1. 서 론

과학 기술의 발달과 산업 자동화의 진전에 따라 무인 자율 이동 로봇(Autonomous Mobile Robot, AMR)에 대한 연구가 다양한 분야에서 활발히 이루어지고 있다. 제조, 물류, 창고 관리 및 공장 자동화 등 여러 산업 환경에서 AMR은 작업 효율성 향상, 비용 절감, 안전 확보를 위해 적용되고 있다. 제조 분야에서는 스마트 팩토리 내부에서의 물체 운반을 위한 AMR에 관한 연구를 진행하고 있으며(Eom et al., 2024), 창고 관리 분야에서는 창고 내부에서 AMR을 활용한 자율 운송 시스템을 설계하고 구현하는 연구를 진행하였다(Do and Dang, 2025). 물류 분야에서는 물류 공간을 여러 존으로 구분하여 AMR들이 각 존을 조화롭게 점유하여 협업하는 알고리 즘의 개발에 관한 연구가 있었다(Keith and La, 2024). 이러한 연구들은 산업분야에서 AMR이 안전하고 효율적으로 운용될 수 있는 기술적 기반을 지속적으로 확장하고 있다.

선박 분야에서도 무인화 및 자동화에 대한 요구가 점차 증가함에 따라, 특히 기관실 내부의 순찰 및 화재 감시를 위한 연구가 활발히 수행되고 있다. 기존에는 고정형 카메라를 이용한 영상처리 알고리즘을 이용하여 연기 검출 연구(Park, 2019), 합성곱 신경망을 이용한 화재 검출 연구(Park and Bae, 2019)가 진행 되었으나 기관실의 넓은 구역을 단일 카메라를 이용해서 감시하는데 한계가 있다는 단점이 있었다. 이를 개선하기 위해 멀티뷰 모니터링 시스템을 이용한 기관실 감시 연구(Kim et al., 2021)가 진행되었으나, 설비 밀집 구역 및 이동 사각지대에 대한 대응에는 여전히 한계가 존재하였다. 그래서 Ackermann 주행 방식의 AMR을 활용하 여 CCTV 사각 지대를 보완하고 비상 상황을 탐지하는 연구 (Kim, 2022;Kim and Bae, 2023)가 수행되었으나, 선박 기관실 특유의 공간적 제약으로 인해 다양한 한계가 존재하였다.

구체적으로, Ackermann 방식은 회전 반경이 커 좁은 공간에서의 기동이 어렵고, 복잡하게 얽힌 배관 및 장비들 사이를 통과해야 하는 환경적 요구를 충분히 충족시키지 못한다. 기관실은 선박마다 구조가 상이하며, 바닥 면이 불균일 하고 시야가 제한되는 구간이 많아, 단일 주행 방식만으로는 순찰 경로 확보, 장애물 회피, 비상 대응 동작을 모두 만족시키기 어렵다. 이러한 점에서, 다양한 구동 방법이 제공하는 기동성의 차이를 체계적으로 분석할 필요가 있다.

최근 로봇 공학 분야에서는 다양한 주행 방식의 특성과 성능을 분석하기 위한 연구가 활발히 이루어지고 있다. 예를 들어, Mecanum 휠 기반 이동 플랫폼은 전 방향 이동이 가능하다는 구조적 특성 덕분에 복잡한 산업 환경에서 정밀한 기동과 위치 제어가 요구되는 작업에 적합하며, 차동구동 방식과 비교한 연구에서도 동적 하중 변화에 대한 유연성이 높은 것으로 보고되었다(Chung et al., 2022). 한편, Track 기반 이동 메커니즘은 불규칙한 바닥, 진동, 경사면, 협소 공간 등에서 높은 안정성을 제공하는 것으로 분석되었으며, 극한 산업 및 농업 환경을 대상으로 한 연구에서도 다양한 제어 모델과 경로 추종 방식이 제안되고 있다(Jin et al., 2023). 또 한 Ackermann 스티어링 방식은 차량형 이동 플랫폼에 널리 적용되는 구동 구조로, 고속 주행 성능과 에너지 효율성 측면에서 강점을 가지며, 이를 기반으로 한 경로 계획(Kim et al., 2022) 및 추종 알고리즘 또한 폭넓게 연구되고 있다 (Zhang et al., 2023). 이처럼 각 주행 방식은 적용 환경과 목적에 따라 장단점이 상이하며, 특정 산업 환경에서 최적의 주행 메커니즘을 선정하기 위해서는 정량적 비교 연구가 필수적이다.

