⚡ electrical engineering

From Distances to Trajectories: Real-Time Signed Distance Function Mapping and Distance-Accelerated Motion Planning for UAVs

본 논문은 신경망 기반의 부호 거리 함수(OREN)와 거리 가속 탐색 플래너(Bubble $^\star$ )를 사용하여 매핑과 계획을 공동 설계함으로써, 기존 방식보다 정확도와 속도를 크게 향 만큼 향상시켜 복잡한 환경에서 실시간의 안전한 항행을 가능하게 하는 UAV용 통합 온보드 시스템을 제시한다.

원저자: Jason Stanley (UC San Diego, La Jolla, USA), Zhirui Dai (UC San Diego, La Jolla, USA), Qihao Qian (UC San Diego, La Jolla, USA), Tzu-Chin Ho (UC San Diego, La Jolla, USA), Tianxing Fan (UC San Diego

게시일 2026-07-22

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Jason Stanley (UC San Diego, La Jolla, USA), Zhirui Dai (UC San Diego, La Jolla, USA), Qihao Qian (UC San Diego, La Jolla, USA), Tzu-Chin Ho (UC San Diego, La Jolla, USA), Tianxing Fan (UC San Diego, La Jolla, USA), Siddharth Saha (Shield AI, San Diego, USA), Christopher Barngrover (Shield AI, San Diego, USA), Ki Myung Brian Lee (UC San Diego, La Jolla, USA), Nikolay Atanasov (UC San Diego, La Jolla, USA)

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

당신이 로봇에게 어지럽고 복잡한 방을 충돌 없이 비행하는 법을 가르치려 한다고 상상해 보세요. 이를 위해 로봇에게는 두 가지 초능력이 필요합니다. 첫째는 **매핑(mapping)**입니다. 즉, 세상을 관찰하여 벽, 탁자, 의자가 어디에 있는지 정신적인 지도를 만드는 능력입니다. 둘째는 **계획(planning)**입니다. 그 그림을 보고 A 지점에서 B 지점까지 안전하게 비행할 수 있는 경로를 찾아내는 능력입니다. 오랫동안 엔지니어들은 이 두 가지를 별개의 작업으로 취급해 왔습니다. 로봇은 단순한 "예/아니오" 형태의 지도(이 지점이 비어 있는가, 아니면 차 있는가?)를 만들고, 그 지도를 통해 경로를 계획하려고 시도했습니다. 하지만 이는 마치 도로가 얼마나 넓은지, 혹은 다음 신호등까지 거리가 얼마나 되는지도 모른 채, 단지 막힌 거리의 목록만을 가지고 도시를 항해하려는 것과 같습니다. 이는 느리고 서투르며, 종종 막다른 길로 이어집니다.

이 논문은 드론이 미지의 복잡한 장소에서 더 똑똑하고 빠르게 비행할 수 있게 만드는 문제를 다룹니다. 저자들은 매핑과 계획을 별개의 단계로 다루는 대신, **부호 거리 함수(Signed Distance Function, SDF)**라고 불리는 하나의 매우 상세한 정신적 모델을 공유하는 '단짝 친구'로 만들어야 한다고 주장합니다. SDF를 단순히 물체가 있는 곳과 없는 곳을 나타내는 지도가 아니라, 공중의 모든 지점에서 가장 가까운 벽으로부터 정확히 얼마나 떨어져 있는지를 알려주는 지도로 생각해보세요. 만약 당신이 벽에서 1미터 떨어져 있다면 지도는 "1.0"이라고 말하고, 벽에 닿아 있다면 "0", 벽 안에 있다면 "-1"이라고 말합니다. 이 풍부한 거리 정보를 담은 지도를 사용함으로써, 로봇은 단순히 "벽 있음" 또는 "벽 없음"만 아는 경우보다 훨씬 더 빠르고 안전하게 결정을 내릴 수 있습니다.

연구진(UC 샌디에이고와 Shield AI 팀)은 이를 실현하기 위해 영리한 신경망과 탐색 알고리즘을 결합한 새로운 시스템을 개발했습니다. 그들은 이 매핑 도구를 OREN(Octree Residual Network)이라 부르고, 계획 도구를 **Bubble⋆**라고 부릅니다.

이 시스템이 어떻게 작동하는지 몇 가지 재미있는 비유를 들어 설명하겠습니다.

