GSAT: Geometric Traversability Estimation using Self-supervised Learning with Anomaly Detection for Diverse Terrains

이 논문은 인간이 정의한 임계값이나 명시적인 부정적 레이블 없이 자기지도 학습과 이상 탐지를 결합하여 다양한 지형에서의 로봇 주행 가능성을 추정하는 GSAT 프레임워크를 제안합니다.

핵심

🤖 로봇이 길을 찾는 새로운 방법: "GSAT" 이야기

이 논문은 로봇이 낯선 땅을 걸을 때, **"여기서 넘어질까? 아니면 안전하게 지나갈까?"**를 스스로 판단하게 만드는 기술을 소개합니다. 기존 방법들의 한계를 극복하고, 로봇이 자신의 경험을 통해 더 똑똑하게 길을 찾도록 도와주는 **'GSAT'**라는 시스템을 제안합니다.

이 내용을 일반인이 쉽게 이해할 수 있도록 비유와 함께 설명해 드릴게요.

---

1. 기존 방식의 문제점: "선생님의 편견"과 "오직 좋은 경험만"

과거 로봇이 길을 찾는 방식은 두 가지였습니다.

1. 지식 기반 (Semantic): "돌은 위험하고, 길은 안전해"라고 미리 정해진 규칙을 따랐습니다.
2. 형상 기반 (Geometric): "경사가 30 도 이상이면 위험해"라고 숫자로 정했습니다.

하지만 문제는?
이 규칙들은 사람이 정한 기준이라서 로봇의 실제 능력과 맞지 않는 경우가 많았습니다. 예를 들어, 작은 돌멩이는 큰 로봇에게는 안전하지만 작은 로봇에게는 위험할 수 있는데, 사람 기준은 이를 구분하지 못했습니다.

최근에는 로봇이 직접 경험을 쌓게 하는 '자기 주도 학습'을 시도했습니다. 하지만 여기엔 치명적인 문제가 있었습니다.

• 문제: 로봇은 "안전하게 지나간 경험 (긍정 데이터)"만 가지고 학습합니다. "넘어진 경험 (부정 데이터)"은 거의 없기 때문입니다.
• 비유: 요리사에게 "맛있는 요리"만 보여주고 "맛없는 요리"는 보여주지 않으면, 요리사는 "맛있는 것"과 "맛없는 것"의 차이를 정확히 구분하지 못해, 결국 모든 것을 다 '맛있을 것'이라고 착각하게 됩니다.

---

2. GSAT 의 해결책: "안전한 영역의 구체 (Hypersphere)"와 "이상 탐지"

GSAT 는 이 문제를 해결하기 위해 아주 창의적인 방법을 썼습니다.

🍊 비유: "오렌지 주스"와 "이상한 과일"

로봇이 안전하게 지나간 경험들을 모아 **'안전한 오렌지 주스'**라고 상상해 보세요.

• 기존 방식: "이 오렌지 주스랑 비슷하면 안전하고, 아니면 위험해"라고 대충 구분했습니다.
• GSAT 방식: 로봇은 **"안전한 오렌지 주스"가 모여 있는 완벽한 구체 (공 모양의 영역)**를 만듭니다.
  • 이 구체 안의 것들은 모두 '안전 (Normal)'합니다.
  • 이 구체 밖으로 튀어나온 것들은 '위험 (Anomaly)'하다고 판단합니다.

이때 중요한 점은, 위험한 데이터 (넘어진 경험) 를 따로 준비할 필요가 없다는 것입니다. 로봇이 "어? 이 데이터는 내가 만든 안전한 구체 안에 들어가지 않네? 그럼 이건 이상한 거야!"라고 스스로 판단하는 이상 탐지 (Anomaly Detection) 기술을 쓴 것입니다.

---

3. GSAT 의 4 가지 핵심 기술 (로봇의 성장 비결)

GSAT 가 어떻게 이렇게 똑똑해졌는지 4 가지 비유로 설명해 드립니다.