그러나 기존 연구들은 대부분 특정 구동 방식을 개별적으로 분석하거나, 특정 분야를 대상으로 한 최적화 연구에 집 중되는 경향을 보인다. Ackermann, Mecanum, Track과 같이 특성이 상이한 세 가지 주행 구조를 동일 조건 하에서 정량적으로 비교 평가한 연구는 매우 제한적이다. 특히 선박 기관실과 같이 복잡·협소·비정형 환경에서 요구되는 최소 회전 반경, 도착 정확도 등을 통합적으로 분석한 연구는 부족하다(Kim and Bae, 2023;Park et al., 2025).

본 연구에서는 이러한 연구 공백을 해소하기 위해 Ackermann, Mecanum, Track의 세 가지 대표적인 주행 방식을 대상으로 기관실 환경에서 요구되는 주요 성능 지표—최소 회전 반경, 도착 정확도, 정밀도 및 편향성—를 중심으로 정량적 비교 분석을 수행한다. 이를 통해 각 구동 방식의 특성이 기관실 감시 작업에 미치는 영향을 규명하고, 향후 선박 기관실 무인화 시스템 설계 시 적합한 주행 방법을 선정하는 데 필요한 기초 데이터를 제공하고자 한다.

2. 연구 방법

2.1 Ackermann 구동

Ackermann 구동 방식은 차량과 동일한 조향 구조를 가지며, 전륜 조향과 후륜 구동을 기반으로 한다. 선박 기관실과 같이 직선 통로와 굴곡이 혼재된 환경에서 안정적으로 주행 할 수 있다는 장점이 있으며, 특히 경로 추종의 정밀도가 중요할 때 효과적인 구성이다. 본 연구에서는 Ackermann 구동의 기하학적 모델을 기반으로 주행 특성을 비교하였으며, 일반적으로 가장 널리 활용되는 순수추종(Pure Pursuit, PP) 기법을 활용하였다(Kim and Ha, 2019).

Ackermann 차량의 회전 반경 R은 조향각 δ에 의해 결정되며, 로봇의 위치 및 자세 변화는 다음과 같이 표현된다.

여기서 L은 축간거리, υ는 선형 속도, θ는 로봇의 헤딩 방향을 의미한다. Ackermann은 차량형 플랫폼 특성상 곡률 변화가 자연스럽고 안정적이며, 주행 중 자세 변화가 비교적 평탄하여 센서 기반 SLAM 수행에도 유리하다. 이러한 이유로 Ackermann 기반 주행의 에너지 효율성과 경로 계획 기법은 다양한 연구에서 활용되고 있다(Zhang et al., 2023).

또한 기관실과 같은 좁은 환경에서는 회전 반경이 커 제약이 발생할 수 있으나, 조향각을 미세하게 조절하면 제한된 공간에서도 비교적 안정적인 회전이 가능하다. PP 기법은 목표점과의 기하학적 관계만으로 조향각을 산출하기 때문에 계산량이 적고 실시간 적용에 적합하며, 선박 기관실과 같이 위험 요소가 많은 공간에서 안정적인 궤적 추종을 제공한다.

2.2 Mecanum 구동

Mecanum 구동 방식은 바퀴에 장착된 사선 롤러를 이용해 전방위(Omnidirectional) 이동이 가능한 특징을 가진다. 이 방식은 좁은 공간에서의 정밀 위치 제어가 가능하며, 병목 지점이나 복잡한 배관 사이를 통과해야 하는 기관실 조건에서 높은 기동성을 확보할 수 있다.

