RIT*: Riemannian Informed Trees for Cost-Adaptive Optimal Motion Planning

로봇을 미로 속에서 안내하려고 한다고 상상해 보십시오. 로봇 공학의 세계에서는 이를 "모션 플래닝(motion planning)"이라고 부릅니다. 오랫동안 이를 수행하는 가장 똑똑한 방법은 로봇의 움직임을 평평한 판 위의 체커 게임처럼 취급하는 것이었습니다. 즉, 앞으로 가거나 뒤로 가거나 옆으로 가는 모든 단계의 에너지가 동일하며, 최단 경로는 단순히 직선이라는 가정입니다. 이 방식은 단순하고 빈 방에서는 아주 잘 작동합니다. 하지만 실제 삶은 평평한 판이 아닙니다. 여러 개의 관절을 가진 로봇 팔을 생각해 보십시오. 무거운 손목을 비틀는 것은 쉬울 수 있지만, 무거운 어깨를 들어 올리는 것은 매우 지칠 수 있습니다. 또는 벽을 아슬아슬하게 지나가려는 로봇을 상상해 보십시오. 벽에 너무 가까워지는 것은 위험하므로, 벽 근처에 있는 "비용(cost)"은 높아야 합니다.

문제는 대부분의 로봇 두뇌가 여전히 이 오래된 "평평한 판" 수학을 사용한다는 점입니다. 그들은 어떤 방향은 더 어렵고, 어떤 영역은 더 위험하다는 사실을 깨닫지 못합니다. 이 논문은 RIT* (Riemannian Informed Trees)라고 불리는 새로운 사고방식을 소개합니다. RIT*는 세상이 평평하고 균일하다고 가정하는 대신, 위치나 움직이는 방향에 따라 세상이 "곡선형"이고 "신축성"이 있다고 이해합니다. 이는 산과 계곡을 같은 거리로 취급하는 지도에서, 언덕을 오르는 것이 들판을 가로지르는 것보다 훨씬 많은 노력이 든다는 것을 아는 지도로 전환하는 것과 같습니다. 이 더 똑똑한 수학을 사용함으로써, 로봇은 단순히 짧은 경로가 아니라 실제로 가장 쉽고 안전하게 이동할 수 있는 경로를 찾을 수 있습니다.

문제점: "평평한 지도"의 실수

수년 동안 최고의 로봇 플래너들은 "정보 기반 샘플링(informed sampling)"이라는 기술을 사용해 왔습니다. 일단 로봇이 지점 A에서 지점 B까지 가는 어떠한 방법이라도 찾아내면, 전체 세상을 살피는 것을 멈추고 그 경로 주변의 특정 "탐색 버블(search bubble)" 내부만 살펴봅니다. 이렇게 하면 더 나은 경로를 찾는 속도가 훨씬 빨라집니다.

하지만 이러한 플래너들은 표준적인 평면 기하학(유클리드 거리)을 사용하여 탐색 버블을 그립니다. 그들은 왼쪽으로 1미터 이동하는 것이 위로 1미터 이동하는 것과 비용이 같다고 가정합니다. 하지만 실제 세상, 특히 움직이는 부품이 많은 복잡한 로봇에게 이는 틀린 가정입니다.

• 이방성(Anisotropy) 문제: 로봇 팔을 상상해 보십시오. 가볍고 빠른 손목 관절을 움직이는 것은 저렴합니다. 하지만 무겁고 느린 어깨 관절을 움직이는 것은 비쌉니다. 평평한 지도는 이 둘을 동일하게 취급합니다.
• 장애물 문제: 로봇이 벽에 부딪히면 그 영역이 좋지 않다는 것을 배웁니다. 하지만 표준 플래너는 모든 장애물의 지도를 미리 프로그래밍해 두지 않는 한, 그곳이 얼마나 나쁜지 혹은 어떻게 피해야 하는지를 자동으로 학습하지 못합니다.

이 논문의 저자들은 이러한 평평하고 미리 설정된 규칙에 의존하는 것이, 특히 고차원 공간(관절이 많은 로봇)이나 움직임의 "비용"이 위치에 따라 변하는 환경에서 로봇을 비효율적으로 만든다고 주장합니다.

해결책: RIT*와 "신축성 있는" 지도

이 논문은 평면 수학을 **리만 기하학(Riemannian geometry)*으로 대체하는 새로운 플래닝 프레임워크인 RIT를 제시합니다. 로봇의 세상을 고무판이라고 상상한다면, 리만 기하학은 이 판이 늘어나거나 줄어들 수 있게 해줍니다.

