이 논문은 복잡한 동적 환경에서 안전성을 보장하는 제어 장벽 함수 (CBF) 를 실시간으로 정제하고 국소적 업데이트를 통해 계산 효율성을 높이는 'refineCBF'와 'HJ-Patch' 프레임워크를 제안하여, 물리 하드웨어 실험을 통해 새로운 장애물이나 미모델링된 외란에 적응하는 공식적으로 안전이 보장된 로봇 제어의 실현 가능성을 입증했습니다.
원저자:Sander Tonkens, Sosuke Kojima, Chenhao Liu, Judy Masri, Sylvia Herbert
이 논문은 로봇이 **예상치 못한 상황에서 안전하게 움직일 수 있도록 도와주는 '똑똑한 안전 시스템'**에 대한 연구입니다.
기존의 로봇 안전 기술은 두 가지 큰 문제가 있었습니다.
너무 느려서 실시간으로 못 씀: 완벽한 안전을 보장하는 수학적 방법은 계산이 너무 복잡해서 로봇이 움직이는 동안 바로바로 적용하기 어렵습니다.
너무 딱딱해서 상황에 못 맞춰짐: 학습된 안전 시스템은 훈련된 환경에서는 잘 작동하지만, 갑자기 장애물이 생기거나 바람이 불면 당황해서 사고를 당하기 쉽습니다.
이 논문은 "완벽한 안전 이론"과 "빠른 학습 기술"을 섞어서, 로봇이 움직이는 동안에도 실시간으로 안전 장치를 고쳐주는 새로운 방법을 제안합니다.
🏗️ 비유로 이해하는 핵심 개념
이 기술의 핵심을 집을 짓는 일에 비유해 볼까요?
1. 기존 방법의 문제점
완벽한 건축가 (기존 HJ Reachability): 이 건축가는 집이 붕괴되지 않도록 모든 각도를 계산해 완벽한 안전 지도를 그립니다. 하지만 지도를 다 그리는데 몇 달이 걸립니다. 로봇이 이미 움직이고 있는데 지도가 완성되지 않으면 어떡합니까?
대충 그린 그림 (기존 학습형 CBF): 이 방법은 빠르게 대략적인 안전 지도를 그립니다. 하지만 잘못 그린 구석이 있을 수 있습니다. 갑자기 벽이 생기면 그 지도는 쓸모가 없어집니다.
2. 이 논문이 제안하는 해결책: "REFINECBF"와 "HJ-PATCH"
이 논문은 "이미 그려진 대략적인 지도를, 로봇이 움직이는 동안 실시간으로 수정하고 다듬는" 두 가지 방법을 소개합니다.
REFINECBF (전체 리모델링):
비유: 로봇이 새로운 장애물을 발견하면, 기존에 대충 그렸던 안전 지도 전체를 다시 계산해서 완벽하게 고치는 작업입니다.
특징: 매우 정확하고 안전하지만, 계산량이 많아서 강력한 컴퓨터 (GPU) 가 필요합니다.
역할: "안전한가?"를 수학적으로 100% 증명하며, 안전하지 않은 부분을 찾아내서 고쳐줍니다.
HJ-PATCH (국소 패치):
비유: 지도 전체를 다시 그리는 게 아니라, **장애물이 생긴 그 작은 부분만 '땜질 (Patching)'**해서 고치는 것입니다.
특징: 계산이 매우 빨라서 일반 컴퓨터 (CPU) 도 처리할 수 있습니다.
역할: "아, 여기가 위험하구나?"라고 생각하면 그 부분만 빠르게 수정해서 로봇이 계속 움직이게 합니다.
🚗 실제 실험 결과: 로봇이 어떻게 살아남았나?
이 연구팀은 실제 로봇 (바퀴 달린 로봇과 드론) 을 이용해 실험했습니다.
갑작스러운 장애물 (바퀴 로봇):
로봇이 길을 가는데 갑자기 상자가 넘어져 길을 막았습니다.
기존 방법: "아직 지도에 없으니 지나가자!"라고 생각하다가 상자에 부딪혔습니다.
이 방법: "오! 장애물이 생겼네!"라고 감지하자마자 안전 지도를 실시간으로 고쳐서 뒤로 물러나 다른 길을 찾았습니다.
보이지 않는 장애물 (드론):
드론이 장애물 뒤에 숨겨진 또 다른 장애물을 향해 날아갔습니다.
기존 방법: "보이지 않는 곳은 안전할 거야"라고 믿다가 충돌했습니다.
이 방법: 새로운 장애물을 발견하자마자 안전 영역을 즉시 확장해서, 장애물을 피하는 새로운 경로를 찾아냈습니다.
