CN-CBF: Composite Neural Control Barrier Function for Safe Robot Navigation in Dynamic Environments

이 논문은 동적 환경에서 로봇의 안전한 항법을 위해 단일 장애물에 대한 최적 안전 집합을 근사하는 여러 신경 제어 장벽 함수 (CBF) 를 결합한 'CN-CBF' 방법을 제안하고, 이를 시뮬레이션 및 하드웨어 실험을 통해 기존 기법 대비 성공률을 최대 18% 향상시키면서 과도한 보수성을 유지하지 않음을 입증했습니다.

핵심

🚦 핵심 아이디어: "안전한 길을 찾는 3 단계 전략"

로봇이 사람들로 가득 찬 광장을 지나갈 때, 기존의 방법들은 두 가지 큰 문제가 있었습니다.

1. 너무 보수적: "아마도 부딪힐지도 몰라"라고 생각해서 길을 너무 빙 돌아갑니다.
2. 설계가 어렵고 느림: 매번 새로운 상황을 계산하느라 로봇이 멍청해지거나 멈춥니다.

이 논문은 이 문제를 해결하기 위해 세 가지 단계로 이루어진 새로운 방법을 제안합니다.

1. "상대방의 눈으로 보기" (상대 운동 분석)

기존 방식은 로봇과 장애물 각각의 움직임을 따로따로 계산했습니다. 하지만 이 방법은 **"로봇이 장애물을 바라보는 시점"**으로만 집중합니다.

• 비유: 마치 당신이 운전할 때, 차가 아닌 **'앞차와의 거리'**만 신경 쓰는 것과 같습니다. 앞차가 빨라지거나 느려지거나, 당신의 차가 빨라지거나 느려지거나, 중요한 건 **'두 차 사이의 간격'**입니다.
• 이 방법을 통해 로봇은 복잡한 계산을 줄이고, 오직 "위험한지 안전한지"만 빠르게 판단할 수 있게 됩니다.

2. "위험한 영역을 미리 공부한 AI" (신경망 학습)

로봇이 실시간으로 "여기는 위험해!"라고 계산하려면 시간이 너무 걸립니다. 그래서 연구자들은 로봇에게 미리 위험한 영역을 공부시켰습니다.

• 비유: 마치 운전 면허 시험을 볼 때, '위험한 교차로'나 '사고가 많이 나는 구간'을 미리 외워둔 것과 같습니다.
• 로봇은 이 '외운 지식 (AI 모델)'을 바탕으로, 실제 상황에 마주치면 즉시 "여기는 안전해, 저기는 위험해"라고 판단합니다.
• 중요한 특징: 이 AI 는 "위험한 곳 (사람이 있는 곳)"을 절대 안전하다고 착각하지 않도록 설계되었습니다. 즉, 안전한 영역을 과장해서 넓게 잡되, 위험한 영역은 절대 침범하지 않는 아주 신중한 AI 입니다.

3. "여러 위험을 하나로 합치기" (복합 안전 필터)

한 번에 사람 10 명이 다가온다면? 기존 방식은 10 명 각각에 대해 따로따로 계산하느라 지쳤을 것입니다. 하지만 이 새로운 방법은 모든 위험을 하나로 합쳐서 한 번에 판단합니다.

• 비유: 스마트폰의 '노이즈 캔슬링' 기능을 생각해보세요. 여러 방향에서 들리는 소음 (위험) 들을 각각 차단하는 게 아니라, 모든 소음을 하나로 합쳐서 한 번에 제거하는 원리입니다.
• 이렇게 하면 로봇은 1 명을 피할 때나 10 명을 피할 때나 똑같이 빠르고 자연스럽게 움직일 수 있습니다.

---

🤖 실제 실험 결과: 얼마나 잘할까요?

연구팀은 이 기술을 **바퀴 달린 로봇 (지상 로봇)**과 하늘을 나는 드론 (쿼드콥터) 두 가지에 적용해 보았습니다.

• 성공률: 사람들로 가득 찬 공간에서 로봇이 충돌 없이 목적지에 도착하는 비율이 기존 최고 기술보다 최대 18% 더 높아졌습니다.
• 효율성: 안전하다고 해서 길을 너무 빙 돌아다니지 않았습니다. (기존 방법들은 너무 조심스러워 비효율적인 길을 갔는데, 이 방법은 안전하면서도 직진에 가까운 길을 찾았습니다.)
• 실제 테스트: 컴퓨터 시뮬레이션뿐만 아니라, 실제 로봇과 드론을 가지고 실험에서도 성공적으로 충돌을 피했습니다.