① 경험 기반 이상 탐지 (Experience-Aware Anomaly Detection)

• 비유: 로봇은 "내가 걸어본 길"을 기준으로 안전한 영역의 지도를 그립니다. 그 지도 밖으로 나가는 길은 무조건 위험하다고 간주합니다.
• 효과: 위험한 데이터가 없어도, "내 경험과 너무 달라서 내 지도에 안 들어가는 곳"을 찾아내어 위험을 감지합니다.

② 한 번에 두 가지 학습 (Joint Learning)

• 비유: 로봇은 "이곳은 안전한가?"(분류) 와 "이곳이 얼마나 안전한가?"(점수 예측) 를 동시에 배웁니다.
• 효과: 두 가지 일을 함께 배우면 서로의 지식을 공유해서 더 빠르고 정확하게 학습할 수 있습니다.

③ 다양한 경험 만들기 (Geometric Data Augmentation)

• 비유: 로봇이 사람과 함께 걷다 보면 항상 똑같은 방향, 똑같은 경사로만 걷게 됩니다. GSAT 는 컴퓨터 안에서 데이터를 뒤집고, 회전시키고, 경사를 바꿔주는 작업을 합니다.
  • 뒤집기: 왼쪽으로만 걷던 로봇이 오른쪽으로도 걷는 것처럼 만듭니다.
  • 회전: 방향을 바꿔서 다양한 각도에서 땅을 보게 합니다.
  • 경사: 평지 데이터를 구름 위를 걷는 것처럼 경사진 데이터로 변형합니다.
• 효과: 로봇이 실제 세상에서 마주칠 수 있는 다양한 상황을 미리 경험하게 되어, 낯선 곳에서도 당황하지 않습니다.

④ 철저한 검증

• 실제 로봇 (바퀴형, 다리형) 과 시뮬레이션에서 실험했습니다.
• 결과: 기존 방법들은 덤불이나 경사지에서 자주 멈추거나 충돌했지만, GSAT 는 10 번 중 10 번 성공적으로 목적지에 도착했습니다.

---

4. 결론: 로봇이 스스로 길을 찾는 시대

이 논문은 **"로봇이 실패할 필요 없이, 성공한 경험만으로 위험을 알아차리는 방법"**을 제시합니다.

• 기존: "사람이 정한 규칙대로만 움직여라." (틀리기 쉬움)
• GSAT: "내가 걸어본 안전한 길을 기억해. 그 밖의 낯선 곳은 조심해." (유연하고 안전함)

이 기술이 발전하면, 재난 현장이나 미지의 행성에서 로봇이 인간보다 더 안전하게, 더 똑똑하게 길을 찾아갈 수 있을 것입니다. 마치 자신의 경험을 바탕으로 '위험한 길'을 직감적으로 피하는 숙련된 등산가처럼 말이죠! 🏔️🤖

기술 요약

1. 문제 정의 (Problem Statement)

비구조화된 환경에서 로봇의 자율 항법을 위해서는 지형의 주행 가능성 (Traversability) 을 정확하게 추정하는 것이 필수적입니다. 기존 연구들은 주로 다음과 같은 한계를 가지고 있었습니다:

