기술 요약: 다중 로봇 롤링 디퓨전 (Multi-Robot Rolling Diffusion, MRRD)

문제 정의

본 논문은 인간과 공유하는 환경에서의 다중 로봇 경로 계획(multi-robot path planning) 과제를 다룹니다. 핵심 목표는 정적 장애물, 다른 로봇, 그리고 동적인 인간($M$)이 존재하는 2D 작업 공간을 통과하도록 로봇 팀($N$)을 조정하는 것입니다. 시스템은 다음 세 가지 목표를 동시에 달나야 합니다:

1. 충돌 회피: 로봇-로봇, 로봇-인간, 로봇-장애물 충돌을 방지합니다.
2. 사회적 인지(Social Awareness): 순수하게 기하학적인 최단 경로가 아니라, 인간의 움직임 패턴을 모방하여 예측 가능하고 사회적으로 수용 가능한 경로를 생성합니다.
3. 확장성 및 실시간 성능: 다양한 거리와 군집 밀도에 적응하며, 대규모 로봇 팀(최대 15대)을 위해 효율적으로 작동해야 합니다.

저자들은 기존 생성형 플래너(예: CoBL-Diffusion)의 결정적인 한계인 **"고정 시간 문제(fixed-time problem)"**를 지적합니다. 전통적인 디퓨전 모델은 목표까지의 거리와 관계없이 고정된 지속 시간을 가진 경로를 생성합니다. 이는 원거리 목표에 대해 위험할 정도로 높은 속도를 내거나, 근거리 목표에 대해 부자연스럽게 느린 속도를 내는 등 불안정한 속도를 강제하며, 동적이고 장기적인 시나리오에서의 적응력을 저해합니다.

방법론: 다중 로봇 롤링 디퓨전 (MRRD)

제안된 프레임워크인 MRRD는 롤링 호라이즌(rolling-horizon) 방식, 충돌 기반 탐색(Conflict-Based Search, CBS), 그리고 디퓨전 기반 단일 로봇 플래너를 통합한 3단계 구조입니다.

1. 롤링 호라이즌 계획 (최상위 레벨)

시작부터 끝까지 하나의 글로벌 경로를 생성하는 대신, MRRD는 롤링 호라이즌 접근 방식(알고리ผม 1)을 채택합니다.

• 반복 프로세스: 시스템은 길이 $H$(계획 호라이즌)의 짧은 경로 세그먼트를 계획하고, 오직 $K$ 단계($K < H$)만을 실행합니다.
• 적응성: $K$ 단계를 실행한 후, 로봇의 새로운 위치가 다음 반복의 시작점이 됩니다. 이를 통해 변화하는 인간의 예측과 로봇의 위치에 지속적으로 대응할 수 있습니다.
• 인간 예측: 시스템은 호라이즌 $H$ 동안의 인간 경로에 대해 완벽한 예측 함수를 활용하여, 장기적인 인간 궤적 예측의 필요성을 피합니다.

2. 다중 로봇 조정 (중간 레벨)

롤링 호라이즌 내에서 로봇 간 충돌을 해결하기 위해, MRRD는 충돌 기반 탐색(CBS)(알고리즘 2)을 적용합니다.

• 병렬 생성: 순차적 플래너와 달리, MRRD는 디퓨전 모델을 사용하여 $N$대의 모든 로봇에 대한 초기 경로 세그먼트를 병렬로 생성합니다.
• 제약 트리(Constraint Tree): 로봇 간 충돌이 감지되면, 알고리즘은 문제를 자식 노드로 분할합니다. 특정 로봇에 대해 특정 시간에 **구형 제약(spherical constraints)**을 부과하고, 해당 제약 영역을 피하도록 경로를 재계획합니다.
• 관심사의 분리: 로봇-인간 상호작용은 디퓨전 모델의 학습된 사전 지식(priors)에 의해 처리되는 반면, 로봇-로봇 상호작용은 CBS 제약 트리를 통해 명시적으로 해결됩니다.

3. 단일 로봇 디퓨전 플래너 (최하위 레벨)

핵심 혁신은 디퓨전 모델 아키텍처와 그 조건화(conditioning) 메커니즘에 있습니다 (그림 1).

• 긴급도 기반 시간 조건화(Urgency-Based Temporal Conditioning): "고정 시간 문제"를 해결하기 위해, 모델은 고정된 시간 지속 시간이 아닌 목표까지의 웨이포인트 수를 나타내는 **긴급도 항($u_i$)**에 따라 조건화됩니다.
  • 모델은 목표 위치와 긴급도가 샘플링된 인간 보행 데이터를 통해 학습되어, 거리에 따라 속도를 조절하는 법을 배웁니다.
  • 추론 시, 모델은 다양한 긴급도 값을 가진 경로 배치를 생성합니다. 시스템은 충돌이 없고 현재 맥락에 적합한 가장 높은 속도(가장 낮은 $u_i$)를 가진 경로를 선택합니다.
• 가이드 항(Guidance Terms): 디노이징(denoising) 과정은 세 가지 비용 함수의 그래디언트에 의해 유도됩니다:
  1. 제약 비용: CBS가 부과한 구형 제약을 위반하는 것에 대한 페널티.
  2. 인간 거리 비용: 밀집된 군집에서는 랭크 가중치 페널티를 적용한 퍼스널 스페이스 모델(코어 및 클로즈 반경)을 사용하여 인간과의 근접성을 제한합니다.
  3. 장애물 비용: 부호 거리 함수(Signed Distance Fields, SDF)를 사용하여 정적 장애물 침투에 대한 페널티를 부여합니다.
• 아키텍처: 템포럴 U-Net(temporal U-Net)이 노이즈가 섞인 경로, 목표 임베딩, 그리고 긴급도 임베딩을 처리하여 경로를 반복적으로 디노이징합니다.