---

💡 한 줄 요약

"이 기술은 로봇에게 '위험한 곳'을 미리 외워지게 하고, 여러 위험을 한 번에 처리하게 함으로써, 사람이 붐비는 곳에서도 로봇이 안전하면서도 똑똑하게 길을 찾아가게 해줍니다."

이처럼 CN-CBF는 로봇이 복잡한 현실 세계에서 더 자유롭고 안전하게 활동할 수 있는 핵심 열쇠가 될 것으로 기대됩니다.

기술 요약

1. 문제 정의 (Problem)

자율 로봇의 안전한 항법은 특히 동적이고 불확실한 환경에서 여전히 핵심적인 과제로 남아 있습니다.

• 기존 접근법의 한계: 안전 필터링 (Safety Filtering) 기법 중 제어 장벽 함수 (Control Barrier Functions, CBF) 는 구현이 용이하지만, 적절한 CBF 를 설계하는 것이 매우 어렵습니다.
• 학습 기반 및 모델 기반 방법의 결함:
  • 기존 학습 기반 방법들은 종종 최적의 안전 집합 (Optimal Safe Set) 을 복원하지 못합니다.
  • Hamilton-Jacobi (HJ) 도달성 분석을 사용하는 방법들은 정적 환경에서는 효과적이지만, 동적 장애물이 있는 환경에서는 계산 비용이 너무 크거나 (차원의 저주), 실시간으로 생성하기 어렵습니다.
  • 여러 장애물이 존재할 때, 모든 장애물을 동시에 고려하는 결합된 (Joint) HJ 함수를 학습하는 것은 조합적 복잡성 (Combinatorial Complexity) 으로 인해 비현실적입니다.
• 목표: 동적 환경에서 로봇이 장애물과 충돌하지 않고 안전하게 항법할 수 있도록, 실시간으로 생성 가능하고 최적에 가까운 안전 집합을 보장하며 다수의 장애물에 확장 가능한 CBF 설계 방법론이 필요합니다.

2. 방법론 (Methodology)

저자들은 CN-CBF (Composite Neural Control Barrier Function) 이라는 새로운 접근법을 제안합니다. 이 방법은 다음과 같은 핵심 단계로 구성됩니다.

A. 상대 동역학 및 HJ 도달성 (Relative Dynamics & HJ Reachability)

• 상대 좌표계 사용: 로봇과 장애물의 절대 운동이 아닌, 상대 운동 (Relative Motion) 에 초점을 맞춥니다. 로봇 상태 $x$와 장애물 상태 $o$를 변환하여 상대 상태 $z = \rho(x, o)$를 정의합니다.
• 정적 실패 집합: 상대 좌표계를 사용하면 장애물의 절대 운동과 무관하게 실패 집합 (Failure Set, 충돌 영역) 이 정적 (Stationary) 으로 유지됩니다. 이는 시간에 따라 변하는 CBF 설계의 복잡성을 줄여줍니다.
• HJ 가치 함수 근사: 단일 로봇 - 장애물 쌍에 대해 HJ 도달성 분석을 적용하여 최적의 안전 집합 (Maximal Safe Set) 을 구합니다. 이를 신경망 (Neural Network) 으로 근사화합니다.

B. 잔차 신경 아키텍처 (Residual Neural Architecture)

• 잔차 학습: HJ 가치 함수 $V(z)$는 실패 함수 $\ell(z)$ (충돌 여부 판단) 보다 작거나 같으므로, $V(z) = \ell(z) - r(z)$ 형태로 표현됩니다. 여기서 $r(z) \ge 0$인 잔차 함수만을 신경망으로 학습합니다.
• 안전성 보장: 신경망의 출력 활성화 함수를 음수가 아닌 값 (Non-negative) 으로 제한하면, 학습된 안전 집합이 실패 집합과 절대 교차하지 않음을 수학적으로 보장할 수 있습니다.

