Inferring Turn-Rate-Limited Engagement Zones with Sacrificial Agents for Safe Trajectory Planning

이 논문은 전환율 제한 (turn-rate-limited) 추격 - 도피 (pursuit-evasion) 시나리오에서 희생 에이전트 (sacrificial agents) 를 활용하여 추격자 (pursuer) 의 매개변수를 학습하고, 이를 기반으로 안전한 궤적 계획 (safe trajectory planning) 을 수행하는 학습 기반 프레임워크를 제시합니다.

주요 내용은 다음과 같습니다.

1. 문제 정의 (Problem Statement)

현대 전쟁 환경에서 자율 에이전트는 위치, 속도, 전환율, 사정거리 등 불완전한 정보를 가진 적대적 위협을 피하며 항해해야 합니다. 이러한 위협의 능력을 정확히 알 수 없기 때문에, 에이전트는 **참여 구역 (Engagement Zone, EZ)**을 정의하여 추격자가 표적을 포착할 수 있는 공간적 영역을 추정해야 합니다.

• 핵심 문제: 추격자의 물리적 매개변수 (위치, 방향, 최소 회전 반경, 사정거리, 속도) 가 알려지지 않은 상태에서, 희소한 이진 관측 데이터 (포착됨/생존함) 만을 통해 이러한 매개변수를 추론하고, 이를 바탕으로 안전한 경로를 생성하는 것.
• 해결 접근법: 의도적으로 위험에 노출되는 희생 에이전트를 투입하여 포착 여부를 관찰함으로써, 추격자의reachable region (RR, 도달 가능 영역) 과 EZ 를 역으로 추론합니다.

2. 방법론 (Methodology)

A. 기하학적 모델링 (Geometric Modeling)

• CSBEZ (Curve-Straight Basic Engagement Zone): Dubins 운동학을 기반으로 한 모델로, 추격자가 최소 회전 반경 ($a$) 과 최대 사정거리 ($R$) 내에서 최적의 곡선 - 직선 경로를 통해 표적을 포착할 수 있는 영역을 정의합니다.
• 두 가지 추론 시나리오:
  1. 경계 포착 (Boundary Interception): 포착이 정확히 RR 의 경계에서 일어난다고 가정.
  2. 내부 포착 (Interior Interception): 포착이 RR 내부의 임의의 지점에서 일어날 수 있다고 가정 (더 일반적이지만 추론이 어려움).

B. 매개변수 학습 알고리즘 (Parameter Learning)

• 손실 함수 (Loss Function): 관측된 포착/생존 결과를 기반으로 추격자 매개변수 ($\theta_P$) 에 대한 가능도 (likelihood) 를 정의하는 미분 가능한 손실 함수를 설계했습니다.
  • 포착된 에이전트는 RR 경계 (또는 내부) 에 있어야 하고, 생존한 에이전트는 RR 외부에 있어야 한다는 제약을 위반할 때 페널티를 부과합니다.
  • 속도가未知的인 경우 (Case 3), 발사 시간 정보를 추가하여 속도를 추정할 수 있도록 시간 기반 손실 항을 도입했습니다.
• 다중 시작 최적화 (Multi-start Optimization): 손실 함수의 비볼록성 (non-convexity) 과 국소 최소값 문제를 해결하기 위해, 라틴 초입자 샘플링 (LHS) 을 통해 여러 초기값에서 시작하여 IPOPT 최적화 솔버를 반복 실행합니다. 이를 통해 관측 데이터와 일관된 **추격자 매개변수 벡터의 집합 (feasible set)**을 생성합니다.

C. 희생 에이전트 궤적 선택 전략 (Trajectory Selection)

학습 효율성을 극대화하기 위해 두 가지 전략을 제안합니다.

1. 기하학적 휴리스틱 (경계 포착용): RR 경계에서 포착 지점들이 최대한 넓게 분포하도록 궤적을 선택하여 탐색 균형을 맞춥니다.
2. 베이지안 실험 설계 (BED, 내부 포착용): 가우스 - 뉴턴 정보 행렬 (Gauss-Newton information matrix) 의 **D-점수 (log-determinant)**를 최대화하는 궤적을 선택합니다. 이는 모델 매개변수에 대한 손실 함수의 민감도를 극대화하여 정보 획득량을 최대화합니다.

