Real-Time Model Checking for Closed-Loop Robot Reactive Planning

당신이 무선 조종 자동차를 가지고 미로를 통과하며 운전하고 있다고 상상해 보세요. 대부분의 경우, 당신은 바로 눈앞에 보이는 것만을 봅니다. 벽이 보이면, 회전합니다. 또 다른 벽이 보이면, 다시 회전합니다. 이것이 오늘날 많은 로봇이 작동하는 방식입니다. 그들은 마치 반사 신경과 같습니다. 그들은 '현재'에 반응할 뿐, '다음' 초를 생각하지 않습니다.

문제는 무엇일까요? 이 "보고 돌기(look-and-turn)" 전략은 종종 로봇을 갇히게 만듭니다. 로봇이 막다른 골목(cul-de-sac)으로 들어가는 모습을 상상해 보세요. 벽을 보고 왼쪽으로 돌았다가, 또 다른 벽을 치고, 오른쪽으로 돌았다가, 세 번째 벽을 치고, 결국 구석에 갇혀 영원히 제자리에서 뱅글뱅글 돌게 됩니다. 이는 마치 자신의 꼬리를 쫓는 강아지와 같습니다. 즉각적인 문제에는 반응하지만, 길 전체가 함정이라는 사실은 전혀 모르는 상태입니다.

이 논문에서 스트래스클라이드 대학교와 글래스고 대학교의 연구팀은 로봇에게 슈퍼컴퓨터 없이도 몇 단계 앞을 내다볼 수 있는 "두뇌"를 부여하려고 시도했습니다. 그들은 로봇이 실시간으로, 즉 현장에서 탈출 경로를 계획할 수 있도록 돕기 위해 **모델 체킹(model checking)**이라는 기법을 사용할 수 있는지 확인하고자 했습니다.

"마음속 영화" 전략

단순히 반응하는 대신, 연구진은 로봇에게 다음에 어떤 일이 일어날지에 대한 빠른 "마음속 영화(mental movie)"를 실행하도록 가르쳤습니다. 그들은 세상의 물리 법칙 전체를 시뮬레이션하려고 하지 않았습니다(그것은 너무 오래 걸리고 너무 많은 전력을 소모할 것이기 때문입니다). 대신, 매우 영리한 트릭을 사용했습니다. 그들은 오직 주변 환경만을 살펴보고 다음과 같이 물었습니다. "내가 왼쪽으로 돌면 벽에 부딪힐까? 내가 오른쪽으로 돌면 벽에 부딪힐까?"

그들은 로봇의 코드 안에 아주 작고 맞춤 제작된 "플래너(planner, 계획기)"를 직접 구축했습니다. 이것은 마치 체스 선수가 우주의 모든 가능한 게임을 계산하는 대신, 체크메이트를 피하기 위해 다음 세 수 앞을 내다보는 것과 같습니다.

이 "마음속 영화"가 작동하는 방식은 다음과 같습니다:

1. 방해 요소(The Disturbance): 로봇이 앞에 있는 장애물을 발견합니다.
2. 스냅샷(The Snapshot): 주변 지역의 스냅샷을 빠르게 찍습니다.
3. 테스트(The Test): "내가 왼쪽으로 돌면 안전할까? 내가 오른쪽으로 돌면 안전할까?"라고 묻습니다.
4. 계획(The Plan): 이 답변들을 하나로 연결합니다. "왼쪽으로 돌면 잠시 동안은 안전하지만, 곧 벽에 부딪히겠구나. 그러니 오른쪽으로 돌아야겠다. 그러면 탁 트인 경로가 나온다."

이를 통해 로봇은 "막다른 골목"이 다가오고 있음을 인지하고, 그 안에 갇히는 대신서 외곽으로 돌아가는 경로를 선택할 수 있습니다.

그들이 제외한 것들

연구진은 자신들의 방법이 무엇이 아닌지를 매우 명확하게 밝혔습니다.