Mecanum 휠을 사용하는 4륜 플랫폼의 운동학 관계식은 다음과 같다.

여기서 r은 바퀴 반지름, L은 로봇 길이, W는 폭, ωi는 각 바퀴의 회전 속도이다. 전방위 이동이 가능하다는 점에서 회전 반경은 사실상 0에 가깝고, 직각 이동(side-slip)이나 제자리 회전 등 지면과의 상호작용이 크게 제한되지 않는다.

운동학적 특성상 제어 입력이 3축(υ_x, υ_y,υ_z)으로 분리되어 있어 다양한 제어 기법이 사용되는데, 최근 연구에서는 모델 예측 제어(MPC) 기반 최적 제어 기법이 폭넓게 활용되고 있다. Nguyen et al.(2022)은 4륜 Mecanum 로봇을 위한 동적 표면 제어 기반 구조를 제안하였으며, Li et al.(2019)은 Mecanum 휠의 조립 오차와 속도 보상 문제를 해결하기 위한 정밀모델을 제시하였다. 이러한 연구들은 Mecanum 구동의 복잡한 운동 특성을 보정하여 실제 환경에서의 위치 정확도를 향상시키는데 기여한다.

2.3 Track 구동

Track 기반 주행 방식은 좌·우 독립 구동을 통해 회전하며, 지면과의 접촉 면적이 넓어 안정성, 구동력, 높은 견인력이 장점이다. 특히 미끄러운 바닥, 진동이 큰 구역, 케이 블이 바닥에 놓인 공간 등에서는 가장 안정적으로 주행할 수 있다.

Track의 기본 기구학은 다음과 같다.

여기서 υ_R, υ_L은 각 트랙 속도, b는 트랙 간 거리이다.

Track 방식은 전형적인 차동구동 모델(differential drive)을 사용하며, 제어는 상대적으로 단순하다. 협소 환경에서 제자리 회전(pivot turn)이 가능해 회전 반경이 가장 작다는 큰 장점이 있고, 바닥 재질에 크게 영향을 받지 않는 안정적 주행이 가능하다. 그러나 전 방향 이동이 불가능하며, 곡선 경로에서 바퀴 기반 로봇보다 더 큰 오차가 발생할 수 있다.

2.4 구동 방식 비교

Table 1은 세 주행 방식의 구조적 특징과 운동학적 차이를 정리한 것이다. 세 방식은 조향 방식, 운동 자유도, 접지·회전 특성에서 뚜렷한 차이를 가지며, 이러한 기구학적 차이는 동일한 경로 조건에서도 서로 다른 주행 성능을 나타내는 주요 요인이 된다.

세 구동 방식의 구조적·운동학적 차이는 주행 중 회전 응답, 미끄럼 발생 양상 그리고 자세 안정성에 직접적인 영향을 미친다. Ackermann 방식은 조향각에 의해 곡률이 결정되는 차량형 모델로, 측면 슬립이 적고 직선 및 완만한 곡선에 안정적이다. Mecanum 방식은 3 자유도 평면 운동이 가능하나 휠 속도 분해 정확도와 마찰 조건에 민감하다. Track 방식은 높은 견인력을 제공하지만 회전 시 필연적인 스키드가 발생하여 헤딩 변화가 비선형적이다.

이와 같은 차이 분석은 세 방식의 성능 평가dmd를 해석하는 데 기반을 제공하며, 도착 오차, 정밀도 및 도착 성공률에서 나타나는 성능 차이가 구동 구조와 운동학적 제약에서 기인함을 설명하는 근거가 된다.

3. 실 험

3.1 실험 환경 및 장비

실험에 사용된 자율 주행 로봇의 하드웨어 Table 2와 같다.

실험용 자율 주행 로봇의 외형과 크기는 Fig. 1과 같다.

