D-SafeMPC: Diffusion-Driven Safe Model Predictive Control with Discrete-Time Control Barrier Functions

당신은 로봇 팔에게 움직이는 장애물이 가득한 혼잡한 방에서 춤추는 법을 가르치려 한다고 상상해 보세요. 당신은 로봇이 창의적이고, 부드러우며, 갑작스러운 상황에 대처할 수 있기를 바라지만, 동시에 로봇이 절대 사람과 충돌하거나 자신의 관절을 망가뜨리지 않도록 보장해야 합니다.

이것이 바로 이 논문의 저자들이 D-SafeMPC라는 새로운 방법으로 해결하고자 하는 과제입니다. 그들은 두 가지 강력한 도구인 **확산 모델(Diffusion Models)**과 **모델 예측 제어(Model Predictive Control, MPC)**가 함께 사용될 때 서로 잘 어울리지 못하는 문제를 해결하려 노력하고 있습니다.

문제점: 몽상가와 현실주의자

확산 모델을 '창의적인 몽상가'라고 생각해 보세요. 이 모델은 인간이 움직이는 수천 가지의 사례를 학습하여, 로봇이 취할 수 있는 아름답고 복잡한 경로를 상상하는 데 탁월합니다. 하지만 이 몽상가는 다소 부주의합니다. 이 모델은 본질적으로 물리 법칙이나 안전 규칙을 알지 못합니다. 만약 당신이 멋진 경로를 계획하라고 요청한다면, 이 모델은 로봇이 벽을 통과하거나 너무 빨리 회전해서 스스로 파손되는 등 멋져 보이지만 불가능한 경로를 꿈꿀 수도 있습니다.

반면에, MPC는 '엄격하고 초긴장 상태인 현실주의자'와 같습니다. 이는 로봇이 안전을 유지하고 물리 법칙을 따르는지 확인하기 위해 매 단계마다 모든 것을 점검하는 최적화 엔진입니다. 문제는, 만약 몽상가가 현실주의자에게 엉망이고 불가능한 시작점을 건네준다면, 현실주의자는 혼란에 빠진다는 것입니다. 현실주의자는 경로를 수정하려고 노력할 수도 있지만, 안전한 해답을 전혀 찾지 못해 전체 계획을 무너뜨릴 수도 있습니다.

이 두 가지를 혼합하려는 이전의 시도들은 마치 몽상가에게 꿈을 꾸는 동안 스스로에게 "안전하게 행동해"라고 속삭이게 하는 것과 같았습니다. 그것은 약간의 도움은 되었지만, 몽상가는 여전히 실수로 재앙을 계획할 수 있었습니다. 또 다른 시도들은 몽생이 꿈을 다 꾼 후에 현실주의자가 그 경로를 수정하도록 했지만, 만약 꿈이 너무 터무니없었다면 현실주의자는 그것을 구원해낼 수 없었습니다.

해결책: 안전망이 있는 유도된 꿈

저자들은 몽상가와 현실주의자가 순번을 정해 교대로 일하는 것이 아니라, 단계별로 긴밀한 루프 안에서 함께 작동하는 시스템인 D-SafeMPC를 제안합니다.

마법이 일어나는 과정은 다음과 같습니다:

1. 꿈의 시작: 과정은 일반적인 확산 모델처럼 순수한 혼돈(무작위 노이즈)에서 시작됩니다. 마치 빈 캔버스와 같습니다.
2. 몽상가의 정교화: 확산 모델은 그 노이즈를 경로의 거친 스케치로 바꾸기 시작합니다.
3. 안전 가이드의 개입: 스케치가 너무 상세해지기 전에, 시스템은 **제어 장벽 함수(Control Barrier Functions, CBFs)**와 **제어 리아푸노프 함수(Control Lyapunov Functions, CLFs)**를 사용합니다. 이것들을 '보이지 않는 자기장'이라고 생각하세요. CBF는 스케치를 벽이나 움직이는 장애물로부터 밀어내는 반발 자석입니다. CLF는 스케치를 목표 지점으로 끌어당기는 인력 자석입니다.
   • 중요한 세부 사항: 논문은 이 가이드가 "소프트(soft)"하다는 점을 언급합니다. 즉, 이는 몽상가를 안전한 방향으로 슬쩍 밀어주는 것이지, 몽상가가 완벽하게 복종하도록 강요하는 것은 아닙니다. 몽상가는 여전히 위험에 너무 가까워질 수도 있습니다.
4. 현실주의자의 개입: 이것이 핵심적인 혁신입니다. 엄격한 MPC는 꿈을 꾸는 과정 중에 개입합니다. 몽상가가 더 선명한 그림을 향해 한 걸음 내디딜 때마다, MPC는 그 스케치를 낚아채서 물리 법칙과 안전 규칙에 비추어 검토하고, 이를 완벽하게 안전한 경로로 투영(project)합니다.
5. 루프: 이렇게 수정된 안전한 경로는 다음 단계의 디노이징(denoising) 과정을 시작하기 위해 다시 몽상가에게 전달됩니다.

