Dynamic Neural Potential Field: Online Trajectory Optimization in the Presence of Moving Obstacles

1. 문제 정의 (Problem Definition)

• 배경: 가정, 사무실, 창고 등 인간이 거주하는 환경에서 작동하는 범용 로봇은 예측 불가능하게 움직이는 사람과 물체 (동적 장애물) 와 안전하게 상호작용해야 합니다.
• 핵심 과제: 동적 장애물이 존재하는 환경에서 실시간으로 안전하고 효율적인 국부 궤적 (Local Trajectory) 을 계획하는 것입니다.
• 기존 방법의 한계:
  • MPPI (Model Predictive Path Integral): 임의의 장애물 지도를 처리할 수 있지만, 비결정론적 (nondeterministic) 성질로 인해 유효하지 않거나 진동 (chattering) 하는 해를 생성할 수 있으며 계산 비용이 높습니다.
  • 수치적 MPC (Model Predictive Control): 빠르고 안정적인 해를 제공하지만, 충돌 위험을 분석적으로 표현 (기하학적 제약 또는 반발 퍼텐셜) 해야 합니다. 고해상도 점유 격자 (Occupancy Grid) 를 직접 MPC 에 입력하면 파라미터 수가 너무 많아져 계산이 불가능해집니다.
  • 동적 환경의 복잡성: 예측 구간 (Horizon) 내의 장애물 지도가 매 프레임마다 변하므로, 기존 기하학적 근사나 단일 장면 학습 모델로는 실시간 대응이 어렵습니다.

2. 제안 방법론 (Methodology)

저자들은 NPField-GPT라는 학습 강화 모델 예측 제어 (MPC) 프레임워크를 제안합니다. 이는 고전적인 최적화와 Transformer 기반의 예측기를 결합하여, footprint-aware(로봇 형상 인식) 반발 퍼텐셜 (Repulsive Potentials) 을 예측하고 이를 MPC 비용 함수에 주입하는 방식입니다.

가. 핵심 아키텍처 (세 가지 변형)

정확도와 지연 시간 (Latency) 사이의 균형을 맞추기 위해 세 가지 신경망 변형을 연구했습니다.

1. NPField-StaticMLP:

   • 동적 환경을 일련의 정적 지도 시퀀스로 처리합니다.
   • 각 프레임마다 1 스텝 퍼텐셜을 평가합니다.
   • 장점: 가장 간단하고 지연 시간이 짧음.
   • 단점: 미래 지도를 명시적으로 구성해야 하며, 시간적 추론 능력이 제한적입니다.

2. NPField-DynamicMLP:

   • 병렬 헤드를 사용하여 예측 구간 (Horizon) 의 모든 단계를 동시에 예측합니다.
   • 동적 장애물의 상태 $(x, y, \theta)$ 를 조건으로 사용합니다.
   • 장점: StaticMLP 보다 시간적 추론이 개선됨.
   • 단점: 각 단계별 헤드가 독립적이어서 시간적 결합 (Temporal coupling) 이 약함.

3. NPField-GPT (제안된 주요 모델):

   • Transformer 기반 비자기회귀 (Non-autoregressive) 아키텍처를 사용합니다.
   • 학습 가능한 쿼리 토큰 (Learnable Query Tokens): 예측 구간 (예: 10 스텝) 에 해당하는 토큰을 추가하여, 단일 순전파 (Forward Pass) 로 전체 퍼텐셜 시퀀스를 예측합니다.
   • 조건부 강화: 로봇의 형상 (Footprint), 상대 좌표 융합 토큰, 그리고 동적 장애물의 상태 정보를 명시적으로 인코딩하여 공간 및 시간적 장애물 역학을 정밀하게 표현합니다.
   • 차분 가능성 (Differentiability): 예측된 퍼텐셜은 L4CasADi를 통해 MPC 솔버 (Acados) 에 직접 통합되어, 기울기 기반 최적화가 가능합니다.

