From Legible to Inscrutable Trajectories: (Il)legible Motion Planning Accounting for Multiple Observers

로봇이 분주한 공장 바닥이나 병원 복도를 이동하는 모습을 상상해 보십시오. 그것은 단순히 정해진 지시를 따르는 기계가 아니라, 하나의 사회적 행위자입니다. 로봇이 회전하거나, 멈추거나, 속도를 높일 때마다, 그것은 주변의 사람들과 다른 기계들에게 무언의 메시지를 보냅니다. 로봇 공학 분야에서 이 무언의 의사소통은 '명료성(legibility)'이라고 알려져 있습니다. 명료한 경로란 관찰자가 로봇이 어디로 가고 있는지 빠르고 정확하게 추측할 수 있는 경로를 의미합니다. 만약 로봇이 자신의 목적지를 분명하게 드러내는 방식으로 움직인다면, 인간이 로봇과 안전하게 협력하는 데 도움이 됩니다. 하지만 규칙은 관찰자가 누구냐에 따라 달라집니다. 인간과 로봇이 함께 일하는 창고와 같은 협력적인 환경에서는 로봇이 최대한 명확하게 움직여야 합니다. 반면 군사 작전이나 게임과 같은 경쟁적 또는 적대적 환경에서는, 상대방이 다음 움직임을 예측하지 못하도록 로봇이 자신의 실제 목적지를 숨겨야 할 수도 있습니다. 이는 복잡한 퍼즐을 만들어냅니다. 로봇이 어떤 사람에게는 명확하게 보이면서 동시에 다른 사람에게는 숨겨져야 하고, 그 와중에 어떤 이의 시야는 가로막고 어떤 이의 시야는 가로막지 않는 벽을 피해 항해해야 한다면 어떤 일이 벌어질까요?

일리노이 대학교 어바나-샴페인 캠퍼스의 연구진들은 '혼합 동기 제한된 관측 가능 명료 이동 계획(Mixed-Motive Limited-Observability Legible Motion Planning)'이라고 부르는 새로운 문제를 도입함으로써 바로 이 과제에 도전했습니다. 그들의 연구는 로봇이 두 가지 상충하는 요구를 충족하는 단 하나의 경로를 계획해야 하는 시나리오를 설명합니다. 로봇은 '긍정적' 관찰자(우호적이거나 협력적인 사람들)에게는 이해하기 쉬워야 하는 동시에, '부정적' 관찰자(적대적인 사람들)에게는 혼란을 주거나 오도해야 합니다. 상황을 더욱 복잡하게 만드는 것은 이러한 관찰자들이 모두 같은 것을 보지는 않는다는 점입니다. 어떤 이들은 방의 작은 구석만을 볼 수도 있고, 장애물에 의해 시야가 가려질 수도 있습니다. 연구진은 이 문제를 해결하기 위해 '궤적 최적화 도구(trajectory optimizer)'라고 명명한 새로운 소프트웨어 도구를 개발했습니다. 이 도구는 궤적 최적화 도구로서 작동하며, 로봇이 상충하는 필요 사항들의 균형을 맞추며 가야 할 정확한 경로를 계산합니다. 모든 사람에게 명료하거나 모든 사람에게 보이지 않으려고 노력하는 대신, 이 궤적 최적화 도구는 각 사람이 실제로 무엇을 볼 수 있는지에 기초하여, 적절한 사람에게는 명료하고 부적절한 사람에게는 불명료해지는 방법을 찾아냅니다.

이것이 어떻게 작동하는지 이해하기 위해, 로봇이 부정적 관찰자를 다룰 때 사용할 수 있는 두 가지 주요 전략을 살펴보십시오. 첫 번째는 '미끼(decoy)' 전략입니다. 여기서 로봇은 의도적으로 가짜 목적지를 향해 움직여 관찰자가 그곳으로 가고 있다고 믿게 만듭니다. 그러다 마지막 순간에서야 실제 목표를 향해 방향을 틉니다. 이것은 로봇이 상대방을 적극적으로 속이고 싶을 때 효과적입니다. 두 번째 전략은 '모호함(ambiguous)' 또는 회피 접근법입니다. 이 경우, 로봇은 부정적 관찰자의 시야 내에 머무는 시간을 최소화하려고 노력하거나, 모든 가능한 목적지가 똑같이 가능해 보이도록 움직여서 관찰자가 실제 목표를 전혀 추측할 수 없게 만듭니다. 연구진은 최선의 선택이 방의 배치와 지켜보는 사람들의 의도에 전적으로 달려 있다는 것을 발견했습니다. 만약 우호적인 관찰자와 비우호적인 관찰자가 같은 위치에 서 있다면, 로봇은 그들의 중요성을 저울질해야 합니다. 만약 우호적인 관찰자가 더 중요하다면, 로봇은 비록 비우호적인 관찰자가 조금 더 많이 보게 되더라도 그들에게 명확하게 보이는 것을 우선시할 것입니다. 만약 비우호적인 관찰자가 더 위험하다면, 로봇은 우호적인 관찰자에게 경로가 덜 명확해지더라도 완전히 숨거나 미끼를 사용하는 전략을 택할 수 있습니다.

