⚡ electrical engineering

Empirical Prediction of Pedestrian Comfort in Mobile Robot Pedestrian Encounters

이 논문은 모바일 로봇과 보행자 간의 상호작용 운동학적 변수와 보행자의 주관적 편안함 간의 상관관계를 실증적으로 분석하여, 복합 운동학적 변수를 기반으로 편안함을 예측하는 모델을 개발하고 이를 통해 로봇의 사회적 순응성을 높일 수 있음을 제시합니다.

원저자: Alireza Jafari, Hong-Son Nguyen, Yen-Chen Liu

게시일 2026-04-16

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Alireza Jafari, Hong-Son Nguyen, Yen-Chen Liu

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

이 논문은 **"로봇이 사람과 마주쳤을 때, 사람이 얼마나 편안하게 느끼는지"**를 수학적으로 예측하는 방법에 대한 연구입니다.

간단히 말해, **"로봇이 사람을 지나갈 때, 로봇이 얼마나 가까이, 얼마나 빠르게, 어떻게 움직여야 사람이 '아, 이 로봇은 예의 바르네'라고 느끼게 될까?"**를 실험을 통해 찾아낸 이야기입니다.

이 내용을 일상적인 비유로 설명해 드릴게요.

1. 문제 상황: "조금 더 가까이서 지나가도 될까?"

우리가 좁은 복도를 걷다가 로봇을 마주치면, 로봇이 너무 가까이 오거나 너무 빠르게 지나가면 우리는 "어? 위험해!"라고 느끼며 몸을 피합니다. 기존 연구들은 로봇이 사람과 **충돌하지 않는 것 (안전)**에만 집중했습니다. 하지만 이 논문은 **"충돌은 안 해도, 사람이 불안해하거나 불편해하면 안 된다"**는 점에 주목했습니다.

비유: 식당에서 웨이터가 지나갈 때, 손님이 밥을 엎지르지 않을 만큼만 피하는 것 (안전) 과, 손님이 "아, 저 웨이터는 내 공간을 존중해 주네"라고 느끼게 하는 것 (편안함) 은 다릅니다. 이 논문은 후자를 연구합니다.

2. 실험 방법: "로봇과 사람, 좁은 복도에서의 춤"

연구진은 32 명의 자원봉사자를 모아서 좁은 복도에서 실험을 했습니다.

상황: 로봇이 사람을 향해 다가와서 지나가는 시나리오.
변수: 로봇의 속도, 가장 가까운 거리, 옆으로 비켜난 거리, 궤적의 굽힘 정도, 충돌할 것 같은 시간 등을 다양하게 조절했습니다.
결과: 사람들은 로봇이 지나간 후 "어떤 정도가 편했나요?"라고 1~5 점 척도로 평가했습니다.

3. 핵심 발견: "무엇이 사람을 가장 편안하게 할까?"

연구진은 여러 가지 데이터를 분석해서 어떤 요소가 사람의 편안함과 가장 깊은 연관이 있는지 찾아냈습니다.

가장 중요한 요소: '충돌할 것 같은 시간' (PTTC)
- 비유: 차가 다가올 때, "아직 멀었네"라고 느끼는 시간입니다. 로봇이 너무 빨리 다가와서 "어? 지금 부딪힐 뻔했다!"라고 느끼게 하면 사람은 불안해합니다. 반면, "아직 시간이 충분하네"라고 느끼게 하면 편안해합니다.
- 결과: 이 '충돌할 시간'이 길수록 사람들이 가장 편안해했습니다.
두 번째 요소: '가장 가까운 거리'와 '속도'
- 로봇이 너무 가까이 오거나 너무 빨리 지나가면 불편해합니다. 하지만 '충돌할 시간'보다는 영향력이 조금 작았습니다.
놀라운 사실: 우리가 흔히 생각하던 '가장 가까운 거리'만으로는 사람의 감정을 완벽하게 설명할 수 없었습니다. 로봇이 멀리서 느리게 가든, 가까이서 빠르게 가든, 사람에게는 '충돌할 것 같은 긴장감 (시간)'이 더 중요하게 작용했습니다.

4. 해결책: "편안함 예측기 (Composite Estimator)"

연구진은 이 데이터를 바탕으로 **"로봇이 사람을 지나갈 때, 이 사람이 편안할까?"**를 예측하는 3 가지 모델을 만들었습니다.

