💻 computer science

Distributed Model-Based Diffusion For Scalable Multi-Robot Trajectory Optimization

본 논문은 다중 로봇 궤적 최적화의 고차원 추론 문제를 국소적 조건부 디노이징 과정으로 분해함으로써, 복잡하고 비볼록한 환경에서 1초 미만의 계산 시간 내에 효율적인 협업을 가능하게 하는 확장 가능한 서버-로봇 프레임워크인 분산 모델 기반 확산(Distributed Model-Based Diffusion, DMBD)을 제안한다.

원저자: Haejoon Lee, Xinyi Wang, Taekyung Kim, Dimitra Panagou

게시일 2026-09-16

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Haejoon Lee, Xinyi Wang, Taekyung Kim, Dimitra Panagou

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

로봇 공학의 분주한 세계에서, 기계 팀이 서로 부딪히지 않고 함께 움직이도록 만드는 것은 오랫동안 엔지니어들을 좌절시켜 온 문제입니다. 수십 대의 자율 주행 카트가 가득 찬 창고나, 붐비는 도시의 하늘을 항해하는 드론 함대를 상상해 보십시오. 각 기계는 목적지까지 가는 경로를 찾아야 하지만, 공간은 협소하고 규칙은 복렴하며, 기계들이 단순히 운에 맡겨 길을 찾을 수는 없습니다. 만약 그들이 완벽한 경로를 계산하기 위해 표준적인 수학적 방법을 사용한다면, 일시적인 우회나 협동적인 멈춤이 필요한 해결책을 보지 못한 채 국소적인 막다른 길(local dead ends)에 갇히는 경우가 많습니다. 게다가 로봇의 수가 늘어남에 따라 수학적 복잡성이 폭발적으로 증가하여, 퍼즐을 풀려는 컴퓨터를 압도하곤 합니다. 여기서 샘플링 기반 최적화(sampling-based optimization)라고 알려진 새로운 접근 방식이 등장합니다. 이 방법은 경직된 공식을 통해 단 하나의 완벽한 경로를 계산하려고 노력하는 대신, 수천 개의 가능한 경로를 생성하고, 이를 규칙에 비추어 테스트하며, 가장 좋은 것들을 점진적으로 정교하게 다듬습니다. 이는 시행착오의 과정이지만, 물리적 세계의 무질서하고 예측 불가능한 현실을 헤쳐 나가는 데 놀라울 정도로 뛰어난 방식입니다.

이 분야의 최근 발전인 모델 기반 확산(Model-Based Diffusion)은 생성형 인공지능의 기술을 빌려와 이 개념을 한 단계 더 발전시켰습니다. 원래 빈 캔버스에서 노이즈를 천천히 제거하여 이미지를 생성하도록 설계된 이 방법은 로봇의 경로를 생성하도록 응용되었습니다. 이 방식은 혼란스럽고 무작위적인 움직임에서 시작하여, 궤적이 장애물을 피하는 실행 가능하고 비용이 낮은 경로가 될 때까지 반복적으로 "노이즈를 제거(denoising)"하며 매끄럽게 만듭니다. 이 방법은 단일 로봇에게는 아름답게 작동했지만, 미시간 대학교의 연구진은 이를 전체 팀에 적용하는 것은 다른 이야기라는 것을 발견했습니다. 여러 대의 로봇을 동시에 제어하기 위해 이 방법을 사용하려 했을 때, 시스템은 모든 기계의 전체 계획을 동시에 보유해야 하는 중앙 컴퓨터를 필요로 했습니다. 팀의 규모가 커짐에 따라, 공동 계획을 처리하는 데 필요한 컴퓨터 메모리가 너무 커져 시스템이 충돌하거나, 해결책을 찾는 데 걸리는 시간이 비현실적으로 길어졌습니다. 또한 중앙 컴퓨터는 각 로봇의 구체적인 목표, 물리적 한계, 내부 규칙을 모두 알고 있어야 했는데, 이는 로봇들이 서로 다르거나 각자의 사적인 목적을 공개하지 않는 실제 상황에서는 종종 불가능한 일입니다.

