth)이다. 해당 평가에서는 외부 OptiTrack으로 드론과 벽의 위치를 측정했다. 기체에서 거리 추정을 실행하는 것과, 그 추정이 얼마나 정확한지 검증할 외부 정답을 준비하는 것은 다른 역할이다. 실험에서는 각 표면의 12회 비행을 학습용 9회와 시험용 3회로 나누었다.[1]

다음은 원논문 Table 1의 일부를 그대로 조건별로 정리한 것이다. 모두 MAE이며 거리·재구성 오차는 mm, 방향 오차는 도 단위다. MAE는 오차의 절댓값을 평균한 것으로 작을수록 좋다. RMSE 열은 이 표에 섞지 않았다.[1]

전체 KF는 이 비교의 왼쪽 거리·방향·재구성에서 개선을 보인다. 하지만 유리의 오른쪽 거리 MAE는 단순화 KF의 5.11 mm가 전체 KF의 5.38 mm보다 작다. 따라서 “전체 모델이 모든 지표에서 가장 좋다”는 문장 대신, 어떤 지표와 조건에서 차이가 있는지 읽어야 한다. 유리의 재구성에서도 단순화 KF가 MLP 단독보다 악화된 값이 있다.

이런 예외는 결과를 약하게 만드는 잡음이 아니라 모델의 역할을 이해할 단서다. 좌우 측정 특성과 운동·기하 모델을 결합하면 전체적인 방향 추정은 좋아질 수 있어도 개별 측정 축에서 항상 이득이 생기는 것은 아니다. 후속 설계자는 자신의 제어에 중요한 오차가 깊이인지, 방향인지, 전체 환경 모양인지 먼저 정해야 한다.

또한 표의 평균값은 모든 순간의 최대 오차를 나타내지 않는다. 좁은 통로의 비행에서는 평균이 작아도 한 번의 큰 오류가 행동 전환에 영향을 줄 수 있다. 그림의 꼬리 부분과 시간에 따른 오류를 함께 보는 이유다. 논문의 범위를 넘어 안전을 평가하려면 실패 빈도·최대 접촉·복구·장시간 드리프트 같은 별도 지표가 필요하다.

#7. 완전한 어둠의 시연은 어떤 구성에서 이루어졌나

#투명한 벽의 탐색과 어둠 속 벽 따라가기를 나눠 읽는다

논문에는 투명 아크릴 벽을 통과하는 실내 탐색, 환경 표현을 만드는 능동 탐색, 완전한 어둠 속 벽 따라가기 등 여러 실험이 있다. 이들을 하나로 합쳐 “어둠 속에서 모든 기능과 최고 정확도를 동시에 달성했다”고 소개하면 실험 구성이 달라진다. 투명한 벽 탐색에서는 IMU와 광학 흐름을 이용한 상태 추정이 사용됐다.[1]

완전한 어둠의 실험에서는 IMU와 하향 ToF를 이용하며, 촉각 깊이는 MLP 단독으로 추정한다. 위 Table 1의 전체 KF 결과를 그 어둠 실험의 성능 수치로 가져오면 안 된다. 연구진은 단단한 벽과 부드러운 천 표면을 따라 약 7초 움직인 뒤 물러나 착륙하는 동작을 보여 준다.[1]

이 구성에서도 촉각의 의미는 분명하다. 수염은 전방 물체와의 접촉 정보를 제공하고, IMU는 기체의 관성 운동 정보를, 하향 ToF는 아래쪽 거리 정보를 제공한다. “비전 없이 전방 표면을 따라간다”는 주장과 “촉각 외의 어떤 센서도 쓰지 않는다”는 주장은 다르다. 센서마다 담당하는 역할을 밝히면 기술의 장점과 적용 조건이 동시에 드러난다.

#부드러운 벽은 측정 대상이기도 하고 움직이는 환경이기도 하다

천과 같은 표면은 접촉에 따라 휘거나 주름이 생길 수 있다. 드론이 알고 싶은 것은 자신의 위치와 장애물 사이 거리지만, 센서가 만지는 장애물도 함께 움직인다. 이때 변형된 수염 신호에는 기체 움직임과 표면 변형이 모두 섞일 수 있다. 강체 평면의 관계를 다른 재료에 옮길 때 어떤 오차가 생기는지 점검해야 한다.

