💻 computer science

Follow Everything: A Leader-Following and Obstacle Avoidance Framework with Goal-Aware Adaptation

본 논문은 임의의 리더 형태를 처리하기 위해 분할 기반 감지를 활용하고, 리더가 일시적으로 로봇의 시야에서 벗어나더라도 지속적인 추적과 장애물 회피를 보장하기 위해 그래프 기반 계획과 목표 인식 적응 메커니즘을 결합한 강건한 리더 추종 통합 프레임워크를 제시합니다.

원저자: Qianyi Zhang, Shijian Ma, Boyi Liu, Jianhao Jiao, Dimitrios Kanoulas

게시일 2026-05-29

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Qianyi Zhang, Shijian Ma, Boyi Liu, Jianhao Jiao, Dimitrios Kanoulas

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

로봇이 충직한 등반 동반자처럼 행동한다고 상상해 보세요. 그 임무는 간단합니다: 지도자(사람, 다른 로봇, 심지어 표지판일 수도 있음) 가 어디로 가든 따라가며 물품을 운반하거나 그저 뒤따르는 것입니다. 하지만 실제 세계에서는 이것이 놀라울 정도로 어렵습니다. 지도자가 나무 뒤로 사라지면 로봇은 누구를 따라야 하는지 잊어버릴 수 있습니다. 지도자가 언덕을 넘어 지름길로 가면, 언덕을 오를 수 없는 바퀴 달린 로봇일지라도 로봇은 언덕을 오르기 위해 시도할 수 있습니다.

이 논문은 이러한 문제들을 세 가지 주요 기법으로 해결하는"모든 것을 따라가라 (Follow Everything)"라는 새로운 시스템을 소개합니다. 이를 로봇에게 초기억력, 의사결정을 위한 똑똑한 두뇌, 그리고 전체 그림을 보여주는 지도를 부여하는 것으로 생각하세요.

1. "거리 기억 은행" (안개를 뚫고 보기)

문제: 전통적인 로봇은 지도자를 식별하기 위해 카메라를 사용합니다. 지도자가 상자 뒤로 갔다가 다시 나오면, 로봇은 종종 "아, 새로운 사람이야!"라고 생각하며 원래 지도자를 놓쳐버립니다. 이는 군중 속에서 친구를 알아보려는 것과 같지만, 친구가 기둥 뒤로 한 번만 사라져도 로봇은 그 얼굴을 잊어버립니다.

해결책: 연구자들은 로봇에게 특별한"거리 기억 은행"을 제공했습니다.

작동 원리: 로봇은 지도자의 외모만 기억하는 것이 아니라, 서로 다른 거리에서 지도자가 어디에 있었는지를 기억합니다. 1 미터 간격마다 지도자의 외모에 대한"스냅샷"(예:"2 미터 거리에서의 모습", "5 미터 거리에서의 모습") 을 보관합니다.
비유: 공원에서 친구를 찾고 있다고 상상해 보세요. 얼굴만 기억한다면 친구가 나무 뒤로 걸어갔을 때 혼란스러울 수 있습니다. 하지만"친구는 멀리 있을 때 이렇게 보이고, 가까이 있을 때는 이렇게 보인다"는 것도 기억한다면, 친구가 다시 모습을 드러내는 순간 즉시 알아볼 수 있습니다. 그들이 얼마나 멀리 있었든 상관없이요.
결과: 지도자가 잠시 사라지더라도 로봇은 혼란스러워하지 않습니다. 정확히 누구를 찾아야 하고 어디에서 찾을 수 있는지 알고 있습니다.

2. "똑똑한 두뇌" (언제 추격하고, 언제 따르고, 언제 후퇴할지 아는 것)

문제: 대부분의 로봇은 지도자에게 더 가까이 가려고 맹목적으로 시도합니다. 하지만 때로는 위험할 수 있습니다. 지도자가 멀리 있으면 로봇은 속도를 높여야 합니다. 지도자가 바로 앞에 있으면 속도를 늦춰야 합니다. 지도자가 뒤로 걷는다면 로봇도 뒤로 물러나야 하며, 그렇지 않으면 충돌할 수 있습니다.

해결책: 로봇은"목표 인식 적응"시스템을 갖추고 있습니다. 이는 비디오 게임 캐릭터가 클래스를 변경하듯, "지금 상황은 무엇인가?"라고 끊임없이 자문하며 모드를 전환합니다:

추격 모드: 지도자가 멀리 있거나 시야에서 사라졌습니다. 로봇은"따라잡아야 해!"라고 말하며 마지막 알려진 위치로 속도를 높입니다.
추종 모드: 지도자가 가깝고 보입니다. 로봇은"안전하고 편안한 거리를 유지하며 당신 곁을 걸을게"라고 말합니다.
후퇴 모드: 지도자가 로봇 쪽으로 뒤로 걸어옵니다. 로봇은"이런, 뒤로 물러나야 해!"라고 말하며 충돌을 피하기 위해 뒤로 이동합니다.
계획 모드: 지도자가 모퉁이 뒤로 사라졌습니다. 로봇은 단순히 멈추지 않습니다. 대신"당신이 마지막으로 보였던 곳으로 가서 기다릴게"라고 말합니다.

