💻 computer science

MR-STORM: Scalable Multi-Arm Control By Distributed MPC

이 논문은 대규모 병렬 GPU 샘플링과 동적 우선순위 기법을 활용하여 복잡한 환경에서 확장 가능한 충돌 없는 다중 암 조작을 가능하게 하는 분산 샘플링 기반 MPC 프레임워크인 MR-STORM을 소개하며, 시뮬레이션과 물리적 하드웨어 모두에서 우수한 성능을 입증한다.

원저자: Dan Evron, Elias Goldsztejn, Dan R. Suissa, Ronen I. Brafman

게시일 2026-09-09

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Dan Evron, Elias Goldsztejn, Dan R. Suissa, Ronen I. Brafman

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

현대 로봇 공학의 활기찬 세계에서, 기계들이 나란히 협력하여 작업하는 잠재력을 오랫동안 가로막아 온 지속적인 과제가 있었습니다. 단일 로봇 팔은 정밀하게 움직이도록 프로그래밍될 수 있지만, 여러 개의 로봇 팔을 좁은 공간에서 조율하는 것은 전혀 다른 문제입니다. 여러 로봇 팔이 공유된 작업 공간에서 작동할 때, 이들은 각자의 목표에 도달하려고 노력하는 동시에 서로 부딪히는 것을 끊임없이 피해야 합니다. 전통적인 방식은 중앙 컴퓨터가 모든 로봇 팔의 완벽한 경로를 한꺼번에 계산하는 데 의존하는데, 이는 로봇의 수가 늘어남에 따라 계산량이 압도적으로 많아지는 문제가 있습니다. 또 다른 접근 방식은 각 로봇이 독립적으로 자신의 경로를 계획하게 하지만, 이는 종종 두 팔이 누가 먼저 움직여야 할지 합의하지 못해 무한히 망설이거나 충돌하는 혼란을 초사합니다. 동작 계획(motion planning) 분야는 중앙의 통제 없이도 공간을 협상할 만큼 영리하면서도 갑작스러운 변화에 반응할 수 있을 만큼 빠른 시스템을 구축함으로써 이 문제를 해결하고자 합니다.

벤구리온 대학교(Ben-Gurion University of the Negev)의 연구진은 이 조율 문제를 해결하기 위해 MR-STORM이라 불리는 새로운 시스템을 개발했습니다. 이들의 접근 방식은 로봇들이 중앙 명령을 기다리는 대신 자신들의 즉각적인 미래 계획을 공유함으로써, 여러 로봇 팔이 복잡하고 역동적인 환경에서 함께 작업할 수 있도록 합니다. 팀의 모든 움직임을 하나의 컴퓨터가 계산하는 대신, 각 로봇 팔은 자체의 강력한 프로세서를 사용하여 수천 가지의 가능한 움직임을 순식간에 생성합니다. 그런 다음 이 팔들은 자신의 의도된 경로를 이웃에게 방송합니다. 이웃이 어디로 가려고 하는지를 알게 됨으로써, 로봇 팔은 충돌이 발생하기 전에 자신의 궤적을 조정할 수 있습니다. 로봇들이 상호 망설임의 루프에 빠지는 것을 방기하기 위해, 시스템은 간단한 규칙을 사용합니다. 목표에 더 가까운 팔이 앞으로 나아가고, 다른 팔은 양보하는 것입니다. 이는 중앙의 조정자 없이도 안전과 효율성이 유지되는 유동적이고 분산된 움직임의 춤을 만들어냅니다.