이러한 병목 현상을 해결하기 위해 연구진은 분산 모델 기반 확산(Distributed Model-based Diffusion)이라는 새로운 프레임워크를 도입했습니다. 단일 중앙 뇌가 팀 전체의 계획을 관리하도록 강요하는 대신, 그들은 문제를 분리했습니다. 이 새로운 시스템에서는 각 로봇이 독립적인 플래너로서 행동하지만, 간단한 서버를 통해 서로 연결되어 있습니다. 이 과정은 정보의 릴레이 경주와 같습니다. 먼저, 서버는 모든 로봇이 어디로 향하고 있는지에 대한 현재의 최선의 추측치를 수집하여 팀 전체에 요약본을 방송합니다. 그런 다음, 각 로봇은 이 공유된 정보를 사용하여 자신의 경로를 정교하게 다듬습니다. 로봇은 "다른 모든 이들이 어디로 가고 있는지를 고려할 때, 내가 움직일 수 있는 최선의 방법은 무엇인가?"라고 스스로에게 묻습니다. 로봇은 자신만의 잠재적 경로 세트를 생성하고, 자신의 지역적 목표와 제약 조건에 따라 가장 좋은 것을 선택한 뒤, 업데이트된 위치를 서버로 다시 보냅니다. 그러면 서버는 이러한 새로운 위치들을 종합하여 다음 단계의 정교화를 위해 다시 방송합니다. 이 순환은 반복되며, 로봇들은 동료들의 내부 논리에 대한 복잡한 세부 사항을 전혀 알 필요 없이 협동적인 경로 세트로 서서히 수렴해 나갑니다.

연구진은 이 접근 방식이 실제 세계의 조율 과정에서 발생하는 혼돈을 처리할 수 있는지 확인하기 위해 일련의 엄격한 시뮬레이션에서 이를 테스트했습니다. 그들은 20대의 로봇이 붐비는 원 안에서 서로 위치를 바꾸는 시나리오부터, 엘리베이터가 있는 다층 건물 내를 항해하는 다양한 크기의 차량 혼합 함대에 이르기까지 다양한 시나리오를 만들었습니다. 이 테스트에서 새로운 분산 방식은 놀라운 확장성을 입증했습니다. 문제를 한꺼번에 해결하려 했던 기존 방식들이 로봇 수가 증가함에 따라 실패하거나 메모리가 부족해지기 시작한 반면, 분산 방식은 일정한 속도를 유지했습니다. 이 방식은 20대의 로봇을 위한 복잡한 조정 작업을 1초도 안 되는 시간에 해결할 수 있었는데, 이는 이전 세대의 알고리즘으로는 불가능했던 성과였습니다. 시스템은 로봇이 다른 로봇을 지나가게 하기 위해 일시적으로 길을 비켜줘야 하거나, 좁은 코너를 충돌 없이 통과해야 하는 과업을 성공적으로 수행했으며, 이 모든 과정에서 각 로봇은 자신의 구체적인 목표와 동료들의 일반적인 위치만을 알고 있었습니다.

아마도 가장 중요한 발견은 로봇들이 자신들의 사적인 목표를 공유하지 않고도 이러한 높은 수준의 조율을 달abilir 수 있었다는 점일 것입니다. 한 시뮬레이션에서, 한 로봇은 다른 로봇이 주차할 수 있도록 자신의 목표를 잠시 떠나야 했는데, 이는 자신의 목적지에 집중하는 기계에게는 역설적으로 보이는 움직임이었습니다. 그러나 공유된 궤적 추정치를 활용함으로써, 로봇은 자연스럽게 이러한 협력적 행동을 발견했습니다. 시스템이 로봇에게 명시적으로 예의를 갖추거나 전략적으로 행동하도록 프로그래밍할 필요는 없었습니다. 분산형 디노이징(denoising) 과정의 수학적 구조가 자연스럽게 로봇들이 그룹 전체를 위한 해결책을 찾도록 유도했습니다. 연구진은 또한 이 분산 접근 방식과 완벽한 중앙 집중식 솔선 사이의 차이가 로봇들이 경로를 정교화함에 따라 줄어든다는 이론적 보증을 제공하여, 각 로봇이 내리는 지역적 결정이 결국 글로벌 최적값에 부합하게 됨을 보장했습니다.

이 결과는 이 방법이 대규모 로봇 시스템의 전환점이 될 수 있음을 시사합니다. 팀의 미래 지도를 보유해야 하는 중앙 컴퓨터의 필요성을 제거함으로써, 이 접근 방식은 역동적인 환경에서 수백, 혹은 수천 대의 기계를 조율할 수 있는 문을 열어줍니다. 바쁜 하늘에서 서로를 피하는 드론 함대든, 재난 지역에서 함께 작업하는 구조 로봇 군단이든, 단일 실패 지점(single point of failure) 없이 실시간으로 복잡하고 충돌 없는 경로를 계획하는 능력은 중요한 진전입니다. 이 연구는 각 로봇이 스스로 생각하면서도 집단과 느슨하게 연결되어 있을 때, 팀이 단일한 지능으로는 혼자서 해결할 수 없는 문제들을 해결할 수 있음을 보여줍니다.

