💻 computer science

Layered Safety: Enhancing Autonomous Collision Avoidance via Multistage CBF Safety Filters

이 논문은 로컬 센서 데이터만으로 다양한 동적 환경에서 로봇의 충돌을 방지하기 위해 포아송 안전 함수를 기반으로 한 예측 및 실시간 2 단계 제어 장벽 함수 (CBF) 안전 필터링 프레임워크를 제안하고, 이를 통해 다족 보행 로봇 플랫폼에서 안전성과 최적성을 보장하는 것을 목표로 합니다.

원저자: Erina Yamaguchi, Ryan M. Bena, Gilbert Bahati, Aaron D. Ames

게시일 2026-03-03

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Erina Yamaguchi, Ryan M. Bena, Gilbert Bahati, Aaron D. Ames

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

이 논문은 로봇이 복잡한 현실 세계에서 넘어지지 않고, 사람이나 물체와 부딪히지 않도록 안전하게 움직이게 하는 새로운 방법을 소개합니다.

기존의 로봇 안전 시스템은 "지금 당장 위험하면 멈추거나 피하라"는 식으로 매우 단순하게 작동하거나, "앞으로 10 초를 예측해서 최적의 길을 찾아라"는 식으로 계산이 너무 복잡해서 실시간으로 따라가지 못하는 문제가 있었습니다.

이 연구팀은 이 두 가지 단점을 모두 해결하기 위해 **"안전 필터 2 단 시스템 (Layered Safety)"**을 개발했습니다. 마치 유능한 운전 기사와 경호원이 함께 탑승한 차처럼 작동한다고 생각하면 이해하기 쉽습니다.

🚗 핵심 비유: "예측형 내비게이션"과 "경호원"의 팀워크

이 시스템은 로봇의 뇌를 두 단계로 나누어 운영합니다.

1 단계: "미래를 보는 내비게이션" (예측 안전 필터)

역할: 로봇이 앞으로 1~2 초 뒤에 어디로 갈지 미리 계획을 세웁니다.
비유: 마치 유능한 운전 기사가 있습니다. 그는 단순히 앞만 보지 않고, "저기 공이 굴러오면 오른쪽으로 살짝 피해서 가는 게 가장 효율적이겠군"이라고 미래를 예측하여 최적의 경로를 짜냅니다.
장점: 로봇이 목적지로 가장 빠르고 자연스럽게 갈 수 있게 도와줍니다 (효율성).
단점: 만약 예측이 빗나가거나 공이 갑자기 튀어 올라도, 계획대로만 가다가는 위험할 수 있습니다.

2 단계: "즉각적인 경호원" (실시간 안전 필터)

역할: 내비게이션이 짜낸 계획을 받지만, 매 순간의 위험을 감시합니다.
비유: 운전 기사가 "오른쪽으로 가자"고 해도, 경호원이 "잠깐! 저기 갑자기 개가 튀어나왔어! 오른쪽으로 가면 부딪혀!"라고 외치며 즉시 방향을 수정합니다.
장점: 예측하지 못한 돌발 상황 (갑작스러운 장애물) 에도 로봇이 절대 부딪히지 않도록 막아줍니다 (안전성).
단점: 무조건 멈추거나 뒤로 물러나는 등 너무 보수적으로 행동할 수 있어, 목적지까지 가는 시간이 길어질 수 있습니다.

🌟 이 시스템의 마법: "두 팀의 협업"

이 논문이 제안한 2 단 시스템은 이 두 가지를 합칩니다.

**내비게이션 (1 단계)**이 "가장 효율적인 길"을 제안합니다.
**경호원 (2 단계)**이 그 계획을 받아 "지금 당장 안전할까?"를 확인하고, 아주 조금만 수정해서 실행합니다.

결과적으로 로봇은 **내비게이션의 똑똑함 (효율성)**과 **경호원의 꼼꼼함 (안전성)**을 모두 얻게 됩니다. 너무 위험하지도 않고, 너무 비효율적이지도 않은 완벽한 균형을 잡는 것입니다.

