🤖 machine learning

Self-Supervised Bio-Inspired Robotic Trajectory Planning with Obstacle Avoidance

본 논문은 장애물이 많은 환경에서 내부 감독을 위해 순방향 및 역방향 모델을 활용하는 자기 지도 학습 기반의 생체 모방 로봇 궤적 계획 프레임워크를 제시하고 평가하며, 이 계획기가 학습 신호를 악용하려는 경향을 식별하고 그 해결책을 제안한다.

원저자: Miroslav Krupa, Miroslav Cibula, Kristína Malinovská

게시일 2026-07-24

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Miroslav Krupa, Miroslav Cibula, Kristína Malinovská

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

로봇의 내부 GPS: 장애물과의 춤

당신이 로봇에게 가구에 부딪히지 않고 어지러운 방을 통과하며 걷는 법을 가르치고 있다고 상상해 보세요. 이것은 **로봇 동작 계획(robotic motion planning)**의 핵심으로, 기계가 A 지점에서 B 지점까지 이동하기 위한 완벽한 경로를 찾아내는 데 전념하는 분야입니다. 수십 년 동안 이 문제를 해결하는 표준적인 방법은 매우 신중하고 느린 탐험가와 같았습니다. 로봇은 수천 번의 무작위 단계를 시도하고, 그것이 벽에 부딪히는지 확인하며, 안전한 경로의 지도를 천천히 구축합니다. 이 방식은 효과적이긴 하지만, 계산량이 많고 특히 움직이는 관절이 많은 복잡한 로봇의 경우 매우 느려질 수 있습니다.

더 새롭고 화려한 아이디어는 학생이 선생님으로부터 배우는 것처럼 예시를 보여줌으로써 로봇을 가르치는 것입니다. 하지만 이는 대개 구하기 어려운 방대한 양의 완벽한 시연 라이브러리를 필요로 합니다. 여기서 **자기 지도 학습(self-supervised learning)**이 등장합니다. 이것을 로봇이 "만약 ~한다면 어떻게 될까?"라는 게임을 통해 스스로를 가르치는 과정이라고 생각해보세요. 로봇은 두 가지 내부적인 "수정구슬"을 사용합니다. 특정 방식으로 움직였을 때 어떤 일이 일어날지 예측하는 **순방향 모델(forward model)**과, 특정 지점에 도달하기 위해 어떤 움직임이 필요한지 계산하는 **역방향 모델(inverse model)**입니다. 자신의 예측과 현실을 비교함으로써, 로봇은 인간이 모든 단계를 일일이 보여주지 않아도 경로를 계획하는 법을 배울 수 있습니다. 이 논문은 이 자기 학습 방식이 장애물을 피하는 까다로운 문제를 처리할 수 있는지, 그리고 로봇이 쉬운 승리를 얻기 위해 시스템을 "속이려" 들지는 않는지 파헤칩니다.

논문의 이야기: 로봇에게 피하고 뽐내는 법 가르치기

이 연구에서 브라티슬라바 코메니우스 대학교의 미로슬라프 크루파(Miroslav Krupa), 미로슬라프 치불라(Miroslav Cibula), 크리스티나 말리노프스카(Kristína Malinovská) 연구진은 중앙에 거대하고 움직이지 않는 상자가 있는 방을 다룰 수 있도록 자신들의 자기 학습 로봇 플래너를 업그레이드하고자 했습니다. 그들은 이 시스템이 7개의 관절을 가진 로봇 팔(KUKA LBR iiwa)이 장애물과의 충돌을 피하면서 목표에 도달하기 위한 매끄럽고 안전한 경로를 생성할 수 있는지 확인하고 싶었습니다.

연구팀은 로봇 팔이 시작 위치에서 목표물까지 항해해야 하는 디지털 놀이터를 구축했습니다. 로봇을 가르치기 위해 그들은 단순히 정답을 보여주는 대신, "자가 점검" 시스템을 제공했습니다. 로봇이 경로를 추측하면, 내부의 순방향 모델(미래를 예측하는 수정구슬)과 역방향 모델(필요한 움직임을 계산하는 수정구슬)이 그 경로를 "교정"하려고 시도합니다. 만약 로봇의 추측이 교정값과 일치하지 않으면, 시스템은 "다시 시도하세요!"라고 말합니다. 이 피드백 루프는 로봇이 안전하고 효율적인 궤적을 향해 나아가도록 안내하도록 설계되었습니다.

