Proprioceptive Safe Active Navigation and Exploration for Planetary Environments

이 논문은 변형 가능한 행성 지형에서의 안전한 탐사를 위해 다리가 지면과 상호작용하여 얻은 고유수용감각 정보를 활용하여 통과 가능 영역을 학습하고, 다목적 최적화를 통해 안전성과 목표 지향성을 균형 있게 고려하는 PSANE 프레임워크를 제안합니다.

핵심

🌍 배경: "눈으로만 보면 안 보이는 함정"

상상해 보세요. 여러분이 낯선 모래밭을 걷고 있다고 칩시다.

• 기존 방식 (눈만 믿는 로봇): 로봇은 카메라 (눈) 로 주변을 봅니다. "저기 평평해 보이네, 저기 갈 수 있겠어!"라고 판단합니다. 하지만 문제는 겉보기엔 평평한 모래밭이 속은 아주 무른 진흙탕일 수 있다는 점입니다. 로봇이 한 발 내디디자마자 푹 꺼져서 꼼짝도 못하게 될 수 있죠. (실제 화성 탐사선 '스피릿'호도 이런 이유로 고립된 적이 있습니다.)
• 이 논문의 해결책 (발끝 감각을 믿는 로봇): 이 로봇은 "눈"만 믿지 않습니다. 대신 **다리를 움직일 때 느껴지는 저항감 (발이 땅에 얼마나 파고드는지)**을 통해 땅의 상태를 실시간으로 파악합니다. 마치 우리가 맨발로 모래를 걸을 때 "어? 여기는 푹 꺼지네, 저기는 단단하네"라고 느끼는 것과 같습니다.

🤖 PSANE: "스마트한 탐험가 로봇"

이 논문에서 제안한 PSANE이라는 시스템은 바로 이런 '발끝 감각'을 이용해 길을 찾는 똑똑한 로봇 두뇌입니다. 세 가지 핵심 기능을 가지고 있습니다.

1. "점 찍기"와 "예측" (지도 그리기)

로봇은 처음엔 아무것도 모릅니다. 하지만 한 걸음 한 걸음 걸을 때마다 "여기는 단단해", "저기는 무르네"라는 데이터를 모읍니다.

• 비유: 어두운 방에서 손으로 벽을 더듬으며 지도를 그리는 것과 같습니다. 로봇은 **가우시안 프로세스 (GP)**라는 수학적 도구를 써서, 로봇이 직접 밟은 '점'들 사이의 빈 공간도 **"아마도 여기는 이렇게 될 거야"**라고 확률적으로 예측합니다.
• 중요한 점: 로봇은 "여기는 100% 안전해"라고 단정 짓지 않고, **"여기는 안전할 확률이 90% 이고, 10% 는 위험할 수도 있어"**라고 불확실성을 함께 고려합니다.

2. "안전 구역"과 "미지의 영역" 구분 (경계선 찾기)

로봇은 예측한 데이터를 바탕으로 두 가지 영역을 나눕니다.

• 안전 구역 (초록색): "여기는 확실히 안전해. 발이 빠지지 않을 거야."라고 보장할 수 있는 곳.
• 경계선 (프론티어): "안전한 곳과 위험한 곳의 경계"입니다. 로봇은 이 경계선으로만 이동하며, 조금 더 나아가서 새로운 땅을 확인합니다.
• 비유: 안개 낀 산에서 등반하는 것과 비슷합니다. 우리는 발이 닿은 안전한 바위 위만 밟고, 그 바위 끝에서 조금 더 뻗어 나갈 수 있는 안전한 바위를 찾아 이동합니다.

3. "두 마리 토끼" 잡기 (목표 vs 안전)

로봇은 두 가지 목표를 동시에 달성해야 합니다.

1. 목표 지점 (Goal) 으로 가기: 빨리 목적지에 도착하고 싶다.
2. 안전한 영역 넓히기 (Exploration): 아직 모르는 안전한 땅을 찾아서 지도를 넓혀야 한다.

이 두 가지는 종종 충돌합니다. "목표로 직진하면 위험할 수도 있고, 안전하긴 한데 목표와 반대 방향으로 가야 할 수도 있으니까요."

• PSANE 의 전략: 로봇은 "목표로 가는 거리"와 "새로운 안전한 땅을 찾을 확률"을 저울질합니다. 단순히 목표만 쫓지 않고, 안전한 길을 조금씩 넓히면서 목표에 다가가는 최적의 경로를 계산합니다.

🏆 결과: 왜 이 방법이 좋은가요?

실험 결과, PSANE 은 기존 방법들보다 훨씬 훌륭했습니다.

