⚡ electrical engineering

Capture, Shield, or Neutralize: Engagement-Aware Pursuit-Evasion

본 논문은 다중 에이전트 군집이 공격적 추격, 외곽 방어, 영역 거부 전술 사이를 유연하게 전환하는 동시에 충돌 없는 운용을 보장할 수 있도록, 제로섬 후퇴 지평 게임(zero-sum receding-horizon game)과 내부 루프 이산 시간 제어 장벽 함수(discrete-time Control Barrier Function)를 결합한 계층적 제어 아키텍처를 제시한다.

원저자: Ananya Acharya, Trenton Goyette, Masoud Ataei, Adrian Stoica, Vikas Dhiman, Mohammad Javad Khojasteh

게시일 2026-07-14

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Ananya Acharya, Trenton Goyette, Masoud Ataei, Adrian Stoica, Vikas Dhiman, Mohammad Javad Khojasteh

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

고도의 긴장감이 흐르는 술래잡기 게임을 상상해 보세요. 하지만 놀이터에서 뛰어노는 아이들 대신, 교활하고 빠르고 은밀하게 움직이는 침입자를 쫓는 로봇 드론 군단이 있습니다. 목표는 단순히 침입자를 잡는 것만이 아닙니다. 때로는 그들을 부드럽게 몰아내는 것이 목표일 수도 있고, 때로는 안전 구역을 돌파하지 못하도록 막는 것이 목표일 수도 있습니다. 여기서 핵심적인 질문은 이것입니다: 어떻게 하면 로봇 팀이 서로 충돌하거나 목표물과 부딪히지 않으면서도, 이 "게임의 규칙"을 즉각적으로 전환하도록 프로그래밍할 수 있을까요?

이 논문은 바로 이 일을 해낼 수 있는 로봇 군단을 위한 새로운 "두뇌"를 소개합니다. 이는 마치 로봇에게 두 부분으로 구성된 사고 과정을 부여하는 것과 같습니다: 바로 **전략가(Strategist)**와 **안전 가드(Safety Guard)**입니다.

두 부분으로 구성된 두뇌

1. 전략가 (게임 플레이어)
최상위 단계에서 로봇들은 "제로섬 게임(zero-sum game)"이라는 영리한 수학적 기법을 사용합니다. 이것은 체스 경기와 비슷합니다. 침입자가 도망치기 위해 하는 모든 움직임은 그들이 얻는 점수가 되고, 로봇이 가까이 가기 위해 하는 모든 움직임은 로봇이 잃는 점수가 됩니다. 로봇들은 자신들의 손실을 최소화하려 노력하고, 침입자는 자신의 이득을 최대화하려 노력합니다.

단순히 침입자가 지금 당장 어디에 있는지에 반응하는 것(공을 쫓는 강아지처럼)이 아니라, 이 전략가는 몇 단계 앞을 내다봅니다. 이 전략가는 게임의 다음 몇 초를 반복해서 시뮬레이션하며 다음과 같이 자문합니다. "내가 저기로 가면, 그들은 어디로 갈까? 그들이 저기로 간다면, 나는 어디에 있어야 할까?" 이를 통해 로봇은 침입자의 경로를 예측하고, 사건이 발생하기 전에 미리 길을 차단할 수 있습니다.

2. 안전 가드 (내부 루프)
여기서 까다로운 점이 있습니다. 만약 전략가가 너무 흥분하면, 로봇들이 서로 충돌하거나 원치 않을 때 침입자와 부딪힐 수 있습니다. 바로 이 지점에서 안전 가드가 등장합니다. 이 장치는 "제어 장벽 함수(Control Barrier Function, CBF)"로, 마치 보이지 않는 초고속 포스 필드(force field)와 같은 역할을 합니다.

안전 가드는 로봇 두뇌의 내부 루프에 위치합니다. 이는 매 순간 전략가의 계획을 검사합니다. 만약 계획이 "침입자를 향해 돌진하라!"라고 명령하더라도, 안전 가드가 "잠깐, 이러면 충돌이 발생한다"라고 판단하면, 전체적인 목적지는 바꾸지 않으면서도 충돌을 피할 수 있도록 명령을 아주 미세하게 수정합니다. 이는 마치 운전자가 목적지를 바꾸지 않도록 도로의 파인 곳을 피해 핸들을 살짝 조절해 주는 부조종사와 같습니다.