연구진은 시뮬레이션 환경에서 1미터 사각형 구역 내에서 각각 6개의 관절을 가진 4개의 로봇 팔을 사용하여 이 시스템을 테스트했습니다. 그들은 로봇 팔들이 정적 장애물 및 서로를 피해 이동하면서 목표물을 향해 손을 뻗거나, 움직이는 물체를 따라가거나, 물건을 빈에 담는 등의 도전적인 시나리오를 다양하게 만들었습니다. 이 테스트에서 새로운 시스템은 중앙 계획이나 독립적 의사결정에 의존하는 기존 방식들보다 뛰어난 성능을 보였습니다. 중앙 집중식 접근 방식은 복잡성이 증가함에 따라 해결책을 찾지 못해 로봇들을 멈추게 하거나 너무 느리게 움직이게 만들었습니다. 독립적인 접근 방식은 속도는 빨랐지만, 로봇들이 서로의 움직임을 예측할 수 없었기에 빈번한 충돌이 발생했습니다. 그러나 MR-STORM 시스템은 속도와 안전 사이의 균형을 성공적으로 맞추어, 접촉을 피하면서도 효율적으로 작업을 완료할 수 있게 했습니다. 작업 공간의 밀도가 높은 가장 어려운 시나리오에서도, 이 시스템은 높은 성공률을 유지하며 매우 적은 충돌만을 기록하여, 계획을 공유하고 우선순위 규칙을 사용하는 것이 갈등을 효과적으로 해결한다는 것을 입증했습니다.

연구진은 발견된 결과가 단순히 컴퓨터 시뮬레이션의 산물이 아님을 확인하기 위해, 두 개의 7관절 팔을 갖춘 물리적인 휴머노이드 로봇에 이 시스템을 배치했습니다. 그들은 로봇이 격자 형태의 패턴으로 스테이션 간에 물체를 이동하도록 프로그래밍했는데, 이 작업은 좁은 공간에서 팔들이 자주 교차해야 하는 것을 요구했습니다. 각각 100초 동안 진행된 10번의 시험 동안, 로봇은 최소한의 오차로 물체를 배치했으며 눈에 띄는 충돌도 발생하지 않았습니다. 기록된 유일한 접촉은 손가락 끝의 가벼운 터치 한 번이었는데, 이는 안전 점검을 위해 로봇의 신체가 단순화되어 모델링된 데 따른 것으로 보입니다. 이 실세계 테스트는 시스템이 디지털 시뮬레이션에서 물리적 하드웨어로 성공적으로 전이될 수 있으며, 복잡하고 예측 불가능한 환경에서 여러 사지를 조율하는 능력을 유지할 수 있음을 확인시켜 주었습니다.

이 연구는 이러한 분산형 접근 방식이 특히 여러 개의 팔이 근접하여 작업해야 하는 산업 현장에서 미래의 로봇 시스템을 위한 확장 가능한 솔루션을 제공한다고 시사합니다. 현대적인 그래픽 카드의 병렬 처리 능력을 활용함으로써, 시스템은 수천 개의 잠재적 경로를 동시에 생성하고 평가할 수 있어 변화하는 상황에 빠르게 반응할 수 있습니다. 연구진은 성공의 핵심이 단순히 경로를 계산하는 것이 아니라, 로봇들이 어떻게 의도를 전달하고 동적인 우선순위 시스템을 통해 갈등을 해결하느냐에 있다는 것을 발견했습니다. 현재 시스템은 짧은 통신 지연에 의존하고 장애물이 비교적 예측 가능하다는 가정을 전제로 하지만, 결과는 다중 팔 조작을 안전하고 효율적으로 만드는 데 있어 중요한 진전임을 나타냅니다. 이 연구는 각 로봇에게 목소리를 부여하고 양보를 위한 간단한 규칙을 제공함으로써, 기계 집단이 이전에는 달성하기 어려웠던 수준의 조율을 달성할 수 있음을 보여주며, 더 복잡하고 협력적인 로봇 노동력을 위한 길을 열어줍니다.

기술 요약: MR-STORM: 분산형 MPC를 통한 확장 가능한 다중 암 제어

문제 정의

본 논문은 불확실하고 동적이며 장애물이 많은 공유 작업 공간에서 작동하는 다자유도(DoF) 로봇 암들을 위한 모션 생성 문제를 다룹니다. 중앙 집중식 경로 계획은 이론적으로 최적성을 보장할 수 있지만, 관절 구성 공간의 기하급급한 증가와 실시간으로 로봇 간 제약 조건을 해결해야 하는 계산 부하로 인해 확장성 문제에 직면합니다. 반대로, 기존의 분산형 접근 방식은 정적인 장애물 가정을 기반으로 하거나, 여러 로봇이 동일한 공간을 두고 경쟁할 때 발생하는 데드락(deadlock) 및 라이블록(livelock, 지속적인 진동)을 해결하는 메커니즘이 부족한 경우가 많습니다. 구체적으로, 저자들은 STORM과 같은 최신 단일 암 반응형 플래너가 다른 로봇을 예측된 궤적을 가진 동적 에이전트가 아닌 정적 장애물로 취급하기 때문에, 밀집된 환경에서 높은 충돌 빈도를 초래하여 다중 암 설정에서는 실패한다고 지적합니다.