• 지도 늘리기: 움직임이 어려운 영역(예: 무거운 팔을 들어 올리는 경우)에서는 지도가 늘어나서 해당 영역이 더 "멀고" 비싸 보이게 만듭니다. 쉬운 영역에서는 지도가 줄어듭니다.
• 새로운 탐색 버블: RIT*는 완벽한 원이나 타원을 그리는 대신, 이 "신축성 있는" 지도에 맞는 모양을 그립니다. 이는 실제로 이 새로운 곡선 지도상에서 저렴해 보이는 경로에만 탐색을 집중합니다.
• 스마트한 연결: 로봇이 두 지점을 연결하는 것을 고려할 때, 단순히 직선만을 확인하지 않습니다. "계층적(cascading)" 필터를 사용합니다. 먼저 빠르고 대략적인 검사를 수행합니다. 만약 경로가 비싸 보이면 즉시 버립니다. 유망한 경로만이 전체적이고 상세한 계산 과정을 거치게 됩니다. 이를 통해 엄청난 양의 컴퓨터 시간을 절약합니다.

비밀 병기: CARM (충돌로부터의 학습)

이 논문에서 가장 흥고한 부분은 CARM (Collision-Adaptive Metric Refinement)이라 불리는 기능입니다.

보통 로봇이 장애물을 피하게 만들려면 엔지니어가 수동으로 "비용장(cost field, 특정 구역에서 멀리 떨어지도록 지시하는 지도)"을 설계해야 합니다. 하지만 로봇이 아직 지도를 모른다면 어떻게 될까요?

• 학습 과정: CARM은 로봇이 계획을 세우는 동안 지도를 학습하게 합니다. 로봇이 경로를 시도하다가 벽에 부딪힐(충돌할) 때마다, CARM은 이를 기록합니다. "좋아, 저 지점은 위험해"라고 말하는 식입니다.
• 피드백 루프: 로봇은 이러한 "충돌(bumps)"을 사용하여 위험의 히트맵을 생성합니다. 그런 다음 그 지점 근처에서 움직이는 비용을 높입니다. 다음에 로봇이 계획을 세울 때, 이전에 충돌했던 장소로부터 자연스럽게 멀어지게 됩니다.
• 사전 지식 불필요: 로봇은 시작할 때 방의 완벽한 지도가 필요하지 않습니다. 빈 도화지(또는 자신의 관절이 어떻게 움직이는지에 대한 기본 개념)에서 시작하여 진행하면서 장애물을 학습할 수 있습니다.

실험 결과

연구진은 단순한 2D 미로부터 복잡한 14차원 로봇 팔(두 팔을 가진 로봇과 같은)에 이르기까지 다양한 시뮬레이션 환경에서 RIT*를 테스트했습니다.

• 단순한 환경: 환경이 균일할 때(까다로운 비용이 없을 때), RIT*는 기존의 최고 방법들과 대등한 성능을 보였습니다. 문제를 일으키지 않고 경쟁 모델들과 성능을 맞추었습니다.
• 복잡한 환경: 여기서 RIT*의 진가가 드러났습니다.
  • 방향에 따라 비용이 달라지는 까다로운 비용이 존재하는 3D 환경에서, RIT는 기존의 최고 방법(BIT)보다 13.0% 더 저렴한(효율적인) 솔루션을 찾아냈습니다.
  • 6차원 로봇 팔 작업에서, 최종 경로 비용을 9.0% 개선했습니다.
  • 가장 어려운 테스트인 14차원 두 팔 로봇에서 개선 폭은 엄청났습니다: RIT는 다른 방법들보다 24.8%에서 63.5% 더 나은 경로를 찾아냈습니다. 이러한 고차원 사례에서 기존의 "평면 지도" 방식들은 정체되거나 형편없는 경로를 찾은 반면, RIT는 계속해서 개선되는 모습을 보였습니다.
• 실제 로봇 테스트: 연구진은 심지어 실제 UR10e 로봇 팔에 이 알고리즘을 실행했습니다. 로봇은 매끄럽고 충돌 없는 동작을 성공적으로 계획하고 실행하여, 이 수학적 모델이 시뮬레이션뿐만 아니라 실제 세상에서도 작동함을 증명했습니다.

핵심 요약

이 논문은 로봇의 세상을 경직된 평면 격자가 아닌 유연하고 곡선 형태의 풍경으로 취급함으로써 훨씬 더 나은 경로를 찾을 수 있음을 입증합니다. RIT*는 단순히 어떤 경로를 찾는 것이 아니라, 어떤 움직임이 더 어려운지 이해하고, 자신의 실수(충돌)로부터 학습하여 위험을 피함으로써 가장 스마트한 경로를 찾아냅니다.

이 방법은 복잡한 수학을 처리하기 위해 더 많은 컴퓨터 자원을 필요로 하지만, 복잡한 환경의 복잡한 로봇들에게는 이 추가적인 노력이 훨씬 더 낫고, 안전하며, 효율적인 움직임이라는 결과로 보답한다는 것을 보여줍니다. 저자들은 로봇이 점점 더 복잡해지고 예측 불가능한 환경에 진입함에 따라, 이러한 "곡선 지도" 방식의 사고가 필수적이 될 것이라고 제안합니다.