드론 기술: 최신 트렌드 및 향후 전망

해당 플랫폼은 사용 용이성, 적은 기계 부품, 대상 그룹의 수용으로 인해 가장 널리 사용됩니다. 컴팩트해진 최신 쿼드콥터는 인상적인 센서 패키지와 결합됩니다. 이제 현장의 모든 작업 시 도구상자에 드론을 휴대할 수 있습니다. 드론이 더 컴팩트해진 것 외에 또 다른 발전으로 멀티로터가 더 커져 더 오래 비행하고 더 많이 운반할 수 있습니다. 페이로드가 있는 전기 멀티로터의 비행 시간이 현장에서 입증한 1시간에 가까워지고 있으며, 더 커진 항공기는 정기적으로 40~45분에 달합니다.

범위가 우선순위인 경우 날개가 가장 잘 작동합니다. 비행기의 단순성, 멀티로터의 복잡성 및 유용성을 결합하면 VTOL 플랫폼을 얻게 됩니다. 이는 날개가 고정된 항공기의 비행 시간과 멀티로터처럼 이착륙의 단순성을 결합합니다. 예를 들어, Quantum-Systems Vector는 수직 비행과 전방 비행 간에 전환하기 위해 날개 모터를 회전시켜 VTOL 플랫폼으로 변환하며, 페이로드 용량이 상당한 대형 기체입니다. WingtraOne Gen II는 꼬리를 타고 이착륙하며, 원하는 고도에 도달하면 수평으로 뒤집힙니다. 사용자는 VTOL 디자인과 상관없이 기존의 비행기는 비행할 수 없는 영역에서 비행할 수 있다는 이점을 좋아합니다.

12메가픽셀이 표준 이미지 크기로 사용되었지만, 이제 대부분의 사용 사례에서는 20메가픽셀이 절대적인 최소값입니다. 보다 큰 플랫폼은 40, 60, 심지어 100메가픽셀 RGB 센서를 탑재하고 있습니다. 이를 통해 드론이 동일한 해상도 또는 지표 샘플 거리(GSD)를 얻기 위해 피사체에 가까이 있을 필요가 없기 때문에 보다 효율적인 비행 경로가 가능합니다. 즉, 더 적은 비행 노선, 더 높은 고도, 더 적은 수의 이미지가 수집됩니다.

이 센서는 RGB와 마찬가지로 더 저렴하고 가벼워졌으며 해상도가 더 높아졌습니다. 그러나 놀랍게도 해당 사용에 대한 이해는 느렸습니다. 여기에는 몇 가지 이유가 있을 수 있습니다. RGB 카메라와 달리 다중스펙트럼 센서를 정확하게 사용하려면 이미지 보정을 위한 추가 수동 단계가 필요합니다. 이러한 이유로 해당 프로세스에 더 익숙한 농업 부문으로 시장이 제한될 수 있습니다. 또한 더 인기 있는 항공기 플랫폼을 위한 플러그 앤 플레이 다중스펙트럼 패키지는 거의 없습니다. 패키지 수는 확실히 개선되고 있지만 예상보다 더 느립니다.

기업에서는 드론이 출현한 이후 드론에 라이다를 장착하고 있습니다. 두 가지 주요 과제는 센서의 무게 및 관성 측정 장치(IMU)의 정확도였습니다. 최근에 이러한 두 가지 문제가 해결되었습니다. 레이저 펄스는 식생을 관통하여 보다 정확한 수치 표면 모델(DSM)이 가능합니다. 이로 인해 결과적인 포인트 클라우드 데이터를 관리해야 하는 문제가 발생합니다. 여기에서 미래는 클라우드 관리입니다. 이러한 트렌드는 유인 항공기의 항공 매핑이 영상에서 라이다로 전환되어 압축된 시간 프레임 내에서 유사한 과제를 극복하는 방법을 반영합니다.

과거, 각 드론 제조업체에는 자동 조종 장치 탐색 및 항공기 제어를 위한 자체 개발 팀이 있었습니다. 현 드론 하드웨어 제조업체는 시스템의 명령 및 제어 부분을 처리하기 위해 자동 조종 장치 기업에 의존하고 있습니다. Auterion은 이러한 제조업체 중 하나로, 비행의 자율적인 측면을 다루는 올인원 자동 조종 장치인 Skynode를 만듭니다. Skynode에는 또한 기본적으로 모든 드론을 IoT 지원 기기로 바꾸는 셀룰러 데이터 연결이 있습니다.