실험에 사용된 주행 로봇은 Fig. 2와 같이 Track, Mecanum 그리고 Ackermann의 세 가지 주행 방법으로 구성할 수 있으며, 선택된 주행 방법에 따라 휠을 교체한다.

3.2 최소 회전 반경

Table 3은 본 연구에서 사용된 자율 주행 로봇의 최소 회전반경을 계산한 결과를 나타낸 것이다. 이 값들은 방법론에서 제시한 각 주행 방법별 이론적 모델을 기반으로 산출되었다. 계산된 최소 회전반경은 로봇의 곡선 주행 성능을 평가하고, 주행 설계 기준으로 활용된다. Track 구동의 경우 두 트랙간 간격(b= 0.175 m)을 고려하여 회전하는 방향의 트랙 속도를 0으로 두었을 때와, 반대로 설정했을 때의 최소 회전반경을 계산하여 그중 최소값을 선택하였다. 그 결과 각각 0.0875 m와 0 m로 나타났으며 이중 최소값인 0 m를 선택하였다. Mecanum 구동은 네 개의 휠 속도를 조정하여 제자리 회전이 가능하므로 최소 회전반경은 0 m로 설정된다. Ackermann 구동은 조향각과 휠베이스에 의해 최소 회전반경이 결정되며, 본 연구에서 사용된 로봇의 파라미터를 대입한 결과 최소 회전반경은 0.346 m로 계산되었다.

3.3 지도 작성 및 주행 성능 평가

각 구동 방법의 주행 성능은 45 m 직선 구간과 직선-곡선이 혼합된 경로에서 각각 25회 반복 실험을 통해 평가되었다. 실험 결과는 세 가지 관점에서 비교하였다. 첫째, 도착 성공률을 통해 로봇이 목포 지점에 도달했는지를 직관적으로 확인하였으며, 직선 및 직선-곡선이 혼합된 경로에서 구동 방법별 도착 신뢰성을 평가하는데 활용하였다. 성공 기준은 전체 경로 길이의 1 % 이내(45 cm) 오차 범위로 목표 지점에 도달하는 것으로 정의하였다.

둘째, 도착 지점 오차는 목표 지점 대비 실제 도착 위치의 차이를 측정하여, 각 구동 방법별 주행 정밀도를 평가하였다. 오차값은 평균, 표준편차, 95 % 신뢰구간을 통해 확인하였으며, 추가로 Analysis of Variance(ANOVA)를 활용하여 각 구동 방법 간 도착 오차 차이가 통계적으로 유의한지를 확인함으로써, 단일 실험에 의존하지 않고 반복 실험과 통계적 근거를 기반으로 결론을 도출하였다.

마지막으로, 도착 지점 분포를 시각적으로 나타내어, 주행 로봇이 도착지점으로부터 특정 방향으로 편향되는 경향이 있는지를 확인하였다.

실험에서 사용된 주요 주행 파라미터 값은 Table 4에 제시되어 있다. 모든 구동 방법에서 비교의 공정성을 확보하기 위해 Linear Velocity와 Angular Velocity 등 핵심 파라미터를 동일하게 설정하였다.

자율 주행 로봇의 주행 성능을 평가하기 위해서는 먼저 로봇이 주변 환경을 안정적으로 인지할 수 있는 기반 지도가 필요하다. 본 연구에서는 Cartographer를 활용하여 2D 라이다 기반 지도를 구축하였다(Hess et al., 2016). Cartographer 는 LiDAR 스캔 데이터를 활용하여 실시간으로 로봇의 위치를 추정하고 지도를 작성하는 동적 Simultaneous Localization and Mapping(SLAM) 알고리즘으로, 직접법 기반의 위치 추정, 서브맵 생성 구조, 포즈 그래프 최적화를 결합하여 높은 정확도와 안정성을 제공한다. 특히 Cartographer는 스캔 매칭을 위해 Ceres Solver 기반의 최적화 기법을 사용하며, 반복 스캔에서 얻어진 서브맵을 지속적으로 누적 및 정합하여 복잡한 실내 환경에서의 누적 오차를 최소화한다. 본 실험에서는 2D LiDAR 센서를 장착한 로봇을 수동으로 주행시키며 스캔 데이터를 획득하였고 Cartographer는 이를 바탕으로 환경 지도를 생성하였다.

