이 연구 주제는 쿼드로터, 멀티로터, 군집 무인기와 같은 비행체가 복잡하고 동적인 환경에서 안전하게 이동할 수 있도록 하는 경로계획과 궤적 생성 기술에 초점을 둔다. 연구실은 미로형 공간, 협소 통로, 이동 장애물이 존재하는 상황에서도 충돌을 회피하면서 임무를 지속할 수 있는 실시간 계획 알고리즘을 개발해 왔다. 특히 다수의 비행체가 동시에 운용되는 상황에서 분산형 의사결정과 상호 충돌 회피를 함께 만족시키는 것이 핵심 과제이다. 구체적으로는 선형 안전 회랑, 상대 안전 비행 구역, 재ceding horizon planning, 해밀턴-야코비 도달가능성 해석 등 안전성 보장이 가능한 수학적 도구를 활용한다. 이를 통해 외란, 모델 불확실성, 제한된 계산 자원과 같은 실제 운용 조건에서도 재계획 가능성과 실시간성을 확보한다. 단순히 최단 경로를 구하는 데 그치지 않고, 임무 성공률, 비행 시간, 계산 효율, 협업 성능까지 함께 최적화하는 방향으로 연구가 전개된다. 이러한 연구는 드론 군집 운용, 국방 지능형 군집체계, 공중 추적 및 감시, 장애물 회피 비행, 협업 운송과 같은 응용으로 직접 연결된다. 최근 프로젝트와 논문 흐름을 보면 다수 에이전트의 협동, 동적 장애물 대응, 안전 필터 기반 제어 등으로 연구 범위가 확장되고 있으며, 향후에는 대규모 무인체계의 자율 협업 플랫폼과 실제 국방·산업 현장에 적용 가능한 고신뢰 자율비행 기술로 발전할 가능성이 크다.

연구실의 또 다른 핵심 축은 카메라와 RGB-D 센서를 이용한 위치추정, 지도작성, 영상기반 항법 기술이다. 비행로봇과 이동로봇이 GPS가 제한되거나 실내·도심과 같이 복잡한 환경에서 스스로 자신의 위치를 추정하고 주변 공간을 이해하려면 강건한 SLAM과 비주얼 오도메트리 기술이 필수적이다. 연구실은 구조적 환경의 기하학적 규칙성을 적극 활용하여 보다 효율적이고 안정적인 시각항법 프레임워크를 제안해 왔다. 대표적으로 평면 특징, Manhattan/Atlanta world 가정, 선형 칼만 필터 기반 추정, 특징 추적 신뢰도 향상 기법 등을 통해 기존의 고비용 비선형 최적화 중심 SLAM을 단순화하면서도 높은 정확도를 유지하는 방향을 추구한다. 또한 단안, 스테레오, RGB-D, 관성센서, 라이다 등 다양한 센서를 융합하여 동적 환경에서도 강건한 위치추정이 가능하도록 연구한다. 다중 로봇이 서로 조우하는 상황에서 단안 카메라만으로 지도 융합을 수행하는 협업 SLAM 역시 이 연구실의 강점으로 볼 수 있다. 이 연구는 증강현실, 실내 자율비행, 자율주행형 로봇, 영상기반 탐지회피, 환경 인식과 같은 다양한 응용에 직접 기여한다. 특히 무인이동체의 자율성 향상을 위해서는 제어와 계획 이전에 신뢰할 수 있는 상태추정이 전제되어야 하므로, 본 연구 주제는 연구실 전체의 자율시스템 연구를 지탱하는 기반 기술로 기능한다. 최근에는 학습기반 깊이 추정과 도메인 적응까지 포함하며, 고전적 기하 기반 비전과 현대적 학습 기반 인식을 융합하는 방향으로 진화하고 있다.

연구실은 전통적인 유도·제어 이론과 현대 인공지능 기법을 결합한 지능제어 연구를 폭넓게 수행하고 있다. 항공우주공학의 핵심 분야인 유도, 자세·궤적 제어, 외란 대응, 강건 제어를 기반으로 하면서도, 복잡한 비선형 시스템과 불확실한 임무 환경에 적응하기 위해 강화학습과 데이터 기반 제어를 적극 활용한다. 이는 항공기, 미사일, 비행 매니퓰레이터, 협동 로봇 시스템 등 다양한 플랫폼에 적용된다. 기술적으로는 외란 관측기, 모델 예측 제어, 안전 필터, 신경망 기반 시스템 식별, 심층 강화학습, 물리정보 학습 등 여러 접근이 함께 사용된다. 연구실의 특허와 학술발표를 보면 심층 강화학습을 활용한 미사일 유도, 샘플 효율성을 높인 항공기 제어, 데이터 기반 비선형 시스템 식별, 안전 필수 제어기 설계 등 이론과 응용이 밀접하게 연결되어 있다. 단순 성능 향상뿐 아니라 제어 안정성, 제약조건 만족, 실제 하드웨어 적용 가능성을 동시에 고려하는 점이 특징이다. 이 주제는 국방 무기체계, 항공우주 비행체, 스마트 제조용 협업 매니퓰레이션, 불확실 환경에서의 공중 물리 상호작용 등으로 확장될 수 있다. 앞으로는 학습 기반 정책이 실제 시스템에 안전하게 배치되도록 하는 검증 가능한 제어, 물리모델과 데이터모델의 결합, 다중 에이전트 협동 의사결정과 같은 방향이 더욱 중요해질 것이다. 따라서 이 연구는 연구실의 전통적인 제어 전문성과 최신 AI 기술을 연결하는 핵심 영역이라고 할 수 있다.