• 기존 방법 (눈만 믿거나, 안전만 고려):
  • 눈만 믿는 로봇: 위험한 진흙탕에 빠져서 꼼짝 못 합니다. (실패)
  • 안전만 중시하는 로봇: 너무 조심스러워서 한 발짝도 못 나갑니다. 혹은 목표 지점까지 가는 길에서 막혀서 멈춥니다.
• PSANE (감각 + 지능):
  • 성공률 100%: 위험한 곳을 피하면서도 목표에 성공적으로 도달했습니다.
  • 효율성: 안전을 지키면서도 불필요한 우회로를 줄여, 더 빠르고 짧은 경로로 이동했습니다.

💡 결론

이 논문은 **"로봇이 눈으로 보는 것만 믿지 말고, 발로 느끼는 감각을 믿고 지능적으로 판단하라"**는 메시지를 줍니다.

마치 미지의 숲을 탐험하는 등반가처럼, PSANE 로봇은 "여기는 안전할 것 같아"라고 예측하며 한 걸음씩 나아가고, 그 과정에서 얻은 감각으로 지도를 업데이트하며, 결국 안전하게 목적지에 도달합니다. 이는 미래의 달이나 화성 탐사 로봇이 복잡한 지형에서도 스스로 생존하고 임무를 수행하는 데 큰 도움이 될 것입니다.

기술 요약

1. 문제 정의 (Problem Definition)

• 배경: 기존 행성 탐사 로버 (예: Mars 2020) 는 비전 (Vision) 이나 LiDAR 와 같은 외감 (Exteroceptive) 센서에 의존하여 지형을 매핑하고 위험을 감지합니다.
• 한계점:
  • 변형 가능한 지형 (Deformable Terrains): 행성 표면의 모래나 레골리스 (regolith) 와 같은 변형 가능한 지형에서는 표면의 기하학적 형태만으로는 이동 위험 (침하, 미끄러짐, 고립) 을 정확히 예측하기 어렵습니다. (예: 스피릿 로버의 고립 사례)
  • 센서 정보의 부족: 원격 감지만으로는 전단 강도, 압밀 상태, 침하 저항력 등 지하의 기계적 특성을 신뢰할 수 있게 추정할 수 없습니다.
• 핵심 문제: 로봇이 고유감각 (Proprioception, 즉 다리와 지면의 상호작용에서 얻은 힘, 깊이, 전류 데이터 등) 을 통해 국소적인 지형 정보를 획득할 때, 이를 어떻게 **안전한 항법 계획 (Navigation Planning)**으로 체계적으로 전환하여 미지의 변형 지형에서 목표 지점까지 안전하게 도달하고 탐사를 수행할 수 있을지 해결해야 합니다. 이는 추정 (Estimation), 탐사 (Exploration), 제어 (Control) 가 결합된 복잡한 문제입니다.

2. 제안 방법론: PSANE 프레임워크

저자들은 **PSANE(Proprioceptive Safe Active Navigation and Exploration)**이라는 새로운 프레임워크를 제안했습니다. 이는 고유감각 데이터만을 사용하여 미지의 변형 지형에서 안전한 항법과 탐사를 수행하는 시스템입니다.

A. 핵심 구성 요소

1. Gaussian Process (GP) 기반 온라인 지형 매핑:

   • 로봇이 이동하며 얻은 이산적인 (discrete) 다리 - 지면 상호작용 데이터 (힘 - 깊이 측정치) 를 기반으로 슬립 비율 (slip ratio) 필드를 학습합니다.
   • GP 회귀를 사용하여 희소한 측정 데이터로부터 공간적으로 연속적인 지형 강도 (terrain strength) 및 슬립 비율 지도를 생성하고, 예측의 불확실성 (uncertainty) 을 정량화합니다.

2. 불확실성 인식 안전 영역 인증 (Uncertainty-aware Safe-set Certification):

   • 신뢰 구간 (Confidence Bounds): 예측된 슬립 비율의 평균 ($\mu$) 과 표준 편차 ($\sigma$) 를 활용하여 보수적인 상한선 ($u_t(x)$) 을 계산합니다.
   • 리프시츠 연속성 (Lipschitz Continuity): 지형 특성이 국소적으로 매끄럽게 변한다는 가정 하에, 이미 안전이 인증된 영역에서 리프시츠 상수 ($L$) 를 이용해 인접한 영역까지 안전성을 전파합니다.
   • 안전 기준: 예측된 슬립 비율의 상한선이 임계값 ($h$) 이하인 경우에만 해당 영역을 '안전 (Safe)'으로 인증합니다.