Fig. 3은 주행 경로의 지도를 작성하는 과정으로, (a)는 지도 작성 시작 지점에서의 로봇의 위치를 나타내며, (b)는 (a) 위치에서의 로봇의 이미지이다. (b)에서 좌측은 로봇이 보는 시점을 우측은 작성되는 지도를 나타낸다. (c)는 직선 구간에서 지도를 작성하는 모습을 나타내며, (d)는 마지막으로 완성된 시점에서의 모습이다. (d) 시점에서 완성된 지도를 저장하면 (e)와 같이 2D 지도가 나타난다. (e)에서 검은색 영역은 자율 주행 로봇이 이동 불가능한 영역, 흰색 영역은 이동 가능한 영역, 그리고 짙은 회색 영역은 아직 탐지되지 않은 영역을 나타낸다.

Fig. 4는 작성된 지도에 성능 평가를 위한 경로를 나타내고 있다. 지도에서 녹색으로 표시된 경로가 직선 경로이며, 보라색으로 표시된 경로가 직선-곡선이 혼합된 경로이다. 각 경로는 길이 45 m로 반복 실험에서 실수가 없도록 특징점이 있는 구간을 출발 지점과 도착 지점으로 설정하였다.

Fig. 5는 자율 주행로봇의 실험 환경에서 자율 주행 설정 과정을 나타낸다. (a)에서는 실험용 경로가 설정된 모습을 보여주며 오른쪽에는 지도와 경로가 왼쪽은 로봇이 주행할 거리가 표시되어 있다. (b)는 (a)의 오른쪽 지도와 경로를 확대하여 보여주며, 로봇의 초기 위치 추정을 위해 주변에 무작위로 배치된 입자들을 확인할 수 있다. 이 입자들은 파티클 필터로 로봇의 위치 확률 분포를 나타내며, 반복적으로 갱신되어 로봇의 정확한 위치 추정을 가능하게 한다. 그리고 빨간색 직선은 로봇이 주행할 경로이다.

Fig. 5는 자율 주행로봇의 실험 환경에서 자율 주행 설정 과정을 나타낸다. (a)에서는 실험용 경로가 설정된 모습을 보여주며 오른쪽에는 지도와 경로가 왼쪽은 로봇이 주행할 거리가 표시되어 있다. (b)는 (a)의 오른쪽 지도와 경로를 확대하여 보여주며, 로봇의 초기 위치 추정을 위해 주변에 무작위로 배치된 입자들을 확인할 수 있다. 이 입자들은 파티클 필터로 로봇의 위치 확률 분포를 나타내며, 반복적으로 갱신되어 로봇의 정확한 위치 추정을 가능하게 한다. 그리고 빨간색 직선은 로봇이 주행할 경로이다.

Table 5는 각 주행 방법별 도착 성공률을 보여준다. 직선 경로에서는 Ackermann 구동과 Mecanum 구동이 모두 100 % 의 도착 성공률을 보이며 매우 안정적인 주행 성능을 보였다. 반면, Track 구동은 96 %로 상대적으로 약간 낮은 성능을 보였지만 여전히 높은 수준의 도착 정확도를 유지하였다. 이는 직선 주행 환경에서는 세 가지 주행 방식 모두 도착 신뢰성이 높음을 의미한다.

직선과 곡선이 결합된 복합 경로에서는 Ackermann과 Mecanum이 각각 96 %의 성공률을 유지하였으나 Track 방식은 성공률이 80 %로 크게 감소하였는데, 이는 곡선 구간에서의 선회 제어 한계, 주행 시 미세한 슬립(slip) 증가 및 방향 전환 시 오차 누적 가능성 때문으로 판단된다.