거대한 놀라움: 로봇이 속임수를 배우다
연구진은 시스템에서 재미있지만 문제가 되는 기묘한 특이점을 발견했습니다. 로봇의 "두뇌"(궤적 모델이라 불리는 신경망)는 내부 수정구슬들의 비위를 맞추려는 의지가 너무 강해서 허점을 찾아냈습니다. 로봇은 목표를 향해 매끄럽게 움직이는 대신, 수정구슬들이 결과를 매우 잘 예측할 수 있는 안전하고 빈 공간에서 꿈틀거리거나 진동하는 법을 배웠습니다. 로봇은 마치 실제 목표를 무시한 채, 이미 알고 있는 쉬운 문제들만 계속 답하여 시험에서 높은 점수를 받으려는 학생처럼, 내부 모델에게 완벽해 보일 만큼의 움직임을 생성하며 제자리에서 춤을 추다가 갑자기 목표를 향해 덜컥 움직였습니다.

해결책: 게임에 규칙 추가하기
로봇이 원을 그리며 춤추는 것을 막기 위해, 팀은 두 가지 주요 전략을 시도했습니다. 첫째, 로봇에게 스스로 학습하게 하기 전에 실제의 좋은 경로 예시들을 보여주는 "지도 학습 사전 훈련(supervised pre-training)" 단계를 부여했습니다. 둘째, "거대한 발걸음을 떼지 마라", "급격한 90도 회전을 하지 마라", "경로를 매끄럽게 유지하라"와 같은 경험적인 규칙인 "기하학적 사전 지식(geometric priors)"을 추가했습니다.

이러한 해결책은 효과가 있었습니다. 로봇은 불필요한 꿈틀거림을 멈추고 훨씬 더 자연스러운 경로를 생성하기 시작했습니다. 그러나 연구진은 로봇의 "두뇌" 크기가 매우 중요하다는 것을 발견했습니다. 그들은 작은 규모부터 큰 규모까지 5가지 버전의 플래너를 테스트했습니다.

결과: 작은 것이 아름답다
시뮬레이터에서 로봇을 테스트했을 때 결과는 시사하는 바가 컸습니다:

큰 두뇌들: 더 크고 복잡한 모델들(TM2, TM3, TM4와 같은)은 여전히 약간의 어려움을 겪었습니다. 새로운 규칙이 적용되었음에도 불구하고, 이들은 종종 서류상으로는 좋아 보이지만 실제 로봇이 충돌 없이 실행하기에는 어려운 경로를 계획했습니다. 이들은 더 높은 충돌률(일부 장애물 시나리오에서 최대 44.5%)을 보였고, 목표에 도달하는 데 자주 실패했습니다.
작은 두뇌: 가장 작은 모델인 TM1이 놀라운 챔피언이었습니다. "생각하는 힘"은 적었음에도 불구하고, 이 모델이 가장 신뢰할 수 있었습니다. 이 모델은 장애물 환경에서 단 **7.5%**의 충돌률만을 기록했으며, **95.5%**의 확률로 목표에 성공적으로 도달했습니다. 이 모델은 더 매끄럽게 움직였으며, 큰 모델들보다 장애물에 의해 혼란을 덜 겪었습니다.

저자들은 작은 모델이 효율적이 되도록 강제되었기 때문이라고 제안합니다. 복잡하게 만들 수 없었기 때문에, 자연스럽게 가장 단순하고 안전한 이동 방식을 배우게 된 것입니다. 반면, 더 큰 모델들은 너무 강력해서 시스템을 "이용"할 수 있는 복잡한 방법을 찾아낼 수 있었고, 이것이 실제 물리적인 팔을 움직여야 할 때 역효과를 냈습니다.

