Trajectory Prediction via Bayesian Intention Inference under Unknown Goals and Kinematics

당신이 북적이는 공원에 서서, 어딘가로 가려고 애쓰는 한 친구를 지켜보고 있다고 상상해 보세요. 당신은 그 친구가 어디로 가고 있는지, 그리고 어떤 방식으로 갈 것인지 추측하고 싶습니다. 이것이 로봇, 자율주 주행 자동차, 그리고 드론이 마주하는 일상의 도전 과제입니다. 즉, 움직이는 다른 대상이 다음에 무엇을 할지 예측해야 하는 것이죠. 하지만 까다로운 점은, 당신이 보고 있는 그 사람이 갑자기 마음을 바꾸거나, 매우 이상하고 예측 불가능한 방식으로 움직일 수도 있다는 것입니다. 그들은 자신의 계획을 말해주지 않으며, 당신은 그들의 보행 스타일도 알지 못합니다. 로봇 공학의 세계에서는 이를 '의도 추론(intention inference)'이라고 부릅니다. 이는 마치 미로 속을 걷고 있는 사람의 마음을 읽으면서, 그 사람의 목적지와 이동 방식(walking style)을 동시에 추측하는 것과 같습니다. 게다가 그 사람은 언제든 계획을 바꿀 수도 있습니다. 만약 로봇이 잘못 추측한다면, 충돌하거나 길을 막게 될 수도 있습니다. 그래서 과학자들은 과거의 행동 데이터를 방대하게 학습하지 않고도, 어떻게 하면 더 빠르고 정확하게 이러한 추측을 할 수 있을지 끊임없이 연구하고 있습니다.

이 논문은 로봇이 이 추측 게임을 수행할 수 있는 영리하고 새로운 방법을 소개합니다. 저자인 윤순찬, 루즈후이, 샤오슈아이 모우는 '베이지안(Bayesian)' 알고리즘을 개발했습니다. 이것을 매 초마다 자신의 믿음을 업데이트하는 아주 똑똑한 탐정이라고 생각해 보세요. 단순히 목적지를 추측하고 그것을 고수하거나, 대상이 완벽하고 예측 가능한 직선으로 움직인다고 가정하는 대신, 이 로봇 탐정은 두 가지 일을 동시에 수행합니다. 첫째, 대상이 가고자 하는 곳(목표)을 추측합니다. 둘째, 대상이 어떻게 움직이는지(빠르고 직선적인 러너인지, 아니면 느릿느릿 헤매는 방랑자인지)를 추측합니다. 가장 멋진 점은 이 탐정이 이 두 가지를 함께 학습한다는 것입니다. 만약 대상이 갑자기 방향을 바꾼다면, 탐정은 "아, 이 사람은 그냥 헤매는 게 아니라 실제로 마음을 바꿨구나!"라고 깨닫고 즉시 자신의 추측을 업데이트합니다.

이 방법은 놀라울 정도로 빠르고 정확하다는 것을 논문은 보여줍니다. 컴퓨터 시뮬레이션에서 로봇은 초당 547번의 추측을 할 수 있었습니다. 이는 인간의 눈이 깜빡이는 것보다 훨씬 빠른 속도입니다! 연구진은 목표가 무작위로 바뀌는 가상의 대상과 실제 로봇(비행 드론 및 사족 보행 로봇 포함)을 대상으로 테스트를 진행했습니다. 이 테스트에서 새로운 방법은 목표를 고정하거나 이동 방식을 이해하지 못하는 기존 방식들에 비해 훨씬 더 나은 예측 성능을 보였습니다. 저자들은 '어디로'와 '어떻게'를 동시에 계속 업데이트함으로써, 로봇이 대상이 매우 노이즈가 심하거나 예측 불가능하게 움직일 때도 훨씬 더 잘 대처할 수 있음을 발견했습니다. 그들은 수천 번의 컴퓨터 실험과 실제 하드웨어 테스트를 통해, 이 방식이 방대한 데이터를 미리 학습하지 않고도 작동한다는 것을 증명했습니다.

탐정의 이중 확인 (The Detective's Double-Check)

이것이 어떻게 작동하는지 이해하기 위해, 이 논문이 해결하는 두 가지 주요 문제를 살펴보겠습니다. 첫 번째 문제는 대상(사람이나 다른 로봇 등)이 종종 마음을 바꾼다는 점입니다. 공을 쫓는 강아지를 상상해 보세요. 강아지는 공을 향해 곧장 달려갈 수도 있지만, 갑자기 다람쥐를 발견하고 방향을 바꿀 수도 있습니다. 기존의 방식들은 흔히 대상이 하나의 고정된 목표를 가지고 있다고 가정하며, 대상이 명확히 경로를 변경하더라도 이를 고수합니다. 이 논문은 목표가 고정된 것이 아니라, 전등을 켜고 끄는 것처럼 바뀔 수 있다고 주장합니다. 저자들은 이를 '마르코프 과정(Markovian process)'을 사용하여 모델링했는데, 이는 목표가 확률에 따라 언제든 변할 수 있다는 것을 의미하는 세련된 표현입니다.

