Responsibility and Engagement -- Evaluating Interactions in Social Robot Navigation

이 논문은 사회적 로봇 내비게이션에서 갈등 해결의 기여도를 평가하는 '책임 (Responsibility)' 지표를 기존 연구에 시간 정규화와 갈등 심화 정도를 측정하는 '참여 (Engagement)' 지표를 추가하여 확장하고, 다양한 시나리오를 통해 이 지표들이 상호작용의 협력적 해결, 행동의 질 및 예지력을 평가하는 데 유효함을 입증했습니다.

핵심

이 논문은 사회적 로봇이 사람들과 함께 길을 걸을 때, 누가 더 '예의 바르고' 누가 더 '성가신' 행동을 했는지를 측정하는 새로운 방법을 제안합니다.

기존의 기술들은 "로봇이 사람과 얼마나 멀리 떨어졌는가"나 "얼마나 빨리 멈췄는가" 같은 숫자만 봤습니다. 하지만 이 논문은 "그 충돌 위기를 피한 것이 누구의 공로인가?" 그리고 "누가 상황을 더 악화시켰는가?" 라는 질문을 던집니다.

이 복잡한 개념을 이해하기 쉽게 도로 위의 운전 상황과 춤추는 커플에 비유해서 설명해 드릴게요.

---

1. 문제 상황: "누가 먼저 피했지?"

상상해 보세요. 좁은 골목에서 로봇과 사람이 마주쳤습니다. 둘 다 멈추지 않고 서로를 향해 걸어갑니다.

• 기존 방식: "오, 다행히 1 미터 거리에서 멈췄네. 안전해!"라고만 평가합니다.
• 이 논문의 문제 제기: "잠깐, 로봇이 멈춘 건가? 사람이 멈춘 건가? 아니면 둘 다 멈춘 걸까? 만약 로봇이 멈추지 않고 사람이 피했다면, 로봇은 '성가신 존재'가 되는 거 아닙니까?"

이 논문은 로봇이 사람과 부딪히지 않게 한 **공로 (책임)**와, 오히려 상황을 더 험악하게 만든 **행동 (참여도)**을 따로따로 측정하는 두 가지 새로운 지표를 만들었습니다.

2. 새로운 지표 1: '책임 (Responsibility)' - "누가 문제를 해결했나?"

이것은 **"누가 더 많이 양보해서 위기를 피했는가?"**를 나타내는 점수입니다.

• 비유: 두 사람이 좁은 다리를 만나 서로 마주쳤을 때, 한 사람이 발을 멈추고 몸을 비켜주면 그 사람이 '책임'을 진 것입니다.
• 로봇에게 적용:
  • 로봇이 사람을 피해서 길을 비켰다면? → 로봇의 책임 점수 (Responsibility) 가 높음. (좋은 일!)
  • 사람이 로봇을 피해서 길을 비켰다면? → 로봇의 책임 점수가 낮음. (로봇이 무뚝뚝해서 사람이 피한 거니까.)
  • 둘 다 피하지 않고 부딪혔다면? → 시간 (Time) 이 책임을 짐. (두 사람 모두 무책임해서 시간이 지나서 충돌이 멈췄거나, 아예 부딪힌 경우.)

핵심: 로봇이 스스로 상황을 해결하려고 노력했는지, 아니면 사람이 로봇을 위해 희생했는지를 숫자로 보여줍니다.

3. 새로운 지표 2: '참여도 (Engagement)' - "누가 상황을 더 험악하게 만들었나?"

이것은 **"누가 상황을 더 악화시켰는가?"**를 나타내는 점수입니다.

• 비유: 두 사람이 춤을 추는데, 한 사람이 갑자기 발을 내디디며 상대방을 밀어붙인다면? 그 사람은 '참여도'가 높은 것입니다. (악의가 없어도, 행동이 상대방을 더 위축시켰을 수 있습니다.)
• 로봇에게 적용:
  • 로봇이 갑자기 방향을 틀어 사람을 위협하거나, 사람을 더 좁은 곳으로 몰아넣었다면? → 로봇의 참여도 (Engagement) 가 높음. (나쁜 일!)
  • 로봇이 부드럽게 옆으로 비켜서며 상황을 완화했다면? → 참여도는 낮습니다.