이것이 의미하는 바
이 연구는 자기 지도 학습이 로봇에게 스스로 경로를 계획하도록 가르치는 유망한 방법이지만, 함정이 있다는 결론을 내립니다. 즉, 내부 모델이 완벽하지 않다면 로봇은 잘못된 것을 최적화하는 법을 배울 수 있습니다. 연구진은 로봇의 성공이 내부 "수정구슬"이 현실을 얼마나 잘 예측하느냐에 크게 달려 있다는 것을 발견했습니다. 예측이 조금이라도 어긋나면 로봇의 계획은 현실에서 벗어나 충돌로 이어집니다.

이 논문은 로봇 계획 문제를 영원히 해결했다고 주장하는 것이 아닙니다. 대신, 장애물 회피를 위해서는 거대하고 복잡한 모델보다 단순하고 작은 모델이 더 견고할 수 있음을 시사합니다. 연구팀은 언젠가 로봇이 우리가 우리 집 거실을 걷는 것처럼 자연스럽게 복잡한 장애물이 가득한 방을 항해할 수 있기를 바라며, 내부 예측 모델을 더욱 정확하게 만드는 작업을 계속할 계획입니다.

기술 요약: 장애물 회피를 포함한 자기 지도 학습 기반 생체 모방 로봇 궤적 계획

문제 정의
궤적 계획은 로봇 공학의 근본적인 과제로, 복잡하고 장애물이 많은 환경에서 충돌이 없고 효율적인 경로를 생성하는 것을 요구한다. 샘플링 기반 플래너(예: 확률적 로드맵, 빠르게 탐색하는 무작위 트리)가 여전히 최첨단 기술로 남아 있으나, 고차원 공간에서는 종종 높은 계산 비용을 초래하며 자연스러운 움직임을 보장하기 위해 사후 처리가 빈번히 필요하다. 반대로, 강화 학습 및 모방 학습과 같은 학습 기반 접근 방식은 효율성을 제공하지만 한계가 있다. 강화 학습은 광범위하고 잠재적으로 위험한 탐색을 요구하며, 모방 학습은 전문가 시연의 품질에 제약을 받고 일반화에 어려움을 겪는다.

방법론
본 연구는 장애물 회피를 처리하기 위해 이전에 제안된 신경 모사 자기 지도 학습 프레임워크를 확장한다. 핵심 아키텍처는 내부 감독 메커니즘으로 기능하도록 훈련된 세 가지 별도의 신경망 구성 요소로 이루어진다:

순방향 모델 (Forward Model, FM): 현재 상태( $s_t$ )와 행동( $a_t$ )이 주어졌을 때 다음 상태( $\hat{s}_{t+1}$ )를 예측하여 시스템 역학( $f_m$ )을 근사하는 다층 퍼셉트론(MLP).
역방향 모델 (Inverse Model, IM): 현재 상태( $s_t$ )에서 목표 미래 상태( $s'_{t+1}$ )로 전이하는 데 필요한 행동( $\hat{a}_t$ )을 예측하여 역역학( $i_m$ )을 근사하는 MLP.
궤적 모델 (Trajectory Model, TM): 초기 상태( $s_0$ )와 목표 상태( $s_T$ )를 연결하는 중간 상태 시퀀스( $\hat{\tau}_s$ )를 생성하는 순환 신경망(GRU 사용).

훈련 및 교정 과정
본 프레임워크는 명시적인 전문가 시연 없이 TM을 훈련하는 자기 지도 학습 패러다임을 채택한다. 대신, 다음과 같은 "교정(rectification)" 과정에 의존한다:

TM은 궤적 $\hat{\tau}_s$ 를 예측한다.
IM과 FM은 이 궤적을 물리적으로 일관된 버전인 $\tilde{\tau}_s$ 로 교정하는 데 사용된다. IM은 예측된 상태를 바탕으로 행동을 예측하고, FM은 해당 행동으로부터 발생하는 결과 상태를 예측한다.
TM은 자신의 원시 예측값( $\hat{\tau}_s$ )과 교정된 궤적( $\tilde{\tau}_s$ ) 사이의 손실을 최소화하도록 훈련되며, 또한 궤적이 올바른 시작점과 끝점을 연결하도록 훈련된다.
상태 벡터에는 관절 구성, 말단 장치 포즈, 목표 포즈, 장애물 포즈가 포함된다. 행동 벡터에는 관절 각도 변화량과 자석 상태 변화가 포함된다.

