Safe-SAGE: Social-Semantic Adaptive Guidance for Safe Engagement through Laplace-Modulated Poisson Safety Functions

이 논문은 고차원의 의미론적 이해와 저차원의 안전 제어 간의 격차를 해소하기 위해, 라플라스 유도장 변조 포아송 안전 함수를 활용한 'Safe-SAGE' 프레임워크를 제안하여 로봇이 환경의 맥락에 따라 차별화된 안전 마진으로 동적 환경을 안전하게 탐색할 수 있도록 합니다.

핵심

이 논문은 **"Safe-SAGE"**라는 이름의 새로운 로봇 안전 시스템을 소개합니다. 쉽게 말해, **"로봇이 사람과 함께 살아가는 세상을 더 똑똑하고 예의 바르게 지나다닐 수 있게 해주는 두뇌"**라고 생각하시면 됩니다.

기존의 로봇들은 장애물을 볼 때 "무엇"인지 구분하지 못했습니다. 사람과 의자가 같은 크기의 공간에 있다면, 로봇은 둘을 똑같이 위험한 '벽'으로 인식하고 똑같이 피했습니다. 하지만 Safe-SAGE 는 "사람은 조심스럽게, 의자는 가볍게" 피할 수 있도록 로봇에게 '사회적 지능'을 심어줍니다.

이 기술이 어떻게 작동하는지, 일상적인 비유로 설명해 드릴게요.

---

1. 문제점: "눈이 먼" 로봇

기존 로봇은 마치 눈이 가려진 채로 길을 걷는 사람과 같습니다.

• 앞에 사람이 서 있어도, 의자가 있어도, 로봇은 "저게 장애물이야! 멈춰!"라고만 생각합니다.
• 그래서 로봇은 사람 옆을 지날 때도 의자 옆을 지날 때와 똑같이 빙글빙글 크게 돌아서 피하거나, 반대로 너무 무뚝뚝하게 다가가서 사람을 놀라게 합니다.
• 핵심 문제: 로봇은 '무엇'이 장애물인지 (의미) 모르고, '어디'에 장애물이 있는지 (위치)만 알 뿐입니다.

2. 해결책: Safe-SAGE (로봇의 사회적 두뇌)

Safe-SAGE 는 로봇에게 세상을 이해하는 눈과 예의 바른 마음을 동시에 줍니다. 이 시스템은 크게 세 가지 단계로 작동합니다.

① 눈과 귀: "저건 사람이고, 저건 벽이야"

로봇은 카메라와 레이더 (LiDAR) 를 통해 주변을 봅니다.

• 비유: 로봇이 길을 걷는데, 눈이 매우 예리한 친구가 곁에 따라다니며 "저기 저건 사람이야, 저기 저건 의자야, 저건 벽이야"라고 알려주는 것과 같습니다.
• 이 친구는 카메라가 보이지 않는 곳 (예: 로봇 뒤쪽) 에 있는 사람도 기억해 두었다가, 로봇이 돌아서면 "아까 그 사람, 이제 왼쪽에 있더라"라고 알려줍니다.

② 나침반과 지도: "사람은 왼쪽으로, 벽은 그냥 피하면 돼"

이제 로봇은 주변을 이해했으니, 어떻게 움직일지 결정해야 합니다. 여기서 Safe-SAGE 는 두 가지 종류의 나침반을 만들어줍니다.

• 사회적 나침반 (Laplace Guidance Field): 사람 옆을 지날 때는 "사람의 오른쪽이 아닌 왼쪽으로 지나가자 (우리 문화의 예의)"라고 알려줍니다. 마치 사람이 많은 카페에서 지나갈 때, 옆 사람과 너무 부딪히지 않도록 자연스럽게 비켜가는 사람처럼 행동하게 합니다.
• 안전 나침반 (Poisson Safety Function): 사람에게는 "조금 더 멀리서 (넓게) 피하자"라고 하고, 벽이나 의자에는 "그냥 살짝만 피하면 돼"라고 합니다.
  • 비유: 사람이 다가오면 비행기 이착륙 시 안전 거리를 두듯이 넓게 피하고, 의자는 신발 끈을 묶을 때처럼 가볍게 피하는 것입니다.

③ 두 개의 안전망: "순간 반사"와 "미래 예측"

로봇은 두 가지 안전 장치를 동시에 사용합니다.

1. 순간 반사 (Real-time Filter): 갑자기 사람이 튀어나오면, 로봇의 뇌가 "위험! 멈춰!"라고 외치며 순간적으로 방향을 틀어줍니다. (마치 뜨거운 스토브를 보고 손을 재빨리 떼는 것)
2. 미래 예측 (MPC): "앞으로 3 초 뒤에 저 사람이 내 길을 막을 것 같으니, 미리 오른쪽으로 살짝 빗나가자"라고 미리 계획을 세웁니다. (마치 운전할 때 앞차의 움직임을 보고 미리 차선을 바꾸는 것)

이 두 가지가 합쳐져서 로봇은 갑작스러운 위험에는 빠르게 대응하면서도, 부드럽고 자연스러운 길을 찾아갈 수 있습니다.