나. 최적화 문제 (MPC Formulation)

• 목적 함수: 경로 추적 오차, 제어 입력 최소화, 그리고 신경망이 예측한 반발 퍼텐셜 비용 ($J_o$) 을 합산하여 최소화합니다.
• 동작 원리:
  1. 점유 서브맵, 로봇 형상, 동적 장애물 상태를 입력받습니다.
  2. 신경망이 예측 구간 동안의 미분 가능한 퍼텐셜 지도를 생성합니다.
  3. 이 퍼텐셜은 MPC 의 비용 함수에 포함되어, 로봇이 장애물과 충돌하지 않으면서도 안전 거리를 유지하는 궤적을 실시간으로 계산합니다.

3. 주요 기여 (Key Contributions)

1. 실시간 MPC 호환 동적 신경 퍼텐셜 프레임워크: 정확도 - 지연 시간 트레이드오프를 다루는 세 가지 변형 (StaticMLP, DynamicMLP, GPT) 을 제시했습니다.
2. NPField-GPT 아키텍처: 병렬로 구간 퍼텐셜을 예측하고 장애물 상대 기하학을 강화하는 새로운 Transformer 구조를 제안했습니다.
3. 광범위한 비교 실험: BenchMR 시나리오와 실제 Husky UGV(무인 지상 차량) 를 이용한 사무실 복도 실험을 통해 CIAO* 및 MPPI 와 비교했습니다.
4. 오픈소스 및 통합: L4CasADi 를 활용한 MPC 내 미분 가능한 신경망 비용 구현을 공개했습니다.

4. 실험 결과 (Results)

실험은 100 개의 시나리오 (BenchMR) 와 실제 Husky UGV 를 대상으로 수행되었습니다.

• 성능 비교 (Table I 기준):
  • NPField-GPT: 가장 안전한 궤적 (최대 안전 거리 0.115m), 가장 짧은 경로 (2.06m), 가장 부드러운 경로 (AOL 0.015) 를 달성했습니다. 계산 시간은 663.81ms 로 가장 길지만, 안전성과 효율성 면에서 우위입니다.
  • NPField-StaticMLP: 가장 빠른 계산 시간 (366.62ms) 을 보였으나, 동적 장애물의 경계를 흐릿하게 인식하는 경향이 있어 정확도가 낮았습니다.
  • CIAO:* 평균적인 성능을 보였으며, MPPI 는 계산 속도는 빠르지만 최적 해를 찾지 못해 성능이 저조했습니다.
• 정성적 분석:
  • GPT 모델은 정적 벽과 이동하는 장애물 모두에 대해 선명하고 정확한 퍼텐셜 경계를 유지했습니다.
  • StaticMLP 는 작은 장애물을 벽과 합쳐 버리는 경향이 있었고, DynamicMLP 는 시간적 이동을 정확히 포착하지 못해 퍼텐셜이 너무 확산되는 문제가 있었습니다.
• 다중 장애물 확장: 단일 장애물 모델을 재학습 없이 반발 퍼텐셜의 가법적 중첩 (Additive Superposition) 을 통해 2~5 개의 동적 장애물 환경에도 적용 가능함을 입증했습니다.

5. 의의 및 결론 (Significance)

• 하이브리드 접근법의 성공: "데이터로부터 배우는 부분 (시공간적 충돌 위험)"과 "모델 기반 최적화 (MPC)"를 효과적으로 결합했습니다. 이를 통해 신경망의 불확실성을 보완하면서도 데이터 기반의 정교한 위험 인식을 가능하게 했습니다.
• 실제 적용 가능성: 계산 시간이 수백 밀리초 수준으로, 제한된 속도를 가진 실내 이동 로봇 (1~2Hz 재계획) 에 적합합니다.
• 한계 및 향후 과제:
  • 학습 기반 방법이므로 이론적 안전 보장이 없으며, 실행 전 충돌 검사가 필요합니다.
  • 장애물의 미래 궤적 예측이 정확해야 하므로, 더 정교한 운동 예측 기술과의 통합이 필요합니다.
  • 하드웨어 성능 향상과 더 빠른 모델 개발을 통해 더 빠른 시스템 (자율주행차, 드론) 으로 확장할 수 있습니다.

이 연구는 동적 환경에서 로봇의 안전하고 효율적인 항법을 위해 신경망 기반의 퍼텐셜 필드를 실시간 MPC 에 통합하는 새로운 패러다임을 제시했다는 점에서 의의가 있습니다.