💻 computer science

LiDAR-based Crowd Navigation with Visible Edge Group Representation

이 논문은 고밀도 군중 환경에서 개별 탐지 의존도를 줄이고 가시성 기반 엣지 그룹 표현을 도입하여 안전성과 사회적 상호작용을 유지하면서 계산 효율성을 높인 LiDAR 기반 로봇 항법 프레임워크를 제안하고 시뮬레이션 및 실제 로봇을 통해 그 유효성을 입증합니다.

원저자: Allan Wang, Aaron Steinfeld

게시일 2026-04-21

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Allan Wang, Aaron Steinfeld

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 **"사람들이 붐비는 곳에서도 로봇이 자연스럽게 길을 찾아다니는 방법"**에 대한 연구입니다. 기존 방식의 복잡한 문제점을 발견하고, 훨씬 더 간단하고 빠른 새로운 방법을 제안했는데요. 일상적인 비유로 쉽게 설명해 드릴게요.

1. 문제: "사람 하나하나를 쫓는 건 너무 힘들어요!"

기존에 로봇이 사람들로 가득 찬 곳 (예: 역이나 쇼핑몰) 을 지나갈 때, 사람들은 보통 이렇게 생각했습니다.

기존 방식: "저기 저 사람 A 는 어디로 갈까? 사람 B 는 어떻게 움직일까?"라고 사람 하나하나를 정확히 추적해야만 했습니다.
문제점: 사람이 너무 많으면 서로 가려서 (가려진 상태) 누가 누구인지 알 수 없거나, 추적하는 데 너무 많은 시간이 걸려 로봇이 멈칫거리거나 사고가 날 수 있습니다. 마치 수백 명의 아이들 중 한 명 한 명을 손으로 잡고 따라다니는 유치원 선생님처럼 과부하가 걸리는 상황입니다.

2. 발견: "정확한 추적보다 '뭉쳐진 무리'가 중요해요!"

연구진 (Allan Wang 과 Aaron Steinfeld) 은 재미있는 사실을 발견했습니다.

핵심 통찰: "사람들이 무리 (Group) 를 지어 움직일 때, 그 무리의 미래 위치를 100% 완벽하게 예측할 필요는 없다는 거예요."
비유: 마치 구름을 보는 것과 같습니다. 구름의 모양이 1 초 뒤에도 정확히 똑같을 필요는 없죠. 그냥 "구름이 저쪽으로 흐르고 있구나"라고 대략적인 흐름만 알면 충분합니다.
연구 결과, 무리의 정확한 위치를 예측하는 정확도가 조금 떨어지더라도, 로봇이 길을 찾는 능력에는 큰 차이가 없었습니다.

3. 해결책: "보이는 가장자리만 쫓으면 돼요! (Visible Edge)"

그래서 연구진은 아주 똑똑하고 간단한 방법을 고안해냈습니다. 바로 **'보이는 가장자리 (Visible Edge)'**를 이용하는 것입니다.

새로운 방식: 로봇은 사람 하나하나를 추적하지 않고, 자신에게 보이는 무리의 '앞면'과 '양쪽 끝'만 파악합니다.
비유:
- 기존 방식: 무리 속의 모든 사람을 낱낱이 조사해서 3D 모델로 만드는 것.
- 새로운 방식 (이 논문): 무리가 로봇에게 보이는 앞면 (가장 가까운 부분) 과 양쪽 끝을 연결해서 오각형 (Pentagon) 모양의 상자를 만들어버리는 것입니다.
- 이 상자는 무리가 어디로 움직일지 대략적으로 가리는 '안전 지대' 역할을 합니다. 무리 속의 사람들이 조금씩 움직여도, 이 '보이는 상자'만 따라가면 로봇은 충분히 안전하게 길을 찾을 수 있습니다.

4. 장점: "빠르고, 안전하며, 실용적이에요!"

이 방법을 적용한 결과, 놀라운 성과가 나왔습니다.

속도: 복잡한 계산을 하지 않아도 되므로 로봇이 길을 계산하는 속도가 훨씬 빨라졌습니다. (마치 복잡한 지도를 보는 대신, 직관적인 나침반만 보는 것과 같습니다.)
안전: 로봇이 사람 무리를 더 넓은 간격을 두고 우회하며 지나가므로, 사람들이 느끼는 불편함이나 위협감이 줄어듭니다.
실제 적용: 이 논문에서는 실제 로봇에 이 기술을 적용해 보았습니다. 카메라나 복잡한 추적 프로그램 없이, 로봇이 눈 (LiDAR 센서) 으로 본 '보이는 부분'만으로 사람 무리를 인식하고 자연스럽게 길을 찾아갔습니다.