D. 안전한 궤적 계획 (Safe Trajectory Planning)

학습된 추격자 매개변수 집합을 활용하여 고가치 에이전트의 경로를 계획합니다.

• 학습된 모든 매개변수 집합에 대해 EZ 를 생성하고, 에이전트가 이 모든 EZ 를 피하도록 B-spline 기반의 비선형 최적화를 수행합니다.
• 목표는 안전성을 유지하면서 이동 시간을 최소화 (시간 최적화) 하는 것입니다.

3. 주요 기여 (Key Contributions)

1. 최적화 기반 추론 프레임워크: 희생 에이전트의 이진 결과 (포착/생존) 를 통해 추격자 매개변수 벡터를 추정하고, 일관된 매개변수 집합을 생성하는 다중 시작 최적화 방법 제시.
2. 차분 가능한 손실 함수: 경계 포착과 내부 포착 두 가지 가정에 맞춰 설계된 손실 함수를 통해 경사 기반 추정이 가능하도록 함.
3. 정보 효율적 궤적 선택: 기하학적 탐색과 베이지안 실험 설계 (BED) 를 기반으로 한 두 가지 전략을 통해 추격자 매개변수 집합 추정의 효율성을 향상시킴.
4. 학습 기반 안전 경로 계획: 추론된 불확실성 하에서 모든 가능한 참여 구역 (EZ) 을 피하는 안전하고 시간 최적의 궤적을 생성하는 방법론 제시.

4. 실험 결과 (Results)

500 회 이상의 몬테카를로 시뮬레이션을 통해 알고리즘을 검증했습니다.

• 매개변수 수렴:
  • 경계 포착 가정: 노이즈 없는 경우 약 56 개의 희생 에이전트, 노이즈 있는 경우 약 79 개의 에이전트만으로 매개변수를 정확하게 복원했습니다.
  • 내부 포착 가정: 더 많은 에이전트 (약 10~20 개) 가 필요했으나, 발사 시간 정보가 포함된 경우 (Case 3) 수렴 속도가 빨라졌습니다.
• 기하학적 정확도: 학습된 RR 의 합집합이 실제 RR 을 95% 이상 포함하는 비율이 모든 단계에서 94% 이상을 유지하여, 학습된 모델이 실제 위협 영역을 보수적으로 잘 커버함을 입증했습니다.
• 경로 계획 효율성:
  • 희생 에이전트가 1 개만 투입되어도 안전한 경로 길이가 크게 단축되었습니다.
  • 3~5 개의 에이전트 투입 시, 완벽한 정보를 가진 경우와 거의 동일한 최적 경로 길이에 도달했습니다. 이는 매개변수가 완전히 수렴하기 전에도 학습된 불확실성 집합을 활용하면 실질적인 안전성 향상을 얻을 수 있음을 보여줍니다.

5. 의의 및 결론 (Significance)

이 연구는 이진 관측 데이터 (포착 여부) 만으로도 복잡한 적대적 능력을 추론할 수 있음을 보여주었습니다. 기존의 시뮬레이션 기반 접근법과 달리, 실제 상호작용 데이터를 직접 활용하여 EZ 를 추론하고, 이를 실시간 경로 계획에 통합함으로써 불확실성 하에서의 안전한 자율 항법을 가능하게 합니다. 특히, 희생 에이전트를 전략적으로 배치하여 정보 획득 효율을 극대화하고, 학습된 불확실성을 즉시 안전성 보장에 활용하는 통합 프레임워크를 제시했다는 점에서 의미가 큽니다.

향후 연구 방향으로는 이동하는 추격자 모델, 확률적 포착 모델, 그리고 더 복잡한 센서 환경 (가림, 탐지 불확실성 등) 을 고려한 확장이 제안되었습니다.