Safe Planning in Unknown Environments Using Conformalized Semantic Maps

1. 문제 정의 (Problem Statement)

이 논문은 지각 불확실성 (Perceptual Uncertainty) 하에서 미지의 환경을 탐색하는 로봇의 의미론적 도달 - 회피 (Semantic Reach-Avoid) 계획 문제를 다룹니다.

• 환경: 로봇은 위치와 의미론적 카테고리 (예: 사람, 차량, 나무 등) 를 알 수 없는 다양한 객체와 영역이 존재하는 환경에서 작동합니다.
• 목표: 로봇은 목표 지점에 도달해야 하며, 동시에 각 객체 카테고리별로 정의된 안전 거리 (Safety Distance) 를 유지해야 합니다. (예: 차량으로부터 3m, 나무로부터 1m 이상 유지)
• 핵심 난제:
  • 기존 방법들은 지각 (Perception) 또는 매핑 (Mapping) 출력값을 '진실 (Ground Truth)'로 간주하여 불확실성을 무시하므로, 안전성 보장이 불가능합니다.
  • 다른 방법들은 센서 모델이나 노이즈 분포 (예: 가우시안 노이즈) 를 정확히 알고 있다고 가정하지만, 실제 AI 기반 지각 시스템에서는 이러한 가정이 성립하지 않습니다.
• 연구 목표: 센서 모델이나 노이즈 특성에 대한 사전 지식 없이도, 사용자가 정의한 확률 (예: 95% 성공률) 로 미션을 완수할 수 있는 계획 알고리즘을 개발하는 것입니다.

2. 제안된 방법론 (Methodology)

저자들은 합의 예측 (Conformal Prediction, CP) 을 활용하여 의미론적 지도의 불확실성을 정량화하고, 이를 기반으로 안전성을 보장하는 계획을 수립하는 프레임워크를 제안합니다.

A. 의미론적 지도의 불확실성 정량화 (Conformalization of Semantic Maps)

• 기존 접근의 한계: 기존 매핑 알고리즘 (예: 심층 학습 기반) 은 각 그리드 셀의 카테고리 확률 분포 (PMF) 를 출력하지만, 이는 실제 확률을 정확히 반영하지 않을 수 있습니다.
• 합의 예측 (CP) 적용:
  • 보정 (Calibration): 알려진 지면 진실 (Ground Truth) 을 가진 보정 환경 집합을 사용하여, 매핑 알고리즘의 오차를 측정하는 비동일성 점수 (Non-Conformity Score, NCS) 를 계산합니다.
  • 예측 집합 (Prediction Sets): 테스트 환경에서 각 셀 $j$에 대해, 지면 진실 레이블이 포함될 확률이 $1-\alpha$ (사용자 정의 신뢰도) 이상이 되도록 레벨 집합 $C_j(m_t)$ 를 생성합니다.
  • 특징: 이 과정은 센서 모델이나 노이즈 분포에 대한 가정이 필요 없으며 (Model- and Distribution-free), 통계적으로 보장이 가능합니다.

B. 안전 의미론적 계획 (Safe Semantic Planning)

제안된 계획기는 합의된 지도 (Conformalized Map) 를 기반으로 탐색 (Exploration) 과 이용 (Exploitation) 모드를 동적으로 전환합니다.

1. 이용 모드 (Exploitation Phase):
   • 생성된 예측 집합 $C_j(m_t)$ 내의 모든 가능한 레이블 중 가장 보수적인 (가장 엄격한) 안전 거리를 가진 레이블을 선택합니다.
   • 이 보수적인 지도를 기반으로 기존 경로 계획 알고리즘 (예: A*) 을 사용하여 목표 지점까지의 경로를 찾습니다.
   • 경로가 존재하면 로봇은 해당 경로를 따릅니다.
2. 탐색 모드 (Exploration Phase):
   • 이용 모드에서 안전 경로를 찾을 수 없는 경우 (불확실성이 너무 커서 경로가 막힌 경우), 로봇은 불확실성을 줄이기 위해 탐색 모드로 전환합니다.
   • 예측 집합의 크기를 줄이는 방향으로 정보를 수집하는 경로를 생성하여, 다시 이용 모드로 복귀할 수 있도록 합니다.

