Hierarchical Multi-Modal Planning for Fixed-Altitude Sparse Target Search and Sampling

이 논문은 산호 군집과 같은 희귀 해저 현상을 효율적으로 탐지하고 샘플링하기 위해, 수직 기동을 배제하고 전역 경로 최적화와 지역적 확률적 추정을 결합한 고정 고도 계층형 다중 모달 계획 프레임워크인 HIMoS 를 제안하고 고충실도 시뮬레이션을 통해 기존 방법보다 우수한 성능을 입증합니다.

핵심

🌊 바다 속의 미션: "산호를 찾아라!"

상상해 보세요. 로봇이 바다 바닥을 헤매며 희귀한 산호를 찾아야 합니다. 문제는 산호가 아주 드물게 (Sparse) 퍼져 있다는 점입니다.

• 기존 방식의 문제점:
  • **잔디 깎기 **(Lawnmower) 로봇이 빈 사막 같은 바다 바닥을 일일이 다 훑고 지나갑니다. 산호가 없는 곳에서 전기를 낭비하는 꼴입니다.
  • **상하 이동 **(Vertical Maneuver) 산호를 멀리서 보고 가까이 가서 찍는 방식인데, 물속에서 위아래로 오가는 건 연료 소모가 심하고, 물이 탁하면 (Shenzhen 앞바다처럼) 카메라가 잘 안 보입니다.

🚀 HIMoS: "똑똑한 바다 탐험가"

저자들은 HIMoS라는 새로운 시스템을 만들었습니다. 이 로봇은 고정된 높이로만 날아다니면서, 세 가지 다른 '눈'을 가지고 있습니다.

1. **초음파 눈 **(FLS) 멀리서 바다 바닥이 '모래'인지 '바위'인지 대략적으로 봅니다. (산호는 바위에만 살기 때문)
2. **중거리 카메라 **(FLC) 가까이서 산호의 흔적을 찾습니다.
3. **아래쪽 카메라 **(DLC) 산호를 정확히 발견하면 바로 아래로 내려가서 사진을 찍고 채집합니다.

이 로봇의 핵심은 **두 단계로 나누어 생각하는 '계층적 계획'**입니다.

---

🧠 두뇌 구조: "전략가"와 "전술가"

이 로봇은 두 명의 인격 (또는 두 개의 두뇌) 을 가진 것처럼 작동합니다.

1. 전략가 (Global Planner): "지도 보고 큰 그림 그리기"

• 역할: "어디로 가야 할까?"를 결정합니다.
• 비유: 등산 가이드가 생각해보세요. 가이드는 산 전체를 보고 "저기 바위 지대가 많으니 거기로 가자"라고 큰 경로를 정합니다.
• 작동 원리:
  • 로봇이 아직 모르는 곳은 '확실하지 않은 지역'으로, 이미 확인된 산호 많은 곳은 '확실한 지역'으로 분류합니다.
  • **UCB **(Upper Confidence Bound)라는 수학을 써서, "산호 있을 확률이 높은 곳"과 "아직 안 봐서 알 수 없는 곳" 사이에서 균형을 맞춥니다. (탐험 vs 수확)
  • 로봇이 너무 멀리 가지 않도록, 다음 목표 지점과 그까지 갈 수 있는 시간 예산을 정해줍니다.

2. 전술가 (Local Planner): "실제 걷는 길 찾기"

• 역할: "지금 이 순간 어떻게 움직일까?"를 결정합니다.
• 비유: 스키 선수가 생각해보세요. 가이드가 "저기 가자"라고 했지만, 눈이 쌓인 길이나 바위 사이를 어떻게 피해서滑아갈지는 선수의 즉흥적인 판단입니다.
• **혁신적인 기술 **(Differentiable Belief Dynamics)
  • 기존 로봇은 "이 길로 가면 산호를 볼 확률이 얼마나 될까?"를 계산할 때, "만약 산호가 없으면?" "있으면?"을 모두 따로따로 계산해서 매우 느렸습니다.
  • HIMoS 는 이를 **미분 가능한 **(Differentiable)로 바꿨습니다.
  • 비유: 마치 미끄럼틀을 탄 것처럼, 로봇이 "산호를 볼 확률이 높은 곳"을 향해 자연스럽게 미끄러지듯 움직이게 합니다. 확률 계산이 끊기지 않고 부드럽게 이어져서, 로봇이 가장 효율적인 길을 실시간으로 찾아냅니다.

---

🎮 게임으로 비유하면?

이 시스템을 오픈 월드 RPG 게임에 비유해 볼까요?

