기술 요약: 고속 MPC를 위한 범용 차량 모델의 지형 적응 기술

문제 정의

고속 오프로드 자율 주행에는 급격히 변화하는 지형에서도 견고함을 유지할 수 있는 정밀한 폐루프 제어가 필요합니다. 고속 주행 시 타이어는 마찰 한계 근처에서 작동하며, 이로 인해 지형 유형과 페이로드(payload)에 따라 크게 달라지는 슬립(slip) 현상이 발생합니다. 분석적 모델(예: 동적 자전거 모델)은 계산 속도는 빠르지만, 높은 슬립 영역에서는 성능이 저하됩니다. 반면, 학습된 모델은 이러한 역학을 포착할 수 있지만 트레이드오프에 직면합니다. 즉, 범용 모델(generalist models)(다양한 데이터로 학습됨)은 공격적인 제어에 필요한 개별 차량 수준의 정확도가 부족하고, 전문가 모델(specialist models)(단일 차량/지형에 대해 광범별 실측 데이터로 학습됨)은 높은 성능을 달erm하지만 새로운 환경으로의 전이가 어렵습니다. 또한, 기존의 역 키네다이내믹스(IKD) 방식은 온라인으로 적응하지만 별도의 플래너에 의존하며, 전문가 순방향 키네다이내믹스(FKD) 모델은 과도한 양의 실측 데이터를 요구합니다.

본 연구에서 다루는 핵심 과제는 최소한의 실측 데이터를 사용하여, 특정 대상 차량에 범용 FKD 파운데이션 모델을 특화함으로써 높은 고속 성능을 달성하는 동시에 미지의 지형에 대한 강건성을 유지하는 방법입니다.

방법론: OptCar

저자들은 범용 및 전문가 FKD 모델 사이의 간극을 메우는 프레임워크인 **OptCar (Optimized Car)**를 제안합니다. 이 접근 방식은 히스토리 조건부(history-conditioned) 아키텍처와 표적화된 실측 및 합성 데이터 미세 조정(fine-tuning) 레시피를 통합하여, 샘플링 기반 모델 예측 제어(MPPI) 루프 내에 배치합니다.

1. 히스토리 조건부 FKD 아키텍처

온라인 최적화 없이 차량-지형 상호작용의 가변성을 해결하기 위해, OptCar는 히스토리 조건부 역학 적응 모듈을 도입합니다.

• 컨텍스트 인코딩(Context Encoding): 히스토리 인코더(2개 층의 양방향 트랜스포머)가 최근의 상태-행동 이력($s_{t-M:t}, a_{t-M:t}$)을 하나의 역학 컨텍스트 벡터($c_t$)로 압축합니다. 이 벡터는 지면 마찰, 슬립 영역, 페이로드와 같은 잠재적 요인을 포착합니다.
• 조건부 부여(Conditioning): 히스토리 토큰이 선택 사항인 표준 어텐션 메커니즘과 달리, OptCar는 FiLM(Feature-wise Linear Modulation)을 사용하여 모든 롤아웃 디코더 블록을 $c_t$에 의해 조건화합니다. 이를 통해 MPC가 평가하는 모든 후보 미래 롤아웃이 현재 추론된 역학에 의해 조절되도록 보장합니다.
• 예측(Prediction): 디코더는 글로벌 포즈가 아닌 바디 프레임 기준의 포즈 증분($\Delta \hat{s}$)을 예측하여, 비평면 지형에서도 롤아웃이 가능하도록 합니다.

2. 표적화된 실측 및 합성 데이터 특화

공격적인 고슬립 영역에서의 실측 데이터 부족 문제를 극복하기 위해, OptCar는 특화된 미세 조정 전략을 사용합니다.

• 시스템 식별(System Identification): 각 지형에 대해, 제한된 실측 데이터($D_{real}$)를 사용하여 1단계 전이(one-step transitions)를 피팅함으로써 동적 자전거 모델(DBM)을 교정합니다.
• 표적 합성 생성(Targeted Synthetic Generation): 교정된 DBM을 사용하여 오프라인에서 표적 합성 롤아웃($D_{synth}$)을 생성합니다. 이 롤아웃은 실제로는 수집하기 위험하거나 어려운 고슬립 영역을 커버하도록 무작위화되었지만, 특정 차량-지형 역학에 고정되어 있습니다.
• 미세 조정(Fine-Tuning): 사전 학습된 범용 모델을 실측 데이터와 합성 데이터의 합집합($D_{FT} = D_{real} \cup D_{synth}$)에 대해 엔드투엔드로 미세 조정합니다. 이는 관련성(실측 데이터)과 커버리지(합성 고슬립 데이터) 사이의 균형을 맞춥니다.

