정리
-
협조형
- 드론에 마커, 센서등을 활용
-
비협조형
- 이미지만 사용(기체 정보)
-
RGB mono
-
RGB stereo
-
직접 거리 회귀
-
사전 크기 정보 기반 기하추정 (b-box)
-
키포인트 기반 기하추정
-
스테레오 삼각측량
-
광학마커
-
RF-UWB-레이저 기반 거리측정
정리 필요
레벨 1 – 단안 비전 기반 장거리 드론 거리추정 (SOTA 후보)
-
DroneDAR: Long-Range Drone Distance Estimation Using Monocular Vision and Bounding-Box Features (arXiv, 2026) [정량적 임팩트: 장거리, 단안 비전]
-
임팩트/IF·파급력
-
핵심 메소드(요약)
-
입력: 단안 카메라에서 촬영한 드론 이미지, 드론 검출 바운딩 박스(너비·높이·aspect ratio), 이미지 내 위치 등 2D 피처.[arxiv]
-
출력: 드론까지의 거리(연속 값 회귀).
-
메소드 패턴:
-
사전 지식: 드론 기체 타입별 물리적 크기 통계(폭, 길이, 높이)를 레퍼런스로 사용.
-
기하학적 베이스라인: 단순한 “화면 내 픽셀 크기 ↔ 실제 크기” 스케일 관계에서 출발해, 카메라 내·외부 파라미터(초점 거리, 센서 크기 등)를 반영한 기하 모델 구성.
-
ML/DL 회귀: 위 기하적 스케일 값, 바운딩 박스 차원, 드론의 픽셀 위치, 배경 관련 피처 등을 입력으로 하는 MLP/LightGBM/작은 CNN 등 회귀모델로 실제 거리 레이블을 학습.
-
도메인 어댑테이션: 다른 배경·조명·카메라로 촬영된 데이터에서도 거리가 잘 맞도록 데이터 증강·도메인 정규화(예: 색상/밝기 정규화, 스타일 변환) 등을 적용.[arxiv]
-
-
-
레벨 2 – 거리 센서·레이저/LiDAR 기반 드론–객체 거리 측정
-
영상처리와 거리센서를 융합한 객체 추적용 드론의 연구 (국내 논문, 2024)[scienceon.kisti.re]
-
임팩트/IF·파급력
-
로봇·제어·임베디드 커뮤니티에서, 드론–객체 거리 + 장애물 거리 측정을 센서 융합으로 다룬 응용 논문입니다.[scienceon.kisti.re]
-
Laser Range Finder(LRF)와 Particle Filter를 사용해 객체까지의 거리와 장애물 거리 정보를 활용, 자율비행·충돌회피를 구현하는 것 자체가 시스템 임팩트입니다.[scienceon.kisti.re]
-
-
핵심 메소드(요약)
-
드론에 LRF(레이저 거리센서)를 탑재하고, 특정 객체를 비전 기반(영상 처리)으로 추적하면서 Laser로 측정된 거리를 함께 사용.[scienceon.kisti.re]
-
Particle Filter를 통해 객체 위치 및 거리의 확률분포를 추정하고, 장애물까지의 거리 정보를 이용해 안전한 자율 비행 경로를 생성하는 구조입니다.[scienceon.kisti.re]
-
-
-
드론을 활용한 지상기준점 측량 자동화 기술의 개념디자인 (Park, 2023)[koreascience]
-
임팩트/IF·파급력
-
지상 기준점 측량 분야에서, 드론–기준점 사이 거리와 기울기를 이용해 좌표를 자동 산출하는 개념 설계로, 측량·지적 분야에 응용 임팩트가 있습니다.[koreascience]
-
(x, y, z)기준점 좌표, 드론 기울기(α, β), 레이저 거리측정기로 측정된 거리 ℓ을 사용해 위치를 계산하는 수식 기반 프레임워크를 제안합니다.[koreascience]
-
-
핵심 메소드(요약)
-
드론 위치·자세(특히 X, Y축 기울기 α, β)를 IMU·GNSS 등으로 확보하고, 지상 기준점까지의 레이저 거리 ℓ을 측정.[koreascience]
-
드론 기준 좌표계와 지상 기준점 좌표계 사이 변환식을 세워, 한 번의 거리 측정과 자세 정보를 이용하여 기준점의 3D 위치를 계산하는 자동화 측량 알고리즘을 제안합니다.[koreascience]
-
-
레벨 3 – RF/UWB 기반 “드론(타겟)까지 거리” 추정
-
LoRa 통신을 활용한 RSSI 기반 드론 위치 추정 알고리즘 개발 및 성능 비교분석[koreascience]
-
임팩트/IF·파급력
-
핵심 메소드(요약)
-