기술 요약: 확장 가능한 다중 로봇 궤적 최적화를 위한 분산형 모델 기반 확산 (Distributed Model-Based Diffusion)

1. 문제 정의

본 논문은 고도로 비볼록(non-convex), 비선형(non-linear) 및 비미분 가능(non-differentiable)한 환경에서 작동하는 다중 로봇 시스템을 위한 충돌 없는 궤적 최 optimization(collision-free trajectory optimization) 문제를 다룹니다. 모델 기반 확산(Model-Based Diffusion, MBD)은 계획(planning)을 확률적 추론 문제로 취급함으로써 단일 로봇 궤적 생성에서 유망한 성능을 보여주었으나, 이를 다중 로봇 시스템으로 확장하는 데 있어 두 가지 결정적인 병목 현상이 존재합니다.

차원의 저주 (Curse of Dimensionality): 중앙 집중식 설정에서는 결합된 궤적 공간(joint trajectory space)의 차원이 로봇 수( $N$ )에 따라 증가합니다. 이는 팀 규모가 커짐에 따라 샘플링 효율성과 최적화 성능이 기하급수적으로 감소하는 결과를 초래합니다.
중앙 집중화 요구 사항 (Centralization Requirements): 표준 MBD는 디노이징(denoising)을 수행하기 위해 모든 로봇의 역학, 제약 조건 및 목적 함수에 대한 전역적 접근 권한을 요구합니다. 실제 이종(heterogeneous) 다중 로봇 시스템에서는 이러한 정보를 집계하는 과정에서 상당한 통신 오버헤드가 발생하며, 단일 머신에 과도한 계산 및 메모리 부담을 주어 확장성을 제한합니다.

기존의 분산 샘플링 기반 방식들은 에이전트들이 여러 개의 궤적 샘플을 교환해야 하므로 높은 통신 비용이 발생하거나, 미분 가능성을 가정하고 로컬 미니마(local minima)에 빠질 수 있는 경사 하강법(gradient-based methods)에 의존하는 경우가 많습니다.

2. 방법론: 분산형 모델 기반 확산 (DMBD)

저자들은 전역 궤적 최적화 문제를 로컬 조건부 추론 하위 문제로 분해하는 서버-로봇 프레임워크인 **분산형 모델 기반 확산(Distributed Model-Based Diffusion, DMBD)**을 제안합니다.

핵심 메커니즘

DMBD는 표준 MBD의 순방향(노이징) 과정은 유지하되, 역방향(디노이징) 과정을 근본적으로 변경합니다.

분해 (Decomposition): 전체 결합 궤적 분포에 대해 전역 스코어 함수(global score function)를 추정하는 대신, 각 로봇 $k$ 는 독립적으로 **로컬 조건부 스코어 함수(local conditional score function)**를 추정합니다.
로컬 조건부 디노이징 (Local Conditional Denoising): 각 디노이징 단계에서 로봇 $k$ 는 자신의 로컬 목적 함수 $J_k$ , 로컬 역학 $f_k$ , 그리고 로컬 제약 조건 $C_k$ 만을 사용하여 자신의 제어 궤적 $Y_k$ 를 업데이트합니다.
조건화 (Conditioning): 로컬 업데이트는 다른 모든 로봇의 현재 상태 궤적 추정치( $\tau_{-k}$ )를 조건으로 합니다. 이 추정치들은 중앙 서버에 의해 집계되고 브로드캐스트됩니다.
통신 효율성 (Communication Efficiency): 다른 분산 방식들과 달리, 각 로봇은 디노이징 단계당 여러 샘플이 아닌 단 하나의 궤적만을 서버로 전송합니다. 서버는 최적화를 수행하지 않으며, 오직 궤적을 집계하고 재전송하는 역할만 수행합니다.

알고리즘 흐름 (Algorithm 1)

초기화 (Initialization): 각 로봇은 초기 노이즈가 섞인 궤적 $Y^{(M)}_k$ 를 샘플링하여 자신의 상태 궤적 $\tau^{(M)}_k$ 를 서버로 보냅니다.
집계 (Aggregation): 서버는 모든 궤적을 하나의 전역 상태 $\tau^{(M)}$ 로 집계하여 다시 브로드캐스트합니다.
반복적 디노이징 ( $i = M \dots 1$ ):
- 각 로봇 $k$ 는 다른 로봇들의 궤적( $\tau^{(i)}_{-k}$ )을 수신합니다.
- 로봇 $k$ 는 현재 추정치를 중심으로 하는 가우시안 분포에서 $S_k$ 개의 후보 궤적을 샘플링합니다.
- 로봇 $k$ 는 로컬 조건부 가능도 $p^k_0(Y_k | \tau_{-k})$ 를 기반으로 가중 평균 $\hat{Y}^{(i)}_k$ 를 계산합니다.
- 로봇은 추정된 로컬 스코어 함수(식 17)를 사용하여 궤적을 업데이트하고 새로운 상태 궤적을 서버로 보냅니다.
종료 (Termination): 이 과정은 $i=1$ 이 될 때까지 반복되며, 최종적으로 최적화된 궤적 $\{Y^{(0)}_k\}$ 를 산출합니다.