매퍼: OREN (스케치북을 든 화가)
드론이 어두운 동굴 속을 비행하고 있다고 상상해 보세요. 드론은 비행하면서 동굴을 그려내야 합니다. 기존 방식은 아주 작은 상자들로 이루어진 거대한 격자를 사용하여 동굴을 그리려 했고, 하나씩 채워 넣었습니다. 이는 느리고 그림이 울퉁불퉁해 보입니다. 또 다른 방식은 아주 똑똑한 AI 화가를 사용하여 동굴 전체를 완벽하게 그리려 했지만, 그 화가는 너무 느리고 작은 드론에서 실행하기에는 메모리를 너무 많이 소모했습니다.

OREN은 하이브리드 화가와 같습니다. 먼저 "옥트리(octree)"라는 상자들의 "뼈대"를 사용하여 동굴의 큰 그림을 빠르게 스케치합니다. 그런 다음, 신경망(AI의 일종)을 사용하여 그 스케치 위에 바위의 질감이나 종유석의 곡선 같은 미세한 디테일을 덧입힙니다. 이를 통해 드론은 매우 적은 컴퓨터 자원을 사용하면서도, 매우 빠르고 정확하며 연속적인 거리 지도를 구축할 수 있습니다. 실험 결과, 이 방식은 기존 기술에 비해 거리 지도의 정확도를 22% 향상시켰습니다.

플래너: Bubble⋆ (부풀어 오르는 풍선)
드론이 이 상세한 지도를 갖게 되면, 이제 경로를 찾아야 합니다. 유명한 A⋆ 알고리즘과 같은 전통적인 플래너는 미로 속의 쥐처럼 작동합니다. 이들은 한 번에 아주 작은 칸 하나하나를 확인합니다: "왼쪽으로 갈 수 있나? 아니. 오른쪽으로 갈 수 있나? 예." 이들은 길을 찾기 위해 수천 개의 작은 칸을 확인해야 하며, 이는 시간이 오래 걸립니다.

Bubble⋆는 다릅니다. 이 방식은 작은 칸들을 확인하는 대신, 지도의 거리 정보를 사용하여 안전한 영역인 거대한 투명 **풍선(bubbles)**을 불어 올립니다. 만약 드론이 넓은 복도에 있다면 풍선은 복도 전체를 덮을 만큼 크게 커집니다. 좁은 통로에 있다면 풍선은 작게 유지됩니다. 그런 다음 플래너는 하나의 거대한 풍선 중심에서 다음 풍선 중심으로 점프하며, 그 사이의 빈 공간을 건너뜁니다. 이는 해안을 따라 한 걸음씩 걷는 대신, 연못 위에서 돌을 튀겨 나아가는 것과 같습니다.

이 풍선들은 (정확한 지도 덕분에) 장애물이 없다는 것이 보장되므로, 플래너는 풍선 내부에서 충돌 여부를 확인할 필요가 없습니다. 이 덕분에 계획 과정이 믿기지 않을 정도로 빨라집니다. 논문의 실험에서, 기존 방식들이 복잡한 환경을 통과하는 경로를 찾는 데 최대 10초가 걸린 반면, Bubble⋆는 약 90미터에 달하는 경로를 단 1~3초 만에 찾아냈습니다.

실제 환경 테스트
연구팀은 단순히 컴퓨터에서 이 아이디어들을 실행한 것이 아니라, 강력하지만 작은 칩인 Jetson Orin NX 컴퓨터가 장착된 실제 드론에 적용했습니다. 드론은 보이지 않는 실내 환경을 비행하며, 드론 자체에서 실시간으로 지도를 구축하고 경로를 계획했습니다. 드론은 복잡한 루프와 좁은 공간을 성공적으로 통과하며 장애물로부터 안전한 거리를 유지했습니다.

결과는 이렇습니다. 스마트하고 거리 인식이 가능한 지도(OREN)와 그 거리를 이용해 안전 구역을 "부풀리는" 플래너(Bubble⋆)를 결합함으로써, 드론은 이전보다 더 빠르고 안전하게 비행할 수 있습니다. 이 시스템은 표준 격자 기반 플래너와 비교했을 때 충돌 검사 횟수를 91~99% 줄였습니다. 이는 적절한 도구만 있다면, 자원이 제한된 작은 로봇이라도 현실 세계의 복잡한 자율 비행 과제를 충분히 수행할 수 있음을 증명합니다.