이것은 몽상가가 올바른 영역 안에 머물도록 자기장(CBF/CLF)에 의해 끊임없이 유도되고, 현실주의자(MPC)가 경로가 실제로 구현 가능한지 확인하기 위해 끊임없이 다듬는 순환 구조를 만듭니다. 몽상가가 잘 유도되기 때문에, 현실주의자는 해답을 찾기 위해 덜 고생해도 되며, 이로 인해 전체 과정이 더 빠르고 신뢰할 수 있게 됩니다.

연구 결과 (Results)

저자들은 컴퓨터 시뮬레이션과 실제 환경 모두에서 Franka 로봇 팔(7자유도 매니퓰레이터)을 대상으로 이 시스템을 테스트했습니다.

• 정적 환경(Static Environments): 장애물이 가만히 서 있을 때, 이 방법은 목표에 안전하게 도달하는 데 0.800(또는 80%)의 성공률을 달-성했습니다. 이는 다른 상위 방법들과 경쟁할 만한 수준이었으나, 특정 지표에서는 다른 방법의 특정 변형들이 약간 더 높은 수치를 보이기도 했습니다.
• 동적 환경(Dynamic Environments): 장애물이 움직일 때(예: 사람들이 옆을 지나갈 때), D-SafeMPC는 진가를 발휘했습니다. 세 가지 서로 다른 동적 시나리오에서, 이 방식은 1.000, 0.875, 0.925의 안전 준수 목표 도달률을 달성했습니다. 이에 비해 표준 "Diffuser"와 같은 다른 방법들은 유사한 동적 설정에서 0.175 또는 0.325까지 낮은 도달률을 보였습니다.
• 속도: 이 시스템은 다른 MPC 기반 방법들보다 더 빨랐습니다. 저자들은 "소프트 가이드"(CBF/CLF)가 MPC에게 훨씬 더 나은 시작점을 제공했기 때문에, MPC가 해답을 찾기 위해 시간을 낭비하지 않아도 되었기 때문이라고 설명합니다.

그들은 심지어 이 시스템을 컴퓨터에서 실제 물리 로봇(sim-to-real 실험)으로 옮겨, 실제 세계에서 정적 장애물을 성공적으로 통과할 수 있음을 보여주었습니다.

명시하지 않은 부분 (한계점)

이 논문이 말하지 않는 내용을 아는 것도 중요합니다.

• 그들은 이 방법이 모든 로봇이나 모든 상황에서 작동한다고 주장하지 않습니다. 저자들은 이 방법이 비디오 카메라(시각 입력)를 처리해야 하는 로봇처럼 매우 높은 차원의 상태 공간을 다룰 때, 계산량이 너무 많아 어려움을 겪을 수 있다고 명시적으로 밝히고 있습니다.
• 그들은 문제가 "해결되었다"고 말하지 않습니다. 만약 로봇의 위치가 시작 단계에서 약간 틀어진다면, 그 오차가 계획이 진행됨에 따라 커져서 나중에 로봇을 불안정하게 만들 수 있다고 인정합니다.
• 그들은 이 방법이 모든 경우에 완벽하다고 주장하지 않습니다. 정적 장애물 테스트에서 "CoBL"이라는 다른 방법이 특정 지표에서 약간 더 높은 성공률을 보였지만, D-SafeMPC는 까다로운 움직이는 장애물 시나리오에서 전반적으로 더 견고한 모습을 보였습니다.

결론

이 논문은 "몽상가"(확산 모델)와 "현실주의자"(MPC)가 끊임없이 대화하게 하고, "보이지 않는 자기장"(CBF/CLF)을 사용하여 몽상가가 올바른 궤도를 벗어나지 않도록 유도함으로써, 이전보다 훨씬 더 효과적으로 복잡하고 안전한 경로를 계획할 수 있다는 것을 시사합니다. 시뮬레이션과 실제 세계 테스트 결과는 유망해 보이며, 특히 움직이는 물체가 있을 때 안전성과 성공률이 크게 향상됨을 보여줍니다. 그러나 저자들은 로봇의 환경이 너무 복잡해지거나 데이터가 너무 무질서해질 경우 이 접근 방식에 여전히 한계가 있음을 경고합니다.