---

3. 실제 실험 결과: 로봇이 어떻게 변했나요?

연구진은 4 발 달린 로봇 (Unitree Go2) 과 인간형 로봇 (Unitree G1) 으로 실험을 했습니다.

• 실험 상황: 사람이 있는 복도를 지나가야 하는 상황.
• 기존 로봇: 사람과 벽을 똑같이 대우해서, 사람 옆을 지나갈 때도 벽 옆을 지나갈 때와 똑같은 간격으로 지나갔습니다. (사람을 놀라게 함)
• Safe-SAGE 로봇:
  • 사람에게는 훨씬 더 넓은 간격을 두며 지나갔습니다.
  • 사람과 마주쳤을 때는 사람의 왼쪽 (사회적 예절) 으로 자연스럽게 지나갔습니다.
  • 의자나 벽 옆을 지날 때는 가볍게 지나갔습니다.

4. 결론: 왜 이 기술이 중요한가요?

이 기술은 로봇이 단순히 "충돌하지 않는 것"을 넘어, **"사람과 함께 살아가는 법"**을 배우게 해줍니다.

• 창의적인 비유: 이전의 로봇은 무뚝뚝한 경비병처럼 모든 장애물을 똑같이 막아섰다면, Safe-SAGE 를 탑재한 로봇은 매너 좋은 안내원처럼 사람에게는 공손하게, 사물에는 효율적으로 대처합니다.

이제 로봇은 병원, 쇼핑몰, 집 같은 복잡한 인간 세상에서도 사람들을 놀라게 하지 않고, 자연스럽게 길을 찾아다니며 함께 일할 수 있게 되었습니다.

기술 요약

1. 연구 배경 및 문제 정의 (Problem)

기존의 안전 중요 제어 (Safety-critical control) 방법론 (예: 제어 장벽 함수 CBF, 모델 예측 제어 MPC 등) 은 주로 기하학적 안전성 (기하학적 충돌 회피) 에만 초점을 맞추고 있습니다. 이로 인해 다음과 같은 "의미적 맹점 (Semantic Blindness)" 이 발생합니다.

• 문맥 무관성: 사람, 의자, 벽 등 기하학적 부피가 동일한 모든 장애물을 동일하게 취급합니다.
• 과도한 보수성 또는 위험성: 모든 장애물을 동일한 기준으로 회피하려다 보니, 사람이 있는 공간에서는 불필요하게 보수적으로 움직여 성능이 저하되거나, 반대로 위험한 상황에서 안전을 보장하지 못할 수 있습니다.
• 실시간성 문제: 최근의 대규모 언어 모델 (LLM) 이나 비전 - 언어 모델 (VLM) 은 높은 수준의 의미 추론이 가능하지만, 계산 지연이 크고 주파수가 낮아 실시간 안전 필터에 직접 적용하기 어렵습니다.

따라서, 고수준의 의미적 이해 (Semantic Understanding) 와 저수준의 실시간 안전 제어 (Low-level Safety Control) 를 연결하면서도 실시간으로 작동할 수 있는 프레임워크가 필요합니다.

2. 제안된 방법론: Safe-SAGE (Methodology)

저자들은 Safe-SAGE (Social-Semantic Adaptive Guidance for Safe Engagement) 라는 통합 프레임워크를 제안했습니다. 이 프레임워크는 지각 (Perception) 과 제어 (Control) 사이에 위치하며, 라플라스 변조 포아송 안전 함수 (Laplace-Modulated Poisson Safety Functions) 를 핵심으로 합니다.

A. 시스템 아키텍처

1. 지각 및 추적 (Perception & Tracking):
   • 멀티 센서 포인트 클라우드 (LiDAR) 와 RGB 이미지를 융합하여 로봇 중심의 점유 격자 (Occupancy Grid) 를 생성합니다.
   • 비전 기반 인스턴스 분할 (YOLO 등) 과 객체 추적기를 사용하여 카메라 시야 밖에서도 인간의 위치와 속성을 지속적으로 추적합니다.
2. 사회 - 의미적 필드 합성 (Social-Semantic Field Synthesis):
   • 라플라스 안내 필드 (Laplace Guidance Field, LGF): 장애물 경계에서 클래스 (사람, 벽 등) 에 따라 다른 반발력 (Flux) 을 부여하고, 사회적 규범 (예: 사람 우회 시 왼쪽 통과) 을 반영하기 위해 접선 방향의 편향 (Tangential Bias) 을 도입합니다.
   • 포아송 안전 함수 (Poisson Safety Function, PSF): 생성된 안내 필드를 강제 항 (Forcing term) 으로 사용하여 포아송 방정식을 풀어 안전 함수 $h$를 생성합니다. 이는 장애물과의 거리에 따라 안전 마진 (Safety Margin) 이 달라지도록 합니다.
3. 이중 계층 안전 필터 (Dual-layer Safety Filter):
   • MPC 안전 필터: 미래 시간 구간 내에서 최적의 궤적을 계획하며, 선형화된 CBF 제약 조건을 적용합니다.
   • 실시간 분석적 안전 필터: 현재 상태에 대해 즉각적인 보정을 수행하며, 수학적 해 (Closed-form solution) 를 사용하여 계산 효율성을 높입니다.
   • 두 필터 모두 생성된 의미적 안전 함수와 안내 필드를 활용하여 장애물 유형에 따라 다른 수준의 보수성 (Conservatism) 을 적용합니다.