게임의 규칙 전환하기

이 시스템의 가장 멋진 특징은 "교전 규칙(Rules of Engagement, ROE)"을 처리하는 방식입니다. 보통 로봇의 행동(예: "나쁜 놈을 잡기"에서 "경계선 방어하기"로 변경)을 바꾸려면 컴퓨터 코드 전체를 다시 작성해야 합니다. 하지만 이 논문은 단지 다이얼을 돌리는 것만으로 이 작업이 가능하다는 것을 보여줍니다.

수학적 수치(가중치)를 변경하는 것만으로, 로봇 군단은 즉시 모드를 전환할 수 있습니다:

포획 모드(Capture Mode): 로봇들이 공격적으로 변합니다. 그들은 침입자를 잡기 위해 최대한 가까이 접근하려고 합니다.
경계 방어(Perimeter Defense): 로봇들이 벽을 형성합니다. 그들은 침입자를 붙잡으려 하기보다, 침입자가 특정 선을 넘지 못하도록 차단하는 데 집중합니다.
무력화(Neutralization): 로봇들이 침입자를 물리적으로 저지하기 위해 직접 가로막을 수 있습니다.

이 논문은 이를 입증하기 위해 2D 환경에서 100번의 시뮬레이션 게임을 실행했으며, 이후 **3D 비행 드론(쿼드로터)**을 사용하여 다시 테스트했습니다. 2D 테스트에서 로봇들이 침입자 주변에 완벽한 원형으로 시작했을 때, 그들은 거의 100% 확률로 침입자를 잡았습니다. 심지어 무작위적이고 혼란스러운 위치에서 시작했을 때도 대부분의 경우 침입자를 잡아냈으며, 이는 시스템이 혼돈 속에서도 견딜 만큼 강력하다는 것을 증명합니다.

이것이 무엇인지(그리고 무엇이 아닌지)

이 논문이 실제로 증명하는 바를 아는 것이 중요합니다. 저자들은 실제 로봇 군단을 만들어 공원에서 테스트한 것이 아닙니다. 여기서 설명된 모든 것은 컴퓨터 시뮬레이션 내부에서 일어났습니다. 그들은 로봇의 움직임을 나타내기 위해 수학적 모델(평지에서의 "이중 적분기" 물리 법칙 및 3D 비행 드론을 위한 복잡한 3D 물리 법칙)을 사용했습니다.

이 논문은 미션을 변경하기 위해 로봇의 두뇌를 완전히 재설계할 필요가 없다는 주장에 대해 명시적으로 반박합니다. 저자들은 단순한 반응형 휴리스틱(예: "그가 왼쪽으로 움직이면 나도 왼쪽으로 움직인다")을 사용하는 것에 반대합니다. 왜냐นั้น 그러한 방식은 똑똑한 상대에게는 통하지 않기 때문입니다. 대신, 그들은 계층적 시스템(전략가 + 안전 가드)이 더 나은 방법임을 보여줍니다.

또한, 현재 설정은 로봇들이 모든 위치를 정확히 알고 있다(완벽한 정보)는 것과 세상이 예측 가능하다는 것을 전제로 한다고 언급했습니다. 저자들은 센서가 고장 나거나 수학적으로 예측할 수 없는 방식으로 침입자가 예측 불가능하게 움직이는 상황까지 해결했다고 주장하지 않습니다.

결론

이 시뮬레이션에서 연구팀은 미래를 내다보는 스마트한 게임 플래너와 엄격하고 즉각적인 안전 필터를 결합함으로써, 로봇 군단이 침입자를 잡고, 차단하고, 몰아내는 동작 사이를 유연하게 전환할 수 있음을 보여주었습니다. 그들은 이 기술을 평지에서 3D 비행으로 성공적으로 확장하여, 로봇들이 공중에서 협력하고, 서로 충돌을 피하면서도 목표물을 확보할 수 있음을 입증했습니다.

비록 이것은 시뮬레이션이며 아직 실제 현장에 배치된 것은 아니지만, 결과는 이 "두 개의 두뇌" 접근 방식이 안전과 전략이 동시에 이루어져야 하는 복잡한 적대적 게임을 다루는 데 있어 견고한 방법임을 시사합니다. 코드는 다른 연구자들이 시도해 볼 수 있도록 공개되어 있으며, 더 혼란스러운 시나리오에서도 이 방식이 작동하는지 확인하도록 초대하고 있습니다.