드론과 분산된 앵커 노드에 LoRa 모듈 장착, 드론–각 앵커 간 RSSI–거리 데이터셋 수집.[fkdb.or]
-
RSSI–거리 관계를 선형보간으로 모델링하고, 각 앵커별 RSSI 기반 가중치를 둔 WLM/WLS로 거리 추정 후, 격자(Grid Search) 탐색으로 드론 위치를 복원.[koreascience]
-
이 과정에서 각 앵커–드론 거리를 직접 추정하는 것이 핵심이며, 위치 복원은 거리 삼변측량의 후속 단계입니다.[fkdb.or]
-
-
-
군집 드론 상대 위치 추정을 위한 심층학습 기반 초광대역 거리 센서 정보 예측 및 비가시 상황에서의 적응형 보정 기술[koasas.kaist.ac]
-
임팩트/IF·파급력
-
군집 드론 간 UWB 거리 측정 오차를 학습으로 보정해, 드론–드론 사이 거리를 더 정확하게 추정하는 군집 제어 지향 SOTA 연구입니다.[koasas.kaist.ac]
-
NLOS 환경에서의 UWB 거리 에러를 줄여 상대 거리·위치 정확도를 올리는 정량적 기여를 가지고 있습니다.[koasas.kaist.ac]
-
-
핵심 메소드(요약)
-
군집 드론에 UWB 태그를 장착하고, 드론–드론 간 거리 측정 데이터를 LOS/NLOS 환경에서 수집.[koasas.kaist.ac]
-
거리 값과 환경 피처를 입력으로 하는 딥러닝 회귀 모델을 학습해 “보정된 거리”를 출력하고, 이를 사용해 상대 위치를 추정.[koasas.kaist.ac]
-
결과적으로, 서로 다른 드론 사이의 거리를 고정밀로 재구성해 군집 형상을 유지하는 데 활용합니다.[koasas.kaist.ac]
-
-
레벨 4 – 종합 리뷰 (드론을 타겟으로 하는 거리·측위 기술 전체 그림)
-
드론 정밀 측위 기술 동향 (ETRI 전자통신동향분석, 2023)[ettrends.etri.re]
-
임팩트/IF·파급력
-
여러 센서(GNSS/RTK, UWB, RF, 비전, 복합 센서)를 사용해 드론의 위치와 거리를 측정하는 기술 전반을 정리한 리뷰로, 특정 논문보다 “기술 전체의 SOTA 맵”을 제공하는 역할을 합니다.[ettrends.etri.re]
-
장·단점, 정확도 범위(센티미터~수 m), 적용 환경 등을 비교해, 원하는 거리 추정 스펙에 맞춰 센서를 선택할 수 있게 해줍니다.[ettrends.etri.re]
-
-
핵심 메소드(요약)
-
GNSS/RTK: 기준국–이동국 사이 거리·위치 오차를 보정해, 드론까지의 위치/거리정확도를 cm급으로 끌어올리는 방법.[ettrends.etri.re]
-
UWB: TOF/TDOA 기반 거리 측정으로 실내·GPS 음영에서 드론–앵커 사이 거리를 고정밀로 추정하는 기술.[ettrends.etri.re]
-
비전 기반 SLAM·복합 측위: 카메라·IMU·RF를 융합해 드론 운동 추정과 절대 위치·거리 추정을 동시에 수행하는 센서 융합 프레임워크.[ettrends.etri.re]
-
-
요약: “드론을 타겟으로” 거리추정 SOTA를 잡자면
-
단안 카메라만 가지고 멀리 있는 드론까지 거리 추정 → DroneDAR 계열 (bounding box 기반 단안 회귀) 같은 학습 + 기하 결합 워크플로우가 직접적인 SOTA 후보입니다.[arxiv]
-
**센서 기반(레이저/LRF, UWB, RF)**로 드론–객체/드론–드론 거리 추정:
-
레이저/LiDAR: LRF + Particle Filter로 드론–객체/장애물 거리 추정 및 추적.[scienceon.kisti.re]
-
UWB/RF: LoRa RSSI, UWB TOF/TDOA + 딥러닝 보정으로 드론–드론/드론–앵커 거리.[koasas.kaist.ac]
-
-
전체 설계 관점에서는 ETRI 리뷰 논문을 기준으로,
원기찬님이 관심 있으신 UAV 연구에 맞춰 “카메라 기반 + UWB/RF 보조” 하이브리드 설계를 하시고, DroneDAR 계열 단안 거리추정을 군집 거리·고도 추정에 응용하는 방향이 현실적인 SOTA 접근입니다.[ettrends.etri.re]
필요하시면,
- “단안 카메라로 멀리 있는 드론까지 거리 추정 + UWB로 근거리/군집 거리 보정”이라는 하나의 시스템 관점에서, 모듈 구조(검출–거리 회귀–센서 융합–EKF/Graph-Optimization)를 블록 다이어그램 수준으로 설계해 드릴게요.