미 국방부(DoD)는 극적인 개편으로 해당 부서에서 사용하는 중국 DJI 드론을 금지했습니다. 이에 DoD의 DIU(Defense Innovation Unit)는 사용 승인을 위해 드론 하드웨어 및 소프트웨어를 평가하기 시작했습니다. DIU의 현재 목록에는 Freefly의 하드웨어가 포함되어 있으며, Freefly는 수년간 영화 및 TV용 드론을 개발해 왔으며 신뢰할 수 있는 매핑 플랫폼이 될 수 있는 위치에 있는 미국 드론 제조업체입니다.

센서가 더 커지고 데이터를 더 많이 포함함에 따라 데이터셋의 디지털 크기는 더 무거워집니다. 데이터셋 처리는 데스크톱 컴퓨터에서만 수행되었습니다. 이는 클라우드 중심 처리 방식으로 전환되고 있습니다. 오프라인 데스크톱 처리는 즉각적인 의사결정을 내리기 위해 신속한 현장 처리에서 항상 그 자리를 유지할 것입니다. 그런 다음 원시 데이터는 클라우드로 이동합니다. 여기에는 기관에서 사용할 수 있도록 더 높은 해상도 및 더 큰 데이터셋이 있을 수 있습니다. 클라우드는 더 큰 파일 크기의 요구 사항에 맞게 처리를 자동 확장하고 해당 결과를 사용자의 엔터프라이즈 워크플로에 전달할 수 있습니다.

예를 들어 재해 발생 시 데이터를 수집하는 첫 번째 항공기가 드론인 경우가 많습니다. 인터넷 연결을 사용할 수 없는 경우 신속한 현장 처리를 통해 초동대응요원이 의사결정을 내리는 데 필요한 정보를 제공할 수 있습니다. 나중에 기기가 인터넷에 연결되고 원시 데이터가 클라우드에 업로드되어 더 큰 데이터셋으로 처리됩니다. 이해 관계자는 이러한 데이터셋을 컴퓨터에서 컴퓨터로 전송할 필요 없이 온라인으로 분석할 수 있습니다.

원시 이미지를 2D 및 3D 데이터셋으로 변환하는 데는 항상 시간이 걸리지만 흥미로운 부분은 데이터의 실시간 또는 거의 실시간에 가까운 분석이 증가한 점입니다. FMV는 기존에 특수(및 고가) 짐벌에서 내려오는 메타데이터가 풍부한 비디오를 위해 군대에서 개발한 기술입니다. 이러한 센서의 비용이 감소함에 따라 FMV 데이터의 보유는 더 쉽고 저렴해집니다.

Quantum-Systems Vector와 같이 FMV 데이터를 지원하는 센서 패키지가 있는 경우 ArcGIS Pro와 같은 공간 정보 시스템(GIS)으로 FMV를 라이브 스트리밍할 수 있습니다. 또는 Esri의 Site Scan Flight for ArcGIS 앱에서 지원하는 저가의 소비자 드론을 사용하는 경우 드론에서 직접 비디오 파일을 가져와 드래그 앤 드롭 방식으로 풍부한 비디오를 재생할 수 있습니다.

드론 컬렉션의 정보량이 증가함에 따라 머신 러닝을 활용한 자산 및 문제 식별이 그 어느 때보다 중요합니다. 학습 데이터, 고해상도 입력 정보, 컴퓨팅 성능은 성공을 위한 요구 사항입니다. 이 모든 것은 우리가 보고 있는 하드웨어 및 소프트웨어 트렌드에 의해 개선되고 있습니다. AI는 처리 엔진의 2D 및 3D 결과와 드론의 원시 이미지 및 비디오에 대해 학습할 수 있습니다.

드론이 표준 엔터프라이즈 워크플로의 일부가 되면서 컴퓨터 또는 IoT 기기로 관리되지만, 규제 요구 사항, 유지관리, 비행 추적 기능이 있는 차량처럼 관리됩니다. 드론 비행 추적을 위한 솔루션에는 여러 가지가 있지만, 성공한 기술은 해당 정보를 자동으로 취득하여 운영자가 중단 없이 작업을 수행할 수 있도록 합니다. 예를 들어 미국에서 공항 또는 기타 통제된 영공의 특정 반경 내에서 비행하는 경우에는 미국 연방항공국(FAA)의 승인을 요청해야 합니다. Airspace Link는 승인된 LAANC(Low Altitude Authorization and Notification Capability) 제공업체로서 FAA에 직접 요청을 보내 해당 프로세스를 자동화하는 기업 중 하나입니다. 운영자는 Esri의 Site Scan Flight 앱에서 무료 Airspace Link 계정으로 로그인하여 해당 승인을 요청할 수 있습니다.