💻 computer science

Model-Based Diffusion Optimal Control for Multi-Robot Motion Planning

본 논문은 알려진 동역학 모델을 제어 장벽 함수(Control Barrier Function) 제약 투영 및 충돌 기반 탐색(Conflict-Based Search)과 통합하여, 기존 베이스라인보다 샘플 효율성, 매끄러움 및 성공률 측면에서 뛰어난 성능을 보이면서도 동역학적으로 실행 가능하고 충돌이 없는 궤적을 효율적으로 생성하는 데이터 프리(data-free) 다중 로봇 모션 계획 프레임워크인 모델 기반 확산 최적 제어(Model-Based Diffusion Optimal Control, MDOC)를 소개한다.

원저자: Zhilin He, Yorai Shaoul, Jiaoyang Li

게시일 2026-07-15

📖 5 분 읽기🧠 심층 분석

CC BY 4.0

원저자: Zhilin He, Yorai Shaoul, Jiaoyang Li

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

수십 대의 작은 자율 주행 로봇들이 분주하게 움직이는 활기찬 창고를 상상해 보세요. 이들의 임무는 무엇일까요? 선반이나 벽, 또는 서로 부딪히지 않고 지점 A에서 지점 B까지 빠르게 이동하는 것입니다. 단순해 보이지만, 실제 세상에서 이 로봇들은 엄격한 규칙을 따릅나다. 즉, 제자리에서 급회전할 수 없고, 속도 제한이 있으며, 무엇과도 절대 부딪혀서는 안 됩니다.

오랫동안 이러한 로봇 군집의 경로를 계획하는 것은 가능한 움직임의 수가 계산할 수 있는 속도보다 더 빠르게 폭발적으로 늘어나는 퍼즐을 푸는 것과 같았습니다. 최근의 시도 대부분은 "관찰을 통해 배우는" 방식을 사용했습니다. 이것은 마치 학생이 전문가의 운전 영상을 몇 시간 동안 시청하며 운전을 배우려는 것과 같습니다. 문제는 무엇일까요? 만약 학생이 영상에서 특정 까다로운 상황을 본 적이 없다면, 동작을 멈추거나 충돌할 수 있다는 점입니다. 게ult, 이들은 실제 물리 법칙(예: 자동차가 실제로 회전하는 방식)을 무시하고 단지 본 것을 바탕으로 추측하곤 합니다.

카네기 멜론 대학교의 연구진인 저자들은 이렇게 말합니다. "다른 방법을 시도해 봅시다." 그들은 **모델 기반 확산 최적 제어(Model-Based Diffusion Optimal Control, MDOC)**라는 새로운 방법론을 소개합니다.

"디노이징(Denoising)"의 마법

MDOC를 이해하기 위해, 당신이 로봇이 가야 할 완벽하고 매끄러운 경로 이미지를 가지고 있지만, 누군가 그 위에 두꺼운 정전기 섞인 눈(static-filled snow)을 덮어놓았다고 상상해 보세요. 당신의 목표는 그 눈을 치워 경로를 드러내는 것입니다.

기존의 방법들은 수천 개의 사례를 연구하여 경로가 어떠해야 하는지를 배우려고 노력했습니다. 하지만 MDOC는 그런 사례들을 필요로 하지 않습니다. 대신, 이 방식은 물리 법칙을 정확히 알고 있는 매우 똑똑한 '눈 치우는 사람'처럼 행동합니다. 완전히 무작위적이고 눈이 쌓인 엉망진창인 상태(추측값)에서 시작하여, 단계별로 천천히 눈을 걷어냅니다. 하지만 여기서 핵심적인 트릭이 있습니다. 눈을 치우는 매 단계마다 "이 경로가 물리 법칙을 준수하는가? 안전한가?"를 확인합니다. 만약 눈을 치우는 동작 하나가 로봇을 벽으로 돌진하게 하거나 통제력을 잃고 회전하게 만든다면, 이 방법은 즉시 이를 수정합니다.