지피티
비협조 드론을 지상 단안 카메라로 측정
- Ruseno et al., 2026: YOLO11과 고전·머신러닝 회귀기 비교, 가장 높은 등급의 게재처
- DroneDAR, 2026: 장거리 소형 드론과 bounding-box 특징 융합
- DroneRanger, 2024: 단안 crop 기반 direct range regression
- Gökçe et al., 2015: 검출 특징과 SVR을 사용한 초기 기준 연구
- Yurchuk et al., 2026: 최대 약 1 km 조건에서 기하·회귀·end-to-end 방법 비교
방법론적 구분
| 방법 계열 | 대표 논문 | 핵심 장점 | 핵심 제약 |
|---|---|---|---|
| Crop·bbox 기반 직접 회귀 | DroneRanger, DroneDAR, Ruseno et al. | 단안 카메라만 필요하고 알려진 기체 치수가 없어도 학습 가능 | 데이터셋·카메라·기체 종류 변화에 민감 |
| 알려진 크기 기반 투영 기하 | ADG-YOLO, Ghost-YOLOv11n | 해석 가능하고 학습할 거리 label이 적어도 구현 가능 | 대상 기종의 실제 크기를 알아야 함 |
| Keypoint·PnP | Xu et al., Qin et al. | 6D pose와 metric distance를 함께 계산 가능 | 정확한 3D 모델과 키포인트 검출 필요 |
| 스테레오 삼각측량 보정 | Revisiting Stereo Triangulation | 실제 크기나 기종을 몰라도 기하학적 거리 계산 가능 | 카메라 2대, 정밀 calibration 및 충분한 disparity 필요 |
| 협조형 광학 마커 | Stuckey et al. | 높은 정확도와 빠른 추적 가능 | 대상 드론에 전용 마커 장착 필요 |
| 논문 | 게재 정보·출판 형태 | 최신 JIF·JCR | 측정 환경·입력 | 핵심 메소드 | 대표 결과 및 주요 한계 |
|---|---|---|---|---|---|
| Vision-Based Detection and Distance Estimation of Micro Unmanned Aerial Vehicles | F. Gökçe et al., Sensors, Vol. 15, No. 9, pp. 23805–23846, 2015. DOI: 10.3390/s150923805 | JIF 4.0, Q2 | 단안 카메라에서 소형 UAV를 검출하고 거리 추정 | Haar, HOG, LBP 특징을 boosted cascade 검출기에 적용한다. 검출 결과에서 얻은 투영 기하 특징을 SVR에 입력하여 거리를 회귀한다. | 드론 영상 거리 추정의 초기 대표 연구다. LBP 검출기는 준실시간 성능을 보였지만, 거리 추정은 검출 bounding box 정확도와 카메라·대상 조건에 민감하다. (MDPI) |
| Detection of a Moving UAV Based on Deep Learning-Based Distance Estimation | Y.-C. Lai and Z.-Y. Huang, Remote Sensing, Vol. 12, No. 18, Article 3035, 2020. DOI: 10.3390/rs12183035 | JIF 4.3, Q1¹ | 쿼드로터의 단안 카메라에서 접근하는 고정익 UAV 탐지·거리 추정 | 장거리에서는 배경 차분으로 이동 물체를 찾고, 근거리에서는 YOLOv3로 UAV를 검출한다. VGG16 영상 특징과 CNN/DNN 회귀기를 이용해 거리를 직접 추정한다. | 특정 정면 접근·맑은 날씨 실험에서 약 1.423 m RMSE를 보고했다. 합성영상 학습과 제한된 실제 비행 조건 때문에 다양한 기체·배경으로의 일반화가 제한된다. (MDPI) |