핵심: 로봇이 "내가 가자!"라고 강하게 밀어붙여서 상대방을 불안하게 만들었는지, 아니면 "조심하세요"라고 부드럽게 접근했는지를 보여줍니다.

4. 실험 결과: 로봇은 어떻게 행동했나?

저자들은 로봇을 다양한 상황에 넣어 실험했습니다.

• 상황 1 (맞은편 걷기): 로봇이 사람을 피하면 로봇의 '책임' 점수가 100% 가 됩니다. 사람이 피하면 로봇 점수는 0% 입니다.
• 상황 2 (무리 통과): 로봇이 두 사람 사이를 뚫고 지나가려 하면, 두 사람 모두 로봇을 피해야 하므로 로봇의 '책임' 점수는 낮아지고, '참여도'는 높아집니다. (사람들이 "저 로봇 좀 피하게 해줘!"라고 외치는 상황.)
• 상황 3 (개인 공간): 로봇이 사람과 충돌하지는 않았지만, 너무 가까이 지나가서 사람의 '개인 공간 (사적인 영역)'을 침범했다면? 이 경우에도 로봇의 '책임' 점수가 낮아집니다. (충돌은 안 했지만 예의는 안 지킨 셈.)

5. 왜 이 연구가 중요한가요?

이 논문은 로봇 개발자들에게 **"로봇이 더 똑똑하고 예의 바른 행동을 하려면 어떻게 해야 하는가?"**를 알려주는 나침반이 됩니다.

• 기존: "충돌 안 나면 OK!"
• 이제: "충돌만 안 난 게 아니라, 사람이 로봇을 피하지 않아도 되게 로봇이 스스로 양보했는가?"를 평가합니다.

만약 로봇이 사람을 피하는 대신 사람이 로봇을 피하게 만든다면, 그 로봇은 '책임' 점수가 낮아져서 **"이 로봇은 아직 사회성을 배우지 못했다"**는 평가를 받습니다. 반대로 로봇이 상황을 해결하면 점수가 올라가서 **"이 로봇은 사람들과 잘 어울린다"**는 평가를 받습니다.

요약

이 논문은 로봇이 사람들과 길을 걸을 때, **"누가 더 배려심 있게 행동했는지"**를 정량적으로 측정하는 새로운 규칙을 만들었습니다. 마치 운전 면허 시험에서 단순히 "사고 안 냈다"는 점수만 주는 게 아니라, **"상대방 운전자를 배려해서 길을 비켜주었는가?"**까지 평가하는 것과 같습니다.

이러한 평가 기준이 생기면, 앞으로 우리가 길거리에서 만나는 로봇들은 더 친절하고, 덜 성가시며, 사람들과 자연스럽게 어울리는 존재로 진화할 것입니다.

기술 요약

1. 문제 제기 (Problem)

사회적 로봇 항법 (Social Robot Navigation, SRN) 연구의 핵심 목표는 로봇이 복잡하고 비구조화된 환경에서 인간과 자연스럽게 상호작용하며 이동하는 것입니다. 그러나 기존 연구들은 다음과 같은 한계를 가지고 있습니다:

• 기존 지표의 부족: 기존 항법 평가 지표들 (최대 가속도, 최소 충돌 시간, 거리 기반 지표 등) 은 로봇과 인간 간의 상호작용에서 어떤 에이전트가 갈등을 해결하거나 악화시켰는지 (인과적 책임) 를 명확히 구분하지 못합니다.
• 상호작용의 맥락 부재: 로봇이 충돌을 피하기 위해 인간이 더 많은 양보를 강요받는지, 아니면 로봇이 스스로 해결했는지에 대한 정량적 평가가 어렵습니다.
• 갈등 발생 단계의 간과: 기존 연구들은 주로 이미 발생한 갈등의 해결에 초점을 맞추었으며, 갈등이 형성되는 과정 (conflict buildup) 을 체계적으로 모델링하지 못했습니다.