이것이 바로 "모델 기반(Model-Based)"이라는 말이 들어가는 이유입니다. 과거의 영상을 바탕으로 추측하는 대신, 로봇은 자신의 몸체와 움직임 방식에 대한 수학적 지도를 사용합니다. 이는 단순히 목적지만 알려주는 것이 아니라, 자동차가 급커브를 돌 때 어떻게 핸들링되는지 정확히 알고 있어 결코 벽을 뚫고 지나가지 않도록 보장하는 GPS를 가진 것과 같습니다.

안전망: "포스 필드(Force Field)"

이 논문은 기존의 방법들이 안전을 마치 충돌을 피하라는 부드러운 권고와 같은 "소프트(soft)"한 제안으로 취급했다는 점을 지적합니다. 로봇이 너무 가까워지면 단순히 약간의 경고만 주는 식이었죠. 그러나 MDOC는 **제어 장벽 함수(Control Barrier Function, CBF)**라고 불리는 "하드(hard)"한 안전망을 사용합니다.

이것은 모든 장애물과 다른 로봇 주변에 존재하는 보이지 않는, 깨뜨릴 수 없는 힘의 장(force field)이라고 생각하면 됩니다. 만약 로봇의 계획된 경로가 이 장에 닿으려 하면, 수학적 계산이 즉시 경로를 안전한 곳으로 되돌려 놓습니다. 이것은 제안이 아니라 반드시 지켜야 하는 규칙입니다. 논문은 이 "포스 필드"를 "눈 치우는" 과정에 직접 내장함으로써, 로봇이 위험한 움직임을 고려조차 하지 않게 만든다는 것을 보여줍니다.

군집 솔루션: MDOC-CBS

로봇이 단 한 대라면 이 방법은 매우 잘 작동합니다. 하지만 20대의 로봇이 동시에 움직인다면 어떨까요? 여기서 그들은 MDOC-CBS를 도입합니다.

교통 관제사(상위 수준의 플래너)가 창고 전체를 지켜보고 있다고 상상해 보세요. 만약 두 대의 로봇이 서로 부딪힐 것 같다면, 관제사는 당황하지 않습니다. 그저 "로봇 A는 왼쪽 경로로 가고, 로봇 B는 오른쪽 경로로 가라"고 명령합니다. 관제사는 한 로봇이 지나갈 수 있도록 다른 로봇을 위한 일시적인 "출입 금지 구역"을 생성합니다.

놀라운 점은 로봇의 자체적인 "눈 치우는" 뇌(MDOC)가 이러한 새로운 "출입 금지 구역"을 즉각적으로 존중할 만큼 똑똑하다는 것입니다. 로봇은 아무것도 새로 배우거나 과거의 영상을 찾아볼 필요 없이, 실시간으로 경로를 재계산하여 안전하고 매끄러운 상태를 유지합니다.

수치가 말해주는 것

연구진은 이 방법을 실제 물리적인 창고가 아닌 컴퓨터 시뮬레이션에서 테스트했습니다. 그들은 좁은 복도와 붐비는 방을 포함한 다양한 까다로운 지도에서 자신들의 새로운 방법론을 기존의 가장 뛰어난 플래너들과 맞붙였습니다.

샘플 효율성(Sample Efficiency): 좁고 까다로운 지도에서 CEM이나 MPPI 같은 기존 방법들은 유용하고 안전한 후보를 생성하는 데 어려움을 겪었습니다. 논문에 따르면 기존 방법들의 평균 경로 길이는 각각 약 2.1과 3.2 단위였지만, 이들의 "Pass&Free-Yield"(충돌 없이 병목 구간을 통과한 후보의 비율)는 MDOC보다 현저히 낮았습니다. RRT* (유명한 기존 방식)는 약 **42%에서 66%**의 수율을 기록했습니다. 그렇다면 MDOC는 어땠을까요? 특정 좁은 지도 테스트에서 **100%**의 수율을 달ек성했습니다. 즉, 그것이 생성한 모든 후보가 실제로 병목 구간을 통과할 수 있는 안전하고 매끄러운 경로였다는 뜻입니다.
확장성(Scalability): 로봇의 수를 20대로 늘렸을 때, 기존의 "학습 기반" 방법들은 충돌하거나 시간이 너무 오래 걸리기 시작했습니다. 반면 MDOC-CBS는 더 큰 지도(6x6 그리드)에서 최대 40대의 로봇이 포함된 테스트에서도 높은 성공률을 유지하며 원활하게 작동했습니다. 비록 모든 사례를 완벽하게 해결한 것은 아니었지만(제약 조건이 너무 타이트하여 유효한 롤아웃을 반환할 수 없는 무작위 지도에서는 일부 실패가 발생함), 훨씬 더 빨리 실패하는 다른 방법들에 비해 월등한 성능을 보였습니다.
매끄러움(Smoothness): MDOC가 생성한 경로는 안전할 뿐만 아니라 더 매끄럽고 짧았습니다. 컨베이어 벨트 맵에서 6대의 로봇을 대상으로 한 테스트에서, 기존 방법들은 모든 로봇이 좁은 틈 사이로 끼어들려고 시도하면서 "교통 체증"에 빠졌습니다. MDOC-CBS는 오직 두 대의 로봇만이 틈을 통과해야 하고 나머지는 돌아가야 한다는 것을 파악하여, 시간을 절약하고 혼란을 방지했습니다.