• 휴먼 정의 임계값의 의존성: 기존 지형 분류 (Semantic) 또는 기하학적 (Geometric) 방법은 사람이 정의한 임계값 (예: 경사도, 거칠기) 에 의존합니다. 이는 주관적이며 로봇의 실제 주행 경험과 괴리되어 불확실한 예측을 초래합니다.
• 자기 지도 학습의 'Positive-Only' 문제: 로봇의 주행 경험 (성공 사례) 만을 학습하는 자기 지도 학습 (Self-supervised Learning) 방식은 대조적인 '부정 (Negative)' 데이터가 부족합니다. 이로 인해 '정상 (Normal)' 샘플과 '이상 (Anomalous)' 샘플을 구분하는 결정 경계가 불안정해지거나, 특징 공간이 붕괴 (Feature Collapse) 되는 문제가 발생합니다.
• 기존 PU 학습 (Positive-Unlabeled) 의 한계: 라벨이 없는 데이터를 활용하는 기존 방법들은 '라벨 없는 프로토타입'을 사용하는데, 이 데이터에는 정상 샘플이 포함되어 있어 분류 기준이 불안정해집니다. 또한, 시각적 기초 모델 (Foundation Models, 예: SAM) 은 기하학적 데이터에는 적용하기 어렵습니다.

2. 제안 방법 (Methodology: GSAT)

저자들은 GSAT를 제안하여, 추가적인 부정 데이터나 프로토타입 없이도 다양한 지형에서 주행 가능성을 추정하는 자기 지도 학습 프레임워크를 구축했습니다.

A. 자동화된 데이터 생성 (Automated Data Generation)

• SLAM 기반 로봇 궤적과 LiDAR 포인트 클라우드를 정렬하여 주행 경험을 기반으로 한 주행 가능성 점수 (Traversability Score) 를 자동으로 생성합니다.
• 로봇의 속도 오차 (Commanded vs. Actual velocity) 를 기반으로 시그모이드 함수를 적용하여 주행 가능 (Positive) 과 불가능 (Negative) 영역을 구분하는 라벨을 생성합니다.
• BEV (Bird's Eye View) 표현을 사용하여 계산 효율성을 높이고, Pillar Voxelization 기법을 통해 3D 포인트 클라우드를 2D 그리드로 변환합니다.

B. 경험 인식 이상 탐지 (Experience-Aware Anomaly Detection)

• 양 (Positive) 초구 (Hypersphere) 구축: 라벨이 있는 'Positive' 데이터의 평균을 중심으로 초구 (Hypersphere) 를 정의합니다.
• 이상 탐지 기반 분류: 초구의 반경 (Radius) 을 기준으로 라벨이 없는 (Unlabeled) 데이터를 **정상 (Normal)**과 **이상 (Anomalous)**으로 자동 분류합니다.
  • 초구 내부: 정상 (학습된 경험과 유사)
  • 초구 외부: 이상 (미경험 또는 위험 지역)
• 프로토타입 불필요: 별도의 프로토타입이나 기초 모델을 사용하지 않고, 단일 초구만으로 이상을 탐지하여 결정 경계를 최적화합니다.

C. 결합 학습 프레임워크 (Joint Learning Framework)

세 가지 손실 함수 (Loss Function) 를 결합하여 효율적인 학습을 수행합니다:

1. 이상 탐지 손실 (Anomaly Loss): Positive 와 Normal 샘플은 초구 중심을 당기고 (Pull), Anomalous 샘플은 밀어냅니다 (Push). 이는 Deep-SAD 를 변형하여 적용했습니다.
2. 재구성 손실 (Reconstruction Loss): 특징의 붕괴를 방지하고 일반화된 표현을 유지하기 위해 입력 데이터를 재구성하는 MSE 손실을 사용합니다.
3. 회귀 손실 (Regression Loss): Positive 샘플에는 목표 점수를, Anomalous 샘플에는 0 을 예측하도록 하여 주행 가능성 점수를 직접 회귀합니다.

D. 기하학적 데이터 증강 (Geometric Data Augmentation)

• 인간 조작 데이터의 편향 (방향성, 경사도 등) 을 해결하기 위해 Flip, Yaw Rotation, Pitch Rotation 기법을 적용합니다.
• 특히 Pitch Rotation 은 RANSAC 기반 지면 분할을 통해 실제 지형의 경사도를 시뮬레이션하여 다양한 지형에 대한 적응력을 높입니다.