C. 복합 CBF (Composite CBF) 및 집계 (Aggregation)

• 다중 장애물 처리: $M$개의 장애물이 있을 때, 각 장애물마다 학습된 개별 신경 CBF 를 생성합니다.
• 부드러운 집계 함수: 개별 CBF 들을 하나의 복합 CBF 로 통합하기 위해 최소값의 부드러운 근사 (Smooth under-approximation of min) 함수를 사용합니다.
  • 수식: $h_\Theta = -\frac{1}{\beta} \ln \sum e^{-\beta \bar{h}_\Theta(z_i)}$
  • 이 방법은 복합 CBF 가 미분 가능하게 만들고, 개별 안전 영역의 합집합을 포함하는 안전 집합을 보장합니다.
• 확장성: 장애물 수 $M$이 실시간으로 변하더라도 신경망 구조를 통해 유연하게 처리할 수 있습니다.

D. 안전 필터 통합

• 학습된 CN-CBF 는 제어-affine 시스템의 CBF-QP (Quadratic Programming) 안전 필터에 통합됩니다.
• 자동 미분 (Automatic Differentiation) 을 활용하여 CBF 값과 기울기 (Gradient) 를 효율적으로 계산하여 고주파수 (250Hz) 로 제어 명령을 생성합니다.

3. 주요 기여 (Key Contributions)

1. 동적 환경을 위한 신경 CBF 설계: 개별 장애물에 대한 최적에 가까운 안전 집합을 복원하고, 실패 집합과의 교차를 보장하며, 임의의 수의 장애물로 확장 가능한 방법을 최초로 제안했습니다.
2. 효율적인 학습 및 추론: HJ 도달성 분석을 상대 동역학에 적용하여 데이터 생성 및 모델 학습 시간을 기존 방법 (수십 시간) 에 비해 수 분으로 단축했습니다.
3. 광범위한 검증: 지상 로봇 (Ground Robot) 과 4 축 항공기 (Quadrotor) 에 대한 시뮬레이션 및 하드웨어 실험을 통해 제안된 방법의 유효성을 입증했습니다.

4. 실험 결과 (Results)

저자들은 Gazebo 시뮬레이션과 실제 하드웨어 (지상 로봇 및 Crazyflie 드론) 를 통해 다양한 방법론 (SDF-MPC, DCBF-MPC, VO-MPC, RNTC-MPC, C3BF, HO-CBF 등) 과 비교 평가했습니다.

• 성공률 (Success Rate):
  • 지상 로봇: 장애물 수가 5 명에서 15 명으로 증가할 때, 제안된 CN-CBF 는 기존 최상의 베이스라인 대비 최대 18% 높은 성공률을 기록했습니다.
  • 쿼드콥터: 5~20 개의 이동 장애물 환경에서 CN-CBF 가 다른 CBF 기반 방법들 (C3BF, HO-CBF) 보다 월등히 높은 성공률을 보였습니다. 특히 하드웨어 실험에서 베이스라인 방법들은 충돌을 피하지 못했으나, CN-CBF 는 충돌을 성공적으로 회피했습니다.
• 운동 효율성: 성공률 향상은 과도한 보수적 (Conservative) 인 운동으로 인한 것이 아니라, 경로 길이 (Path Length) 와 목표 도달 시간 (Time-to-goal) 이 기존 방법들과 비슷하거나 더 우수함을 확인했습니다.
• 계산 효율성: 모델 파라미터 수가 약 4,800 개로, 룩업 테이블 방식에 비해 메모리 사용량이 극히 적으며, 실시간 추론이 가능합니다.

5. 의의 및 결론 (Significance & Conclusion)

이 논문은 동적 환경에서의 로봇 안전 항법을 위한 강력한 솔루션을 제시합니다.

• 이론적 기여: HJ 도달성 분석의 강력한 안전 보장 특성과 신경망의 유연성 및 확장성을 결합하여, 동적 장애물 환경에서도 최적의 안전 집합을 근사할 수 있는 새로운 패러다임을 제시했습니다.
• 실용적 가치: 복잡한 수학적 유도 없이 자동 미분 프레임워크를 통해 구현 가능하며, 실제 로봇 (지상 및 공중) 에서 실시간으로 작동함을 입증했습니다.
• 미래 전망: 이 방법은 이질적인 환경 (다양한 종류의 장애물) 으로 확장 가능하며, 집계 함수를 학습 가능한 모델로 대체하여 더 정교한 결합 CBF 를 학습하는 방향으로 발전할 수 있습니다.

요약하자면, CN-CBF 는 안전성 (Safety), 효율성 (Efficiency), 확장성 (Scalability) 을 모두 만족시키는 차세대 로봇 제어 안전 필터링 기술로 평가됩니다.