• **기존 로봇 **(MCTS 등)
  • "저기 괴물이 있나? 없나? 일단 다 가보자."
  • 지도를 다 보지 못하고, 가까운 곳만 보다가 길을 잃거나, 이미 다 지낸 곳을 다시 돌아다닙니다.
• HIMoS 로봇:
  • 전략가: "지도에 보라색 마크 (산호 가능성) 가 있는 지역으로 가자. 그 지역까지 가는 데 10 분만 쓸 거야."
  • 전술가: "10 분 안에 그 지역으로 가면서, 길가에서 보물 (산호) 이 보이면 바로 줍고, 안 보이면 빠르게 지나가자."
  • 결과: 전력을 아끼고, 산호를 더 많이 찾아냅니다.

---

🏆 왜 이것이 중요한가요?

1. 에너지 절약: 위아래로 오르지 않고, 한 높이에서만 움직여서 배터리를 아낍니다.
2. 탁한 물에서도 가능: 물이 탁해서 카메라가 안 들더라도, 초음파로 바닥을 먼저 스캔하고 산호가 있을 법한 곳으로만 카메라를 가져갑니다.
3. 실시간 대응: 로봇이 새로운 정보를 얻으면, 바로 계획을 수정합니다. (예: "아, 여기는 산호가 없네? 그럼 바로 옆으로 가자.")

💡 결론

이 논문은 **"바다 속의 희귀한 보물 **(산호)을 제안했습니다.

기존의 "일일이 다 훑는 방식"이나 "계속 위아래로 뛰는 방식" 대신, 큰 그림을 그리는 전략가와 부드럽게 움직이는 전술가가 협력하게 함으로써, 적은 에너지로 더 많은 산호를 찾아내는 혁신적인 방법을 제시했습니다. 이는 미래의 해양 환경 보호와 자원 탐사에 큰 도움이 될 것입니다.

기술 요약

논문 요약: HIMoS (Hierarchical Informative Multi-Modal Search)

1. 문제 정의 (Problem Definition)

• 배경: 산호 군락과 같은 희소 (sparse) 한 해저 생물 현상을 모니터링하는 것은 자율 수중 차량 (AUV) 에게 중요한 과제입니다.
• 기존 방식의 한계:
  • 전체 커버리지 (Lawmower): 빈 해저를 지나가는 에너지 비효율성이 큽니다.
  • 적응형 샘플링 (SASS 등): 고도 변경 (상하 이동) 을 통해 시각적 탐색과 근접 샘플링을 수행하지만, 수중 환경에서 빈번한 수직 기동은 에너지를 많이 소모하며, 탁한 물 (turbid water) 에서는 고도에서의 시각적 탐지가 신뢰도가 낮습니다.
  • 알고리즘적 제약: 기존 방법론 (예: 몬테카를로 트리 탐색) 은 맵 해상도가 높아질수록 확장성이 떨어지고, 운동학적 제약 (kinematically feasible) 을 고려한 궤적 생성이 어렵습니다.
• 목표: 에너지 효율적인 고정 고도 (Fixed-Altitude) 전략을 통해, 장거리 음향 탐지와 근거리 시각 샘플링을 통합하여 희소 표적 (산호) 을 효율적으로 탐색하고 샘플링하는 프레임워크 개발.

2. 제안 방법론: HIMoS (Hierarchical Informative Multi-Modal Search)

HIMoS 는 전략적 (Strategic) 과 전술적 (Tactical) 인 두 가지 계층으로 구성된 계층적 계획 아키텍처를 사용합니다.

A. 센서 퓨전 (Heterogeneous Sensor Suite)

• FLS (Forward-Looking Sonar): 광역 해저 지형 (모래 vs 단단한 기질) 매핑.
• FLC (Front-Looking Camera): 중거리 표적 (산호) 스카우팅.
• DLC (Down-Looking Camera): 근접 정밀 샘플링 및 검증.
• 특징: 수직 기동 없이 수평 이동만으로 이 세 가지 센서를 결합하여 탁한 수중 환경에서도 작동합니다.

B. 계층적 계획 아키텍처

1. 글로벌 플래너 (Global Planner - 전략적 수준):

   • 목표: 제한된 시간 예산 내에서 가장 유망한 표적 지역을 식별.
   • 방법: 적응형 다중 해상도 그래프 (Adaptive Multi-Resolution Graph) 를 구축.
     • 초기에는 거시적 (Macro) 영역으로 시작하여 계산 효율성을 높임.
     • FLS 데이터가 축적되어 불확실성이 감소하면 해당 영역을 미세 (Micro) 영역으로 분할.
   • 최적화: **오리엔티어링 문제 (Orienteering Problem, OP)**를 해결.
     • UCB (Upper Confidence Bound) 유틸리티: 예측된 서식지 확률 (기대값) 과 인식적 불확실성 (분산) 을 결합하여 탐색 (Exploration) 과 활용 (Exploitation) 의 균형을 맞춤.
     • 결과: 다음 목표 지역 ($v_{next}$) 과 해당 지역 도달을 위한 로컬 시간 예산 ($T_{local}$) 을 할당.