이 논문이 주장하지 않는 것

이 논문이 주장하지 않는 바를 명시하는 것도 중요합니다. 저자들은 전문가의 시연 데이터셋에 과도하게 의존하는 것에 대해 명시적으로 반대합니다. 그들은 로봇에게 움직이는 법을 가르치기 위해 수천 개의 영상을 볼 필요가 없으며, 단지 물리 법칙과 규칙을 알면 된다는 것을 보여줍니다. 또한, 복잡하고 붐비는 환경에서는 "소프트"한 안전 제약(부드러운 넛지)만으로는 부족하며, 수학적인 "하드" 제약이 필요하다고 지적합니다.

결과는 인상적이지만, 이는 시뮬레이션에 기반한 것입니다. 논문은 이 방법이 중요한 진전이지만, 아직 실제 물리적인 로봇이나 실제 창고에서 테스트되지는 않았음을 시사합니다. 또한 저자들은 극도로 좁고 무작위적인 상황에서는 방법론이 다소 변동성이 있을 수 있음을 언급하며, 수학적 안정성을 더욱 높일 여지가 남아 있음을 나타냈습니다.

요약하자면, 이 논문은 로봇 군집이 "디노이징" 과정과 엄격하고 깨뜨릴 수 없는 물리 법칙을 결합하여 움직임을 계획하는 방법을 제안합니다. 이를 통해 로봇이 과거의 실수를 암기할 필요 없이, 그 어느 때보다 효율적이고 안전하게 붐비고 복잡한 세상을 항해할 수 있음을 시사합니다.

기술 요약: 다중 로봇 경로 계획을 위한 모델 기반 확산 최적 제어 (Model-Based Diffusion Optimal Control)

문제 정의

본 논문은 **다중 로봇 경로 계획(Multi-Robot Motion Planning, MRMP)**을 연속적인 환경에서 다룹니다. 핵심 과제는 시작 상태에서 목표 상태로 이동하는 $N$ 대 로봇 팀이 운동학적/동역학적 제약(예: 가속도 제한)을 준수하면서 장애물 및 다른 로봇과의 충돌을 피하며 동적으로 실행 가능한 충돌 없는 궤적을 생성하는 것입니다.

기존 접근 방식들은 다음과 같은 상당한 한계에 직면해 있습니다:

이산화 기반 방법 (예: MAPF/CBS): 확장성과 안전성은 높지만, 격자 기반 이산화와 등속도 가정을 기반으로 하므로 연속적이고 동적인 설정에 적용하기 어렵습니다.
모델 프리 확산 플래너 (Model-free Diffusion Planners): 최근의 접근 방식들은 전문가의 시연 데이터로부터 학습된 궤적 사후 분포를 샘플링하기 위해 확산 모델을 사용합니다. 그러나 대규모 데이터셋이 필요하며, 디노이징(denoising) 과정 중에 엄격한 하드 안전 제약과 동역학을 강제하는 데 어려움이 있고, 종종 소프트 제약에 의존하거나 계산 비용이 많이 드는 사후 투영(post-hoc projection)에 의존합니다.
샘플링 기반 최적화: RRT* 또는 CEM/MPPI와 같은 방법은 좁은 통로(narrow passages)나 고차원 결합 공간에서 비효리적일 수 있으며, 최적이 아닌 호모토피 클래스(homotopy class)에 갇히거나 매끄럽게 수렴하지 못하는 경우가 발생합니다.