🛠️ 어떻게 작동할까요? (간단한 과정)

눈 (센서) 으로 보기: 로봇은 자신의 카메라와 레이저 센서 (LiDAR) 로 주변을 스캔합니다. 마치 눈으로 주변을 훑어보는 것처럼요.
지도 그리기: 스캔한 데이터를 바탕으로 "여기는 빈 공간, 저기는 장애물"이라는 실시간 지도를 그립니다.
안전 지도 만들기 (포아송 안전 함수): 이 지도를 수학적으로 변환하여 "여기서부터는 위험하다"는 부드러운 안전 영역을 만듭니다. 마치 장애물 주변에 보이지 않는 '방어막'을 치는 것과 같습니다.
이동 결정: 위에서 설명한 **내비게이션 (1 단계)**과 **경호원 (2 단계)**이 이 안전 지도를 보고 로봇이 어디로 움직일지 최종 결정을 내립니다.

🐕 실제 실험 결과: "공, 개, 사람, 로봇"

연구팀은 이 시스템을 실제 로봇 (네 발로 걷는 개 로봇과 인간형 로봇) 에 적용하여 실험했습니다.

상황: 로봇이 공을 피하거나, 다가오는 개나 사람을 피해야 하는 상황.
결과:
- 기존 방식 (내비게이션만): 공이 갑자기 튀어 오르면 계산이 늦어져서 부딪혔습니다.
- 기존 방식 (경호원만): 너무 무서워서 공을 피할 때 불필요하게 뒤로 물러나거나 길을 잃었습니다.
- 새로운 방식 (2 단 시스템): 공이 빠르게 굴러와도 부딪히지 않고 가장 자연스러운 경로로 피했습니다. 심지어 인간형 로봇이 사람과 마주쳤을 때도 안전하게 피했습니다.

💡 결론

이 논문은 **"로봇이 안전하면서도 똑똑하게 움직이려면, 미래를 예측하는 계획가와 즉각적인 위험 감시자가 팀을 이루어야 한다"**는 것을 증명했습니다.

이 기술이 발전하면, 우리 집안일을 돕는 로봇이나 거리를 걷는 로봇이 사람과 부딪히지 않고, 마치 유능한 운전자가 차를 운전하듯 부드럽고 안전하게 움직일 수 있게 될 것입니다.

논문 요약: 다단계 CBF 안전 필터를 통한 자율 충돌 회피 강화

이 논문은 로봇이 onboard 센서 (로컬 감지 데이터) 만을 사용하여 동적 환경에서 광범위한 응용 분야에 걸쳐 견고하고 신뢰할 수 있는 충돌 회피를 수행할 수 있는 종단 간 (end-to-end) 다단계 안전 필터 프레임워크를 제안합니다.

1. 문제 정의 (Problem)

동적 환경에서의 안전성: 제어된 실험실 환경을 넘어 비구조화된 실제 환경으로 로봇이 진출함에 따라, 센서 노이즈와 부분 관측 하에서도 안전하게 작동하는 것이 필수적입니다. 특히 보행 로봇 (Legged robots) 과 휴머노이드의 경우, 충돌은 작업 목표를 위태롭게 할 수 있습니다.
기존 방법의 한계:
- CBF (Control Barrier Function) 기반 방법: 실시간 계산 효율성이 높지만, 대부분 즉각적인 (myopic) 안전 최적화에만 의존하여 예측 계획이 부재합니다. 이로 인해 보수적인 행동, 비연속적 실행 가능성, 또는 장기 목표와 충돌하는 단기 안전 조치로 인해 작업 실패가 발생할 수 있습니다.
- MPC (Model Predictive Control) 기반 방법: 미래 궤적을 최적화하여 안전성을 보장하지만, 환경 불확실성과 비볼록 최적화 문제 해결의 어려움으로 인해 취약할 수 있습니다. 또한, 고차원 시스템 동역학을 직접 다루면 계산 비용이 너무 커져 실시간 적용이 어렵습니다.
- 안전 제약 조건 설정: 기존 방법들은 대부분 수동으로 설계된 기하학적 설명이나 부호 거리 장 (Signed Distance Fields) 에 의존하며, 센서 데이터로부터 실시간으로 안전 제약 조건을 생성하는 체계적인 접근이 부족했습니다.