예상치 못한 바람 (드론):
팬이 만들어낸 강한 바람이 드론을 밀어붙였습니다.
기존 방법: 바람을 고려하지 않아 벽에 부딪혔습니다.
이 방법: "바람이 불고 있구나!"라고 감지하자마자 안전 계산에 바람의 힘을 반영해서, 바람을 이겨내고 길을 통과했습니다.
💡 요약: 왜 이 기술이 중요한가요?
이 기술은 로봇이 **실제 세상 (Real World)**에서 살아남을 수 있게 해줍니다.
실시간 대응: 로봇이 움직이는 동안에도 안전 장치가 스스로 업데이트됩니다.
안전 보장: 단순히 "대충 잘할 것 같다"가 아니라, 수학적으로 "이 길은 안전하다"를 보장합니다.
유연성: 새로운 장애물, 바람, 기계의 고장 등 예측 못한 상황에도 로봇이 멈추거나 사고를 내지 않고 적응합니다.
결론적으로, 이 논문은 **"완벽한 안전 이론을 로봇이 실시간으로 쓸 수 있게 만든, 마치 로봇의 '생존 본능'을 업그레이드한 기술"**이라고 볼 수 있습니다.
1. 문제 정의 (Problem Statement)
로봇의 안전성 보장을 위해 제어 장벽 함수 (CBF) 는 널리 사용되지만, 복잡한 시스템에 대해 유효한 CBF 를 설계하거나 학습하는 것은 큰 도전 과제입니다.
구성적 방법 (Constructive Methods): 해밀턴 - 야코비 (HJ) 도달성 이론을 사용하면 수학적 형식적 보장 (Formal Guarantees) 을 제공하지만, 상태 공간의 차원이 증가함에 따라 계산 복잡도가 기하급수적으로 늘어나 (차원의 저주) 오프라인에서 주로 사용되며, 동적 환경 변화에 실시간으로 적응하기 어렵습니다.
근사적 방법 (Approximate Methods): 신경망 등을 이용한 학습 기반 CBF 는 확장성이 좋지만, 형식적 안전 보장이 부족하고 훈련 데이터에 의존적입니다.
핵심 문제: 기존 방법들은 배포 후 발생하는 환경 변화 (새로운 장애물, 모델링되지 않은 외란 등) 에 실시간으로 적응하면서도 안전성을 수학적으로 보장하는 데 한계가 있습니다.
2. 방법론 (Methodology)
저자들은 데이터 기반의 근사 함수를 '웜-스타트 (Warm-start)'로 사용하여, HJ 도달성 기반의 형식적 정제 과정을 수행하는 두 가지 알고리즘을 제안합니다.
A. REFINECBF (Refining CBFs)
개념: 초기에 제안된 CBF (학습된 것이거나 안전하지 않은 것일 수도 있음) 를 기반으로 HJ-VI (Variational Inequality) 공식을 사용하여 가치 함수를 반복적으로 정제합니다.
작동 원리:
초기 가치 함수 h0를 입력받습니다.
HJ-VI 업데이트 규칙을 적용하여 수렴할 때까지 반복합니다.
온라인 적응: 환경 변화 (새로운 장애물, 제어 입력 제한 변화, 외란 증가 등) 가 감지되면, 현재 가치 함수를 기반으로 정제 과정을 즉시 재개하여 새로운 안전 집합을 도출합니다.
안전성 보장: 수렴 시 안전 집합이 제어 불변 집합 (Control Invariant Set) 이 되며, 생존성 커널 (Viability Kernel) 의 부분 집합이 됨을 수학적으로 증명합니다.
SAFEADAPT-REFINECBF: 정제 과정에서 안전성이 일시적으로 저하될 수 있는 위험을 방지하기 위해, 먼저 수렴성을 가진 HJ-PDE 업데이트를 통해 안전 집합을 축소 (Retraction) 시킨 후, 안전성이 확보되면 다시 확장 (Refining) 하는 2 단계 방식을 사용합니다. 이는 매 반복마다 '거짓 긍정 (False Positive)' 상태를 감소시킵니다.
B. HJ-PATCH (Computationally Efficient Successor)
개념: REFINECBF 가 전체 상태 그리드를 업데이트하는 반면, HJ-PATCH 는 국소적 (Localized) 업데이트에 초점을 맞춥니다.
작동 원리:
초기 CBF 의 0-초레벨 집합 (0-superlevel set) 내에서 가장 큰 제어 불변 부분 집합을 찾습니다.
활성 집합 (Active Set): 상태 공간 전체가 아닌, 경계 근처의 상태들 (값이 감소하는 상태) 만을 '활성 집합'으로 정의하고 이 부분만 업데이트합니다.