3. 다목적 프런티어 (Frontier) 하위 목표 선택 전략:

   • 프런티어 탐지: 인증된 안전 영역과 미인증 영역의 경계를 프런티어로 정의합니다.
   • 목표 함수: 각 프런티어 후보에 대해 두 가지 지표를 평가합니다.
     • 안전 영역 확장 확률 ($P_e$): 해당 지점에서 안전 영역을 얼마나 확장할 수 있는지.
     • 목표 지향 비용 ($V_{goal}$): 목표 지점까지의 거리 및 도달 비용.
   • 스칼라화 (Scalarization): 두 목표를 단일 점수 ($V_{overall} = V_{goal} \cdot P_e$) 로 통합하여 Pareto 최적 집합에서 가장 효율적인 하위 목표 (Subgoal) 를 선택합니다. 이는 안전 확보와 목표 도달 간의 균형을 맞춥니다.

4. 반응형 제어기 (Reactive Controller):

   • 선택된 하위 목표까지의 경로를 생성할 때, 인증되지 않은 영역을 장애물로 간주합니다.
   • 미분동형 (Diffeomorphic) 변환을 기반으로 한 반응형 제어기를 사용하여 실시간으로 장애물을 피하면서 부드러운 궤적을 생성합니다.

3. 주요 기여 (Key Contributions)

1. 변형 지형에서의 안전 항법 공식화: 희소한 상호작용 측정치로부터 연속적인 위험을 추정하고, 불확실성을 고려하여 안전 영역을 인증하는 새로운 수학적 형식화를 제시했습니다.
2. 다목적 프런티어 선택 전략: 안전 영역 확장 확률과 목표 지향 비용을 균형 있게 고려하는 다목적 최적화 전략을 개발하고, 이를 반응형 제어기와 통합하여 실시간 항법을 가능하게 했습니다.
3. 광범위한 시뮬레이션 검증: 실제 현장 측정된 LHS-1 레골리스 지형 역학 데이터를 기반으로 한 Chrono 시뮬레이션을 통해, 다양한 지형 조건 (부드러운 변화 및 급격한 변화) 에서 제안된 방법의 유효성을 입증했습니다.

4. 실험 결과 (Results)

• 실험 환경: Chrono 시뮬레이터 사용. 두 가지 환경 (부드러운 지형 변화 vs 급격한 지형 변화) 에서 목표 지향 항법 및 무목표 탐사 작업을 수행했습니다.
• 비교 대상:
  • NGH (Naive Goal Heuristic): 안전 고려 없이 직선으로 목표 지점 이동.
  • SGH (Safe-Goal Heuristic): 안전 고려는 하지만 영역 확장을 명시적으로 고려하지 않음.
  • PGH (Pareto-Goal Heuristic): 다목적 최적화 사용 (스칼라화 없이 회전 우선순위 적용).
• 성과:
  • 성공률: NGH 와 SGH 는 고립되거나 실패하는 경우가 많았으나 (SGH 는 0~66.7%), PSANE 은 두 환경 모두에서 100% 성공률을 기록했습니다.
  • 효율성: PSANE 은 PGH 대비 이동 시간과 경로 길이가 약 2 배 이상 단축되었습니다. (예: Env 1 에서 시간 111.8s vs 209.0s, 거리 14.5m vs 31.9m). 이는 불필요한 우회로를 피하면서도 체계적으로 안전 영역을 확장하는 스칼라화 전략의 효과 때문입니다.
  • 탐사: 무목표 탐사 시에도 PSANE 은 PGH 보다 더 넓은 안전 영역을 더 짧은 시간에 커버했습니다.

5. 의의 및 결론 (Significance & Conclusion)

• 외감 센서 의존성 탈피: 행성 탐사에서 시각/레이더와 같은 외감 센서의 한계를 극복하고, 로봇의 고유감각 (다리 - 지면 상호작용) 만으로도 안전하고 효율적인 탐사가 가능함을 입증했습니다.
• 불확실성 하의 의사결정: 추정 (Estimation), 탐사 (Exploration), 제어 (Control) 를 통합하여 불확실성이 존재하는 환경에서 안전성을 보장하는 체계적인 프레임워크를 제시했습니다.
• 미래 전망: 이 연구는 향후 행성 탐사 시스템에서 장거리 의사결정, 다중 로봇 협업, 그리고 다양한 지형 유형에 대한 추론을 위한 기초를 마련했습니다. 특히 변형 가능한 지형에서의 고립 (Immobilization) 위험을 사전에 방지하는 데 중요한 기여를 할 것으로 기대됩니다.