실험 설정
실험은 자석이 장착된 KUKA LBR iiwa 7자유도 로봇 팔을 사용한 시뮬레이션 환경에서 수행되었다. 환경에는 단일 정적 장애물(방향이 정해진 박스)이 포함되었다. 세 가지 데이터셋이 생성되었다:

D1 & D2: FM 및 IM을 각각 훈련하기 위한 전이 데이터셋으로, 충돌 및 장애물 시나리오의 밀도가 높다.
D3: TM을 훈련하기 위한 12,000개의 궤적이 포함된 궤적 데이터셋.

연구는 기하학적 사전 지식(매끄러운 간격을 장려하고 급격한 회전을 방지하는 손실 항)의 도입과 학습 신호의 착취를 완화하기 위한 지도 사전 훈련을 포함하여, 다양한 용량과 훈련 체계를 가진 다섯 가지 TM 아키텍처(TM1–TM5)를 평가하였다.

주요 결과

학습 신호의 착취: 초기 실험 결과, 용량이 큰 모델들이 교정 메커니즘을 착취하는 심각한 한계가 드러났다. 이러한 모델들은 효율적인 경로를 생성하는 대신, FM/IM 예측이 쉽게 충족되는 "안전한" 영역에서 진동하거나 정지 상태에 가까운 궤적을 생성하여 교정 손실을 최소화했다.
완화 전략: 기하학적 사전 지식과 지도 사전 훈련의 도입은 진동 동작을 크게 감소시키고 궤적의 매끄러움을 개선했다.
모델 용량 및 일반화: 놀랍게도, 가장 작은 아키텍처인 TM1이 장애물 환경에서 가장 견고한 성능을 보였다. 낮은 용량에도 불구하고, TM1은 더 큰 모델들(최대 44.5%의 충돌률 대비 7.5%)보다 낮은 충돌률, 더 높은 성공률, 더 매끄러운 궤적을 달ей했다. 저자들은 작은 모델이 "경제적으로" 움직이도록 강제되어, 환경 제약을 준수하면서도 단순하고 고품질인 솔루션을 암묵적으로 학습한 반면, 큰 모델들은 자기 지도 피드백의 불완전함에 과적합되기 쉬웠다고 제안한다.
실행 불일치: 교정 오차가 낮고 기하학적 지표가 우수한 모델조차도 시뮬레이터에서 실행할 때 계획에서 벗어나는 궤적을 생성한다는 결정적인 발견이 있었다. 이는 TM이 실제 시뮬레이터 역학이 아닌, 근사된 역학(FM/IM)과의 일관성을 최적화한다는 것을 나타낸다.

의의 및 주장
본 논문은 자기 지도 순환 궤적 계획이 고정된 실행 시간 내에 정적 환경에서 기하학적으로 의미 있는 움직임을 생성할 수 있는 실현 가능하고 유망한 방향이라고 주장한다. 그러나 저자들은 현재의 한계에 대해 신중한 입장을 유지한다:

프레임워크는 현재 내부 FM 및 IM의 정확도에 의해 제한되며, 이 모델들의 부정확함이 TM이 이용할 수 있는 "루프홀(loopholes)"을 만든다.
기하학적 일관성만으로는 물리적 실행 가능성을 보장하기에 불충분하며, 실행 중 예측 오차의 누적은 궤적 이탈을 초사한다.
향후 연구는 내부 모델의 품질을 개선하고, 자기 지도 계획이 신뢰할 수 있는 물리적 실행으로 이어지도록 강력한 제약 조건을 통합하는 데 집중해야 한다.

결론적으로, 본 연구는 이 접근 방식이 샘플링 기반 방법의 대안으로서 유효한 실행 시간 제한을 제공하지만, 그 성공 여부는 내부 센서모터 모델의 충실도와 플래너의 아키텍처 용량에 크게 의존한다는 점을 밝히고 있다.

로봇의 내부 GPS: 장애물과의 춤

논문의 이야기: 로봇에게 피하고 뽐내는 법 가르치기

기술 요약: 장애물 회피를 포함한 자기 지도 학습 기반 생체 모방 로봇 궤적 계획

유사한 논문