기술 요약: SanD-Planner

문제 정의

고도로 복잡하고 동적인 환경에서의 강건한 국소 내비게이션(local navigation)은 모바일 로보틱스의 근본적인 과제로 남아 있습니다. 기존의 모듈형 파이프라인(perception-SLAM-planning)은 지연 시간, 오차 누적, 그리고 정밀한 매핑에 대한 의존성으로 인해 동적인 설정에서 종종 실패합니다. 엔드 투 엔드(end-to-end) 학습 방식, 특히 모방 학습(Imitation Learning, IL)은 유망한 대안을 제시하지만, 다음과 같은 중대한 병목 현상에 직면해 있습니다:

1. 데이터 부족 및 효율성: 현재의 최첨단(SoTA) 방법론들은 방대한 규모의 전문가 시연(예: 수십만 개의 궤적)과 광범한 계산 자원에 크게 의존하며, 이는 해양 로보틱스나 특수 환경과 같이 데이터가 부족한 영역에서 배포를 어렵게 만듭니다.
2. 표현의 한계: 기존의 IL 플래너들은 이산적인 웨이포인트(waypoints)나 보간 스플라인(interpolating splines)을 예측하는 경우가 많습니다. 이러한 표현 방식은 근시안적 행동(짧은 계획 지평)을 초래하거나, 원거리 관측의 오류가 즉각적인 동작을 불안정하게 만드는 지각 노이즈에 취약할 수 있습니다.
3. 안전 검증: 학습 과정에 엄격한 안전 제약 조건을 통합하려면 복잡한 보상 엔지니어링이나 가치 함수(value-function) 학습이 필요하며, 이는 학습 부담을 가중시키고 샘플 효율성을 저하시킵니다.

본 논문은 구조적 기하학적 사전 지식(structural geometric priors)을 활용하고 안전 검증을 정책 학습으로부터 분리함으로써, "데이터 사막"(제한된 전문가 시연)에서도 강건한 국소 플래너를 효과적으로 학습할 수 있는지 질문합니다.

방법론: SanD-Planner

SanD-Planner는 클램프드 큐빅 B-스플라인 공간(clamped cubic B-spline space) 내에서 깊이 관측값으로부터 매끄러운 파라메트릭 경로를 직접 매핑하는, 샘플 효율적인 확산 기반(diffusion-based) 국소 플래너입니다. 이 시스템은 두 단계의 "생성 및 선택(generate-and-select)" 파이프라인을 통해 작동합니다.

1. 인지 및 조건 인코딩 (Perception and Condition Encoding)

에이전트는 4개의 깊이 이미지의 이력($O_t$), 상대적 3D 목표($g_t$), 그리고 실행된 궤적의 헤딩을 나타내는 이전 운동 컨텍스트($v^{prev}_t$)를 수신합니다.

• 시각적 인코딩: 깊이 프레임은 경량 ResNet-18 백본을 통해 처리되어 미세한 기하학적 세부 사항(예: 장애물 가장자리)을 보존하는 공간 특징 맵을 추출합니다.
• 융합: 시각적 토큰, 목표 토큰, 속도 토큰이 결합되고 2계층 트랜스포머 인코더에 의해 집계되어 다중 모달 컨텍스트 텐서($C_t$)를 형성합니다.

2. 궤적 생성 (확산 정책)

정책은 이산적인 웨이포인트를 예측하는 대신, 고정된 8개의 B-스플라인 제어점($Q_t$)을 예측합니다.

• 귀납적 편향 (Inductive Bias): B-스플라인 표현은 본질적으로 $C^2$ 연속성(매끄러움)을 강제하며 국소적 지지(local support) 특성을 활용합니다. 원거리 관측의 노이즈나 폐쇄(occlusion)는 원거리 제어점에만 영향을 미쳐 전역적인 경로 불안정화를 방지합니다.
• 확산 모델: 조건부 $C_t$가 주어졌을 때 전문가 제어점의 분포를 모델링하도록 v-예측 파라미터화(v-prediction parameterization)를 적용한 조건부 디노이징 확산 확률 모델(DDPM)이 학습됩니다.
• 시간적 일관성: 다중 모달 환경(예: 장애물의 왼쪽 또는 오른쪽 선택)에서 진동 동작을 방지하기 위해, 이전 계획의 헤딩 방향이 명시적인 컨디셔닝 토큰으로 피드백됩니다.

3. 안전 인지 후보 선택 (비판자 모듈)

복잡한 분포 모델링을 엄격한 안전 검증으로부터 분리하기 위해, 시스템은 학습된 안전 가치 함수 대신 명시적인 기하학적 비판자(critic)를 사용합니다.

• 생성: 확산 정책은 $K$개의 후보 제어점 세트를 샘플링하며, 이는 연속적인 궤적으로 매핑됩니다.
• 선택: ESDF(Euclidean Signed Distance Field) 기반의 비판자가 다음 요소들을 포함하는 비용 함수 $J$를 사용하여 후보들을 평가합니다:
  • 할인된 안전 비용 (Discounted Safety Cost): 장애물과의 근접성에 대해 페널티를 부여하며, 근거리 지평 구간에 더 높은 가중치를 둡니다.
  • 경로 효율성: 경로 길이와 목표로부터의 이탈에 대해 페널티를 부여합니다.
• 최소 비용을 가진 궤적이 재귀적 지평(receding-horizon) 방식으로 선택되어 실행됩니다.