거리만 보는 모델: "가까이 오지 않으면 편안할 거야." (단순하지만 정확도가 낮음)
시간만 보는 모델: "충돌할 시간이 길면 편안할 거야." (거리만 보는 것보다 나음)
모든 것을 보는 모델 (Composite): "거리, 속도, 궤적, 시간 등을 모두 합쳐서 판단해."

결론: **세 번째 모델 (모든 것을 보는 모델)**이 가장 정확했습니다.

비유: 요리사가 "소금만 넣으면 맛있을까?" (거리 모델) vs "설탕만 넣으면 맛있을까?" (시간 모델) vs "소금, 설탕, 후추, 향신료를 적절히 섞으면 맛있을까?" (복합 모델)를 비교했을 때, 모든 재료를 섞은 요리가 가장 맛있다는 것과 같습니다.

이 복합 모델은 로봇이 "이 경로는 편안해"라고 판단할 때, 실제로 사람이 편안하다고 느낄 확률이 약 4 배나 높았습니다.

5. 왜 이 연구가 중요한가?

이 연구는 로봇이 사람과 함께 살아가는 미래에 필수적인 **'로봇 매너'**를 수학적으로 정립한 것입니다.

기존: 로봇은 "충돌하지 않게"만 움직였습니다.
미래: 이 연구 결과를 적용하면 로봇은 **"사람이 불안해하지 않도록, 사람이 편안해하는 경로"**를 스스로 계획할 수 있게 됩니다.

마무리 비유:
이 논문은 로봇에게 "사람과 눈이 마주치면 고개를 돌리는 예의"를 가르친 것입니다. 앞으로 이 기술을 쓴 로봇은 병원이나 공항, 거리를 다닐 때, 사람들이 "저 로봇은 나를 배려하는구나"라고 느끼며 자연스럽게 지나갈 수 있게 될 것입니다.

1. 연구 배경 및 문제 제기 (Problem)

배경: 모바일 로봇이 보도, 병원, 공항 등 공공 공간에 진입함에 따라 보행자의 안전뿐만 아니라 주관적인 편안함 (Subjective Comfort) 을 고려하는 것이 필수적이 되었습니다.
문제: 기존 연구들은 충돌 회피 알고리즘 등을 통해 '객관적 안전'에 집중했으나, 보행자의 감정이나 편안함을 정량화하여 로봇의 경로 계획에 반영하는 연구는 부족했습니다.
제약: 보행자의 편안함은 로봇의 크기, 소음, 성격 등 다양한 요소에 영향을 받지만, 특히 운동학적 변수 (Kinematic Variables) 와의 상관관계가 명확히 규명되지 않았습니다. 기존 연구는 주로 '최소 거리 (Minimum Distance)'와 저속 상황을 다루었을 뿐, 속도, 횡방향 거리, 충돌 예상 시간 (PTTC), 궤적 곡률 등 다른 변수들의 영향력은 충분히 탐구되지 않았습니다.

2. 연구 방법론 (Methodology)

실험 설계:
- 환경: 3.2 미터 폭의 복도에서 이동 로봇과 자원봉사자 (보행자) 간의 1 대 1 만남 실험을 수행했습니다.
- 참가자: 32 명 (남성 22 명, 여성 10 명, 평균 연령 25.7 세) 이 참여했습니다.
- 로봇: Agilex Scout Mini 기반의 이동 로봇을 사용하며, Mecanum 휠을 비홀로노믹 차동 구동으로 변환하여 사용했습니다.
- 센서 및 데이터 수집: 깊이 카메라 (Zedx), 3D LiDAR, 2D LiDAR 를 활용하여 로봇과 보행자의 상대 위치, 속도, 궤적을 15Hz 로 기록했습니다.
- 조건: 로봇 속도를 두 가지 조건으로 설정하여 실험을 진행했습니다.
  - R14: 1.4 m/s (상대적으로 느린 속도)
  - R28: 2.8 m/s (상대적으로 빠른 속도)
  - 참고: 빠른 속도를 선택한 이유는 인간의 위험 인식 편차를 줄이고 반응의 집중도를 높이기 위함입니다.
데이터 측정:
- 보행자는 실험 중 1~5 점 리커트 척도 (1=위험, 5=매우 편안함) 로 주관적 편안함 (S) 을 보고했습니다.
- 6 가지 운동학적 변수를 측정 및 분석했습니다:
  1. 로봇 속도 ( $v$ )
  2. 최소 거리 ( $D_{min}$ )
  3. 횡방향 거리 ( $D_{lat}$ )
  4. 최대 궤적 곡률 ( $\rho$ )
  5. 최소 예상 충돌 시간 (Minimum PTTC, $T_p$ )
  6. 최소 PTTC 시점의 거리 ( $D_{TP}$ )