두 번째 문제는 대상이 어떻게 움직이는지 모른다는 점입니다. 대상이 최단 경로를 완벽하게 따르는 로봇인가요? 아니면 조금 헤매는 사람인가요? 논문은 이를 설명하기 위해 $\alpha$(알파)라는 특별한 숫자를 도입합니다. 높은 $\alpha$는 대상이 매우 단호하게 효율적인 직선 경로를 따른다는 것을 의미합니다. 낮은 $\alpha$는 대상이 '노이즈'가 많거나 무작위적이며, 예를 들어 지그재그로 움직이거나 멈춰 서는 것을 의미합니다. 여기서의 큰 혁신은, 논문이 $\alpha$를 로봇이 실시간으로 파악해야 하는 미지의 값으로 취급한다는 점입니다. $\alpha$를 고정된 숫자로 가정하고 고수하는 대신, 알고리즘은 새로운 움직임을 볼 때마다 $\alpha$에 대한 추측을 업데이트합니다.

두 가지 일을 동시에 하는 마법

이 논문이 발견한 핵심은 목표와 이동 방식을 따로 추측해서는 안 된다는 것입니다. 만약 목표를 잘못 추측하면, 대상이 특정 장소로 가려고 노력 중임에도 불구하고 단순히 무작위로 움직이고 있다고 생각할 수 있습니다. 반대로 이동 방식을 잘못 추측하면, 대상이 목표를 바꾸고 있는 것이 아니라 단지 이상한 경로로 움직이고 있는 것뿐인데도 목표를 바꾸고 있다고 오해할 수 있습니다.

저자들은 두 가지 추측을 동시에 업데이트하는 알고리즘을 구축했습니다. 이는 마치 용의자가 코너를 도는 것을 본 탐정이 즉시 두 가지 질문을 던지는 것과 같습니다. "이 사람이 방금 목적지를 바꿨는가?" 그리고 "이 사람은 빠른 러너인가, 아니면 느린 보행자인가?" 이 두 질문에 동시에 답함으로써, 탐정은 훨씬 더 명확한 그림을 얻을 수 있습니다. 논문은 만약 목표만 업데이트하고 이동 방식은 고정하거나(혹은 그 반대로), 예측이 엉망이 되고 부정확해진다는 것을 보여줍니다. 특히 대상이 갑작스럽게 계획을 바꿀 때 더욱 그렇습니다. 하지만 두 가지를 모두 업데이트하면, 로봇은 대상이 까다롭게 움직이더라도 침착하고 정확하게 유지됩니다.

이론의 검증

저자들은 단순히 이론만 제시한 것이 아니라, 세 가지 방식으로 이를 검증했습니다.

첫째, 수천 번의 컴퓨터 시뮬레이션을 실행했습니다. 목표가 무작위로 바뀌고 다양한 수준의 '노이즈'를 가진 가상의 대상을 만들었습니다. 그리고 새로운 방식을 세 가지 다른 방식과 비교했습니다: 고정된 목표와 고정된 이동 방식을 가정한 방식, 목표는 바꿀 수 있지만 이동 방식은 바꿀 수 없는 방식, 그리고 이동 방식은 바꿀 수 있지만 목표는 바꿀 수 없는 방식입니다. 결과는 명확했습니다. 두 가지를 모두 바꾸는 새로운 방식이 올바른 목표를 맞히고 미래 경로를 예측하는 데 가장 뛰어났습니다. 특히 대상이 마음을 바꾼 후 빠르게 회복하는 능력이 탁월했습니다.

둘째, 알고리즘이 다양한 난이도를 어떻게 처리하는지 테스트했습니다. 가능한 목표의 수를 늘리고, 예측 길이를 늘리고, 지도의 복잡성을 높였습니다. 상황이 복잡해지더라도 알고리즘은 약 547 Hz(즉, 초당 547번 계산함)의 속도로 빠르게 작동하며 효율성을 유지했습니다. 이는 즉각적인 반응이 필요한 로봇의 실시간 사용에 충분한 속도입니다.

셋째, 알고리즘을 실제 환경에 적용했습니다. 쿼드로터(드론)와 사족 보행 로봇(강아지 형태의 로봇)에 알고리즘을 탑재했습니다. 이 실험에서 인간 운영자가 로봇을 움직이다가 갑자기 목적지를 변경했습니다. 로봇은 다음 목적지를 추측해야 했습니다. 논문은 알고리즘이 로봇이 빠르게 움직이거나 갑자기 방향을 바꿀 때도 새로운 목표를 정확히 식별하고 경로를 정확하게 예측했음을 보여줍니다. 드론과 사족 보행 로봇 모두 예측을 잘 따라갔으며, 이는 이 방식이 컴퓨터 밖의 실제 환경에서도 작동함을 입증했습니다.

이것이 왜 중요한가

이 논문은 이러한 '적응형(adaptive)' 접근 방식이 중요한 진전이라고 결론짓습니다. 이 방식은 로봇이 대상을 이전에 본 적이 없거나 방대한 양의 훈련 데이터 라이브러리를 가질 필요가 없습니다. 그저 대상을 관찰하고 실시간으로 자신의 믿음을 업데이트하기만 하면 됩니다. 저자들은 이 방식이 보안 드론, 자율 주행 자동차, 그리고 인간이나 다른 예측 불가능한 존재와 함께 작업해야 하는 모든 로봇에게 매우 유용하다고 제안합니다. '어디로' 가는지와 '어떻게' 움직이는지를 모두 다룰 수 있게 됨으로써, 로봇은 더 안전하고 신뢰할 수 있게 됩니다. 이 논문은 세상의 모든 문제를 해결했다고 주장하는 것이 아니라, 목적지와 이동 방식을 동시에 학습하게 함으로써 우리가 놀라움이 가득한 세상에서 훨씬 더 나은 예측을 할 수 있음을 보여줍니다.