5. 결론: "완벽할 필요는 없어요, 그냥 '보이는 대로' 움직이면 돼요!"

이 연구는 우리에게 중요한 메시지를 줍니다.

"로봇이 사람들과 어울려 살려면, 모든 사람을 완벽하게 이해할 필요는 없습니다. 사람들이 뭉쳐 있는 '무리'의 흐름과 보이는 가장자리만 잘 파악해도, 충분히 안전하고 자연스러운 길을 찾을 수 있다는 것을 증명했습니다."

마치 혼잡한 횡단보도를 지날 때, 우리는 각자의 발걸음을 세세히 계산하지 않고, 건너는 사람들의 흐름과 간격을 보고 자연스럽게 길을 비켜가듯이, 로봇도 이제 그렇게 움직일 수 있게 된 것입니다.

논문 요약: 가시적 에지 (Visible Edge) 기반 군집 표현을 활용한 LiDAR 기반 군중 내 로봇 항법

1. 문제 정의 (Problem)

배경: 공공 공간에서의 로봇 항법, 특히 보행자가 밀집한 환경 (Crowded Pedestrian Environments) 에서의 사회적 항법 (Social Navigation) 은 중요한 과제입니다.
기존 접근법의 한계:
- 완벽한 인식 가정: 대부분의 기존 연구 (예: G-MPC, DRL 기반 방법) 는 보행자의 궤적을 정확히 추적하고 예측할 수 있다는 '완벽한 인식 (Perfect Perception)'을 전제로 합니다.
- 추적의 어려움: 실제 고밀도 군중 환경에서는 가려짐 (Occlusion) 으로 인해 개별 보행자를 정확히 추적하는 것이 매우 어렵습니다. 기존 추적기 (Bytetrack 등) 도 가려진 보행자를 신뢰성 있게 추적하지 못합니다.
- 계산 비용: 군집 (Group) 을 고려한 모델 (예: G-MPC) 은 보행자 군집의 전체 형태 (Convex Hull 등) 를 예측해야 하므로 계산 비용이 매우 높아 실시간 배포가 어렵습니다.
- 예측 오차의 영향: 군집 예측의 정확도가 항법 성능에 미치는 영향이 실제로는 미미할 수 있다는 가설이 존재했으나 검증되지 않았습니다.

2. 방법론 (Methodology)

저자들은 LiDAR 스캔 데이터에서 직접 군집을 표현할 수 있는 가시적 에지 기반 군집 표현 (Visible Edge-based Group Representation) 을 제안했습니다.

핵심 통찰 (Key Insight):
- 군집 예측의 정확도가 항법 성능 (안전성, 사회적 행동) 에 미치는 영향은 미미하다는 것을 시뮬레이션을 통해 발견했습니다 (그림 1 참조).
- 인간은 군중을 볼 때 개별 보행자를 추적하기보다 '군집' 자체를 인식하며, 특히 로봇에게 보이는 가시적인 부분 (Visible Parts) 에 집중한다는 심리학적 관찰 (게슈탈트 이론) 을 반영했습니다.
가시적 에지 표현 (Visible Edge Representation):
- 입력: LiDAR 스캔 포인트 (또는 보행자) 데이터.
- 군집 할당: DBSCAN 클러스터링을 사용하여 LiDAR 포인트를 군집화합니다.
- 기하학적 표현: 각 군집을 5 개의 점으로 정의된 오각형 (Pentagon) 으로 단순화합니다.
  1. 가시적 에지 (Visible Edge): 로봇에 가장 가까운 점 ( $p_c$ ), 로봇 시점에서 가장 왼쪽 가시점 ( $p_l$ ), 가장 오른쪽 가시점 ( $p_r$ ) 을 식별합니다.
  2. 오프셋 (Offset): 가시적 에지 뒤쪽 (로봇과 반대 방향) 으로 고정된 거리 ( $d$ ) 만큼 오프셋을 적용하여 가려진 부분을 고려합니다 ( $p_{lo}, p_{ro}$ ).
- 예측 (Prediction): 전체 군집 형태가 아닌, 3 개의 핵심 점 ( $p_c, p_l, p_r$ ) 의 궤적만 Social-GAN 을 통해 예측합니다. 이는 기존 G-MPC 의 이미지 시퀀스 예측보다 훨씬 가볍습니다.
제어 프레임워크 (MPC Integration):
- 예측된 가시적 에지 기반 군집 공간 (오각형) 을 Model Predictive Control (MPC) 의 비용 함수에 통합합니다.
- 로봇은 목표 지점까지 이동하면서 군집 공간과의 거리를 최대화하도록 최적화됩니다.

