High-Level Multi-Robot Trajectory Planning And Spurious Behavior Detection

1. 문제 정의 (Problem Definition)

이 논문은 이질적인 에이전트 (heterogeneous agents) 로 구성된 다중 로봇 시스템에서 고수준 임무의 신뢰성 있는 실행을 보장하기 위한 비정상 행동 (Spurious Behavior) 감지 문제를 다룹니다.

• 배경: 다중 로봇 시스템은 감시, 구조, 지역 커버리지 등 복잡한 임무에 효율성과 견고성을 제공하지만, 개별 로봇의 국소적 움직임은 정상이더라도 팀 전체의 행동이 임무 의도와 어긋날 수 있습니다.
• 핵심 문제: 로봇 고장, 지연, 잘못된 작업 순서, 공간 제약 위반, 타이밍 불일치 등으로 인해 발생하는 비정상 궤적 (Spurious Trajectories) 을 식별하는 것이 어렵습니다.
• 기존 연구의 한계: 대부분의 기존 연구는 개별 에이전트의 저수준 고장에 초점을 맞추거나, 고수준 임무 의미론 (Mission Semantics) 과 저수준 실행 간의 괴리를 고려하지 못했습니다.

2. 방법론 (Methodology)

저자들은 Nets-within-Nets (NWN) 패러다임과 Transformer 기반의 머신러닝 파이프라인을 결합한 구조화된 데이터 생성 및 감지 프레임워크를 제안합니다.

A. 모델링 및 데이터 생성 (Nets-within-Nets Paradigm)

• NWN 구조:
  1. 명세 네트워크 (Specification Net): 전역 임무를 선형 시간 논리 (LTL) 공식 (예: $\diamond(y_1 \land \diamond(y_2 \land \diamond y_3))$) 으로 정의하는 페트리 넷 (Petri Net) 입니다.
  2. 로봇 네트워크 (Robot Nets): 개별 로봇의 행동을 이산 사건 시스템으로 추상화한 페트리 넷입니다.
  3. 시스템 네트워크 (System Net): 로봇 네트워크와 명세 네트워크를 동기화하여 팀의 행동을 조정하는 상위 레벨 페트리 넷입니다.
• 데이터 생성:
  • Renew 시뮬레이터: NWN 구조를 기반으로 정상 및 비정상 궤적을 생성합니다. LTL 명세 위반 (고수준) 이나 로봇 넷 수정을 통해 비정상 행동을 주입합니다.
  • VMAS 시뮬레이션: 고수준 심볼릭 시뮬레이션으로는 얻기 어려운 실제 물리적 이동 시간 ($t_i$) 을 얻기 위해 저수준 다중 로봇 시뮬레이터 (VMAS) 를 활용하여 RRT* 및 잠재장 (Potential Fields) 기반의 충돌 회피를 수행합니다.

B. 궤적 인코딩 (Trajectory Encoding)

생성된 심볼릭 로그를 머신러닝 입력으로 변환하기 위해 Action-Token 인코딩 방식을 사용합니다. 각 로봇 행동은 다음과 같은 벡터로 변환됩니다:

• Robot ID: 학습 가능한 임베딩 행렬.
• Place (Start/End): 소스 및 목적지 위치 임베딩.
• Duration: 로그 정규화 후 2D 각도 임베딩 ($\sin, \cos$) 으로 변환.
• Label Transition: 시작 및 종료 레이블을 나타내는 벡터.
• Positional Encoding: Transformer 의 순서 이해를 위한 고정된 정현파 (Sinusoidal) 위치 임베딩.
• 이 모든 요소가 연결되어 하나의 행동 토큰 (Action Token) 을 형성합니다.

C. 머신러닝 아키텍처 (Transformer-based Pipeline)

• 입력: 인코딩된 행동 토큰 시퀀스.
• 구조:
  1. Linear Projection: 입력을 256 차원 잠재 공간으로 매핑.
  2. Transformer Encoder: 4 개의 어텐션 헤드를 가진 다중 자기 어텐션 (Self-Attention) 레이어를 통해 궤적 내의 복잡한 관계 (로봇 간 상호작용, 시간적 순서) 를 포착.
  3. Max Pooling: 시퀀스 출력을 고정 크기의 벡터로 집계.
  4. Classifier Head: MLP(다층 퍼셉트론) 와 시그모이드 활성화 함수를 사용하여 '정상' 또는 '비정상'으로 분류하는 확률을 출력.