기술 요약: 거리에서 궤적까지

문제 정의
미지의 복잡한 환경에서 자율 비행를 수행하는 무인 항공기(UAV)는 주변 환경의 기하학적 지도를 구축하는 동시에 안전하고 동적으로 실행 가능한 궤적을 계획해야 합니다. 이러한 작업은 스트리밍되는 센서 데이터로부터 온보드에서 실시간으로 수행되어야 합니다. 기존 방식은 매핑과 계획을 별개의 단계로 취급하며, 일반적으로 충돌 검사를 위해 이진 점유 격자(binary occupancy maps)에 의존합니다. 이러한 분리는 계획 속도를 높이고 궤적 최적화를 개선할 수 있는 귀중한 거리 및 기울기(gradient) 정보를 버리게 됩니다. 또한, 기존의 부호 거리 함수(Signed Distance Function, SDF) 방법들은 항공 자율 주행의 상충하는 요구사항을 충족하지 못하는 경우가 많습니다. 즉, 정확하지만 계산 비용이 많이 들거나(신경망 방식), 효율적이지만 이산적이고 미분 불가능하거나(볼륨 기반 방식), 혹은 관측된 표면 너머로의 외삽(extrapolation) 능력이 부족합니다(가우시안 프로세스 방식). 과제는 정확하고 절단되지 않은(non-truncated) SDF를 실시간으로 재구성하고, 엄격한 온보드 계산 제약 조건 하에서 이 연속적인 거리 정보를 활용하여 효율적으로 계획할 수 있는 통합 시스템을 개발하는 것입니다.

방법론
저자들은 매핑을 위한 OREN(Octree REsidual Network)과 모션 계획을 위한 **Bubble⋆**이라는 두 가지 핵심 구성 요소로 이루어진 통합 접근 방식을 제안합니다.

OREN (매핑):
- 구조: OREN은 명시적 기하학적 사전 정보(explicit geometric prior)와 암시적 신경 잔차(implicit neural residual)를 결합한 하이브리드 모델입니다. 이는 첫 $M$ 개 층은 세미-스파스(semi-sparse, 점유된 노드의 모든 형제 노드를 생성)하고 이후 층은 스파스(sparse)한 구조를 가진 세미-스파스 옥트리(octree)를 활용합니다.
- SDF 사전 정보: 각 옥턴트 정점(vertex)은 학습 가능한 SDF 값( $d_k$ )과 기울기( $g_k$ )의 추정치를 저장합니다. 조잡한(coarse) SDF 사전 정보 $d_{ga}(v)$ 는 **기울기 증강 삼선형 보간(gradient-augmented trilinear interpolation)**을 통해 계산됩니다. 이 방법은 저장된 기울기를 사용하여 정점으로부터 값을 외삽함으로써, 특히 표면에서 멀어진 곳에서 표준 보간보다 더 정확한 사전 정보를 제공합니다.
- 신경 잔차: 옥트리 해상도 제한으로 인해 손실된 미세한 기하학적 세부 사항을 복구하기 위해, 옥턴트 정점에 암시적 신경 특징(implicit neural features)이 저장됩니다. 다층 퍼셉트론(MLP) 디코더는 이 특징들을 기반으로 잔차 보정값 $\delta d(v)$ 를 예측합니다.
- 점유 및 학습: 두 번째 MLP 디코더는 특징으로부터 점유 로그-오즈(occupancy log-odds)를 직접 예측합니다. 이 점유 예측은 온라인 학습 중에 SDF 부호를 감독하기 위한 정규화 항으로 사용되어 센서 노이즈에 대한 견고성을 향상시킵니다. 최종 SDF는 $\hat{d}(v) = d_{ga}(v) + \delta d(v)$ 입니다.
- 출력: 시스템은 낮은 메모리 점유율을 가지면서 스트리밍되는 포인트 클라우드로부터 실시간 업데이트가 가능한 연속적이고 미분 가능한, 절단되지 않은 SDF 지도를 생성합니다.
Bubble⋆ (계획):
- 개념: 경로 탐색과 안전 통로 구축을 별도의 단계로 처리하는 대신, Bubble⋆은 이를 통합합니다. 이는 임의의 지점에서의 SDF 값을 활용하여 해당 지점 주변의 최대 충돌 자유 구(maximal collision-free ball, "버블")를 정의합니다.
- 알고리즘: Bubble⋆은 그리드 상에서 버블의 그래프를 구축하는 탐색 기반 플래너입니다. 이 알고리자는 SDF 여유 공간(clearance) 값으로부터 버블을 성장시켜 노드를 확장합니다. 알고리즘은 버블 내부의 노드들을 버블 경계에 있는 노드들과 연결합니다.
- 탐색: A⋆와 유사한 휴리스틱을 사용하여, 플래너는 가장 유망한 노드를 확장하고 경계 노드들을 후속 노드로 추가합니다. 버블이 충돌 자유 영역을 나타내기 때문에, 플래너는 중간 그리드 체크를 건너뛰어 버블 내에서 효과적으로 "임의 각도(any-angle)" 경로 탐색을 수행할 수 있습니다.
- 보장: 저자들은 종료(termination), 완전성(완만한 여유 공간 가정 $1.5\Delta$ 하에), 그리고 실패 감지에 대한 공식적인 증명을 제공합니다.
- 궤적 최적화: 겹치는 버블들의 시퀀스는 안전한 통로를 형성합니다. 저자들은 이 통로 내에서 동적으로 실행 가능한 궤적을 최적화하기 위해 MINCO(Minimum Control)를 사용합니다. 최적화는 매개변수화 측면에서 제약이 없으며, unconstrained 변수들을 버블 중첩 영역 내의 웨이포인트(waypoint)로 매핑하여 궤적이 안전 제약 조건을 준수하면서 snap과 지속 시간을 최소화하도록 합니다.

