기존 방식 (Elevation Map): 바닥의 높낮이를 격자무늬 (타일) 로 쪼개서 "여기는 높고, 여기는 낮다"라고 숫자로만 기억합니다. 마치 픽셀이 굵은 저화질 사진처럼요.
QuadPiPS 의 방식: 로봇이 스스로 눈을 뜨고 주변을 직접 바라보며 걸음을 옮깁니다. 카메라로 본 그대로의 이미지를 바탕으로 "이건 밟기 좋은 평평한 돌, 저건 넘어야 할 계단, 저건 밟으면 미끄러질 위험한 벽"이라고 직관적으로 이해합니다.
🛠️ 2. 주요 기술 3 가지 (비유로 설명)
① 'Legged Egocan' (로봇의 360 도 시야)
비유: 로봇이 머리에 원통형 (캔 모양) 안경을 쓰고 있다고 상상해 보세요.
설명: 일반적인 카메라는 앞쪽만 보지만, 이 시스템은 로봇 주변 360 도를 감싸는 가상의 '캔'을 만들어서, 로봇이 이동할 때 발밑과 뒤쪽의 정보도 잃지 않고 계속 저장합니다. 마치 로봇이 주변을 한 바퀴 둘러보며 정보를 쌓아두는 것과 같습니다.
② '슈퍼픽셀' (바닥을 잘게 썰기)
비유: 바닥을 마치 피자처럼 잘게 썰어보는 것입니다.
설명: 기존 방식은 바닥을 큰 타일 몇 개로만 나누는데, QuadPiPS 는 바닥을 **슈퍼픽셀 (Superpixels)**이라는 아주 작은 조각들로 쪼개서 분석합니다.
큰 타일만 보면 "이곳은 평평해"라고 생각할 수 있지만, 실제로는 그 타일 안에 작은 돌멩이나 구멍이 있을 수 있습니다.
하지만 **잘게 썬 피자 조각 (슈퍼픽셀)**처럼 보면, "여기는 밟기 좋고, 저기 모서리는 피해야겠다"라고 아주 정교하게 판단할 수 있습니다. 특히 계단이나 작은 돌들이 널려 있는 곳에서는 이 '잘게 썬 조각'들이 로봇이 넘어지지 않게 도와줍니다.
③ '의미 있는 affordance' (밟을 수 있는가 vs 넘어설 수 있는가)
비유: 로봇이 바닥을 볼 때 색깔로 구분합니다.
🟢 초록색 (밟을 수 있음): 평평하고 안전한 곳.
🟡 노란색 (넘어설 수 있음): 밟을 수는 없지만, 다리를 들어 넘길 수 있는 작은 장애물.
🔴 빨간색 (건너뛸 수 없음): 절대 밟으면 안 되는 위험한 곳.
설명: 로봇은 단순히 '높이'만 보는 게 아니라, AI 가 이 색깔들을 학습해서 "이건 밟아야지, 저건 넘어가야지"라고 의미 있는 판단을 내립니다. 예를 들어, 기울어진 벽은 기하학적으로는 밟을 수 있어 보이지만, 로봇은 "이건 넘어가야 해"라고 판단해 넘어뜨리지 않습니다.
🚀 3. 어떻게 작동할까? (계획부터 실행까지)
눈으로 보기: 로봇이 카메라로 주변을 스캔하고, 바닥을 '잘게 썬 피자 조각'처럼 분석합니다.
지도 그리기: "어디에 발을 디딜지" 후보들을 찾아냅니다. 이때 단순히 직선으로 가는 게 아니라, 가장 안전한 발걸음 순서를 찾아내는 복잡한 퍼즐을 풉니다. (ALEF 라는 알고리즘을 사용)
몸짓 연습: 발을 어디에 둘지 정했으면, 로봇은 "이렇게 다리를 들어 올리고, 저렇게 착지하자"라는 전신 운동 동작을 미리 계산합니다.
실제 걷기: 계산된 대로 걷되, 만약 발이 미끄러지거나 넘어질 뻔하면 **MPC(모델 예측 제어)**라는 시스템이 즉석에서 균형을 잡습니다. 마치 빙판길에서 넘어지지 않으려 몸짓을 조절하는 사람과 같습니다.
🏆 4. 왜 이 기술이 특별한가? (결과)
이 논문은 ANYmal C와 Unitree Go2라는 실제 로봇으로 실험했습니다.
시뮬레이션 결과: 돌이 많거나 계단이 복잡한 10 가지 환경에서 다른 로봇들보다 훨씬 안전하고 성공적으로 길을 찾았습니다. 특히 **발 디딜 곳이 아주 드문 곳 (Sparse stepping stones)**에서는 다른 로봇들은 다 넘어졌지만, QuadPiPS 는 성공했습니다.
