기술 요약: 분산형 다중 로봇 운동 계획에 대한 시뮬레이션 기반 확산 모델

문제 정의

분산형 다중 로봇 운동 계획 (MRMP) 은 각 로봇이 전역 감지나 신뢰할 수 있는 통신에 의존하지 않고, 오직 국부 관측만을 사용하여 충돌이 없는 궤적을 생성해야 함을 요구합니다. 기존 접근 방식은 밀집되고 역동적인 환경에서 상당한 한계에 직면해 있습니다:

• 반응형 방법 (예: ORCA): 효율적이고 분산형이지만, 본질적으로 근시안적이며 현재 위치와 속도의 정적 스냅샷에 기반하여 의사결정을 내립니다. 이는 미래 상호작용을 예측하지 못해 혼잡한 시나리오에서 충돌을 초래합니다.
• 학습 기반 방법: 이러한 방법들은 국부 관측을 행동으로 매핑하지만, 종종 현재 스냅샷에만 의존함으로써 반응형 방법의 근시안성을 계승합니다.
• 예측 기반 방법: 이러한 방법들은 계획에 정보를 제공하기 위해 이웃 로봇의 궤적을 예측하려 시도합니다. 그러나 표준 신경망 예측기는 종종 제약 인식을欠여, 동적으로 실현 불가능하거나 매끄럽지 않거나, 실제 이웃 로봇의 실행과 일치하지 않는 궤적을 생성합니다. 이러한 불일치는 계획 참조의 신뢰성을 훼손합니다.

핵심 과제는 국부 관측으로부터 미래 이웃 행동을 예측하면서 통신 오버헤드를 최소화하는 실현 가능하고 충돌이 없는 궤적을 생성하는 것입니다.

방법론: 시뮬레이션 기반 확산 (SID)

본 논문은 각 로봇이 단일 **제약 인식 확산 모델 (CADM)**을 이웃에 대한 국부 시뮬레이터이자 자신의 궤적에 대한 계획자로 활용하는 분산형 프레임워크인 **시뮬레이션 기반 확산 (SID)**을 제안합니다.

1. 제약 인식 확산 모델 (CADM)

표준 확산 모델은 고충실도 데이터를 생성하지만, 로봇 시스템에 대해 실현 불가능한 궤적을 생성할 수 있습니다. CADM 은 샘플링 과정에서 안전 제약 (장애물 회피, 운동학적 한계, 로봇 간 분리) 을 강제함으로써 이를 해결합니다.

• 메커니즘: 이 모델은 실현 가능한 제약 집합 $C$에 대한 투영 단계를 통합함으로써 표준 확률적 경사 랑주뱅 동역학 (SGLD) 업데이트 규칙을 수정합니다.
• 최적화: 투영 $P_C$는 1 차 - 쌍대 최적화 접근법을 사용하는 확장 라그랑주 방법으로 해결됩니다. 이는 모든 확산 반복이 계획 제약을 만족하도록 하여 모델을 유효한 궤적으로 이끕니다.

2. 이중 역할 운영

• 시뮬레이터로서: 각 로봇 $i$는 CADM 을 사용하여 관측된 모든 이웃 $j$에 대한 실현 가능한 미래 궤적 ($\hat{\tau}_j$) 을 시뮬레이션합니다. 중요한 점은 이러한 시뮬레이션이 계획자와 동일한 제약 인식 메커니즘을 사용하여 생성되므로, 예측된 궤적이 동적으로 실현 가능하며 계획자의 분포와 일치한다는 것입니다.
• 계획자로서: 로봇 $i$는 시뮬레이션된 이웃 궤적을 동적 참조로 활용합니다. 로봇 $i$는 이러한 시뮬레이션된 미래를 기반으로 확산 모델을 조건화하고, 샘플을 장애물 회피 및 시뮬레이션된 이웃과의 분리를 포함하는 계획 제약 집합 $C_{plan}(i)$에 투영하여 자신의 궤적 $\tau_i$를 생성합니다.

3. 재예측 제어 (RHC)

SID 는 다음 루프에서 작동합니다:

1. 국부 관측 획득.
2. 이웃 궤적 시뮬레이션.
3. CADM 을 사용하여 시간 범위 $H$에 걸쳐 자신의 궤적 계획.
4. 첫 $k$ 단계 실행.
5. 새로운 관측으로 반복.
   가변 이동 시간을 처리하기 위해, 이 프레임워크는 보수적인 적응 도착 시간을 결정하기 위해 시공간 A* 탐색을 사용하여 로봇이 고정된 시간 범위 일정을 강요하지 않고 안전하게 목표에 도달하도록 보장하는 "목표 유지" 제약을 부과합니다.