2. 방법론 (Methodology)

제안된 프레임워크는 **감지 (Perception) → 계획 (Planning) → 제어 (Control)**를 연결하는 종단 간 아키텍처로, 다음과 같은 핵심 단계로 구성됩니다.

가. Poisson 안전 함수 (PSF) 를 활용한 안전 제약 조건 생성

점구름 기반 점유 맵 생성: 로봇 중심의 점구름 (Point Cloud) 데이터를 처리하여 2D 점유 맵 (Occupancy Map) 을 생성합니다.
- 과정: 즉시 점 맵 ( $M_0$ ) 생성 $\rightarrow$ 공간적 일관성을 위해 컨볼루션 ( $\bar{M}$ ) 적용 $\rightarrow$ 시간적 연속성을 위한 동적 신뢰도 맵 ( $\Gamma$ ) 업데이트 $\rightarrow$ 히스테리시스 임계값을 적용한 최종 점유 맵 ( $\hat{M}$ ) 생성.
PSF 합성: 생성된 점유 맵을 기반으로 포아송 방정식 (Poisson's equation) 을 풀어 **Poisson Safety Function (PSF)**을 생성합니다. 이 함수는 장애물 표면에서 0 이 되고 자유 공간에서 양의 값을 갖는 매끄러운 함수로, CBF 의 안전 집합 ( $h \ge 0$ ) 을 정의하는 데 사용됩니다.

나. 다단계 안전 필터 아키텍처 (Multistage Safety Filter)
이 아키텍처는 두 개의 직렬 단계를 통해 안전성을 보장합니다.

예측 안전 계층 (Predictive Safety Layer - MPC):
- 축소 차원 모델 (ROM) 사용: 전체 시스템 동역학 대신 단일 적분기 (Single Integrator) 형태의 축소 차원 모델 (Reduced-Order Model) 을 사용하여 계산 효율성을 높입니다.
- 미래 예측 계획: PSF 를 기반으로 한 이산 시간 CBF (DCBF) 제약 조건을 포함하여 유한 시간 구간 (Finite Horizon) 동안의 최적 안전 궤적을 계획합니다.
- 목표: 장기적인 작업 목표 (Nominal command) 를 유지하면서 미래의 안전성을 보장하는 속도 명령 ( $\mu_p$ ) 을 생성합니다.
실시간 안전 계층 (Real-Time Safety Layer - CBF-QP):
- 실시간 보정: 예측 계층에서 생성된 명령 ( $\mu_p$ ) 을 입력으로 받아, 더 높은 주파수로 실행되는 실시간 CBF-QP 필터를 통과시킵니다.
- ISSf CBF: 입력 - 상태 안전 (Input-to-State Safe, ISSf) 조건을 사용하여, 축소 모델과 실제 고차원 시스템 간의 추적 오차 (Tracking Error) 를 보상합니다.
- 목표: 예측된 명령을 최소한으로 수정하여 즉각적인 안전성 ( $\dot{h} \ge -\alpha(h)$ ) 을 보장하고, 저수준 제어기에 최종 속도 명령 ( $\mu_s$ ) 을 전달합니다.

다. 안전성 보장 (Theoretical Guarantee)

Theorem 1: 축소 차원 모델 (ROM) 에서 생성된 안전 명령을 고차원 전체 시스템이 정확하게 추적할 수 있다면, 전체 시스템의 안전성이 수학적으로 보장됨을 증명합니다. 이는 추적 제어 Lyapunov 함수 (CLF) 와 CBF 의 결합을 통해 입증됩니다.