| An Optical Spatial Localization System for Tracking Unmanned Aerial Vehicles Using a Single Dynamic Vision Sensor | H. Stuckey et al., 2021 IEEE/RSJ IROS, IEEE 9636665 | 해당 없음 | 단일 Dynamic Vision Sensor와 대상 UAV의 점멸 원형 LED 마커 | 이벤트 카메라의 시간 변화 신호를 대역통과 필터링하여 LED 원을 검출한다. 알려진 마커 직경과 영상 내 투영 크기로 3차원 위치와 거리를 계산한다. | 약 30 m 범위, 평균 상대오차 6% 미만, 약 10 Hz를 보고했다. 정확하지만 대상 드론에 전용 LED 마커를 부착해야 하는 협조형 방식이다. (IEEE Xplore) |
| A Hybrid Framework for Object Distance Estimation Using a Monocular Camera | V. Patel et al., 2023 IEEE/AIAA 42nd DASC, IEEE 10311189 | 해당 없음 | 지상 PTZ 단안 카메라에서 비협조 UAV 거리 추정, 레이더 거리값을 정답으로 사용 | YOLOv7로 UAV를 검출하고 bounding-box 좌표, 평균 RGB, 검출기의 embedding 특징을 선형 회귀 모델에 입력한다. | 구조가 단순하고 레이더와 동기화한 실제 데이터를 사용했다. 그러나 선형 회귀 기반이므로 카메라 배율, 기체 종류, 배경이 바뀌면 재보정이 필요하다. (CARG - UOttawa) |
| A Vision-Only Relative Distance Calculation Method for Multi-UAV Systems | X. Xu et al., Aerospace Science and Technology, Vol. 142, Article 108665, 2023. DOI: 10.1016/j.ast.2023.108665 | JIF 6.4, Q1 | 한 UAV의 단안 카메라로 다른 UAV까지의 공대공 상대거리 추정 | YOLOv7 기반 2단계 검출로 대상 UAV의 주요 부품·키포인트를 찾는다. 알려진 UAV 3D 구조와 2D 특징을 대응시켜 PnP를 풀고, AWLM 최적화로 오검출을 억제한다. 최종 pose의 translation으로 거리를 계산한다. | 35–160 m에서 검증했으며, 약 160 m에서 오차 8 m 및 5% 미만, 처리시간 45.94 ms/frame을 보고했다. 대상 UAV의 3D 구조를 알고 있어야 한다. (ScienceDirect) |
| Revisiting Stereo Triangulation in UAV Distance Estimation | J. Zhuang et al., arXiv:2306.08939 v2, 2023 | 해당 없음 | UAV 탑재 스테레오 카메라, 두 UAV 사이의 거리를 UWB로 측정해 정답 생성 | YOLOX-Nano 검출 후 Position Correction Module이 좌우 영상의 UAV 중심점 x-offset을 보정한다. 보정 disparity로 삼각측량하며, 어려운 샘플에는 Dynamic Iterative Correction을 적용한다. | 상대 차이를 **49.4%에서 9.8%**로 감소시켰다. 장거리에서 disparity가 작아지는 근본 문제와 스테레오 calibration·진동 민감성은 남는다. 정식 저널·학회 게재는 확인되지 않는다. (arXiv) |
| DroneRanger: Vision-Driven Deep Learning for Drone Distance Estimation | H. Azad et al., 2024 International Conference on Unmanned Aircraft Systems, pp. 442–449. DOI: 10.1109/ICUAS60882.2024.10557013 | 해당 없음 | 단안 카메라의 드론 crop 및 bounding box | 얕은 CNN에 드론 crop을 입력해 거리를 직접 회귀한다. 확장 또는 resize한 bounding box와 명시적인 box-size 정보를 비교하며, GPS 거리 label의 잡음에 대응하기 위해 Huber loss를 사용한다. | 실험에서 **RMSE 5 m 미만, (R^2>0.9)**를 보고했다. 영상 crop 위주의 방식이어서 장거리에서 대상이 수 픽셀로 축소되면 외관 특징이 급격히 감소한다. (IEEE Xplore) |