이론적 분석

본 논문은 전역 결합 스코어 함수와 로컬 조건부 스코어 함수 사이의 불일치(discrepancy)에 대한 이론적 경계(Proposition 1)를 설정합니다.

이 불일치는 로컬 디노이저의 리프시츠 상수(Lipschitz constant)와 다른 로봇들의 궤적 추정치와 그들의 완전한 디노이징된 궤적 사이의 거리에 의해 제한됩니다.
이 경계는 디노이징 과정이 수렴하거나(추정치가 실제 해에 도달함) 제약 조건이 독립적인 경우, 분산 방식이 중앙 집중식 솔루션으로 수렴함을 의미합니다.
결정적으로, 이 방법은 제로 차수(zeroth-order) 방식이며 목적 함수나 제약 조건의 미분 가능성을 가정하지 않습니다.

3. 주요 기여

DMBD 제안: 전역 궤적 최적화 문제를 로컬 조건부 확산 프로세스로 분해하여, 각 로봇이 타 로봇에 대한 정보로 조건화된 로컬 정보만을 사용하여 궤적을 디노이징할 수 있게 하는 서버 협력형 분산 알고리즘을 제 제안하였습니다.
이론적 경계: MBD와 DMBD 사이의 관계를 도출하여, 전역 및 로컬 조건부 스코어 함수 간의 불일치에 대한 이론적 경계를 제공하였습니다.
실증적 검증: 다양한 시나리오에서 기존 베이스라인과 비교하여 우수한 확장성 및 성능을 입증하는 광범위한 시뮬레이션을 수행하였습니다.

4. 실험 결과

저자들은 DMBD를 CEM, MPPI, 표준 MBD, D4orm의 네 가지 샘플링 기반 최적화(SBO) 베이스라인과 비교 평가하였습니다.

시나리오

목표 교환 (Goal Swapping): $N$ 대의 로봇(원형 및 직사각형)이 원형 궤도를 따라 위치를 교환하는 작업.
다층 층간 커버리지 (Multi-Floor Coverage): 엘리베이터 제약이 있는 2층 건물 내에서 이동하는 이종 팀.
주차 (Parking): 한 로봇이 다른 로봇이 들어올 수 있도록 일시적으로 목표 지점을 비워줘야 하는 상황에서의 두 대의 직사각형 로봇의 협업.
러시아워 (Rush Hour): 한 로봇을 위해 길을 터주는 전략적 협업이 필요한 4대의 로봇 퍼즐.

성능 지표

확장성 (Q1): DMBD는 로봇 수( $N$ )가 증가함에 따라 거의 일정한 계획 시간을 유지합니다. 반면, 베이스라인 모델들은 계획 시간이 급격히 증가하고 성공률이 감소하는 문제를 보였습니다. 특히, 모든 베이스라인은 목표 교환 작업에서 $N=20$ 일 때 실패(메모리 부족 오류)했으나, DMBD는 성공했습니다.
성공률 (Success Rate): DMBD는 복잡한 작업(직사각형 로봇, 다층 커버리지)에서 90%를 상회하는 가장 높은 성공률을 달eric했습니다.
전역 지식 없는 협업 (Q2): "주차" 및 "러시아워" 시나리오에서 로봇들은 전역 목적 함수나 역학에 대한 접근 없이도 높은 성공률(>90%)을 달성했습니다. 이는 로컬 조건부 디노이징이 전역적으로 협업된 행동을 창발적으로 생성할 수 있음을 보여줍니다.
계산 시간 (Computation Time): DMBD는 도전적인 협업 작업들을 1초 미만의 계산 시간(예: 러시아워 0.39초, 주차 0.52초)으로 해결했습니다.

5. 의의 및 주장

본 논문은 DMBD가 다중 로봇 시스템에서 모델 기반 확산(MBD)의 확장성 한계를 성공적으로 해결한다고 주장합니다. 추론 문제를 분해함으로써, DMBD는 결합된 궤적 공간과 관련된 차원의 저주를 피하고 중앙 프로세서가 시스템 전체에 대한 완전한 지식을 가질 필요성을 제거합니다.

이 연구의 의의는 대규모의 이종 로봇 팀을 위한 확장 가능하고, 학습이 필요 없으며(learning-free), 미분이 필요 없는(differentiable-free) 궤적 최적화를 가능하게 한다는 점에 있습니다. 이 방법은 전역 정보가 부족하거나 통신이 제한된 분산 환경에서도 확산 모델의 다중 모드(multi-modal) 궤적 생성 능력을 유지하면서 효율적으로 작동합니다. 결과적으로 DMBD는 복잡한 제약 조건과 대규모 로봇 팀이 포함된 실제 협업 작업에 대한 유효한 솔루션임을 시사합니다.