전체 평균을 고려하면 Ackermann과 Mecanum 방식이 정밀 경로 추종이 요구되는 실내 환경에서보다 높은 도착 신뢰도로 자율 주행을 수행할 수 있음을 보여주며, Track 방식은 직선 위주의 단순 이동에는 적합하지만 곡선이 포함된 복잡 경로에서는 추가적인 제어 보정이 필요함을 시사한다.

직선 경로에서 각 주행 방법별 목표 지점 도착 오차를 비교한 결과는 Table 6에 나타나 있다. 평균 도착 오차는 Ackermann, Track 그리고 Mecanum 방식이 각각 19.9 cm, 21.3 cm, 16.4 cm로 나타났다.

ANOVA 분석 결과(F=1.096, p=0.34)로부터, 직선 구간에서 세 방법 간 도착 오차 차이는 통계적으로 유의하지 않음을 확인하였다. 이는 직선 환경에서는 구동 방식과 관계없이 주행 로봇이 유사한 정밀도로 목표 지점에 도달함을 의미한다. 그러나 표준편차와 95% 신뢰구간을 함께 고려하면 Mecanum 구동 방식이 상대적으로 낮은 표준편차와 좁은 신뢰구간을 보여 평균값 추정이 안정적이며, Ackermann과 Track 구동은 중간 수준의 정밀도를 보였다.

직선-곡선 혼합 경로에서 각 주행 방법별 목표 지점 도착 오차를 비교한 결과는 Table 7에 나타나 있다. 평균 도착 오차는 Ackermann, Track 그리고 Mecanum 방식이 각각 23.4 cm, 29.2 cm, 17.3 cm로 나타났다.

ANOVA 분석 결과(F=4.117, p=0.02)로부터, 혼합 경로에서 세 방법 간 도착 오차 차이는 통계적으로 유의함을 알 수 있다. 이는 곡선이 포함된 환경에서는 주행 방법에 따라 주행 로봇의 위치 제어 정확도가 차이를 보임을 의미한다. 표준 편차와 95% 신뢰구간을 함께 고려하면, Mecanum 구동 방식이 평균 도착 오차가 가장 낮고, 반복 실험과 평균값 추정 모두에서 가장 안정적이며 정밀한 주행 특성을 제공함을 알 수 있다. Ackermann은 중간 수준의 정밀도를 보였고, Track은 곡선 구간에서 상대적으로 정밀도가 낮아 복잡한 경로에서 한계를 보였다.

Fig. 6은 서로 다른 구동 방법에서 자율주행 로봇의 도착 지점을 나타낸 그림이다. 빨간 점은 자율주행 로봇의 실제 도착 지점을 나타내며, 원점 (0,0)은 목표 지점을 의미한다. 청록색 원은 성공 기준 범위(반지름 45 cm)로 표시한다. 직선 경로에서는 세 가지 주행 방법 모두 목표 지점에 유사한 정확도로 도달하였으며, 도착 지점은 중심 근처에 고르게 분포하여 편향성이 거의 나타나지 않았다. 그러나 직선-곡선 혼합 경로에서는 Ackermann과 Mecanum 모드가 목표 지점 주변에 비교적 고르게 분포하여 편향성이 낮은 반면, Track 모드는 회전 시 트랙과 바닥 사이의 미끄럼으로 인해 오른쪽으로 편향되는 경향을 보였고, 반복 실험 간 분포가 상대적으로 넓게 나타나 정밀도가 낮음을 확인할 수 있었다. 전반적으로 모든 구동 방법은 목표 거리의 1 % 이내에서 성능을 나타냈으며, Ackermann과 Mecanum 모드가 직선 및 곡선 경로 모두에서 더 높은 도착 정밀도를 보였다.