방법론

저자들은 훈련이 필요 없는 모델 기반 확산 플래너인 MDOC와 그 다중 로봇 확장판인 MDOC-CBS를 제안합니다.

1. 모델 기반 확산 최적 제어 (MDOC)

MDOC는 시연 데이터에 의존하지 않고 궤적 계획을 확률적 추론으로 재정의합니다. 데이터로부터 스코어 함수(score function)를 학습하는 대신, 알려진 동역학 모델을 사용하여 스코어를 분석적으로 추정합니다.

추론으로서의 계획 (Planning as Inference): 궤적에 대한 타겟 분포는 동적 실행 가능성과 안전성을 강제하는 실행 가능성 사전 확률(feasibility prior)에 의해 제약된 비용 함수 $J(\tau)$ 에 대한 볼츠만 분포로 정의됩니다.
MCSA를 통한 스코어 추정: MDOC는 **몬테카를로 스코어 상승(Monte Carlo Score Ascent, MCSA)**을 활용합니다. 각 역방향 확산 단계 $k$ 에서, 후보 제어 시퀀스를 샘플링하고 이를 알려진 동역학 모델을 사용하여 롤아웃(rollout)한 뒤, 스코어 함수를 추정하기 위해 중요도 가중 평균(importance-weighted average)을 계산합니다. 이는 학습된 신경망 스코어 예측기 없이도 가능합니다.
CBF 제약 투영: 샘플링 중에 안전(충돌 회피)과 동역학을 엄격하게 강제하기 위해, MDOC는 실행 가능 연산자 $\mathcal{F}$ $F$ 를 도입합니다.
- **제어 장벽 함수(Control Barrier Functions, CBFs)**를 사용하여 안전한 제어 집합을 정의합니다.
- 후보 궤적의 롤아웃 과정 중, 제어 입력이 안전 제약(예: 장애물과의 근접성)을 위반하는 경우, 이를 폐쇄형 유클리드 투영(closed-form Euclidean projection)을 통해 안전한 반공간(safe half-space)으로 투영합니다.
- 이를 통해 몬테카를로 추정에 사용되는 모든 궤적이 동적으로 실행 가능하고 충돌이 없음을 보장하며, 효과적으로 확산 과정을 "데드 샘플(dead samples)"로부터 멀어지도록 유도합니다.

2. MDOC-CBS (다중 로봇 확장)

다중 로봇 환경으로 확장하기 위해, MDOC는 충돌 기반 탐색(Conflict-Based Search, CBS) 프레임워크에 통합됩니다:

상위 레벨 (High-Level): CBS 알고리즘은 로봇 간의 충돌을 관리합니다. 두 로봇 사이의 충돌이 특정 시간과 위치에서 감지되면, 알고리즘은 탐색 트리를 분기하여 한 로봇이 충돌 영역에 진입하는 것을 금지하는 제약을 추가합니다.
하위 레벨 (Low-Level): 각 로봇을 위한 하위 레벨 플래너는 MDOC입니다. CBS가 새로운 제약(예: "로봇 $j$ 의 위치를 중심으로 하는 구체를 피하라")을 부과하면, MDOC는 이를 CBF 제약 투영 메커니즘 내의 시간 인덱스 장벽 함수로 포함시킵니다.
확장성: MDOC를 하위 레벨 플래너로 사용함으로써, 시스템은 모든 로봇의 결합 최적화를 피하면서도 높은 수준의 CBS 효율성을 유지하며 로봇 간 충돌을 해결합니다.

주요 기여

MDOC 플래너: CBF 제약 투영을 통해 안전을 강제하는 훈련이 필요 없는 모델 기반 확산 플래너입니다. 시연 데이터 없이도 동적으로 실행 가능하고 충돌 없는 궤적을 생성합니다.
MDOC-CBS 알고리즘: MDOC를 CBS 프레임워크에 통합한 확장 가능한 MRMP 알고리럼입니다. 동일한 CBF 제약 투영 메커니즘을 사용하여 로봇 간 충돌을 해결하며, 최대 20대의 로봇(더 큰 맵에서는 40대)을 위한 계획을 가능하게 합니다.
실증적 검증: 다양한 환경(Narrow, Empty, Conveyor, Drop-Region, Random)과 구성(Circle, Weave, Random setup)에 걸친 포괄적인 평가를 통해 베이스라인 대비 우수한 성능을 입증했습니다.