논문은 부드러운 표면의 마찰과 접힘, 상태 추정 드리프트와 같은 영향을 논의한다. 따라서 실험실 시연은 촉각 비행의 가능성을 보여 주지만, 연기·먼지·열·강한 바람이 섞인 실제 구조 현장의 장시간 임무와는 별도로 검증해야 한다. 연구가 제안한 응용 방향과 실제로 시험한 환경을 같은 칸에 넣지 않는 것이 중요하다.[1]

#8. 연구실에서 가져갈 것은 센서보다 측정·학습·제어의 연결이다

이 논문은 작은 촉각 센서가 풍부한 정보를 줄 수 있다는 가능성과, 그 정보를 쓰기 위해 해결해야 하는 문제를 함께 보여 준다. 수염 위치의 기계적 설계, 공중에서 바뀌는 센서 기준선, 거리 모델, 운동 예측, 행동 전환을 각각 시험할 수 있도록 나누었다는 점이 유용하다.

재현을 시작한다면 세 단계를 구분하는 편이 좋다. 첫 단계는 원시 신호가 실제 접촉과 일관되게 연결되는지 확인하는 센서 시험이다. 둘째는 비행 단위로 분리한 데이터에서 거리 모델의 일반화를 평가하는 것이다. 셋째는 그 오차를 가진 모델이 실제 제어에 들어갔을 때 접촉과 자세를 얼마나 안정적으로 유지하는지 보는 것이다. 이는 논문 결과를 자신의 장치에 적용할 때의 검토 순서이며, 본문 수치의 독립 재현 완료를 뜻하지 않는다.

가장 현실적인 제한은 장치 사이의 차이다. 연구진은 작은 기계적 차이와 기압 센서 편차 때문에 모델을 다른 장치에 바로 옮기기 어렵다고 설명한다. 최적 성능을 얻기 위해서는 외부 정답 센서를 사용한 장치별 약 5–6회의 보정용 훑기 동작이 필요하며, 약 15–20분이 걸린다고 보고한다. 탑재 계산이 가능하다는 결과와, 보정 없이 모든 장치에 같은 모델을 쓸 수 있다는 결과는 다른 단계다.[1]

원시 데이터와 구현은 저자 GitHub에서 확인할 수 있다. 저장소는 시뮬레이션, 실제 Crazyflie 펌웨어, 거리 추정 재현 자료를 나누어 제공한다. 특히 시뮬레이션 환경은 Isaac Sim 4.1과 수정된 OmniDrones·Isaac Lab 구성을 안내한다. 이미 사용하는 최신 버전에 그대로 적용된다고 가정하기보다, 논문 환경과 변경한 의존성을 기록해야 결과 비교가 가능하다.[5]

이런 구분은 로봇 연구의 평가를 더 구체적으로 만든다. 학습 데이터의 오차, 제어 중 발생한 실패, 장치 재보정 시간, 새로운 표면에서의 성능을 따로 기록하면 개선이 어느 단계에서 생겼는지 알 수 있다. 논문의 최고 수치 한 개보다 이 연결을 재사용하는 편이 실제 프로젝트에 더 도움이 된다.

수염형 드론의 성과는 단지 어둠 속에서 날았다는 장면이 아니다. 작은 접촉 신호를 해석하고, 불확실성을 다루고, 그 결과를 행동으로 돌려보내는 흐름이 작은 마이크로컨트롤러에서도 가능하다는 점이다. 그 흐름이 다른 센서·기체·표면에서 얼마나 유지되는지가 다음 연구의 핵심이다.

#9. 출처

[1] Ye, C., de Croon, G., Hamaza, S. Whisker-based tactile flight for tiny drones. Nature Communications 17, 9743, 2026-09-18.

[2] 동일 논문 Figure 1. 전체 플랫폼의 질량 구성과 수염 센서 구조.

[3] 동일 논문 Figure 3. TDORC·MLP·KF·비행 상태기의 연결.

[4] 동일 논문 Figure 5. 시험 데이터에서의 오차 분포와 거리 추정 비교.

[5] 저자 공식 저장소. 시뮬레이션, Crazyflie 펌웨어, 데이터와 재현 코드.