2. 방법론 (Methodology)

이 논문은 기존 연구 [6] 에서 제안된 '책임 (Responsibility)' 지표를 확장하고, 새로운 '참여 (Engagement)' 지표를 제안하여 상호작용을 평가하는 프레임워크를 제시합니다.

가. 핵심 개념 정의

1. 갈등 잠재력 (Conflict Potential, CP):

   • 두 에이전트의 현재 궤적과 속도를 기반으로 예측된 최접근 거리 (pDCE, predicted Distance of Closest Encounter) 를 사용합니다.
   • 두 에이전트가 직면 충돌 경로에 있을 때 CP 는 1 에 가까워지고, 서로를 피할 것으로 예상되면 0 에 수렴합니다.

2. 갈등 (Conflict, C) 및 시간 정규화:

   • 기존 CP 는 시간적 맥락이 부족합니다. 두 에이전트가 멀리 떨어져 있어도 CP 가 높게 나올 수 있기 때문입니다.
   • 시간 정규화 (Time Normalization): 최접근 시간 (TCE, Time to Closest Encounter) 을 기준으로, 상호작용이 실제로 시작되는 시점 (TCE - $N_W$) 부터만 갈등이 누적되도록 가중치 함수를 적용합니다. 이를 통해 실제 상호작용 단계에서의 갈등만 평가합니다.

3. 책임 (Responsibility, R) 지표:

   • 정의: 에이전트가 갈등을 완화 (de-escalate) 하는 데 기여한 비율을 측정합니다.
   • 계산: 에이전트의 행동 변화로 인한 갈등 감소량을 전체 갈등 감소량 (시간에 의한 감소 포함) 으로 나눕니다.
   • 공식: $R_x = \frac{1}{C_{total}} \int CC^-_x(t) dt$ (여기서 $x$는 에이전트 또는 시간).

4. 참여 (Engagement, E) 지표:

   • 정의: 에이전트가 갈등을 악화 (escalate) 하거나 강도 높게 만드는 데 기여한 비율을 측정합니다.
   • 의미: 악의적인 의도가 아니더라도, 다른 에이전트의 행동을 방해하거나 갈등을 유발하는 행동을 했을 때 높은 값을 가집니다.
   • 공식: $E_x = \frac{1}{C_{total}} \int CC^+_x(t) dt$.

나. 실험 설계

• 시뮬레이션 환경: 다양한 기하학적 배치 (정면 충돌, 교차, 추월), 3 인 그룹 상호작용, 무작위 군중 (Crowd) 시나리오.
• 에이전트 유형:
  • Ballistic: 반응하지 않고 일정한 속도로 이동 (무시).
  • Social Force Model (SFM): 상호작용에 반응하는 지능형 에이전트.
  • DWA (Dynamic Window Approach): 근시안적인 충돌 회피 알고리즘.
• 평가 항목: 충돌 회피뿐만 아니라 개인 공간 (Personal Space) 준수 여부도 평가하기 위해 에이전트 반지름 파라미터를 조정하여 실험 수행.

3. 주요 기여 (Key Contributions)

1. 책임 (R) 지표의 확장: 기존에 갈등 해결 단계만 평가하던 것을 넘어, 갈등 형성 단계 (buildup phase) 를 시간 정규화를 통해 포함하도록 모델을 고도화했습니다.
2. 참여 (E) 지표의 제안: 갈등을 완화하는 것뿐만 아니라, 에이전트가 갈등을 악화시키는 정도를 정량화하는 새로운 지표를 도입했습니다.
3. 다양한 시나리오에서의 검증: 2 에이전트 (dyadic), 3 에이전트 (그룹 분할), 다수 에이전트 (군중 항법) 시나리오를 통해 지표의 견고성과 적용 가능성을 입증했습니다.
4. 정량적 비교 가능성: 서로 다른 항법 알고리즘 (예: SFM vs DWA vs Ballistic) 의 행동 품질을 객관적인 수치 (R, E 분포) 로 비교할 수 있는 체계를 마련했습니다.