주요 기여

1. SanD-Planner 아키텍처: 클램프드 B-스플라인 제어점 공간에서 작동하는 새로운 확산 기반 플래너입니다. 이는 단 500개의 전문가 궤적만을 사용하여 (NavDP와 같은 베이스라인이 사용하는 데이터 규모의 약 0.25%) 최첨단 성능을 달고합니다.
2. 표현 연구: B-스플라인 제어점이 이산 웨이포인트 및 보간 큐빅 스플라인보다 임의 학습에서 우수함을 보여주는 체계적인 조사를 수행했습니다. 이 연구는 파라미터 효율성, 내재된 매끄러움(귀납적 편향으로서), 그리고 표현 수준에서의 지각 노이즈에 대한 강건성 측면에서 B-스플라인의 장점을 강조합니다.
3. 제로샷 Sim-to-Real 검증: 별도의 실세계 미세 조정이나 도메인 적응 없이 다양한 실제 환경(좁은 통로, 복잡한 사무실, 계단)에서 Unitree Go2 사족보행 로봇에 성공적으로 배포되었습니다.
4. 재현성: 저자들은 데이터셋, 사전 학습된 모델, 그리고 전체 학습/평가 프레임워크를 오픈 소스로 공개할 것을 약속합니다.

실험 결과

실험은 InternNav 벤치마크(ClutteredEnv 및 InternScenes)와 실제 환경에서 수행되었습니다.

• 베이스라인 대비 성능: 500개의 에피소드만으로 학습했음에도 불구하고, SanD-Planner는 ClutteredEnv에서 90.1%의 성공률(SR), InternScenes에서 72.0%의 SR을 달와 달성했습니다. 이는 3만 개의 이미지에서 20만 개의 궤적을 사용한 iPlanner, ViPlanner, NavDP와 같은 최첨단 베이스라인들을 능가하거나 대등한 수준입니다.
• 샘플 효율성: 모델은 데이터 희소 환경에서 높은 효율성을 입증했으며, 단 50개의 궤적(데이터셋의 10%)만으로 55.5%라는 유의미한 SR을 달성했습니다. 성능은 데이터 크기에 따라 단조 증가했으나, 500-에피소드 모델만으로도 최첨단 결과를 얻기에 충분했습니다.
• 절제 연구 (Ablation Studies):
  • 표현 (Representation): B-스플라인은 원거리 불확실성을 더 잘 격리함으로써 웨이포인트 및 보간 스플라인보다 특히 긴 지평 시나리오에서 월등한 성능을 보였습니다.
  • 속도 토큰 (Velocity Token): 이전 속도 토큰을 제거했을 때 성능 저하(예: ClutteredEnv에서 86.0%에서 93.0% SR로 변화)가 발생하여, 위상적 일관성을 유지하고 조향 진동을 방지하는 데 필수적임을 확인했습니다.
• 실제 배포: 시스템은 제로샷 전이를 통해 정적 및 동적 장애물, 좁은 미로, 계단을 성공적으로 통과하며 약 10Hz의 속도로 작동했습니다.

의의 및 주장

본 논문은 학습 과정이 강력한 구조적 사전 지식에 의해 유도된다면, 강건한 국소 내 내비게이션이 반드시 방대한 데이터셋을 필요로 하는 것은 아니라고 주장합니다. 학습 목표를 가공되지 않은 궤적을 예측하는 것에서 압축된 B-스플라인 제어점을 예측하는 것으로 전환함으로써, SanD-Planner는 다음과 같은 성과를 거두었습니다:

1. 학습 복잡도 감소: 매끄러움과 안전 경계가 표현 자체에 내재되어 있어 정책의 학습 과업을 단순화합니다.
2. 안전 분리: 명시적인 기하학적 비판자를 사용함으로써, 보상 엔지니어링이나 가치 함수를 통해 안전 제약 조건을 학습해야 하는 어려움을 피합니다.
3. 데이터 효율성 실현: 현재의 스케일링 트렌드에 필요한 데이터의 극히 일부만을 사용하여 고성능 내비게이션이 가능하다는 것을 입증함으로써, 데이터가 제한된 영역에서도 고급 내비게이션을 더 쉽게 접근 가능하게 만듭니다.

저자들은 깊이 센서의 제약으로 인한 작거나 반사되는 물체에 대한 한계를 인정하며, 향-미터법 깊이 추정을 개선하기 위해 시각 기초 모델(visual foundation models)을 통합하는 후속 연구를 제안합니다. 그러나 핵심적인 기여는 구조화된 표현과 분리된 안전 검증을 통해 샘플 효율적이고 강건한 계획이 가능하다는 것을 입증한 데 있습니다.