연구팀은 궤적 최적화 도구가 얼마나 잘 수행되는지 확인하기 위해 다양한 시뮬레이션 환경에서 그들의 시스템을 테스트했습니다. 한 시나리오에서 로봇은 녹색 구역에 있는 우호적인 관찰자에게는 명확해야 했고, 적색 구역에 있는 비우호적인 관찰자로부터는 숨겨져야 했습니다. 소프트웨어는 녹색 구역을 통과하며 의도를 명확히 보여주는 곡선 경로를 생성하는 동시에, 적색 구역에서 완전히 벗어나거나 적색 구역의 관찰자를 혼란스럽게 만드는 방식으로 경로를 생성하는 데 성공했습니다. 또 다른 테스트에서 연구진은 우호적인 관찰자와 비우호적인 관찰자를 겹치는 영역에 배치했습니다. 그들은 로봇이 양쪽 모두를 위한 경로를 찾을 수 있음을 발견했지만, 여기에는 절충안이 필요했습니다. 예를 들어, 비우호적인 관찰자가 더 강한 '동기'나 영향력을 가진다면, 로봇은 비록 우호적인 관찰자가 로봇의 목표를 이해하는 데 시간이 조금 더 걸리더라도 더 기만적인 경로를 택할 것입니다. 결과는 궤적 최적화 도구가 단순한 직선이나 효율성만을 고려한 경로보다 훨씬 더 나은 경로를 생성할 수 있음을 보여주었습니다. 이 도구는 특정 제약 조건에 따라 행동을 조정하며, 적절한 사람에게는 매우 명료하고 부적절한 사람에게는 매우 불명료한 궤적을 만들어낼 수 있었습니다.

연구진은 또한 목표가 완전히 반대 방향에 있을 때 어떤 일이 발생하는지 탐구했습니다. 이러한 어려운 경우, 일반적으로 직선이 가장 효율적인 경로이지만, 너무 읽기 쉬울 수 있습니다. 궤적 최적화 도구는 미끼 전략을 사용하여 로봇이 오랫동안 가짜 목표를 향해 움직여 관찰자가 잘못된 방향으로 가고 있다고 확신하게 만든 뒤, 갑자기 실제 목적지로 급회전할 수 있음을 보여주었습니다. 이는 관찰자가 올바른 추측을 하는 시점을 경로의 맨 마지막까지 지연시켰습니다. 그러나 연구팀은 현재의 작업이 환경이 정적이고 관찰자가 움직이지 않는 시뮬레이션에 의존하고 있다는 점을 언급했습니다. 그들은 실제 세계의 응용 분야에서는 로봇이 움직이는 사람들과 변화하는 시야를 실시간으로 처리해야 할 것임을 인정합니다. 또한 그들의 시스템은 로봇이 관찰자가 정확히 어디에 있는지, 그리고 무엇을 볼 수 있는지를 알고 있다고 가정하는데, 이는 혼란스러운 실제 환경에서는 항상 사실이 아닐 수도 있습니다. 그럼에도 불구하고, 이 연구는 이전에 해결되지 않았던 문제, 즉 어떻게 동시에 누군가에게는 명확하면서 다른 누군가에게는 숨겨질 수 있는지에 대한 명확한 수학적 프레임워크를 제공합니다.

궁극적으로, 이 연구는 로봇이 단순히 효율적이거나 단순히 예의 발라야 한다는 아이디어를 넘어섭니다. 이는 여러 관찰자가 존재하는 세상에서 로봇의 경로는 다양한 청중에게 맞춤화될 수 있는 일종의 의사소통임을 인식하는 것입니다. 궤적 최적화 도구 시스템은 투명성의 필요성과 프라이버시의 필요성 사이에서 균형을 잡으며, 여러 주인에게 봉사하는 경로를 계산하는 것이 가능하다는 것을 입증합니다. 로봇이 창고에서 병원에 이르기까지 우리 일상생활에서 점점 더 흔해짐에 따라, 이러한 사회적 및 전략적 복잡성을 항해하는 능력은 점점 더 중요해질 것입니다. 이 연구는 로봇의 움직임을 단순히 A 지점에서 B 지점으로 이동하는 물리적 행위가 아니라, 누가 로봇의 계획을 알게 될 것인지, 그리고 누가 알지 못할 것인지에 대한 전략적 결정으로 생각하는 새로운 방식을 제시합니다.