3. "지름길 찾기" (단순히 발자국을 복사하지 않기)

문제: 일부 로봇은"흉내쟁이"입니다. 지도자가 큰 바위 주위를 돌아 문에 도달하기 위해 긴 길을 걷는다면, 로봇은 바로 옆에 명확하고 더 짧은 길이 있더라도 그 긴 길을 따라가려고 시도합니다.

해결책: 로봇은그래프 기반 계획기를 사용합니다.

작동 원리: 로봇은 지도자의 경로를 단순히 복사하는 대신 장애물 전체 지도(가능한 경로들의 거미줄과 같은) 를 살펴봅니다. 목표에 도달하는 여러 가지 방법을 계산한 후, 가장 빠르고 안전한 경로를 선택합니다.
비유: 지도자가 웅덩이 주위를 돌아서 긴 구불구불한 길을 걷는다고 상상해 보세요. 흉내쟁이 로봇은 그 긴 길을 모두 따라갈 것입니다. 하지만 이 새로운 로봇은 웅덩이를 바라보고 근처에 있는 마른 다리를 발견하며,"나는 다리를 건너서 더 빨리 도착할 수 있어"라고 말합니다. 지도자가 길을 보여줄 때까지 기다리지 않고요.

결과: 훨씬 더 나은 동반자

이 팀은 실내 및 실외 환경에서 시뮬레이션과 실제 다리가 달린 로봇 (로봇 개와 같은) 으로 이 시스템을 테스트했습니다. 다른 방법들과 비교한 결과 다음과 같은 사실을 발견했습니다:

성공률: 지도자를 **96.9%**의 성공률로 성공적으로 따라갔습니다 (다른 방법들은 11.9% 까지 낮았습니다).
시야 상실: 로봇이 지도자를 잃어버린 시간이 훨씬 적었습니다.
충돌: 다른 방법들보다 장애물이나 지도자와 충돌하는 횟수가 65% 적었습니다.
거리: 훨씬 더 안전하고 적절한 거리를 유지했으며, 평균 2.0 미터 거리였습니다.

간단히 말해, 이 논문은 로봇이 맹목적인 추종자가 아니라, 누구를 따라야 하는지 기억하고, 언제 속도를 높이거나 늦추어야 하는지 알며, 항상 함께 있기 위한 가장 현명한 경로를 찾는 지능적이고 적응력 있는 동반자가 되도록 가르칩니다.

기술 요약: 모든 것을 따르기: 임의의 리더 추적을 위한 목표 인식 적응 및 그래프 기반 계획

문제 제기

기존의 리더 추종 로봇 시스템은 두 가지 주요 한계에 직면해 있습니다: 임의의 리더에 대한 일반화 부족과 리더가 일시적으로 로봇의 시야 (FOV) 를 벗어나는 동안 추적을 유지하지 못하는 실패입니다. 전통적인 검출 모델은 고정된 객체 카테고리 (예: "보행자") 에 의존하므로, 로봇은 가려진 후 리더가 다시 나타날 때 리더의 신원 (ID) 을 상실합니다. 또한, 표준 계획 접근 방식은 리더가 범위를 벗어나거나 후퇴하거나, 추종자가 리더의 과거 경로를 단순히 복제하지 않고 복잡한 장애물을 통과해야 하는 경우와 같은 동적인 리더 - 추종자 관계에 적응하지 못하는 경우가 많습니다. 이러한 문제들은 시각적 손실, 충돌, 비효율적인 궤적의 높은 발생률로 이어집니다.

방법론

본 논문은 이러한 과제를 해결하기 위해 지각, 상태 적응, 궤적 계획을 통합한 통합 프레임워크인 "Follow Everything"을 제안합니다.

1. 지각: 거리 프레임 버퍼를 활용한 분할

카테고리 제약 없이 임의의 리더 (사람, 차량, 로봇) 를 추적할 수 있도록, 시스템은 전통적인 검출이 아닌 분할 모델 (SAM2 기반) 을 사용합니다.

시간적 메모리 버퍼 ( $B_T$ ): 추적 부팅을 위해 고신뢰도 과거 리더 임베딩을 유지합니다.
거리 프레임 버퍼 ( $B_D$ ): 리더가 시야를 떠나 다시 들어오는 특정 과제를 처리하도록 설계된 새로운 구성 요소입니다. 이 버퍼는 추종자와 리더 간의 거리 범위를 동일한 간격으로 나눕니다. 각 특정 거리 간격에 대해 가장 높은 신뢰도를 가진 리더 임베딩을 저장합니다.
메커니즘: 리더가 다시 나타날 때, 시스템은 현재 거리에 해당하는 버퍼에서 임베딩을 검색합니다. 이는 리더가 사라지기 직전에 포착된 저품질의 부분적 특징에 의해 "부팅" 과정이 오도되는 것을 방지하여 재식별 정확도를 크게 향상시킵니다.