B. 핵심 기술적 특징

• 의미적 플럭스 변조 (Semantic Flux Modulation): 장애물의 종류 (사람 vs 물체) 에 따라 안내 필드의 경계 조건을 다르게 설정하여, 사람에게는 더 넓은 안전 거리를 유지하도록 유도합니다.
• 사회적 편향 (Social Bias): 라플라스 필드에 회전 성분을 추가하여 사회적 규범 (예: 사람 우회 시 특정 방향 선호) 을 안전 제어에 직접 주입합니다.
• 동적 환경 대응: 로봇의 운동과 장애물의 움직임을 고려하여 안전 함수의 시간 미분 ($\partial h / \partial t$) 을 추정하고 이를 제어 입력에 반영하여 동적 장애물에 선제적으로 대응합니다.

3. 주요 기여 (Key Contributions)

1. 사회적 편향의 라플라스 필드 직접 주입: 방향성 회피 규범 (Directional avoidance norms) 을 강제하기 위해 사회적 편향을 라플라스 안내 필드에 직접 수학적으로 통합하는 형식화를 제시했습니다.
2. 수학적 안정성 분석: 변형된 안내 필드의 순방향 불변성 (Forward Invariance) 에 대한 엄밀한 수학적 분석을 제공하여, 사회적 행동을 도입하더라도 안전성이 수학적으로 보장됨을 증명했습니다.
3. 실시간 통합 파이프라인: 실시간 지각 (Class-aware inflation) 과 의미적 플럭스 변조를 결합하여, 동적 환경에서 장애물에 맞는 안전 및 안내 필드를 실시간으로 생성하는 파이프라인을 구축했습니다.

4. 실험 결과 (Results)

Unitree Go2 (4 발 보행 로봇) 와 Unitree G1 (휴머노이드 로봇) 을 사용하여 시뮬레이션 및 실제 하드웨어 실험을 수행했습니다.

• 사회적 준수 및 안전 마진:
  • 정적 장애물 (벽) 과 동적 장애물 (사람) 이 공존하는 환경에서, 제안된 방법은 사람에게는 더 넓은 안전 거리 (Human-robot margin: 0.318m) 를 유지하는 반면, 벽에는 상대적으로 좁은 거리를 유지했습니다.
  • 기존 방법 (Baseline) 은 모든 장애물을 동일하게 취급하여 사람과의 거리가 음수 (-0.008m) 로 충돌 위험이 있거나, 불필요하게 보수적으로 움직였습니다.
• 사회적 규범 준수:
  • 사람이 로봇을 향해 걸어오는 상황에서 로봇이 사회적 규범 (예: 사람 왼쪽으로 우회) 을 준수하며 자연스럽게 통과하는 것을 확인했습니다.
• 다양한 환경 및 플랫폼 적용성:
  • 복도, 개방된 공간, 붐비는 카페테리아 등 다양한 환경에서 성공적으로 작동했습니다.
  • 센서 구성이 다른 다른 로봇 (휴머노이드 등) 에도 최소한의 수정으로 배포 가능함을 입증했습니다.

5. 의의 및 결론 (Significance)

Safe-SAGE 는 로봇이 단순한 기하학적 충돌 회피를 넘어, 환경의 의미와 사회적 맥락을 이해하여 행동할 수 있는 새로운 패러다임을 제시합니다.

• 신호 - 심볼 간극 (Neuro-symbolic gap) 해소: 고수준의 의미 추론 (LLM/VLM 등) 과 저수준의 실시간 안전 제어 사이의 주파수 불일치 문제를 해결하고, 의미 정보를 실시간 제어기에 직접 주입하는 효율적인 아키텍처를 제공합니다.
• 유연한 안전성: 환경의 맥락에 따라 안전 마진을 동적으로 조절함으로써, 보수적인 제어의 성능 저하를 막으면서도 안전성을 rigorously(엄격하게) 보장합니다.
• 실용성: 실제 로봇 (4 발 보행, 휴머노이드) 에서 검증되었으며, 복잡한 인간 중심 환경에서 로봇의 안전한 자율 주행을 가능하게 하는 핵심 기술로 평가됩니다.

이 연구는 로봇이 인간과 공존하는 복잡한 환경에서 안전하면서도 사회적 매너를 갖춘 (Socially Compliant) 행동을 수행할 수 있는 이론적, 실증적 기반을 마련했다는 점에서 큰 의의를 가집니다.