2. 로컬 플래너 (Local Planner - 전술적 수준):

   • 목표: 글로벌 지시를 받아 운동학적 제약 내에서 실행 가능한 궤적 생성.
   • 핵심 기술: 미분 가능한 신념 역학 (Differentiable Belief Dynamics)
     • 확률론적 센서 업데이트의 불연속성과 비미분 가능성을 해결하기 위해, 확률적 관측을 연속적인 기대 증거 (Expected Evidence) 축적 과정으로 근사화.
     • 신념 상태 (Belief State): 로그-오즈 (Log-odds) 형태로 표현되며, FLS 와 FLC 를 통한 탐색 (엔트로피 감소) 과 DLC 를 통한 샘플링 (확률 최대화) 을 동시에 최적화.
     • 미분 가능한 센서 필드: 센서의 시야각 (FOV) 경계를 부드러운 시그모이드 함수로 모델링하여, 경계 근처에서도 기울기 (Gradient) 가 유지되도록 함. 이를 통해 최적화 알고리즘이 표적과 정렬되도록 궤적을 유도.
   • 최적화: 유한 시간 지평선 (Receding Horizon) 내에서 비선형 프로그래밍 (NLP) 문제를 해결하여 궤적 생성.

3. 주요 기여 (Key Contributions)

1. 계층적 계획 아키텍처: 전략적 오리엔티어링 기반 글로벌 플래너와 전술적 재귀 시간 (Receding Horizon) 로컬 플래너를 통합하여, 미션 수준의 효율성과 로컬 기동성을 동시에 확보.
2. 미분 가능한 신념 역학 (Differentiable Belief Dynamics): 확률론적 센서 업데이트를 연속적인 대리 모델 (Surrogate) 로 변환하여, 그라디언트 기반 궤적 최적화를 통해 운동학적 제약과 정보 획득 (탐색/활용) 의 균형을 달성.
3. 이종 센서 융합 전략: 고정 고도에서 장거리 음향 (FLS) 과 근거리 시각 (FLC, DLC) 데이터를 통합하여, 탁한 해양 환경에서도 효율적인 희소 표적 탐색 및 샘플링을 가능하게 함.

4. 실험 및 결과 (Experiments and Results)

• 환경: 실제 UAV 항공 사진 측량 데이터에서 추출한 고희생성 시뮬레이션 환경 (실제 산호초 해저 지형).
• 비교 대상:
  • Boustrophedon: 전통적인 잔디 깎기 방식 (전체 커버리지).
  • MCTS (Sparse Adaptive Search and Sample): 최신 적응형 샘플링 알고리즘 (본 논문 환경에 맞게 수정 적용).
  • With Prior: 지상 진실 (Ground Truth) 맵을 미리 알고 있는 이상적인 상한선 (Upper Bound).
• 성능:
  • 샘플링 효율: HIMoS 는 모든 난이도 (쉬움, 중간, 어려움) 에서 MCTS 와 Boustrophedon 을 압도적으로 능가함.
  • 상한선 대비 성능: 놀랍게도 HIMoS 는 사전 지식이 없는 상태임에도 불구하고, 오프라인으로 계산된 'With Prior'baseline 보다 약간 더 높은 표적 확인률 (Confirmation Rate) 을 기록함. 이는 전체 맵에 대한 오프라인 OP 해결이 차원의 저주 (Curse of Dimensionality) 로 인해 비최적 경로가 될 수 있음을 시사하며, HIMoS 의 적응형 실시간 재계획이 더 효과적임을 보여줌.
  • 시간 경과에 따른 성능: MCTS 는 초기에는 경쟁력이 있으나 시간이 지남에 따라 발견률이 정체되는 반면, HIMoS 는 긴 시간 동안 일관된 높은 확인률을 유지함.
• 계산 비용: 임베디드 컴퓨터 (Jetson AGX Orin) 에서 로컬 플래너는 평균 0.5 초, 글로벌 플래너는 95% 의 경우 1.5 초 이내에 해결되어 실시간 적용 가능.

5. 의의 및 결론 (Significance)

• 실용성: 에너지 소모가 큰 수직 기동을 제거하고, 탁한 수중 환경에서도 견고하게 작동하는 고정 고도 프레임워크를 제시.
• 기술적 혁신: 확률론적 센서 모델을 미분 가능한 연속 함수로 변환하여, 복잡한 정보 수집 문제를 효율적인 최적화 문제로 풀 수 있는 새로운 패러다임 제시.
• 미래 전망: 실제 해양 모니터링 임무에 적용 가능한 높은 시뮬레이션 - 현실 (Sim-to-Real) 준비도를 보이며, 향후 동역학 인식 예산 할당 메커니즘 연구 및 실제 AUV 실증으로 이어질 것으로 기대됨.

이 논문은 제한된 에너지와 불확실한 수중 환경에서 자율 로봇이 어떻게 지능적으로 자원을 배분하고 표적을 찾을 수 있는지에 대한 중요한 통찰을 제공합니다.