기술 요약: 교전 인지형 추격-회피 (Engagement-Aware Pursuit-Evasion)

문제 정의

본 논문은 적대적 추격-회피 시나리오에서 다중 에이전트 추격 팀을 제어하는 과제를 다룹니다. 전통적인 방식은 전략적 작업 계획(예: 포획 대 영역 차단)과 엄격한 안전 제약 조건(예: 충돌 회피) 사이의 균형을 실시간으로 맞추는 데 어려움을 겪는 경우가 많습니다. 연속 시간 미분 게임(differential games)에 대한 전역적 평형을 구하는 것은 다중 에이전트 시스템에서 계산적으로 불가능합니다. 또한, 기존 방법들은 하부 제어 로직을 재설계하지 않고도 변화하는 "교전 규칙(Rules of Engagement, ROE)"—예를 들어, 공격적인 포획에서 경계 방어 또는 무력화로 전환하는 것—에 유연하게 적응하는 능력이 부족합니다. 핵심 문제는 전략적 계획과 안전 보장을 분리하여, 군집이 안전한 운용을 보장하면서도 다양한 교전 모드 간에 유동적으로 전환할 수 있게 하는 계층적 제어 아키텍처를 개발하는 것입니다.

방법론

저자들은 상위 계층의 재해석 지평 미니맥스 모델 예측 제어(Receding-Horizon Minimax MPC) 플래너와 하위 계층의 이산 시간 제어 장벽 함수(Discrete-Time Control Barrier Function, CBF) 안전 필터로 구성된 계층적 제어 아키텍처를 제안합니다.

1. 상위 수준 계획: 미니맥스 MPC

상호작용은 유한 지평 제로섬 동적 게임으로 정식화됩니다. 추격자 팀은 공유된 비용 함수 $J$ 를 최소화하고자 하며, 회피자는 이를 최대화하고자 합니다. 헐리슨-야코비-이사카(Hamilton-Jacobi-Isaacs) 방정식을 푸는 계산적 복잡성을 피하기 위해, 시스템은 반복적인 미니맥스 기법을 사용합니다:

반복적 최적 대응(Iterative Best-Response): 각 타임 스텝에서, 추격자들은 고정된 명목상의 회피자 궤적을 가정하여 최적의 제어 궤적을 구합니다. 그 후, 회피자는 업데이트된 추격자 궤적을 가정하여 자신의 최적 궤적을 구합니다. 이 과정은 고정된 수의 내쉬(Nash) 반복 횟수만큼 반복됩니다.
이중 게임 정식화: 비용 함수 $J$ $J$ 는 다양한 ROE를 지원하도록 수정됩니다:
- 추격-회피 추적(Pursuit-Evasion Tracking): 비용은 추격자와 회피자 사이의 상대 거리에 페널티를 부여합니다. 결정적으로, 이는 가로 방향 속도(transverse velocity)에 대한 페널티를 포함하여 기하학적으로 시선(line-of-sight)에 수직인 속도 성분을 무효화함으로써, 추격자들이 단순한 반응형 휴리스틱에 의존하는 대신 직접적인 충돌 경로로 진입하도록 강제합니다.
- 경계 방어(Perimeter Defense): 비용은 절대적 포획에서 경계 추적으로 우선순위를 전환합니다. 추격자들은 할당된 방어 다각형 상의 목표 지점에서 벗어나는 것에 대해 페널티를 받으며, 회피자는 보호 구역으로 전진하는 것에 대해 페널티를 받습니다.

2. 하위 수준 실행: CBF 안전 필터

MPC의 볼록성(convexity)을 해치지 않으면서 안전을 보장하기 위해, 이산 시간 제어 장벽 함수(CBF)가 내부 루프 필터로서 작동합니다.

안전 필터: MPC에 의해 생성된 명목 제어 입력( $u_{des}$ )은 이차 계획법(Quadratic Program, QP)으로 전달됩니다. QP는 $u_{des}$ 로부터의 편차를 최소화하는 동시에 이산 시간 CBF 제약 조건을 만족합니다.
운동학적 장벽(Kinematic Barrier): 장벽 함수 $h(x_k)$ 는 속도를 인지하며, 최대 가속 제한 하에서의 가용 제동 거리에 대비한 현재 접근율을 평가합니다. 이는 에이전트들이 안전 거리 $D_{safe}$ 를 침범하는 것을 방지하기 위한 충분한 시간을 확보할 수 있도록 보장합니다.
슬랙 변수(Slack Variables): 밀집된 클러스터 내에서도 엄격한 가용성을 보장하기 위해 QP에 슬랙 변수가 포함되며, 안전 위반을 억제하기 위해 매우 높은 페널티가 부과됩니다.