3. 배포(Deployment)

미세 조정된 모델은 MPPI 컨트롤러 내에서 롤아웃 함수 역할을 수행합니다. 각 계획 단계에서, 히스토리는 $c_t$로 인코딩되며, 후보 행동 시퀀스는 컨텍스트가 조건화된 디코더를 통해 롤아웃됩니다. 컨트롤러는 지형 분류기, 모드 전환 또는 온라인 파라미터 업데이트 없이 가장 낮은 비용의 시퀀스를 선택합니다.

주요 기여

1. 히스토리 조건부 아키텍처: 최근의 상태-행동 이력을 역학 컨텍스트 벡터로 압축하여 전체 롤아웃 디코더를 조건화하는 새로운 FKD 설계입니다. 이는 조건화가 없는 백본 모델에 비해 6 m/s 트래킹 오차를 지형 전반에 걸쳐 21%~33% 감소시킵니다.
2. 표적 미세 조정 레시피: 지형별로 생성된 합성 롤아웃을 사용하여, 단 몇 분의 실측 데이터만으로 모델을 특화하는 방법입니다. 이는 실측 데이터로만 미세 조정했을 때보다 6 m/s 트래킹 오차를 17%~46% 추가로 감소시킵니다.
3. 폐루프 검증: Opt-Car가 지형 교차 트래킹 및 분포 외(out-of-distribution) 페이로드 시나리오에서 범용 및 전문가 베이스라인보다 우수함을 보여주는 종합적인 검증을 수행했습니다.

실험 결과

실험은 1/5 스케일 오프로드 차량을 대상으로 세 가지 지형(도로, 젖은 풀 + 경사, 식생 + 흙)에서 2, 4, 6 m/s 속도로 진행되었으며, 분포 외 작업인 카트 끌기(cart-pulling) 과제가 포함되었습니다.

• 고속 성능: 가장 큰 이득은 슬립이 트래킹 오차를 지배하는 영역인 6 m/s에서 나타납니다.
  • 식생 및 흙 지형(고슬립 지형)에서, OptCar(실측+합성 데이터로 미세 조정됨)는 AnyCar(범용) 베이스라인 대비 궤적 트래킹 오차를 약 55% 감소시켰습니다.
  • 모든 지형에서 6 m/s 주행 시, OptCar는 범용 AnyCar 베이스라인 대비 오차를 42%~57% 줄였습니다.
• 전문가 모델과의 비교:
  • 도로(전문가 모델의 학습 도메인)에서, 30분의 도로 데이터로 학습된 전문가는 최고의 성능을 보였으나, 단 5분의 지형당 데이터로 학습된 OptCar가 이 성능의 14% 이내 수준까지 도달했습니다.
  • 미지의 지형(예: 젖은 풀, 식생)에서 전문가 모델의 성능은 크게 저하된 반면, OptCar는 46% 더 정확하게 트래킹했습니다.
• 분포 외 일반화: 제로샷 카트 끌기 작업(미지의 페이로드)에서, OptCar는 모든 속도에서 가장 낮은 트래킹 오차를 달성하여, 히스토리 컨텍스트 인코더가 특정 페이로드 학습 데이터 없이도 운동만으로 역학 변화를 추론함을 입증했습니다.

의의 및 주장

본 논문은 Opt-Car가 대규모 지형별 데이터셋을 수집하지 않고도 특정 로봇에 파운데이션 역학 모델을 배포할 수 있는 실질적인 경로를 보여준다고 주장합니다. 핵심 결과는 다음과 같습니다:

1. 이중 능력: 단일 모델이 최근의 움직임에 따라 조건화된다면, 특정 차량에 특화되면서도 동시에 다양한 지형에 대해 강건할 수 있습니다.
2. 효율성: 표적 합성 데이터로 증강할 경우, 단 5분의 실측 데이터만으로도 단일 지형에 대해 30분간 학습된 전문가 모델에 필적하는 고속 성능을 달성할 수 있습니다.
3. 최적화 없는 적응: 히스토리 조건화 메커니즘을 통해 별도의 플래너, 지형 분류기 또는 온라인 가중치 업데이트 없이 단 한 번의 순방향 패스(forward pass)로 지형 및 페이로드 변화에 온라인 적응이 가능합니다.

저자들은 만난 역학이 사전 학습/미세 조정 분포 내에 있다는 가정(온라인 가중치 업데이트 없음)과 MPPI의 계산 제약으로 인한 롤아웃 호라이즌의 한계를 포함한 제한 사항을 언급했습니다. 향후 연구로는 빠른 피드포워드 컨텍스트와 느린 온라인 가중치 업데이트의 결합, 그리고 더 풍부한 컨텍스트를 위한 외부 감각 입력(예: RGB 또는 포인트 클라우드)의 통합을 제안합니다.