환경 변화가 감지되면 해당 영역의 패치 (Patching) 만 수행하여 계산 비용을 대폭 줄입니다.
장점: GPU 없이도 CPU 에서 실시간으로 실행 가능할 정도로 계산 효율이 높으며, "거의 안전한 (Almost-Safe)" 학습된 CBF 를 빠르게 수정 (Patching) 하는 데 최적화되어 있습니다.
3. 주요 기여 (Key Contributions)
이론적 확장: 제어만 고려하던 기존 REFINECBF 를 유계된 외부 외란 (Bounded External Disturbances) 이 존재하는 시스템으로 확장하여 형식적 안전성을 보장합니다.
통합 프레임워크: 오프라인 정제와 실시간 (In-the-loop) 적응을 아우르는 통합 알고리즘을 제시하고, 그 이론적 분석과 배포 시 함의를 다룹니다.
엄격한 비교 분석: 기존 CBF 접근법 (분리된 CBF, 백업 CBF 등) 과의 비교를 통해, 온라인 정제의 이점을 시뮬레이션과 하드웨어 실험을 통해 입증했습니다.
하드웨어 검증: 지상 로봇 (Jackal) 과 쿼드콥터 (Quadcopter) 를 이용한 물리적 실험을 통해, 예상치 못한 장애물과 모델링되지 않은 바람 (Wind Disturbance) 에 대한 실시간 적응 능력을 입증했습니다.
4. 실험 결과 (Results)
시뮬레이션 결과
지상 로봇 (Jackal): 두 개의 장애물이 있는 환경에서, 단순하게 CBF 를 결합한 방법 (JointCBF) 은 충돌을 일으켰고, HJ Reachability 를 처음부터 다시 계산하는 방법은 실시간 계산이 불가능했습니다. 반면, HJ-PATCH(CPU) 와 REFINECBF(GPU) 는 실시간으로 안전 경계를 재계산하여 성공적으로 장애물을 피했습니다.
쿼드콥터: 장애물 뒤에 숨겨진 목표 지점으로 이동하는 시나리오에서, 고정된 백업 정책을 사용하는 Backup CBF는 장애물을 우회하지 못하고 정지 (Deadlock) 했습니다. 반면, REFINECBF는 새로운 공간이 발견됨에 따라 안전 집합을 실시간으로 확장하여 목표 지점까지 성공적으로 도달했습니다.
하드웨어 실험 결과
갑작스러운 장애물: 지상 로봇이 주행 중 갑자기 넘어진 장애물을 마주했을 때, 적응형 REFINECBF 는 즉시 경로를 재계획하여 목표 지점에 도달했으나, 비적응형 기준선은 충돌했습니다.
시야 제한 (Occlusion): 쿼드콥터가 장애물 뒤에 숨겨진 또 다른 장애물을 마주했을 때, 적응형 알고리즘은 실시간으로 감지하고 안전 집합을 업데이트하여 충돌을 피했습니다.
모델링되지 않은 외란: 팬으로 인한 강한 바람 (외란) 이 발생하는 좁은 통로를 통과할 때, 적응형 시스템은 바람을 감지하고 안전 가치 함수를 업데이트하여 10 회 중 9 회 성공적으로 통과했습니다. 비적응형 시스템은 바람에 밀려 벽에 충돌했습니다.
5. 의의 및 결론 (Significance & Conclusion)
이 연구는 형식적 안전성 (Formal Safety) 과 확장성/실시간성 (Scalability/Real-time) 사이의 간극을 메우는 중요한 진전을 이루었습니다.
실용적 가치: 이론적으로 안전성이 보장되는 HJ Reachability 를 학습 기반의 근사 함수와 결합하여, 실제 동적 환경 (Search-and-Rescue, 자율 물류 등) 에서 로봇이 예상치 못한 변화에 실시간으로 대응하면서도 안전을 보장할 수 있는 길을 열었습니다.
기술적 혁신: "웜-스타트 (Warm-start)" 기법을 통해 HJ Reachability 의 계산 부하를 획기적으로 줄이고, HJ-PATCH를 통해 국소적 업데이트로 CPU 기반의 실시간 배포를 가능하게 했습니다.
미래 전망: 이 프레임워크는 심층 학습 기반의 고차원 시스템과 결합하여, 복잡한 로봇 (매니퓰레이터, 휴머노이드 등) 에 대한 안전성 있는 실시간 적응을 가능하게 할 잠재력을 가지고 있습니다.
결론적으로, 이 논문은 온라인 적응형 안전 필터를 통해 로봇이 변화하는 현실 세계에서도 형식적 안전 보장을 유지하며 작동할 수 있음을 실증적으로 증명했습니다.