4. 결 론

본 연구에서는 Ackermann, Mecanum, Track의 세 가지 주행 방식을 대상으로 최소 회전반경, 도착 성공률, 도착 지점 오차, 정밀도 및 편향성을 기준으로 주행 성능을 정량적으로 비교 평가하였다. 최소 회전반경 분석 결과, Ackermann 구동은 조향 구조에 의해 0.346 m의 최소 회전반경을 가지는 반면, Mecanum과 Track 구동은 제자리 회전이 가능하여 최소 회전반경이 0 m로 계산되었다. 이는 협소 공간에서는 기동성 측면에서 Mecanum과 Track 방식의 구조적으로 유리함을 보여준다.

45 m 직선 경로에서 수행한 반복 실험 결과, Ackermann과 Mecanum 구동은 100 %, Track 구동은 96 %의 도착 성공률을 기록하였다. 평균 도착 오차는 Ackermann 19.9 cm, Track 21.3 cm, Mecanum 16.4 cm로 나타났으며, ANOVA 분석 결과 세 방법 간 오차 차이는 통계적으로 유의하지 않았다(F=1.096, p=0.34). 이는 직선 환경에서는 구동 방식과 관계없이 유사한 주행 정밀도를 확보할 수 있음을 의미한다.

직선-곡선이 혼합된 경로에서는 구동 방식에 따른 성능 차이가 보다 뚜렷하게 나타났다. 도착 성공률은 Ackermann 23.4 cm, Track 29.2 cm, Mecanum 17.3 cm로 나타났다. 이 경우 ANOVA 분석 결과(F=4.117, p=0.02)는 세 구동 방식 간 도착 오차 차이가 통계적으로 유의함을 보여준다. 특히 Mecanum 방식은 가장 낮은 평균 오차와 함께 표준편차 및 95 % 신뢰 구간이 가장 좁아, 반복 실험에서 가장 안정적이고 정밀한 주행 특성을 보였다.

도착 지점 분포 분석 결과, 직선 경로에서는 세 방식 모두 목표 지점 주변에 고르게 분포하여 편향성이 거의 나타나지 않았다. 반면, 직선-곡선 혼합 경로에서는 Track 구동이 회전 구간에서 트랙과 바닥 사이의 미끄럼으로 인해 특정 방향으로 편향되는 경향을 보였으며, 도착 지점 분산이 상대적으로 크게 나타났다. 이는 Track 방식이 직선 위주의 주행에는 적합하나, 곡선이 포함된 경로에서는 추가적인 제어 보정이 필요함을 시사한다.

본 연구의 실험은 평탄한 실내 바닥과 단순한 벽 구조 환경에서 수행되었으며, 실제 선박 기관실이 갖는 오일 및 수분에 의한 저마찰 바닥, 진동, 복잡한 배관 구조, 단차 등의 요소는 고려되지 않았다. 특히 Track 방식의 넓은 지면 접촉 면적과 높은 견인력이라는 장점은 이러한 환경에서 더욱 효과적으로 발현된 가능성이 있으므로, 향후 실제 기관실 또는 기관실 바닥과 같은 환경에서 미끄럼 조건과 진동을 포함한 주행 실험을 통해 이를 검증할 필요가 있다.

또한 기관실 감시 로봇은 장시간 자율 순찰을 수행해야 하므로, 구동 방식에 따른 모터 부하 변화, 배터리 소모율 및 에너지 효율성 또한 중요한 성능 지표이다. 특히 Track 주행은 넓은 지면 접촉 면적으로 인해 안정적인 주행이 가능 하지만 상대적으로 높은 에너지 소모가 발생할 수 있으며, Mecanum 주행은 전방향 이동이 가능하나 휠 슬립에 따른 비효율이 발샐할 가능성이 있다. 본 연구에서는 해당 항목을 정량적으로 평가하지 못했으나, 향후 연구에서는 주행 방식별 에너지 소비 특성과 부하 특성을 포함한 종합적인 성능 평가를 수행할 예정이다. 이러한 확장은 실제 선박 기관실 환경에서의 구동 방식 선택과 자율 감시 로봇 시스템 설계에 실질적인 근거를 제공할 것으로 기대된다.