3. 주요 기여 (Key Contributions)

예측 오차의 영향 분석: 군집 예측 정확도가 사회적 항법 성능에 미치는 영향이 미미함을 분석하고 증명했습니다.
새로운 표현 방식 제안: LiDAR 스캔에 직접 적용 가능하며, 개별 보행자 추적 모듈이 불필요한 '가시적 에지 기반 군집 표현'을 제안했습니다.
성능 및 효율성 검증: 제안된 프레임워크 (edge-MPC) 가 기존 G-MPC 와 유사한 안전성과 사회적 행동을 보이지만, 계산 속도는 훨씬 빠르다는 것을 시뮬레이션으로 입증했습니다.
실제 로봇 배포: 실제 로봇 (LiDAR 및 카메라 탑재) 에 모델을 배포하여, 보행자 추적 없이도 군중 환경에서 효과적으로 작동함을 실증했습니다.

4. 실험 결과 (Results)

시뮬레이션 환경: ETH, UCY 데이터셋 기반의 오프라인 (보행자 반응 없음) 및 온라인 (ORCA 기반 반응) 시나리오, 그리고 LiDAR 시뮬레이션 환경에서 평가했습니다.
성능 비교:
- 안전성 (MinD): 기존 보행자 기반 방법 (Pedestrian-based) 및 DRL 기반 방법 (CrowdAttn-RL) 보다 약 20~35% 더 큰 최소 거리를 유지하여 훨씬 안전한 항법을 보여주었습니다.
- 성공률 (SR): 기존 G-MPC (group-conv) 와 통계적으로 유의미한 차이가 없는 성공률을 기록했습니다.
- 계산 속도: G-MPC 대비 약 5~10 배 빠른 계산 속도를 달성했습니다 (실시간 배포 가능).
  - LiDAR 설정에서 edge-MPC: ~~0.115초/스텝 vs G-MPC: ~1.343~~1.766초/스텝.
실제 로봇 실험:
- 6 명의 참가자가 참여한 크로스 (Cross) 및 플로우 (Flow) 시나리오에서 테스트했습니다.
- edge-MPC 는 보행자 군집을 우회하는 보수적인 행동을 보였으며, DRL 기반 방법 (crowd-RL) 이 보행자 앞을 비집고 지나가는 것과 대조되었습니다.
- 사용자 평가: 교차 상황 (Cross) 에서는 자연스러움과 편안함 측면에서 edge-MPC 를 선호했으나, 흐름 상황 (Flow) 에서는 로봇의 넓은 회피 기동이 예측하기 어렵다는 이유로 점수가 낮았습니다.

5. 의의 및 결론 (Significance)

실용적 배포 가능성: 고밀도 군중 환경에서 개별 보행자 추적의 실패와 높은 계산 비용을 해결하여, LiDAR 센서 입력만으로 사회적 항법이 가능한 실용적인 솔루션을 제시했습니다.
간소화의 효과: 복잡한 군집 예측 모델 대신 단순한 '가시적 에지'와 3 점 궤적 예측만으로도 동등한 항법 성능을 달성할 수 있음을 증명했습니다.
미래 작업: 로봇의 운동 예측 가능성 (Motion predictability) 고려, 강화학습 기반 프레임워크로의 전환, 더 정교한 궤적 예측 모델 (Agentformer 등) 적용 등을 통해 성능을 further 개선할 수 있음을 제안합니다.

이 논문은 로봇이 복잡한 군중 환경에서 인간과 상호작용할 때, 정확한 개별 추적보다는 '가시적인 군집 구조'에 초점을 맞춘 단순화된 접근이 실제 배포에 더 효과적임을 보여주는 중요한 연구입니다.