3. 주요 기여 (Key Contributions)

1. 구조화된 데이터셋 생성 프레임워크: NWN 패러다임을 활용하여 LTL 명세와 로봇 행동을 동기화하고, 다양한 유형의 비정상 행동 (지정 구역 침입, 순서 위반, 상호 배제 경로 위반 등) 을 포함한 대규모 다중 로봇 궤적 데이터셋을 생성했습니다.
2. 고수준 비정상 행동 감지 파이프라인: 개별 로봇의 국소적 오류가 아닌, 팀 전체의 임무 의미론적 위반을 감지할 수 있는 학습 기반 (Learning-based) 분류기를 제안했습니다.
3. 효율적인 임베딩 및 아키텍처 설계: 단순한 One-Hot 인코딩이 아닌, 행동의 시간적, 공간적, 의미론적 특성을 포착하는 전용 임베딩과 Transformer 기반 아키텍처를 설계하여 높은 감지 정확도를 달성했습니다.

4. 실험 결과 (Experimental Results)

시뮬레이션 환경에서 다양한 비정상 사례에 대한 평가가 수행되었습니다.

• 전반적 성능:
  • 저수준 실행 오류 감지: 91.3% 의 정확도 (F1-Score 0.923).
  • 핵심 임무 위반 감지 (순서, 동시성 등): 평균 88.3% 의 정확도.
  • 조건부 접근 위반 등 복잡한 경우: 66.8% 의 정확도 (상대적으로 낮은 성능은 맥락 의존적 오류 식별의 난이도 때문).
• 구체적인 사례별 성능 (F1-Score):
  • 금지 구역 침입 (Forbidden Zone Breaching): 0.994 (거의 완벽)
  • 순서 위반 (Sequentiality Violation): 0.906
  • 동시성 위반 (Simultaneity Violation): 0.829
  • 재귀 루프 수정 (Recurrent Loop): 0.825
• Ablation Study (임베딩 및 아키텍처 분석):
  • 제안된 복잡한 임베딩 (학습 가능한 ID/위치, 각도 인코딩 등) 이 단순한 One-Hot 인코딩이나 원시 데이터 입력보다 월등히 우수한 성능을 보였습니다.
  • Multi-head Attention 은 비정상 패턴을 포착하는 데 필수적이며, 헤드의 수를 지나치게 줄이거나 늘리는 것은 성능을 저하시킵니다.

5. 의의 및 한계 (Significance & Limitations)

• 의의:
  • 고수준 임무 명세 (LTL) 와 저수준 물리적 실행 간의 간극을 메우며, 팀 전체의 행동 맥락에서 비정상성을 감지하는 새로운 접근법을 제시했습니다.
  • 기존 연구가 놓치던 미세한 행동 불일치 (예: 순서 오류, 조건 충족 실패) 를 높은 정확도로 식별할 수 있음을 입증했습니다.
• 한계 및 향후 과제:
  • 일반화 부족: 현재 모델은 각 비정상 유형별로 별도의 재학습이 필요하며, 모든 고수준 비정상 사례에 대해 범용적으로 작동하지는 않습니다.
  • 정밀 위치 파악 불가: 궤적이 비정상임을 분류할 수는 있으나, 어떤 시점에서 어떤 로봇이 오류를 일으켰는지 구체적으로 위치 (Localization) 를 특정하지는 못합니다.
  • 향후 계획: LTL 명세에 조건부 학습을 도입하여 일반화를 개선하고, 세분화된 레이블 데이터를 활용해 오류 발생 시점과 원인을 정밀하게 추적하는 방향으로 연구를 확장할 예정입니다.

이 논문은 다중 로봇 시스템의 안전성과 신뢰성을 보장하기 위해 형식적 방법 (Formal Methods) 과 딥러닝을 융합한 강력한 프레임워크를 제시했다는 점에서 중요한 의의를 가집니다.