방법론: MR-STORM

저자들은 샘플링 기반 STORM 알고리즘을 다중 암 협업으로 확장한 분산형 모델 예측 제어(MPC) 프레임워크인 MR-STORM을 제안합니다. 이 시스템은 각 암이 이웃과 최소한의 정보를 교환하면서 독립적으로 로컬 재귀적 수평 최적화 문제를 해결하는 분산형 아키텍처 상에서 작동합니다.

핵심 구성 요소

샘플링 기반 MPC (MPPI): STORM 알고리즘을 기반으로, MR-STORM은 모델 예측 경로 적분(MPPI) 제어를 활용합니다. 이 접근 방식은 GPU 가속 병렬 롤아웃(rollout)을 사용하여 다변량 가우시안 분포로부터 제어 시퀀스(관절 가속도)를 샘플링합니다. 이는 미분 불가능한 비용 함수와 복잡한 제약 조건이 있는 경우에도 그래디언트 기반 미분 없이 유한한 수평 $H$ 동안 비용 함수를 최적화할 수 있게 합니다.
동적 충돌 회피를 위한 플랜 공유: 다른 암을 정적인 존재로 취급하는 한계를 해결하기 위해, MR-STORM은 통신 메커니즘을 도입합니다. 각 암은 다음 $H$ $H$ 단계 동안의 제어 분포 평균으로부터 유도된 "예상 플랜"( $\hat{P}_\phi$ $\hat{P}_{ϕ}$ )을 브로드캐스트합니다. 다른 암들은 이 데이터를 자신의 비용 함수에 동적 충돌 페널티로 포함합니다.
- 비용 항은 롤아웃의 충돌 구체(collision spheres)와 이웃의 예상 플랜 사이의 거리가 안전 버퍼 $B$ 미만으로 떨어지는 궤적에 대해 페널티를 부여합니다.
- 이 계산은 GPU 상에서 병렬로 처리되어, 추가된 복잡성에도 불구하고 계산 오버헤드가 무시할 수 있는 수준임을 보장합니다.
동적 우선순위 지정 체계: 암들이 서로 충돌하여 라이블록(동시에 물러나거나 전진하는 현상)에 빠질 수 있는 갈등을 해결하기 위해, 저자들은 거리 기반 우선순위 계수 $\alpha^{(j,i)}$ $α^{(j, i)}$ 를 도입합니다.
- 우선순위 가중치는 두 암( $j$ 와 $i$ )의 각각의 목표물까지의 유클리드 거리 비율을 기반으로 계산됩니다.
- 지수 $\tau$ 는 신뢰 파라미터 역할을 합니다. $\tau$ 가 높을수록 목표에 더 가까운 암의 우선순위를 증폭시켜, 해당 암이 진행하는 동안 "조심스러운" 암이 양보하도록 합니다. 이는 ORCA와 같은 상호 회피 방식(reciprocal avoidance)에 내재된 대칭성을 깨뜨리고, 중앙 코디네이터 없이도 데드락을 방 prevented 합니다.

알고리즘 흐름

각 암의 제어 루프는 "감지-최적화-실행(Sense-Optimize-Act)" 패러다임을 따릅니다:

감지(Sense): 암은 자신의 상태, 정적 장애물, 그리고 다른 모든 암으로부터 전달된 최신 예상 플랜을 관찰합니다.
최적화(Optimize): MPPI를 사용하여, 암은 $N$ 개의 제어 시퀀스를 샘플링하고, 수정된 비용 함수(이웃의 플랜과 우선순위 반영)에 대해 평가하며, 지수 이동 평균을 통해 제어 분포 파라미터를 업데이트합니다.
실행(Act): 암은 최적 궤적의 첫 번째 단계를 실행하고, 수평을 이동하며, 새로운 예상 플랜을 이웃에게 발행합니다.

