기술 요약: DynoJEPP – 동적 환경에서의 결합 추정, 예측 및 계획

1. 문제 정의

실제 세계 환경에서의 로봇 자율성은 복잡하고 예측 불가능한 운동을 하는 동적 객체의 존재로 인해 근본적인 도전에 직면해 있습니다. 최근의 발전들은 정적 환경 내에서 로봇 상태 추정과 경로 계획을 팩터 그래프 프레임워크 내에서 성공적으로 통합해 왔으나, 이러한 접근법을 동적 장면으로 확장하는 것은 여전히 제한적입니다.

기존 솔루션들은 일반적으로 두 가지 제한 사항 중 하나에 직면합니다:

1. 완벽한 지식의 가정: 그들은 미래 객체 궤적이 사전에 알려져 있다고 가정하는데, 이는 동적 설정에서는 비현실적입니다.
2. 반응적 전략: 그들은 궤적 예측의 통찰력이 결여된 순수한 반응적 회피에 의존합니다.

동시 최적화 프레임워크에서 종종 간과되는 중요한 문제는 정보의 양방향 흐름입니다. 기존의 결합 형식에서는 계획 및 예측 모듈로부터의 정보가 상태 추정 모듈로 피드백됩니다. 이러한 피드백 루프는 미래 계획에서 파생된 "낙관적인" 편향으로 상태 추정을 오염시켜, 추정 정확도 저하, 원치 않는 동작, 그리고 궁극적으로 안전하지 않은 계획과 충돌을 초래합니다.

2. 방법론: DynoJEPP 프레임워크

저자들은 로봇 및 객체 상태 추정, 궤적 예측, 그리고 지역 계획을 동시에 최적화하는 통합된 팩터 그래프 기반 프레임워크인 DynoJEPP를 제안합니다. 핵심 혁신은 정보 흐름을 제어하기 위한 새로운 지향성 팩터의 도입에 있습니다.

A. 지향성 팩터

계획과 예측이 추정을 저하시키는 것을 방지하기 위해, DynoJEPP는 단방향 정보 흐름을 강제하는 지향성 팩터를 도입합니다:

• 추정 $\to$ 예측/계획: 추정 결과 (현재 로봇 포즈 및 객체 운동) 가 예측 및 계획을 알리기 위해 전방으로 전파됩니다.
• 예측/계획 $\nrightarrow$ 추정: 미래 상태 및 계획 제약 조건이 현재 또는 과거 상태의 추정에 영향을 미치는 것이 방지됩니다.

기술적으로, 이는 야코비안 조작을 통해 달성됩니다. 정규 방정식 ($J^\top J \delta = -J^\top r$) 에서 소스 변수 (추정 상태) 에 대한 야코비안 항목을 0 으로 설정함으로써, 프레임워크는 계획/예측 비용의 기울기가 추정 변수를 업데이트하지 않도록 보장합니다. 이는 계획이 현재 추정을 활용하는 데 필요한 의존성을 유지하면서 추정 서브그래프를 계획 서브그래프로부터 구조적으로 분리합니다.

B. 결합 형식 구성 요소

이 프레임워크는 세 가지 모듈을 단일 팩터 그래프로 통합합니다:

1. 상태 추정: 로봇 포즈 ($W X_k$) 와 동적 객체의 SE(3) 강체 운동 ($W eH_k$) 을 추정하기 위해 Hybrid Dynamic SLAM 을 기반으로 합니다. 점 측정값, 오도메트리, 그리고 운동 평활 팩터를 활용하여 객체의 질량 중심을 추적합니다.
2. 객체 운동 예측: 추정된 SE(3) 운동을 활용하여 $N$ 시간 범위 내에서 미래 객체 궤적을 예측합니다. 이는 평활 팩터에 의해 강제되는 등속도 모델을 사용하지만, ESDF 기반의 정적 장면 인식 팩터를 사용하여 정적 장애물 근처에서는 이 가정을 완화합니다.
3. 지역 계획: 미래 로봇 포즈, 속도, 가속도를 최적화하기 위해 팩터 그래프 기반의 모델 예측 제어 (MPC) 를 사용합니다. 이는 다음을 포함합니다:
   • 정적 장면 인식: 정적 장애물을 회피하기 위해 유클리드 부호 거리 필드 (ESDF) 를 사용합니다.
   • 동적 장면 인식: 예측된 궤적을 기반으로 이동하는 객체와의 근접성을 패널티로 부과하는 지향성 동적 장애물 팩터를 사용합니다.