주요 기여

1. MRRD 프레임워크: 롤링 호라이즌 실행, CBS 기반 충돌 해결, 디퓨전 기반 경로 생성을 결합한 새로운 3단계 플래너를 제시합니다.
2. 긴급도 조건화: 고정된 지속 시간이 아닌 "목표 도달 시간(긴급도)"에 디퓨전 모델을 조건화하여, 적응형 속도 프로필을 가능하게 하고 고정 시간 문제를 해결합니다.
3. 확장 가능한 병렬 추론: CBS 프레임워크 내에서 병렬화된 디퓨전 추론을 구현하여, 대규모 로봇 팀(15대)에서도 실시간으로 작동할 수 있도록 합니다.
4. 차별화된 가이드 전략: 사회적 규범(디퓨전 사전 지식 및 인간 비용으로 처리)과 로봇 간 협력(CBS 제약으로 처리)을 분리하여 견고한 성능을 확보했습니다.

실험 결과

저자들은 다양한 로봇 수(6~15대), 인간 군집, 정적 장애물이 포함된 시뮬레이션 환경에서 MRRD를 CoBL-Diffusion(디퓨전 기반) 및 Navi-STAR(RL 기반)와 비교 평가했습니다.

• 안전성 및 성공률:
  • MRRD는 모든 시나리오에서 0%의 로봇-로봇 충돌률을 달 기록한 반면, 베이스라인 모델들은 15대 로봇 시나리오에서 각각 최대 0.98(Navi-STAR) 및 0.28(CoBL-Diffusion)의 충돌률을 보였습니다.
  • MRRD는 15대의 로봇 환경에서도 92%의 성공률을 유지했으나, CoBL-Diffusion은 32%, Navi-STAR는 0%로 떨어졌습니다.
  • 로봇-인간 충돌률 또한 MRRD(0.08)가 베이스라인(0.22~1.00)보다 현저히 낮았습니다.
• 효율성:
  • MRRD는 우수한 계획 속도를 보여주었습니다. 15대의 로봇에 대해 MRRD는 8.8초가 소요된 반면, CoBL-Diffusion은 60.2초, Navi-STAR는 17.3초가 소요되었습니다.
  • 병렬화된 접근 방식은 비병렬화된 버전의 MRRD보다 4배 더 빨랐습니다.
• 궤적 품질:
  • MRRD는 CoBL-Diffusion보다 평균 가속도 프로필이 5~8배 낮은 더 매끄러운 궤적을 생성하였으며, 이는 더 인간답고 유연한 움직임을 나타냅니다.
  • 목표 도달 정확도 역시 CoBL-Diffusion(1.46m 오차)보다 훨씬 뛰어난 0.37m의 오차를 보였습니다.
• 장애물 탐색:
  • 정적 장애물이 있는 복잡한 지도에서 MRRD는 0.00의 로봇-로봇 충돌률과 56%의 성공률을 유지했으나, CoBL-Diffusion은 가장 밀집된 시나리오에서 완전히 실패(성공률 0%)했습니다.

의의 및 주장

본 논문은 MRRD가 사회적 인지 항법과 확장 가능한 다중 로봇 조정 사이의 간극을 성공적으로 메웠다고 주장합니다. 고정된 지속 시간의 경로 생성에서 벗어남으로써, 로봇이 환경에 따라 속도를 동적으로 조절할 수 있게 되었으며, 이는 인간 공유 공간에서의 안전을 위한 핵심 요소입니다.

저자들은 다음과 같은 점을 강조합니다:

• 효과적인 확장성: 기존 학습 기반 벤치마크에서 부족했던 대규모 팀(최대 15대)에 대한 실시간 운용 능력을 갖추었습니다.
• 상호작용 유형의 분리: 디퓨전을 통해 사회적 규범을, CBS를 통해 하드 충돌 제약을 처리함으로써 안전을 희생하지 않으면서도 견고한 성능을 구현했습니다.
• 기존 베이스라인 압도: 안전성 지표(충돌률)와 미션 성공률 모두에서 기존 모델들을 능가하며, 질적으로 더 매끄럽고 인간에 가까운 궤적을 생성합니다.

결론적으로, 향후 연구로서 디노이징 과정의 불변성(invariance) 확보 및 통합된 인간 예측 모듈의 도입 등이 가능하겠으나, 현재의 MRRD는 역동적인 인간 밀집 환경에 대규모 로봇 팀을 배치하는 데 있어 중요한 진전을 이루었습니다.