| Ensuring UAV Safety: A Vision-Only and Real-Time Framework for Collision Avoidance Through Object Detection, Tracking, and Distance Estimation | V. Karampinis et al., 2024 ICUAS, IEEE 10556937; arXiv:2405.06749 | 해당 없음 | UAV 카메라에서 비협조 공중 물체 탐지·추적·거리 추정 | 검출기와 추적기 외에 별도의 경량 encoder–decoder 깊이 네트워크를 사용한다. 거리 추정을 객체 검출기의 회귀 branch가 아니라 image-to-image translation 문제로 구성한다. | Amazon AOT 데이터셋을 사용한 공대공 실시간 프레임워크다. UAV뿐 아니라 글라이더·경비행기 등 공중 물체가 혼합되어 있어 드론 전용 거리 모델은 아니다. (arXiv) |
| A Monocular Ranging Method Based on YOLOv8 for UAV Formation | Q. Qin et al., 2024 4th ICCCR, pp. 46–50, IEEE 10585445 | 해당 없음 | UAV 편대에서 단안 카메라로 선도·인접 UAV 상대거리 추정 | YOLOv8-Pose로 대상 드론과 기준 키포인트를 동시에 검출한 다음, 키포인트와 대상 기체의 알려진 기하 구조를 이용해 PnP로 거리와 상대 pose를 계산한다. | 거리 자체를 블랙박스 회귀하지 않아 기하학적 해석이 가능하다. 반면 키포인트 가림, 작은 영상 크기, 기체 형상 변경에 민감하다. (IEEE Xplore) |
| Localizing Drones from Monocular Images Using Modified YOLOv8 | Q. Qin et al., 2024 7th ICAACE, IEEE 10548864 | 해당 없음 | 단안 영상에서 드론 검출과 거리 추정을 동시에 수행 | 기존 YOLOv8에 거리 회귀 branch를 추가하여 bounding box, class와 함께 대상 드론의 거리를 한 번에 출력한다. | 단일 네트워크로 구현하기 쉬우나 거리 예측이 학습 데이터의 카메라 조건·기체 크기·거리 분포에 직접 종속된다. (IEEE Xplore) |
| A Monocular Vision-Based Relative Distance Calculation Method for Fixed-Wing Multi-UAVs | S. Meng et al., 2025 IEEE 20th ICIEA, IEEE 11148474 | 해당 없음 | 고정익 다중 UAV의 공대공 단안 상대거리 | 여러 시점에서 대상 UAV의 영상과 깊이 정보를 포함하는 reference image library를 사전에 구축한다. 관측 영상과 참조 정보를 대응시켜 상대거리를 계산한다. | 통신·GNSS 의존도를 줄일 수 있지만 대상 기체별 참조 라이브러리를 미리 구축해야 하며, 새로운 기체 형상이나 시점에 대한 확장성이 제한된다. (IEEE Xplore) |
| ADG-YOLO: A Lightweight and Efficient Framework for Real-Time UAV Target Detection and Ranging | H. Wang et al., Drones, Vol. 9, No. 10, Article 707, 2025. DOI: 10.3390/drones9100707 | JIF 5.2, Q2 | UAV 탑재 단안 카메라에서 다른 UAV 검출·거리 측정 | YOLOv11n에 C3Ghost와 ADown을 적용하고 EKF로 검출 위치를 안정화한다. 대상 드론의 알려진 실제 폭과 영상 폭을 이용한 유사삼각형 방식으로 거리를 계산한다. | 1.77M parameters, 5.7 GFLOPs, edge device 약 27 FPS를 보고했다. 시험 조건별 평균 거리오차는 **2.40–4.18%**였다. 대상 기종의 실제 폭을 알고 있어야 한다. (MDPI) |