• 그것은 "블랙박스" AI가 아닙니다: 그들은 딥러닝이나 강화 학습(시행착오를 통해 배우는 방식)을 사용하는 것에 대해 명시적으로 반대했습니다. 그들은 이러한 방식이 추측에 불과하다고 지적했습니다. 이러한 방식은 훈련 시뮬레이션에서는 작동할지 몰라도, 환경의 구조를 이해하지 못하기 때문에 실제 세계에서는 경직되고 위험한 실수를 저지를 수 있습니다.
• 그것은 "전역 지도(Global Map)"가 아닙니다: 로봇은 전 세계를 아우르는 거대한 지도가 필요하지 않습니다. 로봇은 자신이 전역적인 규모에서 어디에 있는지 알지 못합니다. 단지 자신을 기준으로 벽이 어디에 있는지만 압니다. 이는 전역 지도를 만드는 것이 어렵고 오류가 생기기 쉽다는 점에서 매우 중요한 부분입니다.
• 그것은 아직 "목표 추구자(Goal-Seeker)"가 아닙니다: 논문은 현재 이 로봇이 장애물을 피하는 것에만 특화되어 있다고 인정합니다. 로봇은 도달하고자 하는 특정 목적지(예: "주방으로 가라")를 가지고 있지 않습니다. 그저 충돌하지 않고 계속 앞으로 나아가고자 할 뿐입니다. 저자들은 향ar에 이 시스템이 목표를 찾는 다른 시스템들과 결합될 수 있다고 제안했지만, 이번 연구에서는 순수하게 갇히지 않는 것에 초점을 맞췄습니다.

증명: 효과가 있었는가?

연구팀은 이 아이디어를 저전력 로봇(라즈베리 파이 3와 레이저 스캐너 탑재)을 사용하여 실제 실험실 환경에서 테스트했습니다. 단순히 컴퓨터 시뮬레이션에서 실행한 것이 아니라, 로봇을 실제 바닥에 놓았습니다.

막다른 골목 테스트:
그들은 막다른 골목을 설치하고 로봇을 투입했습니다.

• 기존 방식 (반응형): 표준적인 "반응형" 로봇은 구석에 갇혔습니다. 벽에 부딪히며 왔다 갔다 하다가 결국 충돌했습니다. 한 세트의 테스트에서 15번의 실행 중 3번 충돌했습니다.
• 새로운 방식 (모델 체킹): "마음속 영화"를 가진 로봇은 절대 갇히지 않았습니다. 로봇은 막다른 길을 보고, 돌아가거나 우회하는 경로를 계산하여 매끄럽게 탈출했습니다. 동일한 테스트에서 충돌 0회를 기록했습니다.

놀이터 테스트:
그들은 또한 장애물이 있는 더 넓은 구역을 로봇이 돌아다니게 했습니다.

• 기존 로봇은 한 번의 실행에서 막다른 구역에서 총 89초 동안, 또 다른 실행에서는 79초 동안 갇혀 있었습니다. 전체 테스트 동안 총 6번 충돌했습니다.
• 새로운 로봇은 막다른 구역을 방문했지만 매번 이를 회피했으며, 좁은 곳에서 보낸 시간은 총 12초였고 충돌은 0회였습니다.

속도와 크기: "저전력"의 기적

이 연구에서 가장 인상적인 부분 중 하나는 이 플래너가 얼마나 빠르고 작은가 하는 점입니다.

• 속도: 로봇은 "실시간"으로 간주되기 위해 100밀리초(ms) 이내에 결정을 내려야 했습니다. 그들의 시스템은 매우 빨랐으며, 평균 결정 시간은 단 10.1밀리초였습니다(가장 느린 경우도 18.76밀리초에 불과했습니다). 가장 복잡한 계획(4단계 앞을 내다보는 경우)도 평균적으로 약 11.49밀리초밖에 걸리지 않았습니다.
• 크기: 플래너가 사용하는 메모리는 매우 작았습니다. 실제 계획 부분은 약 372바이트의 메모리만을 사용했습니다. 이를 비교하자면, 고해상도 사진 한 장이 수백만 바이트인 것과 대조됩니다. 이는 로봇이 화성 탐사선이나 단순한 배달 로봇에 들어가는 것과 같은 매우 저렴하고 저전력인 하드웨어에서도 이 스마트한 플래너를 실행할 수 있음을 의미합니다.

결론

저자들은 모델 체킹의 특화되고 축소된 버전을 사용함으로써, 로봇이 아주 작은 컴퓨터 위에서도 몇 단계 앞을 내다보며 막다른 길에 갇히는 것을 피할 수 있음을 보여주었습니다. 이는 로봇이 단순히 코앞의 상황에 맹목적으로 반응하는 것이 아니라, 주변 환경의 형태를 이해하게 함으로써 더 안전하고 신뢰할 수 있는 로봇을 만드는 단계로 나아가는 과정입니다.

논문은 이 방법이 현재 장애물 회피에 국한되어 있으며 아직 특정 목표로 유도하지는 못한다고 명시했지만, 결과는 이 "마음속 영화" 접근 방식이 로봇이 구석에 갇히지 않도록 하는 강력하고 설명 가능하며 에너지 효율적인 방법임을 시사합니다. 이는 로봇에게 약간의 예견 능력을 주기 위해 거대한 슈퍼컴퓨터가 반드시 필요한 것은 아니라는 점을 입증합니다.