주요 기여

OREN: 명시적 옥트리 사전 정보와 암시적 신경 보정을 결합하여 정확하고 미분 가능한, 절단되지 않은 SDF를 실시간으로 재구성하는 매핑 방식입니다. 이는 신경망 방식의 정확성과 볼륨 기반 방식의 메모리 및 실행 효율성을 모두 달성합니다.
Bubble⋆: 경로 탐색과 안전 통로 구축을 통합하는 탐색 기반 모션 플래너입니다. SDF 쿼리로부터 충돌 자유 구(버블)를 직접 구축하여 종료, 완전성 및 실패 감정에 대한 공식적인 보장을 제공합니다.
통합 시스템: OREN-Bubble⋆ 전체 파이프라인이 쿼드로터(Jetson Orin NX)에서 실시간으로 작동하며 미지의 실내 환경을 항행하는 과정을 입증했습니다.

결과

매핑 성능: 베이스라인(H2-Mapping, PIN-SLAM, HIO-SDF, Voxblox)과 비교했을 때, OREN은 SDF 추정도를 평균 22% 향상시켰습니다. Newer College 데이터셋에서 가장 우수한 베이스라인 대비 메쉬 재구성 지표를 평균 43.1% 개선했습니다.
계획 효율성: Bubble⋆은 그리드 기반 A⋆ 및 샘플링 기반 RRT/RRT⋆ 플래너를 크게 능가했습니다.
- 충돌 체크: 2D 테스트에서 Bubble⋆은 A⋆보다 91~99% 적은 충돌 체크를 수행했습니다.
- 계획 시간: 3D 산업 환경에서 Bubble⋆은 약 90m에 달하는 궤적을 1~3초(총 시간 약 1.0초) 내에 찾아낸 반면, A⋆는 최대 1.2초, RRT⋆는 최대 10초가 걸렸습니다. 산림 환경에서 Bubble⋆은 3.8초 만에 계획을 완료한 반면, A⋆는 4.2초, RRT⋆는 10초 이상이 소요되었습니다.
- 궤적 품질: Bubble⋆은 RRT⋆가 찾은 최단 경로와 유사한 길이를 가지면서도, 산업 환경에서 RRT⋆(0.314 m)보다 낮은 추적 오차(0.291 m)를 기록했습니다.
실제 비행: 시스템은 실내 환경에서 쿼드로터에 탑재되어 다중 세그먼트 루핑 궤적을 성공적으로 실행했으며, 장애물로부터 안전한 여유 공간을 유지하면서 실시간 주파수(OREN 약 7 Hz, 계획 < 220 ms)로 작동했습니다.

의의
본 논문은 매핑과 계획이 단일 표현체인 부호 거리 함수(SDF)를 중심으로 공동 설계(co-designed)되어야 한다고 주장합니다. 가장 가까운 장애물까지의 거리를 인코딩함으로써, SDF는 이진 점유 정보보다 풍부한 정보를 제공하며, 플래너가 개별 그리드 셀을 일일이 확인하는 대신 최대 충돌 자유 영역(버블)을 키울 수 있게 합니다. 이러한 접근 방식은 충돌 검사의 계산 부담을 줄이고, 계획 프로세스를 가속화하며, 궤적 최적화를 위한 매끄러운 제약 조건을 제공합니다. 저자들은 이러한 통합 접근 방식이 고정밀 암시적 매핑과 효율적인 실시간 모션 계획 사이의 간극을 메움으로써, 제한된 컴퓨팅 및 메모리 예산 하에서도 안전한 자율 비행을 가능하게 함을 입증했습니다.

유사한 논문