실험 결과

저자들은 MDOC 및 MDOC-CBS를 CEM, MPPI, RRT*, KCBS, 그리고 MMD-CBS(확산 기반 CBS 변형)를 포함한 최신 베이스라인들과 비교 평가했습니다.

단일 로봇 성능 (Narrow Maps):
- MDOC는 100%의 "Pass&Free" 수율(후보 궤적이 병목 구간을 통과하고 충돌을 피하는 비율)을 달了하며, CEM, MPPI, RRT*(0.2% ~ 66.1% 범위)를 크게 압도했습니다.
- MDOC는 전역 탐색에서 국소 정교화로의 연속적인 수렴을 보여주었으며, 다른 최적화 도구들에서 흔히 발생하는 "잘못된 호모토피 클래스에 갇히는" 문제를 피했습니다.
다중 로봇 성능 (2x2 Maps):
- 성공률: MDOC-CBS는 최대 20대의 로봇에 대해 높은 성공률을 유지한 반면, MMD-CBS는 10~12대 이상의 로봇에서 실패하였고, KCBS는 5대 이후 성능이 저하되었습니다.
- 효율성: MDOC-CBS는 유사한 제약 트리(CT) 확장 수준에서 MMD-CBS보다 5배~10배 낮은 계획 시간을 기록했습니다. 이는 MMD-CBS의 대규모 확산 네트워크 의존성과 대조되는 MDOC의 분석적 스코어 추정 덕분입니다.
- 궤적 품질: MDOC-CBS는 KCBS 및 MMD-CBS에 비해 더 짧은 경로 길이와 현저히 매끄러운 궤적(더 낮은 기하학적 라플라시안 평활도 비용)을 생성했습니다. 모든 로봇을 단일 "대기열(queue)" 호모토피로 몰아넣어 혼잡을 유발하는 MMD-CBS와 달리, MDOC-CBS는 로봇들을 가용 자유 공간에 자연스럽게 분산시켰습니다.
확장성 및 견고성:
- 더 긴 호라이즌을 가진 더 큰 맵(4x4 및 6x6)에서도 MDOC-CBS는 40대의 로봇까지 견고함을 유지했습니다.
- MMD-CBS의 성능은 모델 프리 디노이징 체인의 추론 비용 증가로 인해 30대 이상의 로봇에서 급격히 저하되었습니다.
- MDOC-CBS는 다양한 맵 구조(Drop-Region, Random)에서 견고함을 보였으나, 유효한 롤아웃을 찾기 어려운 매우 제약이 심한 랜덤 맵에서는 변동성이 높게 나타났습니다.

의의 및 주장

본 논문은 MDOC가 데이터 의존적인 모델 프리 확산 계획에서 모델 기반, 훈련이 필요 없는 접근 방식으로의 전환을 나타낸다고 주장합니다.

안전 및 동역학: 디퓨전 롤아웃에 CBF 제약 투영을 직접 통합함으로써, MDOC는 스코어 추정이 실행 가능한 궤적에 기반하도록 보장합니다. 이는 "데드 샘플" 문제를 제거하고 사후 교정 없이 동적 실행 가능성을 보장합니다.
확장성: MDOC를 CBS와 결합함으로써, 시스템은 결합 최적화나 학습 기반 방법의 전형적인 계산 폭발 없이 다중 로봇 환경으로 확장할 수 있습니다.
효율성: MCSA의 분석적 성격과 CBS 프레임워크의 결선은 기존의 확산 기반 및 샘플링 기반 플래너에 비해 혼잡한 연속 환경에서 훨씬 빠른 계획 시간과 높은 성공률을 제공합니다.

저자들은 MDOC-CBS가 샘플링 기반 방법의 전역 탐사 능력과 궤적 최적화 도구의 최적화 능력을 효과적으로 연결하는 동시에, 제어 이론적 투영을 통해 엄격한 안전 보장을 유지한다고 결론짓습니다.