2. 목표 인식 적응

프레임워크는 리더의 가시성, 운동, 그리고 상대적 위치에 기반하여 로봇의 계획 상태를 동적으로 통제합니다. 다섯 가지 명확한 상태가 정의됩니다:

추격 (Chasing): 리더가 보이지만 비용지도 (costmap) 범위 밖일 때 활성화됩니다. 로봇은 비용지도 가장자리에서 유도된 목표선을 활용하여 간격을 좁히기 위해 최대 속도로 이동합니다.
추종 (Following): 리더가 보이며 비용지도 내에 있을 때 활성화됩니다. 로봇은 칼만 필터의 정규화 혁신 제곱 (Normalized Innovation Squared) 을 통해 동적으로 조정되는 안전 거리를 유지하며 리더를 향해 이동하고 불필요한 우회를 피합니다.
계획 (Planning): 리더가 손실된 경우 (예: 가려짐) 활성화됩니다. 로봇은 시각적 접촉을 회복하기 위해 리더의 마지막 알려진 위치와 방향을 목표로 최대 속도로 이동합니다.
후퇴 (Retreating): 리더가 로봇에 접근할 때 활성화됩니다. 로봇은 안전 마진을 유지하기 위해 뒤로 이동합니다.
전환 (Switching): 새로운 리더가 할당된 경우 (예: 텍스트 프롬프트를 통해) 활성화되며, 버퍼를 재설정하고 적절한 상태로 전환합니다.

3. 그래프 기반 계획자

효율적이고 안전한 항해를 보장하기 위해 환경을 토폴로지 그래프로 모델링하며, 장애물 클러스터는 노드로, 최단 충돌-free 연결은 간선으로 표현됩니다.

궤적 생성: 계획자는 그래프를 탐색하여 후보 궤적을 생성합니다. 동형류 (homotopy classes) 를 고려하여 중복 경로를 피합니다 (예: 시계 방향 대 반시계 방향 우회).
최적화: 후보 궤적은 운동학적 제약, 동적/정적 장애물 회피, 그리고 목표 인식 적응 모듈에서 제공된 특정 목표/속도 제약 조건을 준수하면서 시간을 기준으로 최적화됩니다.
선택: 가장 낮은 시간 비용과 이전 최적 경로와의 가장 높은 유사성을 가진 궤적이 선택되어 상태 간 부드러운 전환을 보장합니다.

주요 기여

임의 리더 추적: 거리 프레임 버퍼로 강화된 분할 모듈 도입을 통해, 가려진 후 모양이나 유형이 다른 임의의 리더에 대한 견고한 재식별을 가능하게 합니다.
상태 기반 적응: 다양한 상호작용 시나리오를 처리하기 위해 추격, 추종, 계획, 후퇴, 전환 상태 간에 동적으로 전환하는 목표 인식 적응 메커니즘 제안.
효율적 항해: 후보 궤적을 생성하고 최적화하여 로봇이 리더의 과거 궤적을 단순히 복제하는 대신 더 짧고 안전한 경로를 찾을 수 있게 하는 그래프 기반 계획자 개발.

결과

이 프레임워크는 실내 및 실외 환경에서 모바일 로봇, UAV, 보행자, 정지 표지판 등 다양한 리더를 대상으로 한 다리가 달린 로봇 추종자를 사용하여 시뮬레이션 (Gazebo) 과 실세계 실험을 통해 평가되었습니다. 이 방법은 Alaa(SAM2 + PID), MPC-YOLO, 그리고 두 가지 제거 변형 (FE-N-DFB 및 FE-N-GP) 을 포함한 네 가지 베이스라인과 비교되었습니다.

성능 지표 (Follow Everything vs. 최상위 베이스라인):

추종 성공률: 최상위 베이스라인 (FE-N-GP) 의 81.3% 대비 **96.9%**로 향상됨.
평균 리더 손실 시간: FE-N-GP 의 20.0% 대비 **10.7%**로 감소됨.
충돌률: FE-N-GP 의 16.3% 및 Alaa 의 66.9% 대비 **1.8%**로 감소됨.
평균 거리: FE-N-GP 의 2.6m 대비 2.0m로 감소됨.

UAV 를 숲을 통해 추종하거나 부분적 가려짐이 있는 공장에서 보행자를 추종하는 특정 시나리오에서, 이 시스템은 시간적 메모리나 표준 검출에만 의존하는 방법들에 비해 재식별 및 장애물 회피에서 뛰어난 견고성을 입증했습니다.

의의

본 논문은 "Follow Everything"이 카테고리 특화 검출과 경직된 계획의 한계를 극복하는 견고한 리더 추종을 위한 통합 솔루션을 제공한다고 주장합니다. 거리 인식 특징 버퍼링을 적응적 상태 관리 및 그래프 기반 최적화와 통합함으로써, 이 프레임워크는 로봇이 임의의 리더를 추적하고, 가려짐에서 회복하며, 복잡한 환경을 효율적으로 항해하는 능력을 크게 향상시킵니다. 저자들은 이 접근 방식이 리더가 비표준 객체일 수 있거나 시야에서 자주 사라질 수 있는 화물 운반, 고객 안내, 순찰 지원과 같은 실세계 응용 분야에서 리더 추종을 더 실용적으로 만든다고 제시합니다.