Position-Based Flocking for Persistent Alignment without Velocity Sensing

1. 문제 정의 (Problem Statement)

자연계의 새 떼나 물고기 떼와 같은 집단 운동 (Collective Motion) 은 로봇 군집 (Swarm Robotics) 의 협동 제어에 영감을 주지만, 기존 모델들은 다음과 같은 한계를 가집니다.

• 속도 정보 의존성: 전통적인 무리 짓기 모델 (예: Reynolds 의 Boids, Vicsek 모델) 은 개체 간의 상대 속도 (Relative Velocity) 정보를 직접 측정하거나 교환해야 합니다.
• 센서 및 통신의 제약: 실제 로봇 시스템에서는 속도 센서의 노이즈, 측정 불가, 또는 통신 대역폭 부족으로 인해 정확한 속도 추정이 어렵거나 불가능한 경우가 많습니다.
• 지속성 부족: 기존 위치 기반 접근법 중 일부는 시간이 지남에 따라 정렬 (Alignment) 이 약화되어 장기적인 집단 방향 유지가 어렵습니다.

따라서, 속도 정보를 전혀 사용하지 않고 오직 상대 위치 정보만으로 장기적이고 안정적인 집단 정렬 (Persistent Alignment) 을 달성하는 방법이 필요합니다.

2. 방법론 (Methodology)

이 논문은 속도 기반 모델 대신 위치 기반 무리 짓기 (Position-Based Flocking) 모델을 제안하며, 다음과 같은 핵심 기법을 사용합니다.

A. 상대 속도의 위치 기반 근사

개체 $i$ 와 이웃 $j$ 간의 상대 속도 $(v_j - v_i)$ 를 직접 측정하지 않고, 초기 상대 위치와 현재 상대 위치의 변화를 통해 근사합니다.
$$v_j - v_i \approx \frac{(p_j - p_i) - (p_j(0) - p_i(0))}{t}$$
이는 생물학적 군집이 속도를 직접 계산하지 않고도, 이웃의 위치 변화 (시각적 단서) 를 통해 운동을 추론하는 방식과 유사합니다.

B. 임계값 기반 지속적 정렬 (Threshold-based Persistence)

단순히 $1/t$ 항을 사용하면 시간이 지남에 따라 정렬 게인이 0 으로 수렴하여 조정이 사라집니다. 이를 해결하기 위해 **시간 의존적 게인 ($\phi$)**을 도입하여 두 단계로 나눕니다:

1. 과도기 (Transient Phase, $0 < t \le 1/k$): 게인이 $|N_i|/t$로 감소하며 초기 위치 정보 (Weak Memory Imprint) 를 기반으로 빠른 정렬을 유도합니다.
2. 지속기 (Sustained Phase, $t > 1/k$): 게인이 상수 $k|N_i|$로 고정됩니다. 이는 정렬 신호가 소멸되지 않고 지속적으로 유지되도록 하여, 장기적인 집단 방향 일치를 보장합니다.

C. 제어 입력

최종 제어 입력 $u_i$는 응집/분리 (Cohesion-Separation) 항과 제안된 위치 기반 정렬 항을 결합하여 구성됩니다.
$$u_i = \sum_{j \in N_i} (\psi(\|p_j - p_i\|) + \phi)(p_j - p_i) - \phi \sum_{j \in N_i} (p_j(0) - p_i(0))$$
여기서 $\phi$는 위에서 정의한 시간 의존적 게인입니다.

3. 주요 기여 (Key Contributions)

1. 속도 무감지 (Velocity-Free) 지속 정렬: 속도 센서나 통신 없이 오직 위치 데이터만으로 장기적인 방향 정렬을 달성하는 새로운 모델을 제시했습니다.
2. 생물학적 타당성 강화: 초기 위치를 '약한 기억 imprint'로 활용하고, 시간이 지남에 따라 이를 강화하는 임계값 메커니즘을 도입하여 생물학적 군집의 행동 (예: 이동성 새 떼의 V 자형 대형) 을 더 잘 모사했습니다.
3. 강건성 및 확장성: 속도 추정의 노이즈에 영향을 받지 않으며, 통신 대역폭을 줄이고 (위치 정보만 교환), 대규모 군집에서도 확장 가능합니다.
4. 실제 로봇 실험 검증: 시뮬레이션뿐만 아니라 실제 9 대의 바퀴형 이동 로봇 (GRITSBot) 을 이용한 실험을 통해 모델의 유효성을 입증했습니다.

4. 실험 결과 (Results)

A. 시뮬레이션 (50 에이전트)

• 정렬 성능: 제안된 모델 (P-based with threshold) 은 기존 속도 기반 모델 (V-based) 보다 더 빠르고 강력한 정렬을 보였으며, 시간이 지나도 정렬 점수 ($\gamma \approx 1$) 가 유지되었습니다. 반면, 임계값이 없는 위치 기반 모델은 시간이 지남에 따라 정렬이 약화되었습니다.
• 형상 안정성: 제안된 모델은 더 컴팩트하고 밀집된 형성을 유지했으며, 에이전트 간 거리의 변동이 적었습니다.
• 형상 강성 (Rigidity): 초기 형상이 완전히 고정되는 것은 아니지만 (가변적 응집), 집단 전체의 방향성은 매우 안정적으로 유지되었습니다.

B. 실제 로봇 실험 (9 대 로봇)

• Robotarium 테스트베드에서 120 초간 실험을 수행했습니다.
• 로봇들의 속도와 제어 입력에 노이즈가 존재함에도 불구하고, 일관된 응집 및 정렬 행동이 관찰되었습니다.
• 정렬 지표 (Alignment Metric) 가 실험 내내 높은 수준을 유지하여 모델의 실용성을 입증했습니다.

5. 의의 및 결론 (Significance & Conclusion)

• 실용적 가치: 속도 측정이 어렵거나 신뢰할 수 없는 실제 로봇 환경 (UWB, LiDAR 만을 사용하는 경우 등) 에서 군집 제어를 가능하게 하는 강건한 솔루션을 제공합니다.
• 생물학적 통찰: 생물학적 군집이 명시적인 속도 정렬 규칙 없이도 위치 변화와 예측을 통해 어떻게 조화를 이루는지 설명하는 새로운 관점을 제시합니다.
• 향후 과제: 제한된 공간이나 이질적인 환경에서 생물학적 군집의 유연한 탐색 (foraging) 및 회피 행동을 모사하기 위해 공간적 유연성을 추가하는 연구가 필요하다고 결론지었습니다.

요약하자면, 이 논문은 속도 정보 없이도 위치 변화의 역사와 임계값 게인을 통해 장기적인 집단 정렬을 달성하는 혁신적인 알고리즘을 제안하며, 이를 통해 실제 로봇 군집의 신뢰성과 효율성을 크게 향상시켰습니다.