실제 로봇 실험: 실제 계단, 경사로, 좁은 보행로에서 로봇이 스스로 길을 찾아 걸었습니다.
핵심 장점: "발 디딜 곳이 적을수록" 이 시스템이 빛을 발합니다. 로봇이 실수할 여지가 없는 상황에서, 정교하게 발을 고르는 능력이 필수적이기 때문입니다.
💡 5. 한 줄 요약
"QuadPiPS 는 로봇에게 '눈'과 '직관'을 주어, 복잡한 지형에서도 마치 인간처럼 어디에 발을 디밀지 고민하며 넘어지지 않고 걷게 만드는 기술입니다."
이 기술은 앞으로 재난 현장이나 험한 산길에서 로봇이 스스로 임무를 수행할 수 있는 기반이 될 것입니다.
QuadPiPS: 의미적 어포던스 (Semantic Affordance) 예측을 통한 4 발 보행 로봇을 위한 지각 기반 발걸음 계획기
1. 문제 정의 (Problem Statement)
기존의 4 발 보행 로봇 (Quadrupeds) 의 항법 및 이동 계획 시스템은 주로 **2.5D 고도 지도 (Elevation Map)**나 **볼륨 그리드 (Voxel Grid)**와 같은 점구름 (Point Cloud) 기반의 환경 표현에 의존합니다. 이러한 방법들은 다음과 같은 한계가 있습니다.
전처리 비용: 실시간 작동을 위해 점구름 필터링, 레이 캐스팅, 변환 등 고비용의 전처리가 필요합니다.
표현의 한계: 단순한 높이 정보만으로는 보행 로봇이 걸을 수 있는지 (steppable), 넘어설 수 있는지 (passable) 같은 **의미적 어포던스 (Semantic Affordance)**를 효과적으로 표현하기 어렵습니다.
안전성: 발걸음 (Foothold) 이 제한적이거나 복잡한 지형 (계단, 좁은 보행로, 돌출된 장애물) 에서 기존 계획기는 불안정하거나 실패할 확률이 높습니다.
이 논문은 **지각 공간 (Perception Space)**에서 직접 계획하는 QuadPiPS 프레임워크를 제안하여, 센서 전처리를 최소화하면서도 지형의 기하학적 및 의미적 특성을 반영한 정밀한 발걸음 계획을 가능하게 합니다.
2. 방법론 (Methodology)
QuadPiPS 는 PiPS (Planning in the Perception Space) 철학을 기반으로 하며, 다음과 같은 핵심 모듈로 구성됩니다.
가. 지각 파이프라인: Legged Egocan (지각 기반의 자기관찰 환경 표현)
Egocan 확장: 기존의 'Egocylinder' 개념을 확장하여 로봇의 상하단 캡 (Cap) 을 추가한 Egocan을 사용합니다. 이는 로봇 주변의 360 도 환경을 이미지 형태로 유지하며, 점구름 처리 없이 깊이 카메라 데이터만으로도 환경을 표현합니다.
다중 채널 어포던스: Egocan 에 다음 정보를 통합합니다.
깊이 (Depth): 기본 환경 정보.
법선 벡터 (Surface Normals): 이미지 공간의 기울기 (Gradient) 를 기반으로 실시간 (30Hz) 으로 추정하여 지형의 경사를 파악합니다.
걸을 수 있는 영역 (Steppability): 심층 학습 모델 (DeepLabV3+) 을 통해 걸을 수 있음 (Steppable), 넘어설 수 있음 (Passable), 걸을 수 없음 (Non-passable) 을 의미적으로 분류합니다.
초분할 (Oversegmentation): Egocan 바닥 이미지를 SLIC (Simple Linear Iterative Clustering) 알고리즘을 변형하여 초픽셀 (Superpixels) 단위로 분할합니다. 이를 통해 평면 영역을 추출하고, 발걸음 후보 지점을 탐색하기 위한 이산적인 공간으로 만듭니다.
나. 운동 계획 (Motion Planning)
ALEF 프레임워크 적응: 'Augmented Leafs with Experience on Foliations (ALEF)' 프레임워크를 기반으로 하여, 발걸음 계획을 **이산 공간 (Discrete Space)**과 **연속 공간 (Continuous Space)**으로 분리합니다.
이산 공간 (발걸음 탐색): 접촉 모드 가족 (Contact Mode Family) 전환 그래프를 구축합니다. A* 알고리즘을 사용하여 시작점에서 목표점까지의 발걸음 시퀀스를 탐색합니다. 이때 기하학적 제약 ( Reachability) 과 동적 안정성 (Stance Stability) 을 고려합니다.
연속 공간 (궤적 최적화): 선택된 발걸음 사이를 이동하기 위한 전체 신체 (Whole-body) 궤적을 **비선형 궤적 최적화 (Nonlinear Trajectory Optimization, OCS2 라이브러리)**를 통해 생성합니다.