| Monocular Vision-Based Drone Distance Estimation Using Object Detection and Regression for Airspace Monitoring | N. Ruseno et al., Engineering Applications of Artificial Intelligence, Vol. 179, Article 115278, 2026. DOI: 10.1016/j.engappai.2026.115278. 현재 온라인 공개, 2026년 9월 issue 배정 | JIF 9.0, Q1 | 지상·공역 감시 카메라에서 위치 신호를 송신하지 않는 비협조 드론 거리 추정 | fine-tuned YOLO11로 드론을 검출하고 bounding-box 특징을 거리 회귀에 사용한다. 선형, 역이차, 다항, 로그, SVR, random forest, XGBoost, GPR 등 여러 회귀 모델을 비교한다. | 이 목록에서 현재 JIF가 가장 높은 저널 게재 연구다. detector–regressor 2단계 구조라 구현과 해석은 쉽지만 bbox 오차와 데이터셋별 카메라 조건에 민감하다. (ScienceDirect) |
| A Ground-Based Visual System for UAV Detection and Altitude Measurement: Deployment and Evaluation of Ghost-YOLOv11n on Edge Devices | H. Wang et al., Sensors, Vol. 26, No. 1, Article 205, 2026. DOI: 10.3390/s26010205 | JIF 4.0, Q2 | 고정 지상 카메라에서 대상 UAV의 높이 측정 | Ghost-YOLOv11n으로 드론을 검출하고, 실제 드론 폭과 유사삼각형 기하를 이용해 고도를 계산한다. EKF로 프레임 간 측정값을 안정화하고 LuBanCat4 edge device에 배포한다. | 20 FPS, 8795장 데이터에서 mAP@0.5 98.8%, 30 m까지 고도 오차 10% 이내를 보고했다. 일반적인 3차원 slant range보다 지상 기준 수직 고도 측정에 가깝다. (MDPI) |
| DroneDAR: Long-Range Drone Distance Estimation Using Monocular Vision and Bounding-Box Features | K. Peterson et al., AVSS 2026 채택; arXiv:2606.07756, 2026년 6월 5일 제출 | 해당 없음 | 단안 장거리 영상의 소형 드론 crop과 bounding box | CNN·ResNet 계열 backbone의 crop 특징과 bbox 면적·종횡비 특징을 MLP로 처리한다. custom feature gate가 거리 구간에 따라 외관 특징과 bbox 특징의 기여도를 동적으로 조절한다. | 장거리 소형 드론에 특화된 최신 direct regression 방식이다. 수 픽셀 크기의 드론, detector bbox 잡음, crop texture 소실이 핵심 실패 원인이다. 현재는 학회 채택 및 arXiv 상태이므로 JIF·JCR은 없다. (arXiv) |
| UAV-to-Camera Distance Estimation Based on a Passive Monocular Locator | I. Yurchuk et al., CMIS 2026, CEUR Workshop Proceedings, Vol. 4220, pp. 292–304, 2026년 7월 4일 공개 | 해당 없음 | 수동 단안 카메라, 5개 UAV class, 다양한 초점거리, 약 2–984 m | ① perspective·bbox 기반 보정 기하 모델, ② YOLO와 고전 회귀기의 2단계 결합, ③ end-to-end multitask network의 세 계열을 비교한다. | 약 983.96 m까지 평가했다. 이상적인 localization 조건에서 size-agnostic 기하 모델은 MAE 15.33 m, (R^2=0.9672), 실제 적용성이 높은 YOLO 2단계 방식은 약 22 m MAE를 기록했다. 워크숍 논문이므로 JIF는 없다. |