3. 교전 규칙(ROE) 적응

이 프레임워크는 공유 제로섬 보상(payoff)과 CBF 제약 조건(특히 슬랙 페널티 및 안전 거리 마진)의 가중치를 튜닝함으로써 적응성을 달성합니다. 이러한 파라미터를 온라인으로 조정함으로써 시스템은 다음 사이를 전환할 수 있습니다:

포획(Capture): 완화된 스탠드오프(standoff) 제약 조건을 가진 공격적 추격.
억제/편향(Deterrence/Deflection): 엄격한 경계 방어 또는 보호 구역으로부터의 방향 전환.
무력화(Neutralization): 회복이 불가능할 때 물리적 차단을 허용하기 위해 안전 제약 조건을 선택적으로 완화함.

주요 기여

교전 인지형 프레임워크: 본 논문은 ROE를 제어 설계 객체로 취급하는 계층적 아키텍처를 도입하여, 제어 로직의 구조적 변경 없이 군집이 전술(포획, 방어, 무력화)을 전환할 수 있게 합니다.
계산 가능한 미니맥스 솔버: 방어 팀이 반복적 최적 대응 최적화를 통해 적대적 행동을 전략적으로 예측할 수 있도록 상위 계획 계층에서 재해석 지평 미니맥스 솔버를 개발했습니다.
통합된 안전 및 교전 필터: 실행 계층에서 명목 MPC 명령을 수정하여 추격자 간의 충돌 회피와 추격자-회피자 간의 스탠드오프 제약을 강제하는 이산 시간 CBF-QP 필터를 통합하였으며, 이를 통해 작업 만족(MPC)과 생존(CBF)의 목적을 분리했습니다.

실험 결과

프레임워크는 2D 평면 이중 적분기 역학(double integrator dynamics)과 완전 비선형 3D 쿼드로터 역학 환경에서 시뮬레이션을 통해 평가되었습니다.

2D 추격-회피: 100회의 시뮬레이션 게임에서, 추격자들이 방사형 고리 형태로 초기화되었을 때 시스템은 거의 100%에 가까운 포획률을 달いました. 무작위 균등 초기화(CBF 필터에 대한 스트레스 테스트) 상황에서도 포획률은 경쟁력 있는 수준을 유지하여, 혼돈스러운 대형으로부터 회복하는 솔버의 능력을 입증했습니다.
2D 경계 방어: 군집은 회피자가 정의된 2D 경계를 돌파하는 것을 성공적으로 차단했으며, 회피자의 전진을 최소화하기 위해 경계 호(arc)를 따라 에이전트를 효율적으로 배치했습니다.
3D 쿼드로터 역학: 아키텍처는 6-DOF 비선형 쿼드로터 역학으로 확장되었습니다. 시스템은 동적 안정성을 유지했으며, 3D 공간에서 성공적으로 협업하여 회피자의 탈출 부피를 최소화하고 포획을 확보하였으며, 안전 필터에서 피치/롤 역학을 고려하였습니다.
ROE 변조: 시뮬레이션은 미션 파라미터와 필터 가중치를 조절함으로써 "회피자 보존"(엄격한 스탠드오프) 모드와 "회피자 무력화"(물리적 차단) 모드 사이의 원활한 전환을 보여주었습니다.

의의 및 주장

본 논문은 이 프레임워크가 전략적 계획과 안전 강제를 분리함으로써 적대적 군집 제어를 위한 견고한 솔루션을 제공한다고 주장합니다. 이 시스템의 의의는 다음과 같습니다:

동적 적응: 제어기를 재설계하는 대신 가중치를 튜닝하는 것만으로 포획, 방어, 무력화 전술을 전환할 수 있습니다.
안전 보장: MPC의 볼록성을 저해하지 않으면서 CBF 내부 루프를 통해 충돌 없는 운용과 스탠드오프 제약을 보장합니다.
확장성: 2D 및 복잡한 3D 비선형 환경 모두에서 효과적으로 작동합니다.

저자들은 현재의 연구가 결정론적 역학과 단일 적대적 목표를 가정하고 있다고 언급합니다. 향후 연구로는 $M$ -추격자, $N$ -회피자 설정으로 솔버를 확장하고, 동적 불확실성을 포함하며, 완벽한 상태 지식 가정을 완화하기 위해 센서 측정값으로부터의 상태 추정을 통합하는 것이 제안되었습니다.