C. 협력적 확장 (C-DynoJEPP)

이 논문은 자로봇이 계획에 협력적 행동을 통합할 수 있도록 하는 **협력적 DynoJEPP (C-DynoJEPP)**를 소개합니다. 이 확장에서는 동적 장애물 팩터가 계획에서 예측으로 지향됩니다. 이는 예측과 계획 사이에 지향성 사이클을 생성하여, 로봇이 객체에 반응하고 객체가 로봇의 의도된 경로에 반응할 것으로 예상되는 상호 영향을 모델링합니다. 이는 상호작용 시나리오에서 덜 보수적이고 더 단호한 항해를 가능하게 합니다.

3. 주요 기여

1. DynoJEPP 프레임워크: 단일 최적화 문제 내에서 동적 객체 운동을 결합 추정하고, 그 진화를 예측하며, 이러한 예측을 로봇 제어 동작에 통합하는 최초의 팩터 그래프 기반 프레임워크입니다.
2. 새로운 지향성 팩터: 팩터 그래프에서 영향 방향을 지정하여 추정, 예측, 계획 간의 제어된 정보 흐름을 가능하게 하는 메커니즘입니다. 이는 미래 계획 제약 조건에 의한 상태 추정의 "오염"을 방지합니다.
3. 협력적 최적화: 로봇의 계획과 객체의 예측 간의 상호 영향을 허용하면서도 상태 추정의 독립성을 훼손하지 않도록 동적 객체 협력 수준을 매개변수화하는 확장 (C-DynoJEPP) 입니다.

4. 실험 결과

저자들은 차동 구동 로봇과 동적 장애물이 있는 시뮬레이션 창고 환경 (Gazebo) 에서 프레임워크를 평가했습니다. 세 가지 구성을 비교했습니다: 비지향성 (양방향 흐름), 지향성 (DynoJEPP), 그리고 분리형 (추정 후 결합 예측/계획).

• 안전성 및 성공률: 동적 장애물이 포함된 10 개의 항해 실험에서, 비지향성 구성은 과도하게 낙관적인 계획이 추정을 오염시켜 대부분의 경우 실패했습니다 (10 개의 동적 시도 중 8 회 충돌). 반면, 지향성 구성은 모든 시도에서 100% 의 성공률을 달성했습니다.
• 추정 정확도: 지향성 방법은 분리형 기준선과 비교 가능한 추정 정확도를 유지하여 비지향성 접근법을 크게 능가했습니다. 비지향성 방법은 로봇 및 객체 궤적 추정 모두에서 유의미한 저하를 보였습니다.
• 협력적 항해: 반응적 동적 장애물이 있는 시나리오에서, C-DynoJEPP는 표준 DynoJEPP 보다 더 단호하게 항해할 수 있는 능력을 보여주었습니다. 협력 가중치를 활용하여 예측에 영향을 줌으로써 목표 도달 시간을 단축했습니다 (가장 빠른 DynoJEPP 실행의 92 단계 대비 82 단계).

5. 중요성 및 주장

이 논문은 동적 환경에서 안전한 작동을 위해 정보 흐름의 방향성을 제어하는 것이 결정적이라고 주장합니다. 지향성 팩터가 없으면 계획과 추정의 결합은 계획 목표가 상태 추정을 왜곡하여 안전하지 않은 동작을 초래하는 피드백 루프로 이어집니다.

저자들은 추정이 계획과의 결합 최적화에서 본질적으로 이득을 보지는 않지만, 예측과 계획은 특히 상호작용 행동을 모델링할 때 추정과 결합 최적화함으로써 이득을 본다고 강조합니다. 제안된 프레임워크는 상태 추정의 무결성을 희생하지 않으면서 안전하고 동시적인 최적화를 가능하게 하는 견고한 솔루션을 제공합니다.

이 연구는 향후 연구가 실시간 성능을 달성하기 위해 효율적이고 증분적이며 멀티스레드 버전의 DynoJEPP 를 구현하고 Nav2 와 같은 산업 표준에 대한 벤치마킹에 초점을 맞출 것이라고 결론지었습니다.