3. 주요 기여 (Key Contributions)

새로운 운동학적 변수의 경험적 분석: 기존에 간과되었던 변수들 (PTTC, 횡방향 거리, 곡률 등) 이 보행자 편안함에 미치는 영향을 체계적으로 분석했습니다.
편안함 예측기 (Comfort Estimators) 설계: 수집된 데이터를 기반으로 세 가지 예측 모델을 개발했습니다.
- 최소 거리 기반 예측기 ( $\hat{S}_d$ ): 연구에서 가장 널리 쓰이는 기준.
- PTTC 기반 예측기 ( $\hat{S}_t$ ): 상관관계가 가장 강한 변수를 기반으로 함.
- 복합 예측기 ( $\hat{S}_E$ ): 모든 6 가지 운동학적 변수를 통합한 모델.
정량적 지표 제시: 보행자의 편안함을 정량화하여 사회적 순응형 (Socially Compliant) 로봇의 경로 계획 알고리즘에 통합할 수 있는 프레임워크를 제시했습니다.

4. 실험 결과 및 통계 분석 (Results)

상관관계 분석 (Distance Correlation, dCor):
- 가장 강한 상관관계: 최소 PTTC ( $T_p$ ) 가 보행자 편안함과 가장 강한 양의 상관관계 ($dCor=0.269, p=0.002$) 를 보였습니다. 즉, 충돌까지 예상되는 시간이 길수록 보행자는 더 편안함을 느낍니다.
- 다음으로 강한 변수: 로봇 속도 ( $v$ ), 최소 PTTC 시점의 거리 ( $D_{TP}$ ), 최소 거리 ( $D_{min}$ ) 순으로 유의미한 상관관계를 보였습니다.
- 약한/비유의미한 변수: 횡방향 거리 ( $D_{lat}$ ) 와 최대 곡률 ( $\rho$ ) 은 통계적으로 유의미한 상관관계가 없거나 약했습니다 (다만 시각적 패턴은 존재함).
예측기 성능 비교:
- 복합 예측기 ( $\hat{S}_E$ ) 의 우월성: 모든 변수를 통합한 복합 예측기가 가장 높은 성능을 보였습니다.
  - F1 Score: 0.723 (단일 변수 예측기 대비 우수)
  - 오즈비 (Odds Ratio): 3.67. 이는 알고리즘이 "편안함"으로 분류할 때, 실제로 보행자가 편안함을 느낄 확률이 그렇지 않은 경우보다 약 3.7 배 높다는 것을 의미합니다.
- 단일 변수 예측기: 최소 거리 ( $\hat{S}_d$ ) 와 PTTC ( $\hat{S}_t$ ) 기반 예측기는 복합 예측기보다 성능이 낮았으며, 특히 오즈비가 2.28 및 2.03 으로 낮았습니다.
- 한계: 모든 모델이 '특이도 (Specificity)' 측면에서는 다소 낮았으나, '재현율 (Recall)'은 75~78% 로 높게 나타나 편안하지 않은 상황을 놓치지 않고 감지하는 데 효과적이었습니다.

5. 의의 및 결론 (Significance & Conclusion)

기술적 의의: 이 연구는 단순히 '충돌 회피'를 넘어, 보행자의 심리적 편안함을 수학적으로 모델링하고 예측할 수 있는 방법을 제시했습니다.
응용 가능성: 개발된 복합 편안함 예측기는 로봇의 경로 계획 (Path Planning) 알고리즘의 비용 함수 (Cost Function) 에 통합될 수 있습니다. 로봇은 이 예측기를 통해 생성된 궤적 중 보행자가 가장 편안해할 경로를 선택하거나, 강화 학습 (Reinforcement Learning) 에서 보상 (Reward) 으로 활용할 수 있습니다.
향후 과제:
- 더 다양한 환경과 인구통계학적 그룹으로 모델의 견고성 검증.
- 완전 자율 주행 환경에서의 경로 계획 프레임워크 적용 및 피드백 평가.
- 대규모 보행자 궤적 데이터를 활용한 머신러닝 기반 예측 모델 개발.

요약하자면, 본 논문은 이동 로봇과 보행자의 상호작용에서 '최소 PTTC'가 편안함의 핵심 지표임을 발견했고, 이를 포함한 다변수 기반의 복합 예측기를 통해 기존 단일 거리 기반 방법보다 훨씬 정확하게 (오즈비 3.67 배) 보행자의 편안함을 예측할 수 있음을 입증했습니다.