3. 주요 기여 (Key Contributions)

감지 기반 안전 합성: 점구름 데이터를 실시간으로 처리하여 점유 맵을 생성하고, 이를 Poisson 안전 함수 (PSF) 를 통해 기하학적 매개변수가 포함된 CBF 제약 조건으로 변환하는 알고리즘을 제안했습니다.
모델 프리 (Model-Free) 다단계 제어 아키텍처: 예측 MPC 계층과 실시간 CBF-QP 필터를 직렬로 연결한 구조를 제시했습니다. 이는 ROM 기반의 계획과 전체 시스템의 안전성 보장을 결합하여, 기존 방법들의 한계 (예측 부재 또는 계산 과부하) 를 해결합니다.
성능 분석 (Pareto 최적성 분석): 단일 단계 필터 대비 다단계 아키텍처가 **작업 최적성 (Optimality)**과 안전 강건성 (Robustness) 사이에서 이상적인 트레이드오프 (Pareto Front 상의 중간 지점) 를 달성함을 이론적 및 실험적으로 입증했습니다.
하드웨어 검증: Quadruped (Unitree Go2) 와 Humanoid (Unitree G1) 플랫폼에서 다양한 동적 환경 (공, 개, 사람 등) 을 대상으로 한 실시간 충돌 회피 실험을 통해 아키텍처의 일반성과 유효성을 검증했습니다.

4. 실험 결과 (Results)

Pareto 분석:
- 예측 필터만: 최적성 (Optimality) 은 높지만 안전 강건성 (Robustness) 은 낮음 (급격한 회피로 인한 안전 마진 감소).
- 실시간 필터만: 안전 강건성은 높지만 최적성은 낮음 (과도하게 보수적인 행동).
- 다단계 필터: 두 필터의 장점을 결합하여 높은 최적성을 유지하면서도 실시간 필터 수준의 안전 강건성을 확보했습니다.
실제 환경 실험 (Unitree Go2):
- 저속 공 (1.0 m/s): 모든 시나리오에서 충돌 없이 성공. 다단계 필터가 예측과 실시간 필터의 중간 성능을 보이며 Pareto 최적 해에 근접함을 확인.
- 고속 공 (1.25 m/s): 단일 단계 필터들은 충돌 실패가 발생했으나, 다단계 필터는 10 회 모두 성공했습니다. 이는 예측 계층의 장기 계획 능력과 실시간 계층의 즉각적 대응 능력이 결합되어 동적 환경에서의 실패를 방지했음을 시사합니다.
일반성 검증: 보행 로봇 (Quadruped) 과 휴머노이드 (Humanoid) 모두에서 성공적으로 적용되었으며, 다양한 장애물 (공, 개, 사람) 과 환경 (잔디밭, 실내 등) 에서 작동함을 확인했습니다.

5. 의의 및 결론 (Significance)

이 논문은 감지 (Perception) 와 제어 (Control) 사이의 간극을 메우는 체계적인 프레임워크를 제시했습니다.

실용성: 복잡한 고차원 동역학 모델을 직접 최적화하지 않고도, 축소 모델을 통해 계산 효율성을 높이면서도 전체 시스템의 안전성을 수학적으로 보장합니다.
적응성: 센서 데이터 (점구름) 에서 직접 안전 함수를 생성하므로, 사전에 정의된 지도나 기하학적 모델 없이도 비구조화된 동적 환경에 즉시 적용 가능합니다.
향후 전망: 고차원 시스템으로의 확장 및 의미론적 장면 이해 (Semantic Scene Understanding) 통합 등을 통해 자율 로봇의 안전성과 지능을 더욱 향상시킬 수 있는 기반을 마련했습니다.

요약하자면, 이 연구는 예측 계획의 장기적 효율성과 실시간 필터의 즉각적 안전성을 결합한 다단계 아키텍처를 통해, 로봇이 복잡한 동적 환경에서도 안전하고 효율적으로 작동할 수 있는 새로운 표준을 제시했습니다.