주요 기여

MR-STORM 알고리즘: 복잡하고 동적인 환경에서 다중 암 시스템으로 효율적으로 확장 가능한 샘플링 기반 분산형 MPC 알고리즘입니다. 이는 단일 암 STORM/MPPI 프레임워크를 분산형 협업으로 확장합니다.
분산형 우선순위 지정: 중앙 권한 없이 공유된 규칙(목표까지의 거리)을 사용하여 암 간의 갈등을 동적으로 해결하는 새로운 협업 체계입니다. 이를 통해 매끄럽고 충돌 없는 움직임을 보장하고 라이블록을 방지합니다.
실험적 검증: 120개의 시뮬레이션 시나리오(목표 도달, 추종, 빈 로딩 작업 포함)에 대한 광범위한 벤치마킹과 물리적 하드웨어(Unitree G1 휴머노이드) 배포를 수행했습니다. 연구 결과, MR-STORM은 작업 성공률과 안전성 모두에서 기존 베이스라인을 능가함을 입증했습니다.

실험 결과

저자들은 MR-STORM을 중앙 집중식 STORM, (통신이 없는) 분산형 STORM, 그리고 GPU 가속 글로벌 플래너인 cuRobo를 포함한 여러 베이스라인과 비교 평가했습니다.

시뮬레이션 성능:
- **중앙 집중식 방법(cuRobo, 중앙 집중식 STORM)**은 동적이고 밀도가 높은 환경에서 크게 고전했습니다. 글로벌 솔루션을 찾는 것에 대한 의존성으로 인해 발생하는 지연 시간은 복잡성이 증가함에 따라 작업 성능과 안전성을 모두 저하시켰습니다.
- **분산형 STORM (통신 미사용)**은 높은 작업 점수를 달agi 했으나, 암들이 서로의 움직임에 너무 늦게 반응하여 치명적인 충돌률(어려운 시나리오에서 MR-STORM보다 최대 20배 높음)을 겪었습니다.
- MR-STORM 변체: 전체 MR-STORM 구성(통신 및 우선순위 지정 포함)은 일관되게 높은 작업 성공률과 낮은 충돌률을 유지했습니다.
- 절제 연구(Ablation Study): 우선순위 지정을 제거하면( $\tau=0$ ) 고상호작용 작업(예: 목표 도달 성능이 74% 급락)에서 성능이 붕괴되었으며, 이는 우선순위 지정이 갈등을 효율적으로 해결하는 데 필수적임을 확인시켜 줍니다.
- 효율성: 단일 최적화 반복( $K=1$ )을 사용하는 변체는 표준 구성과 거의 동일한 성능을 달성하면서도 계산 비용을 크게 낮추었습니다.
실제 환경 배포:
- 알고리즘은 두 개의 7-DoF 암을 가진 Unitree G1 휴머노이드 로봇에 배포되었습니다.
- 빈번한 암 교차가 발생하는 "Gridwall" 유사 픽 앤 플레이스(pick-and-place) 작업에서, MR-STORM은 100초 동안 평균 15.5회의 배치를 성공적으로 완료했으며, 10회 테스트 동안 평균 충돌 횟수는 0.1회에 불과했습니다.
- 고충격 충돌이 발생하지 않아, 시뮬레이션에서 학습된 파라미터의 물리적 하드웨어 전이 가능성을 입증했습니다.

의의 및 주장

본 논문은 MR-STORM이 작업 효율성과 안전성의 균형을 맞추면서 다중 암 조작을 위한 확장 가능하고 반응적인 솔루션을 제공한다고 주장합니다. GPU의 병렬 처리 능력과 분산형 아키텍처를 활용함으로써, 이 방법은 중앙 집중식 계획의 계산적 병목 현상을 피하는 동시에 분산형 접근 방식의 안전 및 데드락 문제를 극복합니다.

저자들은 예측 불가능성이 높은 동적 환경에서 이들의 접근 방식이 특히 중요하다고 강조합니다. 플랜 공유와 동적 우선순위 지정의 결합이 여러 암이 "오차 허용 범위가 제로인" 밀접하게 결합된 작업 공간에서 작동할 수 있게 하며, 기존 베이스라인이 달성하지 못한 성능과 안전성의 균형을 달성한다고 주장합니다. 이 연구는 복잡한 로봇 시스템의 견고한 실시간 협업을 위한 중요한 단계로 제시됩니다.