3. 주요 기여 (Key Contributions)

1. 경험 인식 이상 탐지: 단일 Positive 초구를 기반으로 라벨 없는 데이터에서 이상을 탐지하는 자기 지도 학습 프레임워크를 제안하여, PU 학습의 한계를 극복했습니다.
2. 결합 학습 구조: 이상 탐지와 주행 가능성 예측을 동시에 학습하여 로봇의 경험을 효율적으로 활용하고 안정적인 결정 경계를 형성합니다.
3. 다양성 확보를 위한 기하학적 증강: 인간 주행 데이터의 편향을 해소하고 미경험 지역에 대한 적응력을 높이기 위한 맞춤형 증강 전략을 도입했습니다.
4. 포괄적 평가: 다양한 데이터셋 (RELLIS-3D, DITER++) 에 대한 이상 분류 성능 평가와, 실제 로봇 (Legged, Wheeled) 및 시뮬레이션 환경에서의 항법 성능을 검증했습니다.

4. 실험 결과 (Results)

• 이상 분류 성능 (Ablation Study):
  • 라벨 없는 데이터를 '정상'과 '이상'으로 구분하여 학습하는 방식이 가장 높은 F1-Score(77.61% ~ 88.04%) 를 기록했습니다.
  • 모든 라벨 없는 데이터를 이상으로 간주하거나, Positive 데이터만 사용하는 방식보다 성능이 월등히 우수했습니다.
  • 데이터 증강 (특히 Yaw Rotation) 을 적용하지 않을 경우, 미경험 방향에 대한 성능이 급격히 저하됨을 확인했습니다.
• 주행 가능성 매핑 (Traversability Mapping):
  • Legged Robot vs Wheeled Robot: 제안된 방법은 로봇의 기구학적 한계를 반영하여 동일한 지형 (예: 낮은 덤불) 에 대해 로봇별로 다른 주행 가능성 지도를 생성했습니다. (Legged: 주행 가능, Wheeled: 주행 불가)
  • 기존 방법 (DEM-Trav, LeSTA) 은 플랫폼별 차이를 반영하지 못하거나 인간 정의 임계값에 의존하여 오류를 범했습니다.
• 자율 항법 (Autonomous Navigation):
  • Gazebo 시뮬레이션 환경에서 10 회 실험 시, 제안된 방법은 **100% 성공률 (10/10)**과 평균 충돌 0.2 회를 기록했습니다.
  • 기존 방법들은 낮은 덤불을 장애물로 잘못 인식하여 충돌이 발생하거나 항법에 실패했습니다.

5. 의의 및 결론 (Significance & Conclusion)

GSAT 는 로봇이 인간의 개입 없이 자신의 주행 경험으로부터 다양한 지형의 주행 가능성을 학습할 수 있는 강력한 프레임워크를 제시합니다.

• 주요 의의: 'Positive-Only' 학습의 근본적인 문제 (결정 경계 불안정성) 를 이상 탐지 (Anomaly Detection) 기법으로 해결함으로써, 별도의 부정 데이터나 복잡한 기초 모델 없이도 강력한 일반화 성능을 달성했습니다.
• 실용성: 다양한 로봇 플랫폼 (바퀴형, 다족형) 에 적용 가능하며, 시뮬레이션 및 실제 환경에서의 항법 실험을 통해 안전하고 효율적인 자율 주행에 기여함을 입증했습니다.
• 향후 과제: 빈 셀 (Empty cells) 에 대한 학습 불안정성 해결, 로봇 상태 정보 (배터리, 모터 상태 등) 통합, 그리고 실제 주행 가능성을 정밀하게 라벨링한 데이터셋 구축이 향후 과제로 제시되었습니다.

이 연구는 비구조화된 환경에서 로봇의 자율성을 높이기 위한 핵심 기술인 '주행 가능성 추정' 분야에서 자기 지도 학습의 새로운 패러다임을 제시했다는 점에서 의미가 큽니다.