3. 주요 기여 (Key Contributions)

1. 최초의 확률적 보장 의미론적 계획기: 센서 모델이나 노이즈 특성에 대한 가정 없이, 지각 불확실성 하에서 사용자 정의 성공률로 미션을 완수하는 첫 번째 의미론적 계획기를 제안했습니다.
2. 의미론적 지도에 대한 합의 예측 적용: 기존 매핑 알고리즘이 생성한 의미론적 지도의 불확실성을 정량화하기 위해 합의 예측 (CP) 을 최초로 적용했습니다. 이는 모델 중립적 (Model-agnostic) 인 접근법입니다.
3. 이론적 및 실험적 검증: 제안된 방법이 이론적으로 미션 완료 확률 보장을 제공함을 증명하고, 시뮬레이션 및 실제 하드웨어 실험을 통해 기존 방법들보다 뛰어난 성능을 입증했습니다.

4. 실험 결과 (Results)

• 실험 설정: Gazebo 시뮬레이션 및 Clearpath Husky/Jackal 로봇을 사용한 실제 실험. 다양한 의미론적 객체 (사람, 차량, 트럭, 나무) 가 포함된 61 개의 테스트 환경에서 평가.
• 성능 지표:
  • 지도 성공률 (Mapping Success Rate): 예측 집합이 모든 셀의 지면 진실을 포함하는 비율.
  • 미션 성공률 (Mission Success Rate): 안전 제약 조건을 위반하지 않고 목표에 도달하는 비율.
• 주요 결과:
  • 보장된 성공률: 사용자가 설정한 성공률 (예: 95%) 에 대해, 제안된 방법은 이론적 하한을 만족하거나 근접한 미션 성공률 (98.36% 등) 을 달성했습니다.
  • 기저선 (Baseline) 대비 우월성:
    • 불확실성 무관 (UA) 계획기: 지각 오차로 인해 안전 위반이 빈번하게 발생했습니다.
    • 불확실성 인지 (UI) 계획기: 매핑 알고리즘의 확률을 그대로 사용하여 보정되지 않았기 때문에, 제안된 방법보다 성공률이 낮았습니다.
  • 탐색 - 이용 트레이드오프: 요구되는 성공률 ($1-\alpha$) 이 높을수록 더 보수적인 경로가 생성되어 이동 거리가 길어지고, 불확실성을 줄이기 위한 탐색 비율이 증가하는 경향이 관찰되었습니다.
  • OOD (Out-of-Distribution) 성능: 훈련 분포와 다른 조명 조건이나 객체 수 변화 환경에서도 높은 성공률을 유지했으나, 일부 성능 저하가 관찰되었습니다.

5. 의의 및 결론 (Significance)

이 논문은 AI 기반 지각 시스템의 불확실성을 통계적으로 엄격하게 처리하여 로봇의 안전성을 보장하는 새로운 패러다임을 제시합니다.

• 실용성: 실제 로봇 응용에서 센서 모델의 복잡성을 고려할 필요 없이, 블랙박스 형태의 지각 모듈을 사용하더라도 안전성을 수학적으로 보장할 수 있습니다.
• 신뢰성: "가장 보수적인 시나리오"를 가정하여 경로를 계획함으로써, 지각 오류로 인한 치명적인 사고를 방지할 수 있습니다.
• 미래 방향: 활성 탐색 (Active Exploration) 알고리즘 고도화, OOD 상황 대응을 위한 강건한 CP 방법론 개발, 센서 자체의 불확실성 정량화 등을 향후 과제로 제시했습니다.

요약하자면, 이 연구는 불완전한 지각 정보를 가진 로봇이 안전하고 신뢰할 수 있는 방식으로 미지의 환경을 탐색할 수 있도록 하는 이론적 틀과 실용적 알고리즘을 제공합니다.