제어 (Control): 생성된 참조 궤적은 **모델 예측 제어 (MPC)**와 **전체 신체 제어 (WBC)**를 통해 실시간으로 추종됩니다.
3. 주요 기여 (Key Contributions)
Legged Egocan 표현 확장: 로봇 중심의 환경 표현인 Egocan 에 기하학적 법선 벡터와 의미적 '걸을 수 있는 (Steppability)' 라벨을 추가하여 보행 로봇의 어포던스를 효과적으로 인코딩했습니다.
합성 데이터 생성 및 학습: 그리프 (Grasp) 예측 분야에서 영감을 받아 기본 도형 (Primitive Shapes) 기반의 합성 데이터 생성 기법을 적용하여, 보행 로봇용 의미적 어포던스 예측 모델을 학습시켰습니다.
초픽셀 기반 초분할 알고리즘: 희소 다중 채널 이미지 (Sparse Multi-channel Image) 를 처리할 수 있는 SLIC 알고리즘의 변형을 제안하여, 발걸음 탐색을 위한 평면 영역을 효율적으로 추출했습니다.
실시간 지각 기반 계획 프레임워크: ALEF 프레임워크를 수정하여 지각 정보에 기반한 실시간, 동적으로 실행 가능한 (Kinodynamically-feasible) 4 발 보행 로봇 운동 계획을 가능하게 했습니다.
광범위한 검증: ANYmal C 를 이용한 10 가지 다양한 시뮬레이션 환경과 5 가지 기준 (Baseline) 과의 비교, 그리고 Unitree Go2 를 이용한 실제 하드웨어 배포 (Ramp, 계단, 발걸음 돌 등) 를 통해 성능을 입증했습니다.
4. 실험 결과 (Results)
시뮬레이션 벤치마크: ANYmal C 를 사용하여 10 가지 환경 (경사로, 계단, 잔해, 발걸음 돌 등) 에서 5 가지 기존 방법론 (Elevation Map 기반 MPC/RL/DTC, Superpixels 기반 MPC) 과 비교했습니다.
제한된 발걸음 환경: 발걸음 돌 (Stepping stones) 이나 좁은 보행로 (Balance beam) 처럼 발걸음이 제한되거나 정밀한 계획이 필요한 환경에서 QuadPiPS 가 가장 높은 성공률을 보였습니다. 특히, 고도 지도 기반 방법론들은 작은 돌들이 하나의 큰 평면으로 합쳐지는 오류로 인해 실패한 반면, QuadPiPS 는 초픽셀 분할을 통해 정확한 발걸음을 계획했습니다.
안전성: 장애물이 있는 보행로 (Obstructed balance beam) 환경에서 의미적 어포던스 라벨이 장애물을 '걸을 수 없는 영역'으로 표시하여 로봇이 넘어지지 않도록 방지했습니다.
하드웨어 배포: Unitree Go2 에 커스텀 컴퓨팅 유닛을 탑재하여 실제 환경 (내부/외부) 에서 테스트했습니다.
경사진 플랫폼, 계단, 발걸음 돌이 있는 지형에서 성공적으로 이동했습니다.
지형의 불규칙성 (판의 이동, 찌그러짐) 이 발생하더라도 지각 시스템이 이를 실시간으로 감지하고 계획/제어 시스템이 이를 보상하여 안정성을 유지했습니다.
성능: 지각 파이프라인은 20Hz 로 실행되었으며, 초픽셀 기반 접근 방식이 하드웨어에서 효율적으로 확장됨을 확인했습니다.
5. 의의 및 결론 (Significance)
이 논문은 **지각 공간 (Perception Space)**에서의 계획 철학이 4 발 보행 로봇의 발걸음 계획에 어떻게 적용될 수 있는지를 처음으로 탐구했습니다.
전처리 제거: 점구름 처리의 복잡성을 제거하고 센서 데이터를 이미지 공간에서 직접 처리함으로써 지연 시간을 최소화했습니다.
의미적 이해: 단순한 기하학적 높이 정보를 넘어, "어디를 걸을 수 있는가"에 대한 의미적 판단을 계획에 통합하여 복잡한 지형에서의 안전성을 크게 향상시켰습니다.
실용성: ANYmal C 와 Unitree Go2 와 같은 다양한 플랫폼에서 시뮬레이션 및 실제 하드웨어를 통해 검증되어, 실제 자율 보행 로봇 시스템에 즉시 적용 가능한 프레임워크임을 입증했습니다.
결론적으로, QuadPiPS 는 제한된 발걸음과 복잡한 지형 환경에서 기존 방법론보다 우월한 안전성과 적응력을 보여주며, 지각 기반 보행 로봇 계획의 새로운 패러다임을 제시합니다.