4. 최소 통신 메커니즘

SID 는 필요할 때만 트리거되는 통신 체계를 도입합니다.

• 트리거: 국부 계획자가 현재 시뮬레이션된 제약 하에서 실현 가능한 궤적을 찾을 수 없는 경우 (좁은 복도와 같은 조정 병목 현상 표시), 통신이 활성화됩니다.
• 프로토콜: 병목 현상에 관여하는 로봇들은 집합 $B_i$를 형성합니다. 이들은 목표까지의 잔여 거리에 따라 우선순위가 매겨집니다. 가장 우선순위가 높은 로봇은 하위 우선순위 이웃의 제약 없이 먼저 계획을 수립하고 자신의 궤적을 브로드캐스트합니다. 후속 로봇들은 이러한 수신된 궤적을 자신의 제약에 통합하고 재계획합니다.
• 효율성: 이는 통신이 실현 불가능한 충돌을 해결할 때만 발생하도록 보장하여, 다른 예측 방법에서 요구되는 지속적인 메시지 전달을 피합니다.

주요 기여

1. 통합 프레임워크: 이웃 시뮬레이션과 자기 계획 모두에 단일 제약 인식 확산 모델을 사용하여 예측과 계획 간의 간극을 메우는 SID 의 도입.
2. 제약 인식 샘플링: 궤적 실현 가능성을 보장하기 위해 투영 기반 최적화를 확산 샘플링 과정에 통합한 CADM 의 개발.
3. 시뮬레이션 기반 충돌 해결: 국부 시뮬레이터의 정확성에 의존하여 실현 불가능성을 감지하고, 국부 계획 실패 시에만 조정을 트리거하는 새로운 통신 메커니즘.
4. 확장성: 분산형 확산 기반 방법에서 이전에 다루지 않았던 규모인 최대 108 대의 로봇과 160 개의 장애물이 있는 시나리오에서 효과성을 입증.

실험 결과

저자들은 SID 를 세 가지 기준선 (반응형인 ORCA, 예측형인 IA-MPC, 분산형 확산인 MIMIC-D) 과 비교 평가했습니다.

• 성공률: SID 는 최대 9 대의 로봇이 있는 기본 및 밀집 맵에서 완벽한 성공 (100%) 을 달성했으며, 9 대의 로봇이 있는 구조화된 맵 (Room, Shelf) 에서도 높은 성공률 (80–96%) 을 유지했습니다. 반면, ORCA 의 성공률은 크게 하락했습니다 (예: 9 대 로봇이 있는 Shelf 맵에서 12% 로 감소), IA-MPC 와 MIMIC-D 는 여러 9 대 로봇 구성에서 완전히 실패했습니다 (성공률 0%).
• 확장성: 12–18 대의 로봇이 있는 확장된 맵에서 SID 는 80% 에서 100% 사이의 성공률을 유지했습니다. ORCA 는 18 대 로봇이 있는 기본 맵에서 0% 로 하락했으며, IA-MPC 와 MIMIC-D 는 확장된 사례를 전혀 해결하지 못했습니다.
• 통신: SID 는 혼잡하지 않은 시나리오에서 빈도가 거의 0 에 가까운 희소 통신을 보였으며, 고정 빈도 통신을 사용하는 IA-MPC 보다 현저히 낮았습니다.
• 대규모 성능: 108 대의 로봇과 160 개의 장애물이 있는 까다로운 시나리오에서 SID 는 혼잡한 지역과 좁은 통로를 통해 궤적을 성공적으로 조정하여 표준 벤치마크를 넘어선 확장성을 입증했습니다.

중요성 및 주장

본 논문은 SID 가 반응형 방법의 근시안성과 제약 없는 예측 기반 방법의 실현 불가능성을 극복함으로써 분산형 MRMP 에서 중요한 진전을 이루었다고 주장합니다. 제약 인식 확산 모델을 시뮬레이터이자 계획자로 활용함으로써, SID 는 전역 지식을 요구하지 않고도 로봇들이 미래 상호작용을 정확하게 예측할 수 있게 합니다.

저자들은 제약 인식 시뮬레이터의 정확성이 최소 통신 체계의 핵심 촉진제라고 강조합니다. 이는 시스템이 통신 오버헤드를 극적으로 줄이면서도 높은 계획 성능과 안전성을 유지할 수 있게 하여, 신뢰할 수 없는 연결성을 가진 환경에서의 실용적 배포에 중요한 요소가 됩니다. 이 연구는 안전성이나 실현 가능성을 희생하지 않으면서 분산형 계획이 대규모 복잡 다중 로봇 시스템으로 확장될 수 있음을 입증합니다.