[논문 리뷰] Visual Marker Search for Autonomous Drone Landing in Diverse Urban Environments

Jiaohong Yao, Linfeng Liang외 4명|arXiv (Cornell University)|2026. 01. 16.

UAV Applications and Optimization인용 수 0

한 줄 요약

이 논문은 AirSim에서 시뮬레이션 기반 평가 체계를 구축하여 자율 시각 표식 검색 및 착륙을 다양한 도시 풍경에서 연구하고, 두 가지 휴리스틱 검색 전략과 학습 기반 에이전트를 비교한다.

ABSTRACT

Marker-based landing is widely used in drone delivery and return-to-base systems for its simplicity and reliability. However, most approaches assume idealized landing site visibility and sensor performance, limiting robustness in complex urban settings. We present a simulation-based evaluation suite on the AirSim platform with systematically varied urban layouts, lighting, and weather to replicate realistic operational diversity. Using onboard camera sensors (RGB for marker detection and depth for obstacle avoidance), we benchmark two heuristic coverage patterns and a reinforcement learning-based agent, analyzing how exploration strategy and scene complexity affect success rate, path efficiency, and robustness. Results underscore the need to evaluate marker-based autonomous landing under diverse, sensor-relevant conditions to guide the development of reliable aerial navigation systems.

연구 동기 및 목표

• GPS가 신뢰할 수 없는 도시 설정에서 로버스트 표식 기반 착륙의 필요성 및 동기 부여.
• 도시의 다양성(레이아웃, 조명, 날씨)을 반영하는 다양한 상호작용 시뮬레이션 데이터셋 생성.
• 부분 관찰성과 센서 한계 하에서 자율 표식 검색 전략의 벤치마크.

제안 방법

• Unreal Engine 4 / AirSim를 사용하여 조명과 날씨가 다양한 세 가지 도시 맵에서 966 에피소드를 생성.
• 세 가지 내비게이션 전략 평가: Spiral(2D/3D), Zigzag(2D/3D), 및 E2E-RL(학습 기반).
• 탐지에 온보드 RGB를, 장애물 회피에 깊이를 의존하며 평가 시 pretrained 탐지기를 사용.
• 성공률, 내비게이션 오차, SPL, 충돌률, 오탐과 같은 지표로 전략 비교.
• 대리 환경에서 PPO와 커리큘럼 러닝으로 E2E-RL 학습; 학습 중 편향 방지를 위해 탐지기는 별도로 유지.

실험 결과

연구 질문

• RQ1 서로 다른 탐색 전략이 다양한 도시 환경에서 표식 검색의 강건성과 효율성에 어떤 영향을 미치는가?
• RQ2 장면 레이아웃, 조명, 날씨가 표식 탐지 및 내비게이션 성능에 미치는 영향은 무엇인가?
• RQ3 현실적인 도시 환경에서 안전성과 효율성 측면에서 학습 기반 에이전트가 휴리스틱 검색을 능가할 수 있는가?
• RQ4 ModernCity, PostSoviet, UrbanDistrict 환경에서 성능은 어떻게 다른가?

주요 결과

• 휴리스틱 방법(Spiral, Zigzag)은 일부 맵에서 더 높은 SR을 달성하나 충돌률이 더 높다.
• 3D 버전(Spiral-3D, Zigzag-3D)은 2D 대비 SR를 개선하고 NE를 전반적으로 감소시킨다.
• E2E-RL은 충돌률이 낮고 더 효율적인 궤적(SPL 증가)을 보이지만, 더 포괄적 탐색이 낮은 SR을 야기하는 경우가 있다.
• 환경 유형은 결과에 큰 영향을 미치며 UrbanDistrict는 커버리지 기반 방법을 선호하는 반면 PostSoviet은 성능을 저해하는 수직 장애물을 제공한다.
• 오탐 및 내비게이션 오류는 초기 고도가 높고 시야 손실이 일부 시나리오에서 더 악화될 때 상관관계가 있다.
• 맵 전반에 걸쳐 어느 한 방법이 지배적이지 않으며, 성능은 장면 기하학, 장애물 밀도, 조명에 따라 달라진다.