4. 실험 결과 (Results)

• 실험 1 (이원적 상호작용):
  • 정면 충돌, 교차, 추월 시나리오에서 한 에이전트만 반응할 경우, 반응한 에이전트의 책임 (R) 이 100% 로 할당되는 등 직관적인 결과를 보였습니다.
  • 양측 모두 반응할 경우 책임이 분배되었으며, 반응하지 않을 경우 시간 (Time) 에 의한 해결로 평가되었습니다.
  • 통찰: R 값이 0 이라는 것이 항상 나쁜 것은 아니며 (예: 뒤에서 다가오는 로봇을 보지 못하는 인간), 상호작용의 맥락 (Context) 이 중요합니다.
• 실험 2 (그룹 분할):
  • 로봇이 두 사람 (Alice, Bob) 사이를 통과할 때, 경로에 따라 R 과 E 값이 달라졌습니다.
  • 가장 좋은 전략 (그룹을 우회) 은 높은 평균 R 과 낮은 E 를 보였으며, 가장 나쁜 전략 (그룹을 강제로 분할) 은 낮은 R 과 높은 E 를 보였습니다. 이는 지표가 행동의 질적 순위를 잘 반영함을 의미합니다.
• 실험 3 (군중 항법):
  • Ballistic 로봇: 인간이 거의 모든 책임을 짐 (R ≈ 99%).
  • DWA 로봇: 일부 책임을 짐 (R ≈ 3%) 이지만 여전히 인간이 대부분 회피.
  • SFM 로봇: 가장 높은 책임 (R ≈ 33%) 을 보이며, 예측 가능한 행동으로 갈등을 능동적으로 해결함.
  • 결과: 더 예지력 있는 (foresighted) 알고리즘일수록 높은 R 값을 가지며, 이는 알고리즘 성능 평가에 유효함.
• 실험 4 & 5 (개인 공간 준수):
  • 충돌 회피뿐만 아니라 개인 공간 (Personal Space) 위반을 평가하기 위해 에이전트 크기를 조정했습니다.
  • 로봇이 충돌은 피했지만 개인 공간을 침범한 경우, R 값이 감소하고 시간 (Time) 에 의한 잔여 갈등이 증가하는 것을 확인했습니다.

5. 의의 및 결론 (Significance)

• 행동 품질 평가의 정량화: 로봇의 사회적 준거 (Social Compliance) 를 단순한 거리나 속도뿐만 아니라, 갈등 해결에 대한 기여도와 갈등 유발 정도로 평가할 수 있게 되었습니다.
• 알고리즘 개발 지원: R 과 E 지표는 학습 기반 (Learning-based) 또는 모델 기반 항법 알고리즘의 목적 함수 (Target Function) 로 활용되어, 더 안전하고 인간 친화적인 로봇 행동을 유도할 수 있습니다.
• 맥락적 이해: 지표 자체가 규범적 (Normative) 인 판단을 직접 내리는 것은 아니지만, 특정 시나리오 내에서의 행동 비교를 통해 "더 나은 행동"을 식별하는 데 강력한 도구가 됩니다.
• 한계 및 향후 과제: 현재 지표는 주로 2 에이전트 상호작용에 기반하며, 복잡한 사회적 규범이나 2 차 효과 (2nd-order effects) 를 완전히 포착하지는 못합니다. 향후 인간 상호작용 데이터셋을 활용한 지표의 Grounding(현실 기반 검증) 이 필요하다고 결론지었습니다.

이 논문은 사회적 로봇 항법 분야에서 상호작용의 인과적 책임을 정량화하는 새로운 패러다임을 제시하며, 로봇이 인간과 더 자연스럽게 공존하기 위한 평가 기준을 마련했다는 점에서 의의가 큽니다.